L’évolution remarquable des systèmes d’intelligence artificielle (IA) représente un changement de paradigme dans la relation entre les humains et les machines. Cette transformation est évidente dans les interactions transparentes facilitées par ces systèmes avancés, où l’adaptabilité apparaît comme une caractéristique déterminante, en résonance avec la capacité humaine fondamentale d’apprendre par l’expérience et de prédire le comportement.
Cet article a été publié en exclusivité dans notre magazine Le 3,14 sur l’IA.
Téléchargez-le ici.
L’IA imite l’apprentissage humain
L’apprentissage par renforcement (AR) est une facette de l’IA qui s’aligne étroitement sur les processus cognitifs humains. L’apprentissage par renforcement imite le paradigme de l’apprentissage humain en permettant aux systèmes d’IA d’apprendre en interagissant avec un environnement et en recevant un retour d’information sous forme de récompenses ou de pénalités. En revanche, les grands modèles linguistiques (Large Language Models [LLM]) jouent un rôle crucial dans la reconnaissance des formes, en saisissant les nuances complexes du langage et du comportement humains. Ces modèles, tels que ChatGPT et BERT, excellent dans la compréhension des informations contextuelles, dans l’appréhension des subtilités du langage et dans la prédiction de l’intention de l’utilisateur. En s’appuyant sur de vastes ensembles de données, les LLM acquièrent une compréhension complète des modèles linguistiques, ce qui leur permet de générer des réponses semblables à celles des humains et de s’adapter à certains comportements des utilisateurs, parfois avec une précision remarquable.
La synergie entre AR et LLM crée un puissant prédicteur du comportement humain. L’AR contribue à la capacité d’apprendre des interactions et de s’adapter, tandis que les LLM améliorent les capacités de prédiction grâce à la reconnaissance des formes. Les systèmes d’IA fondés sur la logique des relations peuvent donc afficher une forme de synchronisation comportementale. Au fond, l’AR permet aux systèmes d’IA d’apprendre des séquences optimales d’actions dans des environnements interactifs afin d’atteindre une politique. Comme un enfant qui touche une surface chaude et apprend à l’éviter, ces systèmes d’IA s’adaptent en fonction des réactions positives ou négatives qu’ils reçoivent.
L’IA reproduit les interactions humaines
Les agents d’IA qui utilisent l’apprentissage par renforcement profond, comme AlphaZero de DeepMind/Google, apprennent et s’améliorent en jouant des millions de parties contre eux-mêmes, affinant ainsi leurs stratégies au fil du temps. Ce processus d’auto-amélioration dans l’IA implique qu’un agent apprend de manière itérative à partir de ses propres actions et résultats. De même, dans les interactions humaines, la synchronisation cérébrale se produit lorsque les individus s’engagent dans des tâches coopératives, ce qui conduit à des modèles alignés d’activité cérébrale qui facilitent ainsi la compréhension commune et la collaboration. Contrairement à l’IA, les humains parviennent à cette synchronisation en interagissant avec les autres plutôt qu’avec eux-mêmes.
De plus, les systèmes d’IA peuvent également apprendre des interactions avec les humains. Tout comme la synchronisation du cerveau humain améliore la coopération et la compréhension, les systèmes d’IA peuvent améliorer et aligner leurs réponses grâce à un apprentissage itératif approfondi à partir des interactions humaines. Bien que les systèmes d’IA ne partagent pas littéralement leurs connaissances comme le font les cerveaux humains, ils deviennent des dépositaires de données héritées de ces interactions, ce qui correspond à une forme de connaissance. Ce processus d’apprentissage à partir de vastes ensembles de données, y compris les interactions humaines, peut être considéré comme une forme de « mémoire collective ». Cette analogie met en évidence la possibilité pour les systèmes d’IA d’évoluer tout en étant influencés par les humains, tout en influençant les humains par leur utilisation, ce qui indique une forme de « synchronisation informatique » qui pourrait être considérée comme une analogie de la synchronisation du cerveau humain.
Aussi, des systèmes d’IA dotés d’un système de reconnaissance des signaux sociaux sont en cours de conception pour détecter les émotions humaines et y répondre. Ces systèmes d’« informatique affective », tels qu’ils ont été inventés par Rosalind Picard en 19951, peuvent interpréter les expressions faciales, les modulations de la voix et même le texte pour évaluer les émotions et y répondre en conséquence. Un assistant IA capable de détecter la frustration de l’utilisateur en temps réel et d’ajuster ses réponses ou sa stratégie d’assistance est une forme rudimentaire de synchronisation comportementale basée sur un retour d’information immédiat.
