Le parcours et les enseignements de 80 ans de développement de l'IA
Au cours des 80 ans de développement dans le domaine de l'intelligence artificielle (IA), nous pouvons tirer de nombreuses leçons précieuses. Ce parcours a témoigné des hauts et des bas des investissements financiers, de la diversification des méthodes de recherche et de développement, ainsi que de l'évolution des émotions du public, passant de la curiosité à l'anxiété puis à l'excitation.
L'histoire de l'intelligence artificielle remonte à décembre 1943, lorsque le neurophysiologiste McCulloch et le logicien Pitts ont publié un article pionnier sur la logique mathématique. Ils ont proposé un modèle de réseau de neurones idéalisé et simplifié, décrivant comment ces réseaux exécutent des opérations logiques simples en transmettant ou en ne transmettant pas d'impulsions. Bien que les hypothèses de cet article n'aient pas pu être vérifiées empiriquement par la suite, elles sont devenues une source d'inspiration pour l'apprentissage profond moderne.
Dans le processus de développement de l'IA, nous devons être vigilants quant à la confusion entre l'ingénierie et la science, entre la science et les conjectures, ainsi qu'entre la science et les articles remplis de symboles mathématiques et de formules. Plus important encore, nous devrions résister à la tentation de l'illusion selon laquelle "l'humanité peut créer des machines identiques à elle-même". Cette arrogance tenace et répandue a été le catalyseur des bulles technologiques et de l'engouement périodique pour l'IA depuis 80 ans.
Le concept d'AGI( de l'IA générale, c'est-à-dire l'apparition imminente de machines dotées d'une intelligence humaine voire d'une intelligence supérieure, a toujours été un sujet brûlant dans le domaine de l'IA. Cependant, les prévisions historiques concernant la réalisation imminente de l'AGI ont souvent échoué. Depuis que Herbert Simon a déclaré en 1957 "Il existe déjà des machines capables de penser, d'apprendre et de créer", jusqu'à la prédiction de Marvin Minsky en 1970 selon laquelle "des machines dotées d'une intelligence équivalente à celle d'un humain apparaîtront dans trois à huit ans", et jusqu'à la récente affirmation d'OpenAI selon laquelle une IA super intelligente pourrait apparaître d'ici cette décennie, ces prévisions reflètent un optimisme excessif quant aux capacités de l'IA.
Nous devrions aborder avec prudence ces nouvelles technologies apparemment révolutionnaires et examiner attentivement si elles diffèrent réellement des précédentes conjectures sur l'intelligence des machines. Comme le dit le spécialiste de l'apprentissage profond Yann LeCun, il nous manque encore certains éléments clés pour réaliser des machines capables d'apprendre de manière aussi efficace que les humains et les animaux.
Le "mythe du premier pas" dans l'histoire du développement de l'IA mérite notre vigilance. Ce mythe soutient que tant qu'un ordinateur peut accomplir une tâche qui était auparavant considérée comme impossible, même s'il le fait très mal, grâce à des avancées technologiques ultérieures, il pourra finalement accomplir cette tâche parfaitement. Cependant, la réalité prouve souvent que le chemin de l'incapacité à faire quelque chose à faire mal est généralement beaucoup plus court que celui de faire mal à faire très bien.
À différentes étapes du développement de l'IA, le matériel, les logiciels et la collecte de données ont tous joué un rôle important. Les systèmes experts, qui ont commencé à gagner en popularité au milieu des années 60, ont tourné leur attention vers l'acquisition et la programmation des connaissances du monde réel. Cependant, au début des années 90, cette vague de l'IA a finalement éclaté, mettant en évidence les énormes défis liés à l'acquisition et à la maintenance des connaissances. Cela nous rappelle que les succès initiaux et l'adoption généralisée ne garantissent pas la durabilité d'une "nouvelle industrie", la bulle finira par éclater.
Le débat sur les méthodes de recherche et développement de l'IA existe depuis longtemps, principalement entre l'IA symbolique basée sur des règles et le connexionnisme basé sur des statistiques. Ces dernières années, le centre de gravité du développement de l'IA s'est déplacé du milieu académique vers le secteur privé, mais l'ensemble du domaine a tendance à suivre une seule direction de recherche. Cela nous rappelle que nous ne devrions pas placer tous nos espoirs sur une seule méthode de développement de l'IA.
En regardant vers l'avenir, que ce soit des géants du matériel comme NVIDIA ou des startups axées sur l'AGI, tous devraient tirer des leçons de l'évolution de l'IA. Rester vigilant, diversifier son développement et éviter de tomber dans le piège d'une seule voie technologique, voilà autant d'éléments clés pour garantir un succès à long terme dans le domaine de l'IA.
Cette page peut inclure du contenu de tiers fourni à des fins d'information uniquement. Gate ne garantit ni l'exactitude ni la validité de ces contenus, n’endosse pas les opinions exprimées, et ne fournit aucun conseil financier ou professionnel à travers ces informations. Voir la section Avertissement pour plus de détails.
