Un livre qui interprète le célèbre ouvrage du professeur Ray Kurzweil du MIT, « La singularité est proche » !
« La singularité est proche » est un ouvrage incontournable pour les universités de l'Ivy League et les responsables de la Maison Blanche dans l'est des États-Unis !

Ce livre est une version plus accessible et complétée de l'ouvrage publié en juin 2024 par Ray Kurzweil, professeur au MIT, futuriste de renommée mondiale et chercheur renommé en intelligence artificielle.
Pour le lecteur non spécialiste, il existe de nombreux termes scientifiques et informatiques, j'ai donc essayé de les expliquer en coréen aussi simplement que possible.
C’est à ce stade que l’intelligence artificielle (IA) ressemble au cerveau humain et montre la possibilité de penser de manière similaire aux humains.
Pour utiliser correctement l'intelligence artificielle générale (IAG), nous devons bien comprendre le cerveau humain.
Le professeur Ray Kurzweil définit le point où le cerveau humain et l'IA fusionnent pour créer une nouvelle culture humaine comme la « singularité ».
Le livre original présentait comment la singularité se produit réellement dans la vie de tous les jours.

L'IA va changer le monde à mesure qu'elle deviendra plus avancée et se développera de manière exponentielle.
Le calcul haute performance deviendra moins cher, la biologie humaine sera mieux comprise et l'ingénierie à l'échelle nanométrique deviendra possible.
Plus particulièrement, à mesure que les capacités de l'IA progressent, que l'accès à l'information devient plus fluide et que l'intelligence humaine s'intègre plus étroitement à l'IA, un nouveau monde s'ouvrira.
Cet événement est la singularité dont parle Ray Kurzweil.
Dans cette section, les craintes suscitées par l'ère de l'IA sont mises en avant.
Autrement dit, on craint que l'IA ne surpasse les capacités humaines et ne menace l'emploi humain, voire la survie même de l'humanité.
Kurzweil tient toutefois à préciser que, selon lui, ce problème est purement humain.

Le terme singularité est emprunté aux mathématiques et à la physique.
En mathématiques, un trou noir est un point où une fonction devient indéfinie lorsqu'elle est divisée par zéro, et en physique, un trou noir est un point au centre d'un trou noir où les lois générales de la physique se réduisent à un point d'une densité infinie.
Il est toutefois important de rappeler que ce terme, tel qu'il est utilisé en intelligence artificielle, est employé de manière métaphorique.
Si nous utilisons la singularité de manière métaphorique, c'est parce que les progrès de l'IA ne peuvent pas suivre le niveau actuel de l'intelligence humaine.
Cependant, une fois la transition effectuée, la technologie humaine améliorera suffisamment vite ses capacités cognitives pour coexister avec l'IA.

Le débat entre Ray Kurzweil et Marvin Minsky sur l'avenir de l'IA est célèbre.
Deux perspectives fondamentalement différentes s'affrontent sur la manière dont les machines peuvent atteindre l'intelligence humaine.
Au cœur du débat se trouvent la « puissance de calcul » et « l'algorithme approprié ».
Ray Kurzweil, partisan de la singularité, soutient que pour atteindre une complexité de niveau humain, l'IA aurait besoin d'une puissance de calcul massive — plus de 10¹⁴ calculs par seconde — pour approcher le nombre de connexions neuronales et leurs interactions dans le cerveau.
L'argument avancé est qu'en augmentant la puissance de traitement, les machines seront capables de réaliser les opérations complexes de la cognition humaine.
Il a également souligné la croissance exponentielle des performances matérielles basée sur la loi de Moore, et a prédit que si les ordinateurs pouvaient traiter suffisamment de calculs par seconde, ils seraient capables d'effectuer les mêmes tâches intellectuelles que les humains.
De plus, on pensait que l'intelligence humaine émergerait de la « force brute » — c'est-à-dire que si suffisamment de données étaient traitées et suffisamment de connexions modélisées, on atteindrait un niveau d'intelligence comparable à celui de l'homme.
Sa vision s'inscrit dans la trajectoire actuelle des modèles d'apprentissage automatique comme GPT et PaLM.
À l'inverse, Marvin Minsky, pionnier de l'apprentissage profond en intelligence artificielle, soutenait exactement le contraire.
Il a affirmé que l'intelligence ne peut être atteinte par le seul calcul, et que le plus important est la qualité de l'algorithme.
Pour Minsky, ce qui compte, ce n'est pas la puissance de traitement d'une machine, mais sa capacité à imiter la pensée abstraite et les aptitudes à résoudre des problèmes des humains – autrement dit, sa capacité à exécuter les bons algorithmes.
Minsky pensait que l'IA pouvait atteindre une intelligence de niveau humain, même avec un processeur de la taille d'une puce Pentium (un processeur de bureau sorti en 1993), à condition de concevoir les bons algorithmes.
L'idée est qu'elle provient de l'IA symbolique, c'est-à-dire la capacité à manipuler des symboles, à inférer des concepts et à en déduire une logique.
À ce moment-là, aucun des deux camps ne pouvait l'emporter.
À l'époque, ni Kurzweil ni Minsky ne disposaient des outils nécessaires pour prouver leurs affirmations.
Kurzweil ne disposait pas de la puissance de calcul (source de calcul) nécessaire pour prouver qu'une intelligence semblable à celle de l'homme pouvait être atteinte, et Minsky ne disposait pas de l'algorithme nécessaire pour prouver que les mêmes résultats pouvaient être obtenus en utilisant uniquement le raisonnement symbolique.

