intelligence artificielle

Consulter aussi dans le dictionnaire : intelligence
Ensemble de théories et de techniques mises en œuvre en vue de réaliser des machines capables de simuler l'intelligence humaine.
Avec l'intelligence artificielle, l'homme côtoie un de ses rêves prométhéens les plus ambitieux : fabriquer des machines dotées d'un « esprit » semblable au sien. Pour John MacCarthy, l'un des créateurs de ce concept, « toute activité intellectuelle peut être décrite avec suffisamment de précision pour être simulée par une machine ». Tel est le pari – au demeurant très controversé au sein même de la discipline – de ces chercheurs à la croisée de l'informatique, de l'électronique et des sciences cognitives.
Malgré les débats fondamentaux qu'elle suscite, l'intelligence artificielle a produit nombre de réalisations spectaculaires, par exemple dans les domaines de la reconnaissance des formes ou de la voix, de l'aide à la décision ou de la robotique.

INTELLIGENCE ARTIFICIELLE ET SCIENCES COGNITIVES
Au milieu des années 1950, avec le développement de l'informatique naquit l'ambition de créer des « machines à penser », semblables dans leur fonctionnement à l'esprit humain. L'intelligence artificielle (IA) vise donc à reproduire au mieux, à l'aide de machines, des activités mentales, qu'elles soient de l'ordre de la compréhension, de la perception, ou de la décision. Par là même, l'IA est distincte de l'informatique, qui traite, trie et stocke les données et leurs algorithmes. Le terme « intelligence » recouvre ici une signification adaptative, comme en psychologie animale. Il s'agira souvent de modéliser la résolution d'un problème, qui peut être inédit, par un organisme. Si les concepteurs de systèmes experts veulent identifier les savoirs nécessaires à la résolution de problèmes complexes par des professionnels, les chercheurs, travaillant sur les réseaux neuronaux et les robots, essaieront de s'inspirer du système nerveux et du psychisme animal.

LES SCIENCES COGNITIVES
Dans une optique restrictive, on peut compter parmi elles :
– l'épistémologie moderne, qui s'attache à l'étude critique des fondements et méthodes de la connaissance scientifique, et ce dans une perspective philosophique et historique ;
– la psychologie cognitive, dont l'objet est le traitement et la production de connaissances par le cerveau, ainsi que la psychologie du développement, quand elle étudie la genèse des structures logiques chez l'enfant ;
– la logique, qui traite de la formalisation des raisonnements ;
– diverses branches de la biologie (la biologie théorique, la neurobiologie, l'éthologie, entre autres) ;
– les sciences de la communication, qui englobent l'étude du langage, la théorie mathématique de la communication, qui permet de quantifier les échanges d'informations, et la sociologie des organisations, qui étudie la diffusion sociale des informations.

LE PROJET ET SON DÉVELOPPEMENT
L'IA trouve ses racines historiques lointaines dans la construction d'automates, la réflexion sur la logique et sa conséquence, l'élaboration de machines à calculer.

LES PRÉCURSEURS
Dès l'Antiquité, certains automates atteignirent un haut niveau de raffinement. Ainsi, au ier s. après J.-C., Héron d'Alexandrie inventa un distributeur de vin, au fonctionnement cybernétique avant la lettre, c'est-à-dire doté de capacités de régulation, et fondé sur le principe des vases communicants. Rapidement, les savants semblèrent obsédés par la conception de mécanismes à apparence animale ou humaine. Après les essais souvent fructueux d'Albert le Grand et de Léonard de Vinci, ce fut surtout Vaucanson qui frappa les esprits, en 1738, avec son Canard mécanique, dont les fonctions motrices et d'excrétion étaient simulées au moyen de fins engrenages. Quant à la calculatrice, elle fut imaginée puis réalisée par Wilhelm Schickard (Allemagne) et Blaise Pascal (France). Vers la même époque, l'Anglais Thomas Hobbes avançait dans son Léviathan l'idée que « toute ratiocination est calcul », idée qui appuyait le projet de langage logique universel cher à René Descartes et à Gottfried W. Leibniz. Cette idée fut concrétisée deux siècles plus tard par George Boole, lorsqu'il créa en 1853 une écriture algébrique de la logique. On pouvait alors espérer passer de la conception de l'animal-machine à la technologie de la machine-homme.

NAISSANCE ET ESSOR DE L'INFORMATIQUE
À partir de 1835, le mathématicien britannique Charles Babbage dressa avec l'aide de lady Ada Lovelace les plans de la « machine analytique », ancêtre de tous les ordinateurs, mais sans parvenir à la réaliser. Seul l'avènement de l'électronique, qui engendra d'abord les calculateurs électroniques du type ENIAC (electronic numerical integrator and computer) dans les années 1940, permit aux premières machines informatiques de voir enfin le jour, autour de 1950, avec les machines de Johann von Neumann, un mathématicien américain d'origine hongroise. Les techniques de l'informatique connurent des progrès foudroyants – ainsi, à partir de 1985, un chercheur américain conçut des connection machines, ensembles de micro-ordinateurs reliés entre eux qui effectuaient 1 000 milliards d'opérations par seconde –, et continuent aujourd'hui encore à enrichir l'IA.
La création, à partir des années 1990, des « réalités virtuelles », systèmes qui par l'intermédiaire d'un casque et de gants spéciaux donnent à l'utilisateur l'impression de toucher et de manipuler les formes dessinées sur l'écran, ainsi que les travaux sur les « hypertextes », logiciels imitant les procédés d'associations d'idées, vont également dans ce sens.