Par exemple, l’informatique affective englobe des technologies telles que les logiciels de reconnaissance des émotions qui analysent les expressions faciales et le ton de la voix pour déterminer l’état émotionnel d’une personne. L’analyse en temps réel des sentiments dans le texte et la voix permet à l’IA d’ajuster ses interactions pour les rendre plus empathiques et plus efficaces. Cette capacité est de plus en plus utilisée dans les chatbots et les assistants virtuels du service client pour améliorer l’expérience de l’utilisateur en rendant les interactions plus naturelles et plus réactives.
Tout comme les humains ajustent leur comportement en fonction des signaux sociaux, les systèmes d’IA adaptatifs modifient leurs actions en fonction des données fournies par l’utilisateur, ce qui peut conduire à une forme de « synchronisation » au fil du temps. L’évaluation des compétences sociales d’un tel système d’IA pourrait se faire en adaptant des outils tels que l’échelle de réactivité sociale (Social Responsiveness Scale, [SRS]), un instrument psychiatrique bien validé qui mesure la capacité d’un individu à modifier son comportement pour s’adapter au comportement et à la disposition d’un partenaire social ; une approximation de la « théorie de l’esprit », qui fait référence à la capacité d’attribuer des états mentaux – tels que les croyances, les intentions, les désirs, les émotions et les connaissances – à soi-même et à autrui.
Vers la résonance
Les interfaces cerveau-ordinateur (Brain-Computer Interfaces, [BCIs]) ont ouvert une ère de transformation dans laquelle les pensées peuvent être traduites en commandes numériques et en communication humaine. Des entreprises comme Neuralink progressent dans le développement d’interfaces qui permettent aux personnes paralysées de contrôler des appareils directement par la pensée. En associant des enregistrements directs de l’activité cérébrale à des systèmes d’IA, des chercheurs ont permis à une personne de parler à une vitesse normale après être restée muette pendant plus de dix ans à la suite d’un accident vasculaire cérébral. Les systèmes d’IA peuvent également être utilisés pour décoder non seulement ce qu’une personne lit, mais aussi ce qu’elle pense, sur la base de mesures non invasives de l’activité cérébrale à l’aide d’IRM fonctionnelle.
Sur la base de ces avancées, il n’est pas exagéré d’imaginer un scénario futur dans lequel un professionnel utiliserait un BCI non invasif (par exemple, des moniteurs d’ondes cérébrales portables tels que Cogwear, Emotiv ou Muse) pour communiquer avec un logiciel de conception d’IA. Le logiciel, reconnaissant les schémas neuronaux du concepteur associés à la créativité ou à l’insatisfaction, pourrait instantanément ajuster ses propositions de conception, atteignant ainsi un niveau de synchronisation auparavant considéré comme relevant du domaine de la science-fiction. Cette frontière technologique promet une forme particulière de synchronisation, où l’interaction entre le cerveau humain et l’IA transcende la simple interprétation des commandes, ouvrant un avenir dans lequel l’IA résonne avec les pensées et les émotions humaines.
Il est essentiel que la résonance envisagée ici transcende le domaine du comportement pour englober également la communication. Au fur et à mesure que les BCI évoluent, le potentiel d’expression extérieure devient essentiel. Au-delà de la simple exécution de commandes, l’intégration d’indices faciaux, du ton de la voix et d’autres indices non verbaux dans les réponses de l’IA amplifie les canaux de résonance. Cette expansion de la communication multimodale peut enrichir la synchronisation en capturant des éléments de la nature holistique de l’expression humaine, créant ainsi une interaction plus immersive et plus naturelle.
Cependant, le concept de résonance présente également le défi de naviguer dans la vallée de l’étrange, un phénomène où les entités humanoïdes qui ressemblent étroitement aux humains provoquent un malaise. Il est essentiel de trouver le bon équilibre pour que la réactivité de l’IA s’aligne de manière authentique sur les expressions humaines, sans entrer dans ce domaine déconcertant. Le potentiel des BCI pour favoriser la synchronisation entre le cerveau humain et l’IA ouvre des perspectives prometteuses mais difficiles pour la collaboration entre l’homme et l’ordinateur.
