Sommaire

« Si vous avez lu le chapitre sur la Carte des Algorithmes de Machine Learning avant celui-ci… eh bien félicitations, vous avez commencé le livre par le milieu. Mais bon, qui lit encore dans l’ordre en 2025, n’est-ce pas ? »

Retour à la source

Tout a commencé lors d’un webinaire GalsenAI × UADB TECH CLUB, autour du thème “L’Intelligence Artificielle : Mythe, Réalité et Révolution”.
Après avoir animé cette session et répondu à la fameuse question “Mais au fond, c’est quoi une IA ?”, je me suis dit qu’il était temps d’en faire un chapitre à part entière.
Un grimoire que je n’avais jamais écrit — celui qui aurait dû précéder la fameuse “Carte des Algorithmes de Machine Learning”.

I. Une vieille idée dans un corps neuf

Bien avant Midjourney , bien avant les GPU en surchauffe, l’idée d’une intelligence artificielle fascinait déjà les humains.
Depuis toujours, on rêve de créer quelque chose qui pense. De Frankenstein à ChatGPT, on a juste remplacé la foudre par le Wi-Fi et la data — mais le monstre, lui, est toujours en apprentissage.

Puis vint Alan Turing (1950) et sa fameuse question : “Les machines peuvent-elles penser ?”
C’est lui qui posa la première pierre avec le test de Turing (Turing, Computing Machinery and Intelligence, 1950).

En 1956, au Dartmouth Workshop, John McCarthy baptisa officiellement la discipline Artificial Intelligence (Dartmouth Proposal).
Mais déjà, deux clans s’opposaient :

Les symbolistes, partisans d’une intelligence fondée sur la logique et les règles.
Les connexionnistes, convaincus qu’il fallait imiter le cerveau.

Les décennies suivantes virent s’enchaîner promesses, désillusions et renaissances : les célèbres “AI winters”, où les budgets fondaient plus vite qu’un GPU sur Midjourney.

“Oui, avant ChatGPT, on avait déjà enterré l’IA deux fois. Comme un vieux script qu’on croit mort et qu’un stagiaire relance par mégarde.”

Rappelons également, les années 1990 et 2000 qui ont donné lieu à des démonstrations spectaculaires de ce qui était désormais possible :

Deep Blue battit Garry Kasparov aux échecs en 1997, un triomphe de l’IA symboliste, capable d’explorer des millions de coups en un clin d’œil.
AlphaGo, en 2016, surpassa Lee Sedol au Go, un jeu bien plus complexe, grâce aux réseaux neuronaux et à l’apprentissage par renforcement — le couronnement des connexionnistes.

Ces exploits montrent que l’IA n’est plus une simple idée de laboratoire : elle apprend, s’adapte et rivalise avec l’ingéniosité humaine.

Histoire de l’IA

II. Trois grandes familles pour dompter l’intelligence

1. L’IA symbolique

La première magie fut celle des règles.
On décrivait le monde en logique : si ceci, alors cela.
Les systèmes experts comme MYCIN (1970) en médecine furent parmi les premiers succès (Stanford, MYCIN Project).
Mais leur rigidité était aussi leur faiblesse : il fallait tout expliquer, tout prévoir.

Le magicien connaissait toutes les incantations, mais oubliait que la réalité change plus vite que ses grimoires.

2. L’IA statistique

Les années 1990 virent naître une nouvelle approche : le calcul probabiliste.
Plutôt que de décrire le monde, on apprit à l’estimer.
Bayes remplaça Aristote.
C’est le royaume du Machine Learning — dont on a déjà longuement tracé la carte dans le chapitre précédent.

Si vous aviez lu ce chapitre avant le précédent, tout aurait semblé plus logique… mais on aime le chaos ici.

3. L’IA neuronale

Les années 2010 signèrent le retour triomphal des réseaux de neurones.
Grâce à Geoffrey Hinton, Yann LeCun et Yoshua Bengio, les modèles profonds (Deep Learning) devinrent la nouvelle norme (Turing Award 2018).
Les GPU et les données massives firent le reste.
Puis, en 2017, les Transformers changèrent la donne (Vaswani et al., Attention Is All You Need).
Et avec eux, les LLM — ces géants du texte capables de dialoguer, de coder, voire de philosopher.