LE FONDATEUR
Un des théoriciens précurseurs de l'informatique, le mathématicien britannique Alan M. Turing, lança le concept d'IA en 1950, lorsqu'il décrivit le « jeu de l'imitation » dans un article resté célèbre. La question qu'il posait est la suivante : un homme relié par téléimprimante à ce qu'il ignore être une machine disposée dans une pièce voisine peut-il être berné et manipulé par la machine avec une efficacité comparable à celle d'un être humain ? Pour Turing, l'IA consistait donc en un simulacre de psychologie humaine aussi abouti que possible.

MISE EN FORME DE L'IA
La relève de Turing fut prise par Allen Newell, John C. Shaw et Herbert A. Simon, qui créèrent en 1955-1956 le premier programme d'IA, le Logic Theorist, qui reposait sur un paradigme de résolution de problèmes avec l'ambition – très prématurée – de démontrer des théorèmes de logique. En 1958, au MIT (Massachusetts Institute of Technology), John MacCarthy inventa le Lisp (pour list processing), un langage de programmation interactif : sa souplesse en fait le langage par excellence de l'IA (il fut complété en 1972 par Prolog, langage de programmation symbolique qui dispense de la programmation pas à pas de l'ordinateur).
L'élaboration du GPS (general problem solver) en 1959 marque la fin de la première période de l'IA. Le programme GPS est encore plus ambitieux que le Logic Theorist, dont il dérive. Il est fondé sur des stratégies logiques de type « analyse des fins et des moyens » : on y définit tout problème par un état initial et un ou plusieurs états finaux visés, avec des opérateurs assurant le passage de l'un à l'autre. Ce sera un échec, car, entre autres, le GPS n'envisage pas la question de la façon dont un être humain pose un problème donné. Dès lors, les détracteurs se feront plus virulents, obligeant les tenants de l'IA à une rigueur accrue.

LES CRITIQUES DU PROJET
Entre une ligne « radicale », qui considère le système cognitif comme un ordinateur, et le point de vue qui exclut l'IA du champ de la psychologie, une position médiane est certainement possible. Elle est suggérée par trois grandes catégories de critiques.

OBJECTION LOGIQUE
Elle repose sur le célèbre théorème que Kurt Gödel a énoncé en 1931. Celui-ci fait ressortir le caractère d'incomplétude de tout système formel (tout système formel comporte des éléments dotés de sens et de définitions très précis, mais dont on ne peut démontrer la vérité ou la fausseté : ils sont incomplets). Il serait alors vain de décrire l'esprit en le ramenant à de tels systèmes. Cependant, pour certains, rien n'indique que le système cognitif ne soit pas à considérer comme formel, car si l'on considère à la suite du philosophe autrichien Ludwig Wittgenstein qu'un être vivant est un système logique au même titre qu'une machine, on peut concevoir que l'esprit est « formel », qu'il connaît des limites, comme toute machine.

OBJECTION ÉPISTÉMOLOGIQUE
Un certain nombre de biologistes et d'informaticiens jugent l'IA classique prématurément ambitieuse. Pour eux, il faut d'abord parvenir à modéliser le fonctionnement de niveaux d'intégration du vivant plus simples (comportement d'animaux « simples », collecte d'informations par le système immunitaire ou encore communications intercellulaires) avant de s'attaquer à l'esprit humain.

OBJECTION PHILOSOPHIQUE
Pour John R. Searle, le système cognitif de l'homme est fondamentalement donneur de sens. Or la machine ne possède pas d'intentionnalité ; elle n'a pas de conscience. Un ordinateur peut manipuler des symboles mais ne peut les comprendre. Ainsi, l'IA travaillerait sur la syntaxe des processus de raisonnement (les règles combinatoires), pas sur leur sémantique (l'interprétation et la signification).
Hilary Putnam juge fallacieuse la description de la pensée faite par l'IA en termes de symboles et de représentations. Pour lui, une telle approche suppose une signification préétablie, alors que tout serait dans l'interprétation que fait l'esprit de la « réalité » extérieure. L'histoire des idées montre ainsi que la notion de « matière » n'a pas le même sens pour les philosophes de l'Antiquité grecque et pour les physiciens modernes. De même, de nombreux biologistes considèrent que les systèmes nerveux des différentes espèces animales font émerger de leur environnement des univers distincts. L'IA ignorerait donc ce phénomène de « construction active » de réalités multiples par le système cognitif.
Enfin, dans Ce que les ordinateurs ne peuvent pas faire (1972), Hubert L. Dreyfus souligne que la compréhension stricto sensu implique tout un sens commun. Faute de cerner de façon adéquate cette question, les programmes d'IA relèveraient de la contrefaçon – en revanche, le même auteur est assez séduit par les recherches sur les réseaux neuronaux.

LA RÉSOLUTION DE PROBLÈMES
Pour l'épistémologue Karl Popper, tout animal, en tant qu'être adapté à son milieu, est un problem solver. Si la résolution de problèmes n'est sans doute pas la seule marque fonctionnelle saillante de l'esprit humain, elle reste incontournable pour le modélisateur. Deux approches sont possibles dans la résolution d'un problème : celle de l'algorithme et celle de l'heuristique.

