Laboratoire SUPINFO d'étude en robotique

L’intelligence Artificielle: deuxième partie

L’intelligence Artificielle: deuxième partie

28 sept, 2014

Dans une première partie, nous avons parlé d’intelligence artificielle faible, qui a pour objectif de diviser des taches complexes en micro-tâches calculable afin d’aider, ou d’effectuer les humains dans certaines tâches précises. Cependant, l’intelligence artificielle ne se limite pas à ça. Dans l’article précédent, nous avons commencé à parler d’intelligence artificielle forte sans entrer dans le détail, chose que nous allons faire aujourd’hui.

La première chose à noter est que l’intelligence artificielle forte est aujourd’hui encore un principe, une théorie qui n’a pas encore été appliquée. Cet article sera donc pour cette raison plus théorique, possiblement spéculatif.

sentinelle

Commençons par expliquer la nature d’une intelligence artificielle forte :

Selon plusieurs sources, le concept d’intelligence artificielle forte fait référence à une machine capable non seulement de produire un comportement intelligent, mais d’éprouver une impression d’une réelle conscience de soi, de « vrais sentiments , et « une compréhension de ses propres raisonnements ».

Cette définition est, je trouve, par principe en partie faussée, car nous n’avons pas d’explication scientifique aux sentiments ou à la conscience, ces notions tendant plus du coté de la philosophie et de la psychologie. ( je parle bien sur de la notion de sentiments, pas de la biologie des sentiments qui est la raison pour laquelle nous les ressentons). Pour cette raison, nous pouvons donner tous les sens à cette définition d’intelligence artificielle forte, car chacun pourra donner sa définition de sentiments et de conscience.

En nous éloignant donc de ces principes, comment définirons nous l’intelligence artificielle forte? Nous parlerons de « la compréhension de ses propres raisonnements« .
L’intelligence artificielle forte est consciente de son environnement. Si je reprends l’un des exemples de mon article précédent, le super-ordinateur « Deep Blue », l’ordinateur devrait s’il était une IA forte devrait être capable de déterminer qu’il joue aux échecs, et ainsi serait différencier une partie d’échecs avec une partie de Go.

rover

C’est la plus grosse différence entre une intelligence artificielle faible et une intelligence artificielle forte. En effet, une intelligence artificielle faible est faite pour automatiser une tâche. Elle fonctionne donc dans un univers clos et elle n’a pas besoin d’analyse sur quoi faire, car elle ne sait, et ne doit faire qu’une seule chose. Une intelligence artificielle forte, elle, peut évoluer dans un univers avec des limites beaucoup plus flexible, car elle appréhende la situation et agit en fonction.

Il existe bien sur, même aujourd’hui, des méthodes permettant d’analyser la situation et d’agir en fonction d’elle sur les robots. Cependant, ces analyses proviennent des prévisions de l’ingénieur qui a élaboré le système, nous pouvons difficilement appeler ça conscience de son environnement. Citons ici John Von Neumann : « Si les gens ne croient pas que les mathématiques sont simples, c’est uniquement parce qu’ils ne réalisent pas à quel point la vie est compliquée. ». Nous avons pu voir en Décembre 2013 dans le Darpa Robotics Challenge à quel point des actions qui semblent simples pour un adulte, tel qu’ouvrir une porte, ont pu être compliquées pour des robots.

De nombreuses théories existent sur la faisabilité d’une IA forte, et beaucoup d’entre elles s’accordent sur le fait qu’une IA forte est probablement impossible avec les moyens actuels.

Certains disent que une IA forte demanderait une puissance de calcul que nous sommes incapable de fournir aujourd’hui., ou encore que l’architecture elle même d’un ordinateur est la limite qui nous empêche de progresser. Ces gens s’appuient sur le fait que le cerveau humain, capable d’intelligence, est fondamentalement différent d’un ordinateur de par sa structure et sa puissance de calcul. Ce genre de pensées implique que l’humain lui même est une sorte de machine extrêmement compliquée, mais pas impossible d’imiter. On pourra ici citer, derrière ces théories, John C. Lilly, avec sa théorie du BioComputer.

Je vais donc commencer par expliquer le fonctionnement fondamental du réseau de neurones humain : Un cerveau possède 1000 milliards de neurones, chacun pouvant effectuer jusqu’à 100 calculs par seconde. Chacun de ces neurones est de plus relié à 10000 autres neurones.
En terme de puissance de calcul (en vulgarisant), cela signifie que le réseau de neurones peut, en vulgarisant, effectuer 10^12 neurones * 10^2 calculs/sec * 10^4 jonctions = 10^18 FLOPs (Floating point operations per second). Autrement dit, notre cerveau possèderait une capacité d’un exaFLOPs.