Il est intéressant de noter que l'énorme puissance de calcul déployée dans l'apprentissage profond (GPT, PaLM, PaLM-E) valide l'argument de Kurzweil selon lequel l'échelle et les données sont cruciales.
Les performances de l'IA basée sur l'apprentissage profond, qui repose sur des ensembles de données massifs et des milliards ou des billions de paramètres, dépendent de la puissance de calcul.
Néanmoins, il existe encore une marge de progression importante en matière d'efficacité et d'innovation algorithmiques.
Une puissance de calcul astronomique et des algorithmes sophistiqués sont tous deux essentiels.
Aucun des deux n'est suffisant à lui seul pour atteindre une intelligence de niveau humain complet.
L'association de la puissance de calcul et des architectures d'inférence sophistiquées que souligne Kurzweil pourrait permettre à l'IA d'atteindre des capacités de raisonnement équivalentes à celles de l'humain.

~ « Modèle d'IA doté d'une créativité en matière de phrases »

Le cerveau humain a évolué pour nous aider à survivre dans des environnements complexes où la reconnaissance de formes, la prise de décision et la créativité sont plus importantes que le calcul numérique.
La raison est la suivante :
Premièrement, la priorité de l'évolution.
Les humains devaient identifier les prédateurs, trouver de la nourriture, se repérer sur le terrain et communiquer avec les autres.
Ces tâches nécessitaient la reconnaissance de formes (par exemple, repérer un tigre dans les buissons ou trouver des plantes comestibles) plutôt que la résolution d'équations.
Une pensée rapide et flexible était plus utile à la survie que des calculs lents et détaillés.
Deuxièmement, la structure du cerveau.
Le cerveau est conçu pour s'adapter.
Le cerveau fonctionne comme un réseau de neurones hautement interconnectés qui excelle dans la logique floue (compréhension d'informations incomplètes ou incertaines) plutôt que dans les calculs précis.
Par exemple, le cerveau peut déduire des groupes d'objets sans avoir à mémoriser tous les éléments.
Autrement dit, nous pouvons approcher une solution « suffisamment proche ».
Troisièmement, comparez les neurones aux transistors.
Les neurones (cellules cérébrales) excellent dans la reconnaissance de schémas et d'associations complexes, mais ils fonctionnent beaucoup plus lentement que les transistors d'un ordinateur.
Les transistors sont spécifiquement conçus pour traiter des nombres précis, tandis que les neurones sont conçus pour la flexibilité et l'apprentissage par l'expérience.
Quatrièmement, la mémoire de travail a ses limites.
Le cerveau humain possède une mémoire de travail limitée, capable de stocker seulement une petite quantité d'informations à la fois (généralement de 5 à 9 éléments).
Il est donc difficile d'effectuer des calculs complexes.
Cinquièmement, le développement d'outils alternatifs.
Au lieu de développer des capacités de calcul avancées, les humains ont inventé des outils tels que les abaques, les calculatrices et les ordinateurs pour effectuer à leur place des calculs complexes.
Grâce à cela, le cerveau peut se concentrer sur la créativité, le raisonnement et l'innovation.
En résumé, le cerveau humain est conçu principalement pour s'adapter à des environnements incertains et dynamiques, reconnaître des schémas et résoudre des problèmes pratiques, et non pour le calcul.
Pour des calculs précis, nous avons recours à l'IA ou à des ordinateurs spécialement conçus à cet effet.