ALGORITHMES ET HEURISTIQUE
Les algorithmes sont des procédures mathématiques de résolution. Il s'agit d'une méthode systématique, qui donne par conséquent des résultats fiables. Mais une lourdeur déterministe marque ses limites. En l'employant pour certains problèmes, on peut en effet se trouver confronté au phénomène d'« explosion combinatoire ». Ce dernier cas est illustré par la fable indienne du « Sage et de l'Échiquier ». À un Sage, qui l'avait conseillé de manière avisée, le Roi proposa de choisir une récompense. Le vieil homme demanda simplement que l'on apporte un échiquier et que l'on dépose sur la première case un grain de blé, sur la seconde deux grains, et ainsi de suite, en mettant sur chaque nouvelle case une quantité de blé double de celle déposée sur la case précédente. Avec un rapide calcul, on imagine que le Roi regretta bien vite d'avoir accordé un don qui se révélait très coûteux, si ce n'est impossible, à honorer.
À l'opposé, l'heuristique est une méthode stratégique indirecte, qu'on utilise dans la vie courante. Elle résulte du choix, parmi les approches de la résolution, de celles qui paraissent les plus efficaces. Si son résultat n'est pas garanti, car elle n'explore pas toutes les possibilités, mais seulement les plus favorables, elle n'en fait pas moins gagner un temps considérable : lors de la résolution de problèmes complexes, l'usage de l'algorithme est impossible.

LE CAS EXEMPLAIRE DU JEU D'ÉCHECS
De tous les jeux, ce sont les échecs qui ont suscité les plus gros efforts de modélisation en IA. Dès 1957, l'informaticien Bernstein, sur la base des réflexions de Claude Shannon, l'un des pères de la Théorie de l'information, mit au point un programme pour jouer deux parties. Le programme GPS, en lequel Simon voyait la préfiguration d'un futur champion du monde électronique, annoncé à grand fracas pour l'année 1959, fut battu par un adolescent en 1960. À partir de cette époque fut développée toute la série des Chess Programs, jugés plus prometteurs. Pourtant ceux-ci reflètaient de manière plus que déficiente les heuristiques globalisantes des bons joueurs : en effet, dans ces jeux automatiques, les coups réguliers sont programmés sous forme d'algorithmes. Contrairement à la célèbre formule d'un champion des années 1930 : « Je n'étudie qu'un coup : le bon », l'ordinateur n'envisage pas son jeu à long terme ; il épuise successivement tous les états possibles d'un arbre mathématique. Son atout majeur est la « force brutale » que lui confèrent sa puissance et sa vitesse de calcul. Ainsi Belle, ordinateur admis en 1975 dans les rangs de la Fédération internationale d'échecs, pouvait déjà calculer 100 000 coups par seconde. Néanmoins, les programmes électroniques d'alors étaient encore systématiquement surpassés par les maîtres.

Deep Thought, un supercalculateur d'IBM, fut encore battu à plate couture en octobre 1989 par le champion du monde Garri Kasparov (la machine n'avait encore à cette époque qu'une capacité de jeu de 2 millions de coups par seconde). Ce projet Deep Thought avait mis en œuvre un budget de plusieurs millions de dollars et des ordinateurs hyperperformants, et bénéficié des conseils du grand maître américano-soviétique Maxim Dlugy. Les machines employées étaient encore algorithmiques, mais faisaient moins d'erreurs et effectuaient des calculs plus fins. L'équipe de Deep Thought chercha à dépasser le seuil du milliard de coups par seconde, car leur ordinateur ne calculait qu'environ cinq coups à l'avance, bien moins que leur concurrent humain : les connaisseurs estimèrent qu'il fallait porter ce chiffre à plus de sept coups. En fait, il apparut qu'il fallait concevoir des machines stratèges capables, en outre, d'apprentissage. Feng Hsiung Hsu et Murray Campbell, des laboratoires de recherche d'IBM, associés, pour la réalisation de la partie logicielle, au Grand-maître d'échecs Joël Benjamin, reprirent le programme Deep Thought – rebaptisé Deep Blue, puis Deeper Blue – en concevant un système de 256 processeurs fonctionnant en parallèle ; chaque processeur pouvant calculer environ trois millions de coups par seconde, les ingénieurs de Deeper Blue estiment qu'il calculait environ 200 millions de coups par seconde. Finalement, le 11 mai 1997, Deeper Blue l'emporta sur Garri Kasparov par 3 points et demi contre 2 points et demi, dans un match en six parties. Même si beaucoup d'analystes sont d'avis que Kasparov (dont le classement ELO de 2820 est pourtant un record, et qui a prouvé que son titre de champion du monde est incontestable en le défendant victorieusement par six fois) avait particulièrement mal joué, la victoire de Deeper Blue a enthousiasmé les informaticiens. Un des coups les plus étonnants fut celui où, dans la sixième partie, la machine choisit, pour obtenir un avantage stratégique, de faire le sacrifice spéculatif d'un cavalier (une pièce importante), un coup jusque-là normalement « réservé aux humains ». En 2002, le champion du monde Vladimir Kramnik ne parvenait qu'à faire match nul contre le logiciel Deep Fritz, au terme de huit parties, deux victoires pour l'humain et la machine et quatre matchs nuls. Une nouvelle fois, la revanche des neurones sur les puces n'avait pas eu lieu.
En 2016, le programme Alphago de Google Deepmind bat l'un des meilleurs joueurs mondiaux du jeu de go, Lee Sedol (ce jeu d'origine chinoise comprend bien plus de combinaisons que les échecs).

LES RÉSEAUX NEURONAUX
Dans un article paru en 1943, Warren McCulloch, un biologiste, et Walter Pitts, un logicien, proposaient de simuler le fonctionnement du système nerveux avec un réseau de neurones formels. Ces « neurones logiciens » sont en fait des automates électroniques à seuil de fonctionnement 0/1, interconnectés entre eux. Ce projet, s'il n'eut pas d'aboutissement immédiat, devait inspirer plus tard Johann von Neumann lorsqu'il créa l'architecture classique d'ordinateur.

