Résoudre l'IA

Le but de l'intelligence artificielle (du moins selon les fondateurs du domaine) est de créer des ordinateurs dont l'intelligence égale ou dépasse celle des humains. Atteindre cet objectif est le fameux problème de l'IA. Pour certains, l'IA est le destin manifeste de l'informatique. Pour d'autres, c'est un échec : clairement, le problème de l'IA est loin d'être résolu. Pourquoi? Pour la plupart, la réponse est simple : personne n'essaie vraiment de le résoudre. Cela peut surprendre les personnes extérieures au domaine. Qu'ont fait tous ces chercheurs en IA pendant toutes ces années ? La réalité est qu'ils ont largement abandonné les grandes ambitions de l'IA et travaillent à la place sur des sous-problèmes de plus en plus spécialisés : pas seulement l'apprentissage automatique ou la compréhension du langage naturel, disons, mais des problèmes dans ces domaines, comme la classification d'objets ou l'analyse de phrases.

Je pense que cette approche diviser pour régner ne fonctionnera pas. En IA, la meilleure solution à un problème considéré isolément empêche souvent de résoudre le problème plus vaste. Pour faire de réels progrès, nous devons travailler sur des problèmes de bout en bout – des tâches autonomes, comme lire du texte et répondre à des questions, qui impliquent un certain nombre de sous-tâches (voir Assistant logiciel intelligent ). Jusqu'à présent, cela n'était pas vraiment possible, car la puissance de calcul nécessaire n'était pas disponible. Mais d'ici une dizaine d'années, les ordinateurs dépasseront la puissance de calcul du cerveau humain. (Alors que les ordinateurs sont extrêmement efficaces pour des tâches spécifiques, telles que l'arithmétique, le cerveau humain est toujours en avance en termes de nombre d'opérations qu'il peut effectuer par seconde. Lorsque cela est appliqué à des choses pour lesquelles les gens sont bons, comme la vision et la compréhension du langage, les ordinateurs perdent.)

Cette histoire faisait partie de notre numéro de mars 2009

• Voir le reste du numéro
• S'abonner

Cependant, la puissance de calcul n'est pas la réponse complète. Les tentatives précédentes pour résoudre les problèmes d'IA de bout en bout ont échoué de deux manières. Certains ont simplifié à l'excès les problèmes au point que les solutions n'ont pas été transférées dans le monde réel. D'autres se sont heurtés à un mur de complexité technique : trop de choses à assembler, trop d'interactions entre elles, trop de bugs.

Pour faire mieux, nous avons besoin d'un nouveau langage mathématique pour l'intelligence artificielle. Des exemples tirés d'autres domaines de la science et de la technologie montrent à quel point cela peut être puissant : la mécanique, par exemple, a bénéficié du calcul ; courant alternatif à partir de nombres complexes; et les circuits numériques de la logique booléenne. Aujourd'hui, ces choses semblent être une seconde nature pour leurs praticiens, mais à l'époque elles étaient loin d'être évidentes. La clé est de trouver le bon langage dans lequel formuler et résoudre les problèmes.

Quel devrait être le langage de l'IA ? Au moins, nous avons besoin d'un langage qui combine logique et probabilité. La logique peut gérer la complexité du monde réel - un grand nombre d'objets en interaction, par exemple, ou plusieurs types d'objets - mais pas son incertitude. Les modèles graphiques probabilistes sont devenus un langage général pour gérer l'incertitude, mais ils ne peuvent pas gérer la complexité du monde réel.

La dernière décennie a vu de réels progrès dans cette direction, mais ce n'est encore qu'un début. Il est peu probable que nous trouvions le langage de l'IA tant que nous n'aurons pas plus d'expérience avec les problèmes d'IA de bout en bout. Mais c'est ainsi que nous allons finalement résoudre l'IA : par l'interaction entre la résolution de problèmes réels et l'invention d'un langage qui les rend plus simples.

Pedro Domingos est professeur agrégé d'informatique et d'ingénierie à l'Université de Washington à Seattle.

cacher