III. Des IA qui comprennent… sans comprendre

Aujourd’hui, on parle beaucoup des grands modèles de langage (LLM).
Ils devinent le mot suivant comme on devine la fin d’une blague : par contexte, par habitude, par probabilité.

Mais attention — comprendre n’est pas ressentir.
Ces modèles manipulent les mots sans jamais en goûter le sens.

“En gros, ChatGPT ne comprend pas ce que vous dites. Il devine juste avec plus de confiance que votre pote qui fait semblant de tout savoir.(je ne viserais personne xd)”

Je ne m’attarderai pas trop ici, car cela mérite un grimoire entier.
On en parlera sûrement plus longuement (et plus malicieusement) dans un prochain chapitre : “Les Langues des Machines” (ou un autre titre…).
Spoiler : ça parlera de neurones, de tokens, et d’un soupçon de poésie.

IV. L’ère des IA génératives : entre art et algorithme

Generative AI Quand les algorithmes rêvent à notre place.

Depuis 2022, les IA ne se contentent plus de prédire : elles créent.
Images, voix, musiques, vidéos — tout devient générable.
De DALL·E 2 à Midjourney, de ChatGPT-4 à Sora, les frontières entre imagination et imitation s’effacent.

On dit que l’IA ne crée rien. Pourtant, on disait la même chose des artistes qui s’inspiraient trop.

Mais cette explosion créative pose de vraies questions :
qui détient le droit sur une image générée ?
et que devient l’effort humain ?
(On en reparlera très probablement dans une rune…)

V. L’IA dans la vie réelle : les usages qu’on ne voit plus

Les IA ne vivent pas que dans le cloud : elles gèrent déjà nos vies.
Elles recommandent nos playlists, optimisent les feux tricolores, détectent les fraudes bancaires ou prédisent les maladies.

Mais elles soulèvent aussi des défis bien humains :

Biais dans les données.
Confidentialité et dépendance aux grandes plateformes.
Illusion de compétence : croire que comprendre l’outil suffit à comprendre le monde.

“Ce n’est pas l’IA qui remplace les humains. C’est la paresse qui s’en charge.”

VI. Le Mythe : quand la machine nous regarde en retour

Avant d’être une ligne de code, l’intelligence artificielle fut un fantasme collectif. On l’imaginait pensante, presque vivante. Un miroir de l’humain, mais sans ses hésitations.

De Prométhée à Frankenstein, l’histoire est toujours la même : l’homme crée, la création échappe, et la peur commence. Aujourd’hui encore, on parle d’“IA consciente”, de “machines qui vont nous remplacer”, ou d’“algorithmes qui décident à notre place”. Mais derrière ces peurs se cache souvent une projection très humaine : celle de croire que, parce qu’une machine nous comprend trop bien, elle pense forcément.

Or l’IA n’est pas un esprit enfermé dans un serveur — c’est juste un miroir très poli (parfois de trop). Un miroir qui réfléchit notre langage, nos biais, nos rêves et nos contradictions. Et plus il devient précis, plus on s’y regarde longtemps.

Peut-être que le vrai mythe n’est pas que la machine pense, mais qu’elle nous fasse croire qu’on pense mieux grâce à elle.

VII. Mythe, Réalité et Révolution

AI Revolution

C’était le thème du webinaire… et c’est aussi le cœur de lince chapitre.

Le Mythe : celui des machines conscientes, héritières de Frankenstein.
La Réalité : un ensemble d’algorithmes brillants mais aveugles.
La Révolution : la transformation de notre rapport au savoir, à la créativité et à la décision.

“L’IA ne pense pas. Mais elle nous force à repenser tout le reste.”

Pour aller plus loin

Dans ce voyage, on aura vu que l’IA n’est pas un sort tombé du ciel, mais un artisanat ancien, affiné siècle après siècle.

Certains la voient comme un danger, d’autres comme une promesse — moi, je la vois comme un miroir.

Un miroir qui nous apprend moins ce que pensent les machines que ce que nous espérons d’elles.

Magiquement vôtre,

M. Royce