UNE PREMIÈRE TENTATIVE INFRUCTEUSE
Il fallut attendre 1958 pour que les progrès de l'électronique permettent la construction du premier réseau neuronal, le Perceptron, de Frank Rosenblatt, machine dite connectionniste. Cette machine neuromimétique, dont le fonctionnement (de type analogique) cherche à approcher celui du cerveau humain, est fort simple. Ses « neurones », reliés en partie de manière aléatoire, sont répartis en trois couches : une couche « spécialisée » dans la réception du stimulus, ou couche périphérique, une couche intermédiaire transmettant l'excitation et une dernière couche formant la réponse. Dans l'esprit de son inventeur, le Perceptron devait être capable à brève échéance de prendre en note n'importe quelle conversation et de la restituer sur imprimante. Quantité d'équipes travailleront au début des années 1960 sur des machines similaires, cherchant à les employer à la reconnaissance des formes : ce sera un échec total, qui entraînera l'abandon des travaux sur les réseaux. Ceux-ci semblent alors dépourvus d'avenir, malgré la conviction contraire de chercheurs comme Shannon.

LES RÉSEAUX ACTUELS
En fait, l'avènement des microprocesseurs, les puces électroniques, permettra la réapparition sous forme renouvelée des réseaux à la fin des années 1970, générant un nouveau champ de l'IA en pleine expansion, le néoconnectionnisme. Les nouveaux réseaux, faits de processeurs simples, ne possèdent plus de parties à fonctions spécialisées. On leur applique un outillage mathématique issu pour l'essentiel de la thermodynamique moderne et de la physique du chaos.
Le cerveau humain est caractérisé par un parallélisme massif, autrement dit la possibilité de traiter simultanément quantité de signaux. Dans les réseaux aussi, de nombreux composants électroniques, les neuromimes, travaillent de manière simultanée, et la liaison d'un neuromime avec d'autres est exprimée par un coefficient numérique, appelé poids synaptique. On est cependant bien loin du système nerveux central de l'homme, qui comprend environ 10 milliards de cellules nerveuses et 1 million de milliards de synapses (ou connexions). Contrairement à ce qui se passe dans le cerveau, lors de l'envoi d'un signal les neuromimes activent toujours leurs voisins et n'ont pas la possibilité d'inhiber le fonctionnement de ceux-ci. Néanmoins, ces machines sont dotées de la capacité d'auto-organisation, tout comme les êtres vivants : elles ne nécessitent pas de programmation a posteriori. La mémoire peut survivre à une destruction partielle du réseau ; leurs capacités d'apprentissage et de mémorisation sont donc importantes. Si un micro-ordinateur traite l'information 100 000 fois plus vite qu'un réseau, ce dernier peut en revanche effectuer simultanément plusieurs opérations.

QUELQUES APPLICATIONS
La reconnaissance des formes (pattern recognition) est, avec celle du langage naturel, l'un des domaines où les réseaux excellent. Pour reconnaître des formes, un robot classique les « calculera » à partir d'algorithmes. Tous les points de l'image seront numérisés, puis une mesure des écarts relatifs entre les points sera faite par analyse de réflectance (rapport entre lumière incidente et lumière reflétée). Mieux encore, on mesurera l'écart absolu de chaque point par rapport à la caméra qui a fixé l'image.
Ces méthodes, qui datent de la fin des années 1960, sont très lourdes et s'avèrent inopérantes lorsque l'objet capté par la caméra se déplace. Le réseau, s'il n'est guère efficace pour un calcul, reconnaîtra une forme en moyenne 10 000 fois plus vite que son concurrent conventionnel. En outre, grâce aux variations d'excitation de ses « neurones », il pourra toujours identifier un visage humain, quels que soient ses changements d'aspect. Cela rappelle les caractéristiques de la mémoire associative humaine, qui coordonne de façon complexe des caractéristiques ou informations élémentaires en une structure globale mémorisée. Une autre ressemblance avec le système cognitif de l'homme est à relever : sur cent formes apprises à la suite, l'ordinateur neuronal en retiendra sept. Or, c'est là approximativement la « taille » de la mémoire à court terme, qui est de six items.
Les rétines artificielles, apparues en 1990, rendront progressivement obsolète la caméra en tant que principal capteur employé en robotique. Tout comme les cônes et les bâtonnets de l'il, ces « rétines » à l'architecture analogique transforment les ondes lumineuses en autant de signaux électriques, mais elles ignorent encore la couleur. Certaines d'entre elles ont la capacité de détecter des objets en mouvement. De telles membranes bioélectroniques seront miniaturisables à assez brève échéance.
Enfin, les réseaux de neurones formels sont aussi de formidables détecteurs à distance d'ultrasons ou de variations thermiques.
À l'aide d'un ordinateur classique, il est possible de simuler une lecture de texte avec un logiciel de reconnaissance de caractères, un lecteur optique et un système de synthèse vocale qui dira le texte. Mais certains ordinateurs neuronaux sont aussi capables de dispenser un véritable enseignement de la lecture. De même, couplé à un logiciel possédant en mémoire une vingtaine de voix échantillonnées dans une langue, un réseau forme un système efficace d'enseignement assisté par ordinateur, qui est capable de corriger l'accent de ses élèves !

INTELLIGENCE ARTIFICIELLE ET ÉDUCATION
À travers le langage logo, conçu par Seymour Papert (Max Planck Institute), l'IA a doté la pédagogie des jeunes enfants d'un apport majeur. En permettant une programmation simple, logo incite l'enfant à mieux structurer ses rapports aux notions d'espace et de temps, à travers des jeux. L'idée clé de logo repose sur le constat fait par Jean Piaget : l'enfant assimile mieux les connaissances quand il doit les enseigner à autrui, en l'occurrence à l'ordinateur, en le programmant.
Bien que cet outil informatique contribue à combler les retards socioculturels de certains jeunes, il est douteux, contrairement au souhait de ses promoteurs, qu'il puisse aider des sujets à acquérir des concepts considérés comme l'apanage de leurs aînés de plusieurs années. Les travaux de Piaget montrent en effet que les structures mentales se constituent selon une chronologie et une séquence relativement définies. Quelle que soit l'excellence d'une méthode, on ne peut pas enseigner n'importe quoi à n'importe quel âge.