Se tourner vers les neurosciences
Les neurosciences éclairent non seulement les fondements de l’intelligence biologique, mais peuvent également guider le développement de l’intelligence artificielle2. La prise en compte de contraintes évolutives telles que l’efficacité de l’espace et de la communication, qui ont façonné l’émergence de systèmes efficaces dans la nature, incite à explorer l’intégration de contraintes similaires dans les systèmes d’IA, tout en envisageant des environnements artificiels qui évoluent organiquement et qui sont optimisés pour l’efficacité et la durabilité environnementale, le tout, au cœur de la recherche sur ce que l’on appelle l’« informatique neuromorphique ».
Par exemple, l’activité neuronale oscillatoire semble stimuler la communication entre des zones cérébrales éloignées. Le cerveau utilise un rythme thêta-gamma pour emballer et transmettre des informations, à l’instar d’un service postal, améliorant ainsi l’efficacité de la transmission et de la récupération des données3. Cette interaction a été comparée à un système avancé de transmission de données, où les ondes cérébrales alpha et bêta à basse fréquence suppriment l’activité neuronale associée aux stimuli prévisibles, ce qui permet aux neurones des régions sensorielles de mettre en évidence les stimuli inattendus par le biais d’ondes gamma à plus haute fréquence. Bastos et al.4 ont constaté que les prédictions inhibitrices véhiculées par les ondes alpha/bêta circulent généralement vers l’arrière à travers les couches corticales plus profondes, tandis que les ondes gamma excitatrices véhiculant des informations sur les nouveaux stimuli se propagent vers l’avant à travers les couches superficielles.
De récentes expériences d’IA, en particulier celles impliquant le GPT‑4 de OpenAI, révèlent des parallèles intrigants avec l’apprentissage évolutif.
Dans le cerveau des mammifères, les ondulations d’ondes vives (SPW‑R) exercent une influence excitatrice généralisée dans l’ensemble du cortex et de multiples noyaux sous-corticaux5. Au sein de ces SPW‑R, les pics neuronaux sont méticuleusement orchestrés à la fois temporellement et spatialement par les interneurones, ce qui facilite la réactivation condensée de segments de séquences neuronales éveillées6. Cette activité orchestrée facilite la transmission des représentations hippocampiques comprimées aux circuits distribués, renforçant ainsi le processus de consolidation de la mémoire7.
De récentes expériences d’IA, en particulier celles impliquant le GPT‑4 de OpenAI, révèlent des parallèles intrigants avec l’apprentissage évolutif. Contrairement à la formation traditionnelle axée sur les tâches, GPT‑4 apprend à partir de vastes ensembles de données, en affinant ses réponses sur la base des « expériences » accumulées – par ailleurs, la reconnaissance des formes par les GPT est parallèle à la reconnaissance des formes par les couches de neurones dans le cerveau. Cette approche reflète la capacité d’adaptation observée dans l’évolution naturelle, où les organismes affinent leurs comportements au fil du temps pour mieux s’adapter à leur environnement.
Des ondes cérébrales aux fréquences de l’IA
S’inspirant de l’architecture du cerveau, les réseaux neuronaux de l’intelligence artificielle sont construits avec des nœuds organisés en couches qui répondent aux entrées et génèrent ensuite des sorties. Dans le domaine de la recherche sur la synchronisation neuronale humaine, l’étude du rôle des oscillations s’est avérée être un domaine d’intérêt essentiel. L’activité neuronale oscillatoire à haute fréquence apparaît comme un élément crucial, démontrant sa capacité à faciliter la communication entre des zones cérébrales éloignées. Dans ce contexte, le code neuronal thêta-gamma est un phénomène particulièrement intriguant. Il montre comment notre cerveau utilise une méthode particulière pour « emballer » et « transmettre » les informations, tout comme un service postal qui emballe méticuleusement les paquets en vue d’une livraison efficace. Ce système d’« emballage » neuronal orchestre des rythmes spécifiques, semblables à une danse coordonnée, ce qui garantit la transmission rationalisée des informations, et il est encapsulé dans ce que l’on appelle le rythme thêta-gamma.
