🧠 Comment fonctionnent les IA ?

Bienvenue dans le chapitre approfondi 7. On ne se demande pas seulement si l’intelligence artificielle est possible, mais s’il existe un petit ensemble de principes (voire un algorithme « simple ») qui expliquerait l’intelligence. On explore deux façons de mesurer la complexité du cerveau (câblage complet vs information génétique), un indice expérimental (les furets), les arguments contre (diversité des régions, universaux humains), et pourquoi il peut être utile d’agir comme si une explication simple existait.

On ne se demande pas seulement si un ordinateur peut un jour égaler ou dépasser l’intelligence humaine (question déjà débattue). On se demande s’il existe un petit ensemble de principes – voire un algorithme qu’on pourrait décrire simplement – qui expliquerait comment l’intelligence fonctionne. Beaucoup ont l’intuition que l’intelligence est trop variée et trop riche pour être résumée ainsi. D’autres pensent que l’histoire des sciences nous a montré que des phénomènes d’abord très complexes ont pu être expliqués par des idées simples. La question reste ouverte.

En astronomie, les mouvements du Soleil, de la Lune, des planètes et des comètes semblaient tous différents. Newton a montré qu’une seule loi (la gravitation universelle) pouvait les expliquer, ainsi que les marées et la chute des corps. En chimie, la diversité des substances a été ordonnée par le tableau de Mendeleev, lui-même expliqué par quelques règles de la mécanique quantique. La complexité du vivant a trouvé un cadre unificateur dans l’évolution par sélection naturelle. Ces exemples ne prouvent pas qu’il y a un algorithme simple pour l’intelligence, mais ils invitent à ne pas rejeter trop vite cette idée sous prétexte que le cerveau « semble » très compliqué.

Vue A : Il pourrait exister un petit ensemble de principes fondamentaux (peut-être des algorithmes d’apprentissage, des structures communes) qui expliquent comment le cerveau produit l’intelligence. Les différences entre régions viendraient alors de l’application de ces principes dans des contextes différents.
Vue B : L’intelligence résulterait de nombreux mécanismes distincts, façonnés par des pressions de sélection variées au cours de l’évolution. Chaque fonction (langage, vision, émotions, etc.) aurait ses propres « modules » ; il n’y aurait pas d’algorithme unique et simple.

La connectomique décrit le câblage brut du cerveau : environ 100 milliards de neurones, environ 100 milliards de cellules gliales, et environ 100 billions (10¹⁴) de connexions entre neurones. Si comprendre le cerveau signifiait détailler chacune de ces connexions, alors une explication « simple » paraît impossible. Même en décrivant grossièrement chaque connexion (par ex. 10 nombres flottants), il faudrait de l’ordre de 70 quadrillions de bits – une complexité hors d’échelle humaine. La question devient : peut-on réduire cette complexité en changeant de point de vue (par ex. en regardant ce que le génome spécifie) ?

On peut demander : combien d’information génétique est nécessaire pour décrire l’architecture du cerveau ? Une approche : comparer le génome humain à celui du chimpanzé. Les deux diffèrent par environ 125 millions de paires de bases (on dit souvent « 96 % identiques »). En bits, 125 millions de paires × 2 bits par paire ≈ 250 millions de bits. Si une moitié environ concerne le cerveau, on obtient environ 125 millions de bits. C’est énorme, mais ce n’est pas « incompréhensible » : c’est à l’échelle de ce qu’une communauté de chercheurs pourrait, en principe, analyser. Surtout, le génome ne peut pas contenir le détail de chaque connexion ; il doit donc spécifier surtout l’architecture globale et les principes de développement. Ces principes semblent suffire pour qu’un humain devienne intelligent dans un environnement normal.

En supposant qu’un texte en français contient environ 1 bit d’information par lettre (à cause de la redondance), 125 millions de bits correspondent à environ 25 millions de mots – soit environ 30 fois la taille de la Bible. Aucun humain ne peut tout lire, mais une équipe pourrait, en se spécialisant, en avoir une compréhension collective. Surtout : cette complexité est environ un demi-milliard de fois plus petite que celle du connectome complet (70 quadrillions de bits). Donc la vue « génétique » nous donne une réduction d’environ neuf ordres de grandeur. Cela suggère que les principes sous-jacents au cerveau pourraient être à notre portée, même s’ils restent nombreux et subtils.

Dans une expérience célèbre, des chercheurs ont rerouté le signal des yeux de furets nouveau-nés : au lieu d’aller au cortex visuel, il allait au cortex auditif (la zone normalement dédiée à l’ouïe). Résultat : dans le cortex auditif, des colonnes d’orientation et une carte d’orientation ont commencé à apparaître – une structure typique du cortex visuel. Les furets ont pu apprendre à réagir à des stimuli visuels (lumière de différentes directions) de façon rudimentaire. Cela suggère que des principes communs permettent à différentes régions du cerveau d’apprendre à traiter des données sensorielles – un indice (limité) en faveur de principes simples partagés. On ne peut pas demander aux furets s’ils « voient » vraiment ; les tests étaient grossiers.

La psychologie évolutionniste a mis en évidence des universaux humains : des comportements ou structures communs à toutes les cultures (tabous, musique, structures linguistiques comme les pronoms, les verbes, les mots tabous). La neuroanatomie montre que beaucoup de comportements sont contrôlés par des régions localisées, similaires d’un individu à l’autre. Certains en concluent que l’intelligence repose sur une multitude de mécanismes spécialisés, chacun expliqué séparément. La théorie de la « Société de l’esprit » va dans ce sens : l’intelligence viendrait d’une « société » de nombreux agents ou processus très différents ; « il n’y a pas de truc magique », mais une « vaste diversité ». Ces arguments ne prouvent pas qu’il n’existe pas de principes sous-jacents communs (les différences de régions pourraient découler des mêmes principes dans des contextes différents), mais ils pèsent dans le débat.

Une position défendue dans ce chapitre est de pencher pour l’existence de principes relativement simples – pas parce que les preuves sont décisives, mais parce qu’un optimisme raisonnable est souvent plus productif qu’un pessimisme. Face à une grande idée (comme « il existe un algorithme simple pour l’intelligence »), on n’a souvent que des indices. On peut soit rester prudent et ne pas s’avancer, soit travailler l’idée comme si elle pouvait être vraie : c’est en essayant qu’on découvre, même si ce qu’on trouve n’est pas exactement ce qu’on espérait.

Dans sa forme la plus optimiste, on peut douter qu’on trouve un jour un très court programme (par ex. quelques centaines ou mille lignes de code) ou un réseau « facilement décrit » qui réaliserait l’intelligence générale. En revanche, il peut être utile d’agir comme si un tel algorithme existait : cela donne une direction de recherche, on cherche des idées simples et puissantes, et en chemin on comprend mieux. Peut-être qu’un jour on aura un programme plus long ou un réseau plus sophistiqué qui capture l’essentiel – ou peut-être qu’on aura simplement progressé en compréhension.

Une façon de résumer la situation : la clé de l’intelligence (artificielle ou comprise) tient à des idées simples et puissantes, et il en faudra beaucoup. On est encore loin du but – certains diraient qu’il reste « une centaine de prix Nobel » de découvertes. Cela ne invalide pas la quête d’un algorithme simple : cela rappelle qu’on avance par petites idées claires, pas par un seul coup de baguette magique.