PERSPECTIVES
La prise en compte de la difficulté à modéliser parfaitement l'activité intellectuelle a conduit certains praticiens de l'IA à rechercher des solutions beaucoup plus modestes mais totalement abouties, en particulier dans certaines applications de la robotique.

L'IA SANS REPRÉSENTATION DE CONNAISSANCE
Vers 1970, les conceptions théoriques de Marvin Minsky et Seymour Papert sur la « Société de l'esprit », parmi d'autres, ont fondé une nouvelle IA, l'IA distribuée, dite encore IA multiagents. Les tenants de cette approche veulent parvenir à faire travailler ensemble, et surtout de manière coordonnée, un certain nombre d'agents autonomes, robots ou systèmes experts, à la résolution de problèmes complexes.
Après avoir conçu des ensembles de systèmes experts simples associés, l'IA distribuée a également remodelé le paysage de la robotique, générant une IA sans représentation de connaissance.

Les robots dits de la troisième génération sont capables, une fois mis en route, de mener à bien une tâche tout en évitant les obstacles rencontrés sur leur chemin, sans aucune interaction avec l'utilisateur humain. Ils doivent cette autonomie à des capteurs ainsi qu'à un générateur de plans, au fonctionnement fondé sur le principe du GPS. Mais, à ce jour, les robots autonomes classiques restent insuffisamment aboutis dans leur conception.
Ce type de robotique semble à vrai dire à l'heure actuelle engagé dans une impasse : depuis le début des années 1980, aucun progrès notable ne s'est fait jour.

L'« ARTIFICIAL LIFE »
Le philosophe Daniel C. Dennett a proposé, à la fin des années 1980, une nouvelle direction possible pour la robotique. Plutôt que de s'inspirer de l'homme et des mammifères, il conseille d'imiter des êtres moins évolués, mais de les imiter parfaitement. Valentino Braitenberg s'était déjà engagé dans une voie similaire au Max Planck Institute, une dizaine d'années auparavant, mais ses machines relevaient d'une zoologie imaginaire. En revanche, depuis 1985, Rodney Brooks, du MIT, fabrique des robots à forme d'insecte ; ce sont les débuts de ce qu'on appelle artificial life.
Cette idée a été réalisable grâce à la réduction progressive de la taille des composants électroniques. Une puce de silicium sert donc de système nerveux central aux insectes artificiels de Brooks : pour l'instant, le plus petit d'entre eux occupe un volume de 20 cm3. Le chercheur est parti d'un constat simple : si les invertébrés ne sont guère intelligents, ils savent faire quantité de choses, et sont en outre extrêmement résistants. Travaillant sur la modélisation de réflexes simples de type stimulus-réponse, Brooks élude ainsi élégamment le problème, classique en IA, de la représentation des connaissances. Dans l'avenir, il voudrait faire travailler ses robots en colonies, comme des fourmis ou des abeilles ; ses espoirs aboutiront seulement si la miniaturisation des moteurs progresse. L'éthologie, ou science des comportements animaux, fait ainsi une entrée remarquée dans le monde de l'IA.

   DOCUMENT   larousse.fr    LIEN

Réseau de neurones composé de memristors spintroniques

Les réseaux de neurones convolutifs sont adaptés pour effectuer des taches cognitives telles que la reconnaissance d'images et de vidéos, ou le traitement du langage. Afin d'implémenter ces réseaux plus efficacement, les chercheurs de l'Irig ont intégré des dispositifs spintroniques dans une architecture combinant un réseau de neurones et un réseau binaire. Des outils spécifiques ont montré combien cette combinaison est moins complexe et consomme moins d'énergie.

Publié le 6 mars 2023

Les réseaux de neurones convolutifs (convolutional neural network CNN) sont efficaces pour réaliser certaines tâches comme la reconnaissance d’images ou de textes. Cependant, la conception classique d’un ordinateur dans lequel le processeur et la mémoire sont physiquement séparés, n’est pas compatible avec un réseau neuronal. En effet, les synapses échangent fréquemment les informations stockées dans la mémoire entre les neurones (on parle de poids synaptique) pour effectuer les calculs qui provoquent un fort ralentissement. Les chercheurs de l’Irig ont donc utilisé des dispositifs spintroniques qui permettent une implémentation parallèle des réseaux dans laquelle le calcul et le stockage sont intégrés dans un même bloc.


Les chercheurs ont développé des mémoires électroniques appelées memristors dont la résistance change de manière continue en fonction du courant appliqué. Dans une architecture mémoire appelée « crossbar », les memristors codent le poids synaptique comme une résistance électrique, afin d’effectuer les calculs avec des courants analogiques qui seront convertis en valeur numérique. Le but est de réaliser un réseau de neurones convolutifs à base de memristors, qui conserve les mêmes performances tout en minimisant la complexité et sans surcoût matériel. Cependant, le procédé de fabrication de ces dispositifs spintroniques étant récent, il restait encore à fiabiliser la précision du calcul. De plus, les poids synaptiques peuvent prendre uniquement deux états binaires qui rendent difficile l’accès à différents niveaux de résistance dans le but de mimer une synapse.