Il est cependant important de noter que contrairement à un ordinateur, notre cerveau n’est pas déterministe au sens mathématique, le même calcul ne donnera pas forcément le même résultat à deux moments différents car notre cerveau est en constante évolution. Comparer la puissance de calcul d’un ordinateur à celle du cerveau de cette manière n’est pas réaliste, mais permets de donner un ordre de grandeur.

supercomuter

Le superordinateur le plus puissant au monde, à l’heure ou cet article est écrit, est le Tianhe-2situé au National Super Computer Center à Guangzhou, avec une puissance de 54,902 petaFLOPs, nous ne sommes donc pas encore aux 1000 petaFLOPs requis.

La deuxième, et la plus grosse différence entre notre cerveau et un ordinateur proviens de son fonctionnement. Un ordinateur aujourd’hui fonctionne, selon l’architecture de Von Neumann (modifiée) avec un processeur. Ce processeur est, contrairement à ce que quelqu’un pourrait s’imaginer, incapable de faire deux choses en même temps. En effet, quand votre ordinateur lit de la musique pendant que vous jouez à votre jeu préféré, le processeur ordonne ses processus pour effectuer toute ces actions pour que cela ressemble à une exécution parallèle.

ordonnancement

C’est aujourd’hui un peu moins vrai, car depuis les années 2000, les processeurs ont plusieurs Cœurs capables de faire des calculs. Cependant, nous parlons dans les machines auxquelles nous avons accès de 16 cœurs au maximum, et un programme utilisant plusieurs cœurs est beaucoup plus complexe à coder qu’un programme normal.

Le cerveau, lui, est capable d’un parallélisme extrême. Comme je l’ai dit plus tôt, chaque neurone est connecté à 10000 autres neurones, et reçoit en permanence leur état. Et ceci est appliqué à 1000 milliards de neurones.

Expliquons la différence avec un exemple. Vous regardez un oiseau volant. Comment déterminez vous que c’est un oiseau? Voici une liste d’informations à titre d’exemple :

  • L’objet a des ailes
  • L’objet vole
  • L’objet a des plumes
  • l’objet est en chair
  • l’objet a une couleur donnée

En effet, vous ne reconnaitriez pas une chose plate, verte, qui brille dans la nuit, ressemblant à un éléphant en papier et qui chante du Justin Bieber comme un oiseau.
On définira l’objet selon les informations reçues par nos 5 sens. Supposons que nous prenons les 5 étapes au dessus ( Une analyse se ferait en réalité en beaucoup plus d’étapes). Un ordinateur ferait un calcul par information, et au bout de 5 calculs, soit 5 cycles d’horloge, arriverait au résultat que c’est un oiseau.
Le cerveau, quant à lui, enverrait chaque information à un neurone différent, et chacun de ces neurones effectuerai un calcul avant de retourner le résultat. Cela signifie que tout cela est fait en un seul cycle. Et un cerveau possède 1000 milliards de neurones, chacun pouvant traiter 10000 informations en même temps (en extrapolant). En comparaison, le superordinateur K Computer au japon, actuellement 4eme superordinateur le plus rapide du monde totalise 68 544 processeurs Sparc 64 VIIIfx cadencés à 2,0 GHz contenant chacun 8 cœurs, pour un total de 548 353 cœurs.

Revenons à présent à l’intelligence artificielle. Pour créer une intelligence artificielle forte, plusieurs théories ont été mises en place, dont deux qui me semblent pertinentes.

La première est de reproduire l’architecture d’un cerveau humain avec des circuits, autrement appelé Artificial Neural Networking, dont le projet le plus ambitieux est surement The Human Brain ProjectLeur objectif est d’essayer d’émuler complètement un cerveau humain pour mieux comprendre son fonctionnement. On pourra cependant retrouver des projets datant de 1996 et peut être même avant, comme le livre An Introduction to Neural Networks de Patrick van der Smagt

La deuxième est de travailler sur des ordinateurs quantiques. Plusieurs projets de recherches existent à ce sujet, et ne parlons pas des légendes urbaines. Le principe d’un ordinateur quantique reviens à créer des qBits, qui contrairement à des bits, ne possèdent pas de valeur dans le sens ou un bit vaut 0 ou 1. Un qBit « vaut’ les deux valeurs en même temps, jusqu’à une stabilisation grâce a l’observation, qui est la lecture de celui ci.

qbit

Conclusion :

L’intelligence artificielle forte reste à présent un mythe, dont l’intérêt scientifique n’a commencé à grandir que récemment. En effet, il n’y avais pas besoin d’intelligence artificielle forte dans les systèmes experts, mais la rapide évolution de la robotique avancée nous pousse de plus en plus vers des besoins grandissant en terme d’IA. Le sujet est cependant très apprécié des philosophes et de la science fiction, comme de nombreux livres, films et jeux on pu nous le prouver au cours des années.

Le développement d’une Intelligence Artificielle forte est sans nul doute l’un des plus grands défis du XXIe siècle, qui n’a rien à envier en complexité ou en conséquences au plus grand défi du XXe siècle, le début de l’exploration spatiale,

FacebookTwitterGoogle+

Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *

Vous pouvez utiliser ces balises et attributs HTML : <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <strike> <strong>