En particulier, l’affirmation selon laquelle « l’intelligence humaine est un ensemble de diverses capacités cognitives » a de nombreuses implications.
Elle souligne que l'intelligence humaine est un ensemble de capacités qui varient d'une personne à l'autre.
Cela a des implications importantes pour le développement d'une intelligence artificielle imitant le cerveau humain.
Ces aspects uniques de l'intelligence humaine inspirent le développement de futures IA spécialisées.
Une personne peut être un génie des mathématiques mais manquer de compétences sociales, ou une autre peut avoir une excellente mémoire photographique mais manquer de créativité.
De même, les systèmes d'IA actuels sont conçus pour exceller dans des domaines spécifiques, plutôt que d'être « polyvalents ».
Par exemple, AlphaZero de DeepMind excelle aux échecs et au go, mais ne peut pas engager la conversation.
ChatGPT-4.0 est performant en traitement du langage et en génération de texte, mais il ne peut pas conduire une voiture ni analyser des données visuelles.
Par conséquent, le développement de l'IA spécialisée peut progresser dans diverses directions. Il ne s'agit pas de transformer l'IA en un « super cerveau » tout-puissant.
Il est conçu comme un ensemble de systèmes spécialisés, chacun démontrant des capacités exceptionnelles dans son domaine respectif.
Partant de ce constat, spéculons sur l'orientation future du développement de l'IA.

Premièrement, il s'agit de la construction d'un modèle spécialisé.
Tout comme les humains possèdent des forces uniques, l'IA devrait également se concentrer sur des tâches spécifiques dans lesquelles elle excelle.
Il s'agit notamment de l'IA de diagnostic médical qui interprète les radiographies ou identifie les maladies, et de l'IA créative qui compose de la musique ou conçoit des œuvres d'art.
Les IA spécialisées se complèteront et travailleront ensemble pour résoudre des problèmes complexes, tout comme les experts humains.
Deuxièmement, il y a l'intégration des capacités. Ce type d'intégration consiste à intégrer des systèmes d'IA spécialisés dans un cadre cohérent.
Par exemple, c'est ainsi que l'IA combine le traitement du langage (par exemple, ChatGPT4.0), la vision (par exemple, l'IA de vision par ordinateur) et la prise de décision (par exemple, AlphaZero) pour se concentrer sur des problèmes du monde réel tels que le soutien à la chirurgie médicale autonome.
Troisièmement, pallier les faiblesses grâce à l'IA.
Même les humains qui excellent dans un domaine ont des limites dans d'autres. L'IA peut pallier les faiblesses humaines en comblant les lacunes des individus dans les domaines où ils rencontrent des difficultés.
Les personnes ayant des problèmes de mémoire peuvent utiliser des assistants personnels dotés d'intelligence artificielle pour compenser. Plutôt que de remplacer l'intelligence humaine, l'IA peut être développée pour combler les lacunes cognitives dans des domaines spécifiques, voire les améliorer.
Quatrièmement, maximiser la synergie.
Imaginez par exemple un système d'IA médicale.
Une partie du système est entraînée à analyser des images médicales (radiologie).
Une autre partie consiste à comprendre les dossiers des patients et à communiquer avec les médecins et les patients.
Ensuite, un modèle prédictif est utilisé pour recommander un traitement.
Chaque élément excelle individuellement dans un domaine spécifique.
Combiner ces systèmes serait similaire à la manière dont les médecins humains intègrent leurs capacités cognitives pour diagnostiquer et traiter les patients.
À titre d'exemple d'application du concept de « regroupement » de l'intelligence humaine à l'IA, on peut dire qu'imiter la diversité et l'expertise des talents humains est essentiel au développement de l'IA.
~Progrès dans le domaine du Big Data et de l'intelligence artificielle~