Pour contourner ces écueils, les chercheurs ont testé une architecture utilisant deux concepts. Le premier est un réseau d’ensemble, selon le concept de «sagesse des foules». Le réseau global y est remplacé par plusieurs petits réseaux moins précis mais beaucoup plus simples, qui sont entraînés avec différents échantillons extraits du même ensemble de données. Les résultats obtenus par ces réseaux sont ensuite comparés pour obtenir une décision, dont la précision est comparable avec celle d’un réseau unique.
Le second concept est un réseau de type binaire dans lequel les poids synaptiques prennent uniquement deux états, contrairement au réseau classique dont les poids varient de manière continue. Grâce à ces deux concepts, les dispositifs spintroniques permettent des calculs quasiment sans perte de précision.


Figure : Architecture des réseaux de neurones intégrant des memristors spintroniques (à gauche), avec un réseau de neurones d’ensemble (en haut) combiné avec un réseau de neurones binaire (à droite).

Cette solution a été évaluée sur différents jeux de données pour la reconnaissance d’images. L’architecture du réseau d’ensemble a permis une optimisation du coût matériel, car le nombre de neurones est réduit de 92 % et le nombre de synapses de 95 %, et ceci avec une précision semblable à celle d’un seul réseau convolutif équivalent. De plus, il a été observé une réduction de 95 % du nombre de cycles d’horloge et de 97 % du nombre d’accès à la mémoire. Et enfin, l’utilisation de dispositifs à couplage spin-orbite permet de diminuer encore de trois ordres de grandeur la consommation grâce à la réduction des courants de calcul.
Réseau de neurones convolutif (convolutional neural network CNN en anglais) est un réseau spécialement conçu pour traiter des images. Le réseau est constitué de plusieurs couches de neurones connectées entre elles.
Un memristor agit comme une mémoire électronique. Sa résistance change de manière permanente selon le courant qui lui est appliqué ; elle peut ensuite être lue comme une donnée.

Références
* Tchendjou GT, Danouchi K, Prenat G, and Anghel A
Spintronic memristor based binarized ensemble convolutional neural network architectures
 IEEE Transactions on Computer-Aided Design of Integrated Circuits and Systems 2022.

   DOCUMENT     cea         LIEN
 

Oubliez les lois d'Asimov : le robot assistant de vie devra répondre à 5 commandements

Par Dominique Leglu le 16.09.2016 à 10h17, mis à jour le 20.09.2016 à 16h47

Lecture 5 min.

Pour réguler les interactions entre humains et robots, ces derniers devront être dotés d’une nouvelle éthique. Découvrez les cinq commandements proposés par la spécialiste Laurence Devillers pour rendre cette relation, parfois passionnelle, vivable et durable.


© CHINE NOUVELLE/SIPA
LAURENCE DEVILLERS, Professeure en Informatique à Paris-Sorbonne et chercheuse au Laboratoire d’informatique pour la mécanique et les sciences de l’ingénieur (Limsi) du CNRS, spécialiste des interactions homme-machine, de la modélisation des émotions et de la robotique sociale.

"Nous sommes en 2020 et depuis six mois, je vis avec un robot. C’est un robot conversationnel, assistant de vie. Il m’a été prescrit parce que j’avais une grave dépression. Ce robot, je lui ai donné un nom féminin : Angel. Une sorte d’ange gardien. Et, grâce à elle, je vais beaucoup mieux". C’est ainsi que Laurence Devillers a débuté son intervention "Robot, tu seras « humain » et drôle", sur la scène de S3 Odéon, le 3 septembre 2016. L’auditoire du grand théâtre, qui avait ouvert ses portes ce samedi-là aux chercheurs, aux philosophes, aux médecins, aux spécialistes d’interaction homme-machine etc. est resté coi. Captivé par l’interrogation d’importance et encore inhabituelle qui lui était soumise par la professeure à la Sorbonne : "Que voulons-nous faire demain avec les machines « artificiellement » intelligentes et capables d’apprendre ?". Comme l’a expliqué cette spécialiste de robotique en moins de 7 mn chrono (c’est le jeu des présentations scéniques « Science, Santé, Société » dont Sciences et Avenir est partenaire), nous devons prendre conscience de la "rupture technologique" qui est en train de s’opérer. Parce qu’ils sont "capables d’apprentissage" et qu’ils seront demain en constante "interaction avec nous", les robots devront être soumis à de nouvelles règles. Plus particulièrement à "des règles morales" qu’il faudra leur implanter. "Oui, mais lesquelles ? Et comment ? Avec quels algorithmes ?"

Rencontre le 3 septembre 2016 à l'occasion de S3 Odéon avec Laurence Devillers, professeure en Informatique à Paris-Sorbonne et chercheuse au Laboratoire d’informatique pour la mécanique et les sciences de l’ingénieur (Limsi) du CNRS. Cette spécialiste des interactions homme-machine, de la modélisation des émotions et de la robotique sociale explique pourquoi, demain, les règles d'Asimov ne suffiront pas pour "cadrer" nos robots "assistants de vie". Journaliste : Dominique Leglu.

ROBOT. "Ils auront besoin de nouvelles règles morales"

Laurence Devillers, filant la métaphore de "sa robote Angel, assistante de vie", rappelle que cette dernière est capable de détecter ses émotions, elle apprend ses habitudes, elle peut tenir son agenda. "Elle collecte toutes mes données physiologiques à partir d’un bracelet connecté et les transmet au médecin…" Ce qui peut sembler fort rassurant, mais n’est-ce pas, dans le même temps, une intrusion terrible dans l’intimité de la personne ?

