// FUTURA SCIENCES — SPAZIO & SCIENZA
Pourquoi les IA les plus puissantes échouent encore sur des tâches simples, le chercheur Jean-Claude Heudin répond
Actuellement, la stratégie des principales entreprises de l’IA repose sur un accroissement de la taille de leurs modèles de langage pour augmenter leur performance. Est-ce la bonne voie vers une super-intelligence ?... Lire la suite
Alors que les transhumanistes croyaient que l’IA enclencherait une croissance exponentielle d’innovations et de découvertes scientifiques, celles-ci restent limitées. Dans ce contexte, on peut se demander quel est l’impact réel des grands modèles de langage (LLM) sur la science.... Lire la suite
Pour obtenir une intelligence artificielle générale (AGI), deux visions s’opposent : celle des entreprises comme OpenAI ou Anthropic, basée sur une augmentation de la taille des grands modèles de langage (LLM), et celle d’AMI Lab cofondée par le Français Yann LeCun, basée sur un modèle du monde (World Model). Qu’en est-il exactement ? Quelle est la meilleure approche ? Sont-elles exclusives l’une de l’autre ?
[EN VIDÉO] L’intelligence artificielle vise à mimer le fonctionnement du cerveau humain, ou du moins sa logique lorsqu’il s’agit de prendre des décisions. Jean-Claude Heudin, chercheur et créateur d’Angelia, nous explique l'origine de ces recherches.
Le paradoxe de Moravec, formulé dans les années 1980 par Hans Moravec, Rodney Brooks et Marvin Minsky, est la constatation que ce qui est facile pour un humain est difficile pour une IA et inversement. Ainsi, par exemple, les IA sont efficaces pour faire des calculs et du raisonnement abstrait, mais elles peinent à réaliser des tâches simples dans le monde réel.
Dans ses conférences, Yann LeCun, l'un des pionniers du Deep Learning, lauréat du prix Turing, illustre ce paradoxe avec plusieurs exemples : n'importe quel enfant de 10 ans peut débarrasser la table et remplir le lave-vaisselle sans aucun apprentissage préalable. N'importe quelle personne peut apprendre à conduire en seulement quelques heures de pratique. Malgré les progrès des IA basés sur les LLM, où sont les robots et les voitures autonomes capables de faire cela ?
La voie qui consiste à augmenter la taille d'un LLM avec toujours plus de données, de puissance de calcul, et donc d'investissement, est une impasse. Certes, les grands modèles de langage ont une utilité très importante et la conserveront dans le futur, mais il leur manque la compréhension du monde physique. Ils élaborent bien une représentation latente du monde basée sur le langage, mais permettre un raisonnement physique applicable dans le monde réel constitue un défi d'une tout autre nature. Ainsi, lorsque nous marchons, ou conduisons un véhicule, nous n'utilisons pas le langage, mais notre perception sensorielle et l'apprentissage physique du monde réel.
Actuellement, la stratégie des principales entreprises de l’IA repose sur un accroissement de la taille de leurs modèles de langage pour augmenter leur performance. Est-ce la bonne voie vers une super-intelligence ?... Lire la suite
S'attaquer à ce problème est l'objectif de JEPA (Joint-Embedding Predictive Architecture) afin d'obtenir un modèle latent du monde physique permettant des prédictions, comme la position approximative d'un objet afin de l'attraper.
À priori, on pourrait en conclure que l'approche JEPA n'est pas optimisée pour le langage, mais plutôt pour des applications nécessitant un traitement visuel, comme la robotique, la conduite autonome ou le contrôle de processus industriels. JEPA ne traite pas le langage comme le ferait un LLM, il traite des pixels. C'est vrai, mais son domaine d'application n'est pas limité à la robotique.