L'intelligence artificielle n'existe pas

partage des richesses se pose depuis la nuit des temps, mais je crois que nous
sommes arrivés à un point où celle-ci ne peut plus être différée. On entend
souvent dire que les robots vont remplacer nos emplois, mais il faut savoir
que les pays les plus robotisés sont ceux dans lesquels il y a le moins de
chômage. Au Japon, il y a des centaines de milliers de robots. En Europe,
c’est en Allemagne qu’il y a le moins de chômage, et ce sont pourtant eux qui
ont le plus de robots. Dans une étude récente
15
, le cabinet de conseil
McKinsey estime que d’ici 2030, environ 15 % des tâches seront
automatisées, avec de fortes variations selon les pays, allant de 9 % en Inde à
24 % aux États-Unis, voire 29 % au Japon. Plus que des pertes d’emplois,
cette automatisation entraînera une transformation des métiers, voire des
changements de postes et de secteurs pour 375 millions de salariés selon un
scénario d’automatisation rapide, soit 14 % de la population active mondiale.
Une proportion qui atteindra un tiers de la population active aux États-Unis et
en Allemagne, et près de 50 % au Japon. Taxer les robots présente un risque
parce que ça revient à taxer l’innovation, qu’il est préférable de soutenir et
d’accompagner. Dans les années qui viennent, la pénibilité va diminuer, de
nouvelles perspectives vont s’ouvrir et nous aurons peut-être même plus de
temps pour faire autre chose que travailler.
• Deep Blue contre Kasparov : Deep Blue était un ordinateur spécialisé
dans le jeu d’échecs, développé par IBM dans les années 1990, qui a battu le
Champion du monde des échecs en titre, Garry Kasparov, en 1997. Le jeu
d’échecs est compliqué, et les gens qui sont forts aux échecs sont réputés pour
être performants, intelligents, dotés d’une capacité à prévoir plusieurs coups à
l’avance. Selon la théorie des jeux, c’est un jeu de stratégie combinatoire sans

---

cycle et à information complète et parfaite, ce qui signifie que les règles sont
claires et définissent une fin. Quel que soit le chemin qu’on emprunte, on
arrive toujours à un résultat, on a un vainqueur ou un match nul. Le
programme de Deep Blue n’était en réalité qu’une suite de règles qui a pu
battre Kasparov non pas en « réfléchissant », mais en ayant une capacité de
mémoire phénoménale où étaient stockés des milliers de parties d’échecs,
ainsi que les différents chemins menant à la victoire en fonction des
différentes configurations. Il n’y a là aucune intelligence, mais une prouesse
technologique qui permet de retrouver dans cette énorme base de données le
bon coup au bon moment. Pour vous donner une idée, l’ensemble des coups
légaux possibles aux échecs est estimé entre 10
43
et 10
50
. La machine ne
connaissait absolument pas tous les coups, mais avait la capacité d’en prévoir
à l’avance bien plus que Kasparov ne le pouvait. La machine a donc battu
Kasparov grâce au « big data », et absolument pas grâce au raisonnement.
Dans ce cas, il ne s’agissait même pas de Machine Learning, mais de « force
brute ».
• Watson et Jeopardy! : historiquement créé entre Deep Blue et DeepMind,
DeepQA est une énorme base de données de questions/réponses, développée
par IBM à la fin des années 2000. Jeopardy! est un jeu télévisé dans lequel on
donne des réponses aux participants, qui doivent formuler les questions
associées. Les ingénieurs d’IBM ont pensé que participer à ce jeu serait un
bon test pour DeepQA. Ils ont donc créé Watson, un ordinateur spécialisé
capable de répondre à des questions en langage naturel. Contrairement à ce
que beaucoup pensent, même si on peut y voir une certaine logique, le nom de
Watson n’a rien à voir avec ce cher Dr Watson, fidèle assistant de Sherlock
Holmes, mais était le nom du premier PDG d’IBM, Thomas Watson. En 2011,
Watson a participé au jeu télévisé contre des champions légendaires et les a
battus à plates coutures. Là encore, il ne s’agit pas d’intelligence, mais d’une
énorme mémoire, doublée d’une capacité de calcul monstrueuse. Watson
pouvait traiter 500 gigaoctet, l’équivalent du contenu d’un million de livres
par seconde ! C’est bien sûr impressionnant, mais ce n’est rien d’autre que du
traitement de connaissance.
• AlphaGo contre Lee Sedol : DeepMind, rachetée par Google en 2014, est
une entreprise britannique spécialisée dans l’intelligence artificielle, qui s’est
concentrée sur le développement de systèmes informatiques capables de jouer
à des jeux vidéo. Elle s’est illustrée en 2016 quand son programme AlphaGo
a battu le champion du monde de go, le Sud-Coréen Lee Sedol. Le jeu de go

---

est beaucoup plus complexe que les échecs. Si donner une estimation précise
du nombre potentiel de parties d’échecs avait été compliqué, pour le jeu de
go, dont les chiffres varient de 10
172
à 10
762
, c’est encore moins précis. La
vérité se situant quelque part entre les deux, il est facile de comprendre que la
force brute ne peut être appliquée. Mais c’est là que le Machine Learning peut
briller face à un humain. En effet, en faisant ingurgiter 30 millions de coups
extraits de 160 000 parties pour parfaire son apprentissage, et en faisant jouer
plusieurs instances les unes contre les autres pour parfaire le modèle, il est
possible de parvenir à un niveau de spécialisation inégalable par un être
humain, même 18 fois champion du monde. Il est toutefois important de noter
qu’AlphaGo ayant besoin de plus de capacité de calcul que de mémoire,
utilisait autour de 1 500 CPU, 200 ou 300 GPU et quelques TPU. AlphaGo a
battu son adversaire humain par des méthodes et des stratégies qui n’avaient
absolument rien d’humain, alliant des techniques statistiques de Machine
Learning et de Deep Learning dont il serait ridicule de se passer pour
accomplir ce genre de tâches spécialisées, juste à cause d’un désenchantement
pour ces technologies.
• Tay, le chatbot raciste de Microsoft : en mars 2016, Microsoft a lancé un
chatbot
16
 auquel les utilisateurs pouvaient s’adresser librement sur Twitter. Il
était censé personnifier une jeune Américaine de 19 ans. Au cours des
échanges, il s’est mis à tenir des propos racistes et sexistes et Microsoft a dû
le fermer seulement 16 heures après sa mise en service. Microsoft n’a jamais
commenté les raisons de ce désastre, mais de multiples hypothèses ont été
depuis formulées. Basés sur des technologies de Machine Learning
classiques, les chatbots sont entraînés sur de larges bases de données
comprenant des conversations choisies parmi celles abordant des thèmes
pertinents pour la spécialité du bot. Pour que le bot s’intègre parfaitement à la
conversation et ressemble à son public, il est aussi courant d’implémenter une
fonction «