Angel le robot ne connaîtra jamais le goût de la pomme #S3Odeon Laurent Devillers
4:54 PM · 3 sept. 2016

Les 5 commandements du robot assistant de vie
Voilà pourquoi Laurence Devillers imagine de prescrire pour les robots "5 commandements", qui vont au-delà des lois classiques d’Asimov (lire encadré ci-dessous), et peuvent s’énoncer ainsi : "Premier commandement : tu ne divulgueras pas mes données à n’importe qui. Deuxième commandement : tu pourras oublier [quelque chose] si je te le demande. Troisième commandement : tu apprendras et suivras les règles de la société. Quatrième commandement : tu seras loyal et capable d’expliquer tes décisions. Enfin, le cinquième, tu seras bienveillant et utile. Et pourquoi pas, doué d’un peu d’humour !"

Ces réflexions sont tout sauf anodines aujourd’hui. A preuve, explicite Laurence Devillers qui s’en réjouit : "La société savante mondiale IEEE (1), d’origine américaine, a pris la décision de lancer l’initiative d’une charte éthique sur les machines autonomes intelligentes telles que les robots et travaille sur les normes et standards". La France semble en pointe sur le sujet. Ainsi, Raja Chatila, directeur de l’Institut des systèmes intelligents et de robotique (université Pierre et Marie Curie, CNRS) a été nommé président du Comité exécutif IEEE de cette "Initiative pour l’éthique des systèmes autonomes" (2) en avril 2016. Et quelques chercheurs français s’y retrouvent impliqués dont Laurence Devillers (3). Au cœur de leur sujet, les valeurs morales et les relations affectives entretenues avec les machines. Leur objectif : la rédaction de cette charte de "bonne conduite".

Le défi actuel est de savoir quelles règles morales mettre dans les machines #S3Odeon L.Devillers
4:55 PM · 3 sept. 2016

Quatre leviers sont indispensables à son efficacité, estime-t-elle. En premier lieu, l’éducation : "éduquer les ingénieurs, les chercheurs, mais aussi les journalistes qui de temps en temps racontent n’importe quoi"… Il faudra également "expliciter les règles morales à implanter chez ces robots et rendre ces derniers capables de les apprendre en continu", à l’instar des commandements cités ci-dessus. Non seulement ces règles devront être édictées mais il faudra aussi se doter "d’outils qui soient capables de les vérifier". Enfin, on ne pourra pas couper aux "règles juridiques, nécessaires en cas d’abus". Loin du fantasme de machines super-intelligentes qui prennent le pouvoir, perspective "très anxiogène", Laurence Devillers espère, on l’aura compris, une prise de conscience concrète de notre rapport aux robots. Il se peut que l’on devienne "addict" à nos machines, que "nous nous mettions à les aimer", surtout si nous nous retrouvons isolés, dépendants, seuls. Où s’arrêtera notre vie privée en leur compagnie, et comment réguler notre interaction avec elles ? Un vrai programme du 21e siècle.
1) La plus grande organisation professionnelle mondiale "pour l’avancement de la technologie au service de l’humanité". Elle compte plus de 420.000 membres dans 160 pays. Elle publie le tiers de tous les articles consacrés à l’ingénierie électrique, à l’informatique, à l’électronique. C’est l’un des intervenants majeurs dans le développement de normes internationales en matière de télécoms, technologies de l’information, production d’énergie.

2) IEEE "The Global Initiative for Ethical Considerations in the Design of Autonomous Systems".

3) Ces chercheurs sont membres de la Commission de réflexion sur l'Éthique de la Recherche en sciences et technologies du Numérique d'Allistene (CERNA) et ont participé au rapport de l’Ethique de la recherche en robotique (2014). Voir le pdf à l'adresse : http://cerna-ethics-allistene.org/digitalAssets/38/38704_Avis_robotique_livret.pdf

LES LOIS D’ASIMOV
Les trois lois de la robotique formulées par le célèbre écrivain de science-fiction Isaac Asimov, donnent les premiers éléments éthiques devant régir le comportement d’un robot
1. un robot ne peut porter atteinte à un être humain, ni, en restant passif, permettre qu'un être humain soit exposé au danger ;
2. un robot doit obéir aux ordres qui lui sont donnés par un être humain, sauf si de tels ordres entrent en conflit avec la première loi ;
3. un robot doit protéger son existence tant que cette protection n'entre pas en conflit avec la première ou la deuxième loi.

  DOCUMENT   sciences et avenir.fr    LIEN 

L'hydrogène

Publié le 10 mai 2022
 
Potentiellement inépuisable, non-émetteur de gaz à effet de serre… L’hydrogène n’est pas une source d’énergie mais un « vecteur énergétique » : il doit être produit puis stocké avant d’être utilisé. Il pourrait jouer à l’avenir un rôle essentiel dans la transition énergétique en permettant de réguler la production d’électricité produite par les énergies renouvelables intermittentes (solaire et éolien).

L’HYDROGÈNE,
UN VECTEUR ÉNERGÉTIQUE

L’hydrogène est l’élément chimique le plus simple : son noyau se compose d’un unique proton et son atome ne compte qu’un électron. La molécule de dihydrogène (H2) est constituée de deux atomes d’hydrogène. On parle communément d’hydrogène pour désigner en fait le dihydrogène.
    
La combustion d’1 kg d’hydrogène libère presque 4 fois plus d’énergie que celle d’1 kg d’essence et ne produit que de l’eau : 2H2 + O2 -> 2H2O.
L’hydrogène est très abondant à la surface de la Terre mais n’existe pas à l’état pur. Il est toujours lié à d’autres éléments chimiques, dans des molécules comme l’eau, les hydrocarbures. Les organismes vivants (animal ou végétal) sont également composés d’hydrogène. La biomasse constitue donc une autre source potentielle d’hydrogène.
Extraire l’hydrogène de ces ressources primaires que sont les hydrocarbures, la biomasse ou encore l’eau nécessite un apport en énergie. Comme pour l’électricité, on considère ainsi que l’hydrogène est un « vecteur » énergétique.
L’hydrogène pourrait être quasi-inépuisable, à condition de savoir le produire en quantité suffisante à un coût compétitif et, idéalement, à partir d’énergie bas carbone (nucléaire et renouvelables).
On appelle « technologies de l’hydrogène » l’ensemble des technologies étudiées pour produire l’hydrogène, le stocker et le convertir à des fins énergétiques.

