L'évolution de l'IA : de la logique symbolique à l'informatique d'inspiration biologique

L'évolution de l'intelligence artificielle marque un changement de paradigme décisif, passant de l'IA symbolique (GOFAI) au connexionnisme. Historiquement, l'IA reposait sur un raisonnement déductif « descendant » (top-down), où des règles codées par l'humain régissaient chaque résultat. Cette approche, bien que précise pour les casse-têtes logiques, a échoué face au paradoxe de Moravec—la prise de conscience que le raisonnement de haut niveau est informatiquement facile, tandis que les compétences sensorimotrices de bas niveau (comme la reconnaissance d'un visage) sont presque impossibles à coder en dur.

À l'inverse, l'informatique d'inspiration biologique adopte une stratégie d'apprentissage inductif « ascendante » (bottom-up). Plutôt que de suivre des instructions statiques, les réseaux de neurones artificiels utilisent des représentations distribuées pour discerner des motifs à partir de données brutes. Bien que ces architectures imitent le traitement parallèle et la plasticité du cerveau humain, il est essentiel de les reconnaître comme des abstractions mathématiques. Elles s'appuient sur l'algèbre linéaire et le calcul différentiel pour obtenir des résultats fonctionnels, privilégiant l'efficacité computationnelle sur la fidélité biologique.

Implémentation en Python

Question 1

Quel concept explique pourquoi coder en dur la marche d'un robot est plus difficile que de le programmer pour jouer aux échecs ?

A. Le test de Turing

B. Le paradoxe de Moravec

C. La dualité connexionniste

D. Le biais inductif

Étude de cas : l'évolution de la traduction automatique

Lisez le scénario ci-dessous et répondez à la question.

Au début des années 2000, la traduction automatique reposait sur des modèles « statistiques à base de segments » (règles symboliques/statistiques). Lorsque Google est passé à la « traduction automatique neuronale » (GNMT) en 2016, le système a cessé de considérer les mots comme des unités individuelles et a commencé à voir les phrases comme des vecteurs dans un espace de grande dimension.

Pourquoi l'approche neuronale a-t-elle mieux géré l'argot et le contexte que l'approche basée sur des règles ?

Réponse :
L'approche neuronale utilise un apprentissage inductif « ascendant » (bottom-up). En traitant des millions de documents, elle identifie les relations probabilistes entre les mots en contexte, plutôt que de s'appuyer sur un dictionnaire défini par l'humain, incapable de suivre la nature changeante de l'argot et de la grammaire.