14 J'aime
Récompense
14
4
Partager
Commentaire
0/400
LiquidationWatcher
· Il y a 6h
les mêmes vieilles vibrations de bulle technologique... il faut rester sobre pour l'instant
80 ans de développement de l'IA : un apocalypse de la passion à la raison
Le parcours et les enseignements de 80 ans de développement de l'IA
Au cours des 80 ans de développement dans le domaine de l'intelligence artificielle (IA), nous pouvons tirer de nombreuses leçons précieuses. Ce parcours a témoigné des hauts et des bas des investissements financiers, de la diversification des méthodes de recherche et de développement, ainsi que de l'évolution des émotions du public, passant de la curiosité à l'anxiété puis à l'excitation.
L'histoire de l'intelligence artificielle remonte à décembre 1943, lorsque le neurophysiologiste McCulloch et le logicien Pitts ont publié un article pionnier sur la logique mathématique. Ils ont proposé un modèle de réseau de neurones idéalisé et simplifié, décrivant comment ces réseaux exécutent des opérations logiques simples en transmettant ou en ne transmettant pas d'impulsions. Bien que les hypothèses de cet article n'aient pas pu être vérifiées empiriquement par la suite, elles sont devenues une source d'inspiration pour l'apprentissage profond moderne.
Dans le processus de développement de l'IA, nous devons être vigilants quant à la confusion entre l'ingénierie et la science, entre la science et les conjectures, ainsi qu'entre la science et les articles remplis de symboles mathématiques et de formules. Plus important encore, nous devrions résister à la tentation de l'illusion selon laquelle "l'humanité peut créer des machines identiques à elle-même". Cette arrogance tenace et répandue a été le catalyseur des bulles technologiques et de l'engouement périodique pour l'IA depuis 80 ans.
Le concept d'AGI( de l'IA générale, c'est-à-dire l'apparition imminente de machines dotées d'une intelligence humaine voire d'une intelligence supérieure, a toujours été un sujet brûlant dans le domaine de l'IA. Cependant, les prévisions historiques concernant la réalisation imminente de l'AGI ont souvent échoué. Depuis que Herbert Simon a déclaré en 1957 "Il existe déjà des machines capables de penser, d'apprendre et de créer", jusqu'à la prédiction de Marvin Minsky en 1970 selon laquelle "des machines dotées d'une intelligence équivalente à celle d'un humain apparaîtront dans trois à huit ans", et jusqu'à la récente affirmation d'OpenAI selon laquelle une IA super intelligente pourrait apparaître d'ici cette décennie, ces prévisions reflètent un optimisme excessif quant aux capacités de l'IA.
Nous devrions aborder avec prudence ces nouvelles technologies apparemment révolutionnaires et examiner attentivement si elles diffèrent réellement des précédentes conjectures sur l'intelligence des machines. Comme le dit le spécialiste de l'apprentissage profond Yann LeCun, il nous manque encore certains éléments clés pour réaliser des machines capables d'apprendre de manière aussi efficace que les humains et les animaux.
Le "mythe du premier pas" dans l'histoire du développement de l'IA mérite notre vigilance. Ce mythe soutient que tant qu'un ordinateur peut accomplir une tâche qui était auparavant considérée comme impossible, même s'il le fait très mal, grâce à des avancées technologiques ultérieures, il pourra finalement accomplir cette tâche parfaitement. Cependant, la réalité prouve souvent que le chemin de l'incapacité à faire quelque chose à faire mal est généralement beaucoup plus court que celui de faire mal à faire très bien.
À différentes étapes du développement de l'IA, le matériel, les logiciels et la collecte de données ont tous joué un rôle important. Les systèmes experts, qui ont commencé à gagner en popularité au milieu des années 60, ont tourné leur attention vers l'acquisition et la programmation des connaissances du monde réel. Cependant, au début des années 90, cette vague de l'IA a finalement éclaté, mettant en évidence les énormes défis liés à l'acquisition et à la maintenance des connaissances. Cela nous rappelle que les succès initiaux et l'adoption généralisée ne garantissent pas la durabilité d'une "nouvelle industrie", la bulle finira par éclater.
Le débat sur les méthodes de recherche et développement de l'IA existe depuis longtemps, principalement entre l'IA symbolique basée sur des règles et le connexionnisme basé sur des statistiques. Ces dernières années, le centre de gravité du développement de l'IA s'est déplacé du milieu académique vers le secteur privé, mais l'ensemble du domaine a tendance à suivre une seule direction de recherche. Cela nous rappelle que nous ne devrions pas placer tous nos espoirs sur une seule méthode de développement de l'IA.
En regardant vers l'avenir, que ce soit des géants du matériel comme NVIDIA ou des startups axées sur l'AGI, tous devraient tirer des leçons de l'évolution de l'IA. Rester vigilant, diversifier son développement et éviter de tomber dans le piège d'une seule voie technologique, voilà autant d'éléments clés pour garantir un succès à long terme dans le domaine de l'IA.