PRODUCTION DE L’HYDROGÈNE
Produire l’hydrogène à partir d’hydrocarbures
Aujourd’hui, 95 % du dihydrogène est produit par « vaporeformage » de combustibles fossiles : cette réaction chimique casse les molécules d’hydrocarbures en présence de vapeur d’eau, de chaleur et d’un catalyseur, pour en libérer l’hydrogène. Mais cette méthode a l’inconvénient de produire du dioxyde de carbone.

Produire l’hydrogène à partir d’eau
L’électrolyse permet de décomposer chimiquement l’eau en dioxygène et dihydrogène grâce à l’action d’un courant électrique. Différentes voies d’électrolyse sont étudiées, avec l’hypothèse d’une électricité d’origine nucléaire ou renouvelable. La quantité d’énergie électrique nécessaire à l’électrolyse dépend des conditions de pression et de température du procédé utilisé. De façon générale, la recherche porte sur des matériaux performants et bon marché pour réaliser des électrolyseurs.
    
Produire l’hydrogène à partir de la biomasse
La biomasse (bois, paille, etc.) pourrait constituer une source potentielle importante d’hydrogène : la gazéification à la vapeur d’eau de cette biomasse génère un mélange appelé « gaz de synthèse », constitué principalement de monoxyde de carbone et de dihydrogène, que l’on purifie ensuite pour éliminer les polluants. Cette solution permet d’obtenir un bilan effet de serre quasiment neutre car le dioxyde de carbone émis par la combustion du monoxyde de carbone est équivalent à celui qui aurait été dégagé par la dégradation de la biomasse si elle n’avait pas été gazéifiée. On cherche aussi à faire produire de l’hydrogène par des microalgues ou des bactéries qui utilisent la lumière et des enzymes spécifiques : les hydrogénases. Une voie de recherche prometteuse consiste à mimer chimiquement ces réactions, pour développer des réacteurs bio-inspirés de production d’hydrogène.

Extraire l’hydrogène de gisements sous-marins
Enfin, une autre approche vise à exploiter des sources d’hydrogène naturel. L’existence de gisements le long des chaînes volcaniques sous-marines est connue mais ceux-ci sont inatteignables. Aujourd’hui, les chercheurs s’intéressent plutôt à la géologie de certaines couches « terrestres » qui dégazeraient et accumuleraient en leur sein de l’hydrogène.

STOCKAGE DE L’HYDROGÈNE
L’hydrogène ne peut jouer son rôle de vecteur d’énergie que si l’on peut le stocker efficacement, à moindre coût et dans des conditions de sécurité acceptables.
A température ambiante et pression atmosphérique, l’hydrogène se présente sous forme de gaz très volatile, en raison de la petite taille de sa molécule. L’enjeu est de créer des réservoirs compacts et à bas coût.
Différents modes de stockage sont étudiés.
Lorsqu’il n’est pas nécessaire de réduire le volume de stockage (par exemple, pour des applications stationnaires), on peut l’envisager sous forme gazeuse à une pression relativement basse (75 bars). Ce moyen de stockage est peu coûteux et parfaitement maîtrisé.
Le stockage sous forme liquide à basse pression est actuellement principalement réservé à certaines applications de très hautes technologies comme la propulsion spatiale. Il permet de stocker de grandes quantités d’hydrogène dans un volume restreint. Les réservoirs actuels conditionnent l’hydrogène à – 253 °C sous 10 bars. Mais il est impossible d’éviter les fuites : même très bien isolés, les réservoirs absorbent de la chaleur qui vaporise lentement le liquide.
Afin d’atteindre une compacité satisfaisante tout en évitant les inconvénients liés aux très basses températures du stockage à l’état liquide, on cherche à développer le stockage à l’état gazeux sous haute pression (700 bars). Il s’agit de concilier imperméabilité, résistance aux hautes pressions et résistance aux chocs en travaillant sur une architecture et des matériaux adaptés au réservoir.
Enfin, une voie de recherche plus récente porte sur l’utilisation de matériaux appelés hydrures qui ont la capacité d’absorber et désorber l'hydrogène de manière réversible, sous condition de température (stockage « solide »). Le stockage dans les hydrures est le moyen le plus efficace pour obtenir une forte densité volumique d'énergie. Mais cela se fait au détriment du poids, puisqu’il faut ajouter au bilan le poids du matériau dans lequel l'hydrogène s'insère.
Selon l’utilisation visée de l’hydrogène, les critères de coût, performance, compacité ou poids de ces différentes technologies sont arbitrés.

UTILISATION DE L’HYDROGÈNE
Le développement de la filière hydrogène repose en partie sur la technologie de la pile à combustible. Le principe de la pile à combustible est l'inverse d'une électrolyse. La réaction chimique produite par l'oxydation et la rencontre du dihydrogène et du dioxygène produit de l'électricité, de l'eau et de la chaleur.
Il existe plusieurs types de piles à combustible qui se différencient par leur électrolyte. Celui-ci définit la température de fonctionnement et donc les applications. La R&D porte actuellement sur les améliorations techniques (compacité, rendement énergétique, résistance à l’usure, fonctionnement sur de nombreux cycles…) ainsi que sur la baisse des coûts de production.

  DOCUMENT     cea         LIEN