Depuis les années 2000 environ, les ordinateurs sont devenus plus rapides à un rythme assez régulier.
Tous les 1,4 ans, vous pouvez acheter un ordinateur environ deux fois plus rapide que le précédent pour le même prix.
C'est comparable à l'amélioration des performances des smartphones et des ordinateurs portables tous les deux ans.
En particulier, la vitesse d'apprentissage de l'IA devient beaucoup plus rapide.
Depuis 2010, la vitesse d'apprentissage des modèles d'IA a doublé tous les 5,7 mois.
Autrement dit, la puissance de traitement de l'IA a doublé en moins de six mois.
En termes de vitesse de développement, l'IA est beaucoup plus rapide que les ordinateurs.
De 1952 à 2010, les capacités des ordinateurs ont été multipliées par environ 75.
Cependant, entre 2010 et 2021, la vitesse d'apprentissage de l'IA n'a pas seulement été multipliée par 75, mais par environ 10 milliards. Pourquoi l'IA se développe-t-elle si rapidement ? Ce n'est pas parce que nous avons inventé des ordinateurs plus performants.
Premièrement, le calcul parallèle.
Une méthode a été mise au point pour résoudre les problèmes plus rapidement en utilisant simultanément de nombreuses puces informatiques.
Le connexionnisme, c'est ça.
C'est comme si 100 personnes travaillaient ensemble pour assembler un grand puzzle, et non pas une seule personne.
Deuxièmement, à mesure que l'apprentissage profond devient plus utile grâce au big data, d'importants capitaux sont investis.
Grâce à Internet, aux smartphones et aux réseaux sociaux, le monde est inondé d'énormes quantités de données.
Les données sont l'outil d'entraînement qui rend l'IA plus intelligente.
Les investisseurs et les entreprises investissent massivement dans la recherche et le développement en intelligence artificielle, qui a le potentiel de transformer des secteurs entiers.

Traditionnellement, les médecins analysent les images pour détecter les signes de maladie.
Cependant, il est très difficile d'identifier un cancer à un stade précoce sur des photographies car les différences entre les tissus sains et cancéreux sont très subtiles.
Cependant, l'IA entraînée sur de vastes ensembles de données apprend des schémas trop subtils pour être détectés par l'humain. En analysant des milliers de radiographies ou d'IRM montrant des tissus sains et malades, les systèmes d'IA peuvent repérer les signes précoces du cancer mieux que les médecins.
En effet, il analyse d'énormes quantités de données pour identifier des tendances et des informations qui échappent aux humains.

~Trois choses qui manquent à l'IA~

Google tente une nouvelle fois de prendre l'avantage dans la course à l'intelligence artificielle (IA) en dévoilant « Gemma 3 » le 12 mars (heure locale).
Depuis l'essor de DeepSec en Chine, la faisabilité économique et l'efficacité de calcul sont devenues des enjeux importants dans le secteur de l'IA, en plus des performances.
En réponse, Google a introduit Gemma 3, un modèle de langage large open-source (LLM) qui offre des performances élevées même dans un environnement à unité de traitement graphique unique (GPU).
Les modèles d'IA peuvent généralement effectuer des calculs plus complexes à mesure que le nombre de paramètres augmente, mais cela ralentit également le traitement et augmente les besoins en matériel.
Cependant, Gemma 3 a réussi à réduire la charge de calcul en maintenant les performances grâce à la compression des informations apprises du grand modèle et leur transfert vers un modèle plus petit.
Par conséquent, alors que DeepSeek R1 utilise 671 milliards de paramètres et peut activer en option 37 milliards de paramètres en cas de besoin, Gemma3 fonctionne bien avec seulement 1 à 27 milliards de paramètres.
L'IA multimodale n'en est encore qu'à ses débuts, mais elle fait partie des technologies qui devraient fondamentalement changer la façon dont l'IA et les humains interagissent.
En imitant la façon dont les humains traitent les informations sensorielles, il peut traiter l'information de manière plus intuitive, ce qui peut être appliqué dans divers domaines tels que le diagnostic médical, la conduite autonome et l'analyse émotionnelle.
Dans le domaine médical, un diagnostic plus précis est obtenu en analysant conjointement les antécédents symptomatiques du patient et les images médicales.
Appliquée aux véhicules autonomes, cette technologie peut traiter en temps réel les panneaux de signalisation, les piétons, les mouvements du véhicule et même les commandes vocales du conducteur.
De plus, appliquées aux robots industriels, elles peuvent évoluer au-delà du simple suivi des instructions de travail pour apprendre et s'adapter à leur environnement de manière autonome.

--- Extrait du texte