Cette perspective s’aligne sur le concept d’« informatique neuromorphique », où l’architecture de l’IA est basée sur des circuits neuronaux. Le principal avantage de l’informatique neuromorphique réside dans son efficacité de calcul, ce qui permet de relever les défis importants en matière de consommation d’énergie auxquels sont confrontés les modèles d’IA traditionnels. La formation de grands modèles d’IA, tels que ceux utilisés dans le traitement du langage naturel ou la reconnaissance d’images, peut consommer une quantité exorbitante d’énergie. Par exemple, la formation d’un seul modèle d’IA peut émettre autant de dioxyde de carbone que cinq voitures pendant toute leur durée de vie8. De plus, des chercheurs de l’Université du Massachusetts, Amherst, ont constaté que l’empreinte carbone de l’entraînement des modèles d’apprentissage profond a doublé environ tous les 3,5 mois, dépassant de loin les améliorations de l’efficacité informatique9.
L’informatique neuromorphique offre une alternative prometteuse. En imitant l’architecture du cerveau humain, les systèmes neuromorphiques visent à atteindre une plus grande efficacité de calcul et une plus faible consommation d’énergie par rapport aux architectures d’IA conventionnelles10. Par exemple, la puce neuromorphique TrueNorth d’IBM a démontré des ordres de grandeur significatifs en termes d’efficacité énergétique par rapport aux CPU et GPU traditionnels11. Et, les architectures informatiques neuromorphiques sont intrinsèquement adaptées aux tâches de traitement en temps réel à faible consommation d’énergie, ce qui les rend idéales pour des applications telles que l’informatique périphérique et les systèmes autonomes, contribuant ainsi davantage aux économies d’énergie et à la durabilité environnementale.
Implications pour la société
Dans le domaine de la formation et du développement des compétences, l’IA synchronisée a le potentiel de personnaliser les expériences d’apprentissage en fonction de la courbe d’apprentissage unique d’un employé, facilitant ainsi une acquisition plus rapide et plus efficace des compétences. Du point de vue de l’engagement des clients, les interfaces d’IA synchronisée pourraient comprendre plus précisément et, dans certains cas, anticiper les attentes des utilisateurs sur la base de modèles comportementaux avancés.
En ce qui concerne l’efficacité opérationnelle, en particulier dans des secteurs tels que la fabrication ou la logistique, les systèmes d’IA qui travaillent en coordination les uns avec les autres peuvent optimiser les processus, réduire les déchets et renforcer la chaîne d’approvisionnement. Il en résulterait une rentabilité accrue, avec une capacité toujours plus grande à intégrer des considérations de durabilité. En matière de gestion des risques, des systèmes d’IA synchronisés qui analysent de vastes ensembles de données en collaboration pourraient mieux prédire les risques potentiels ou les ralentissements du marché, ce qui permettrait aux entreprises et autres organisations de se préparer ou s’adapter avant l’apparition d’une crise afin de limiter toutes les répercussions sociales et sociétales qui en découlent. De même, des systèmes d’IA synchronisés pourraient fournir des informations permettant d’améliorer l’efficacité des stratégies de planification urbaine et de protection de l’environnement. Cela pourrait conduire à une meilleure gestion du trafic, à des économies d’énergie et à un contrôle de la pollution, améliorant ainsi la qualité de vie dans les zones urbaines.
Dans divers domaines, au-delà des affaires, le déploiement de l’IA avec une orientation pro-sociale offre un immense potentiel pour le bien-être de l’humanité et de la planète. Dans le domaine de la santé en particulier, la synchronisation entre le cerveau humain et les systèmes d’IA pourrait ouvrir une ère révolutionnaire pour les soins aux patients et pour la recherche médicale. Des études récentes soulignent l’impact positif de la synchronisation des mouvements des cliniciens avec ceux des patients, ce qui renforce la confiance et réduit la douleur. L’extension de ce concept aux chatbots d’IA ou aux robots soignants synchronisés avec les personnes dont ils s’occupent promet d’améliorer l’expérience des patients et les résultats, comme en témoignent des recherches récentes indiquant que les LLM sont plus performants que les médecins dans le diagnostic des maladies, et que les patients préfèrent leur interaction.
Dans le domaine de l’éducation, l’intégration de systèmes d’IA axés sur la synchronisation est tout aussi prometteuse. Des recherches ont démontré que la synchronisation des ondes cérébrales dans les classes de lycée permettait de prédire des performances plus élevées et le bonheur des élèves12. Cette étude souligne l’importance de la synchronisation neuronale dans l’environnement d’apprentissage. En tirant parti d’un système de tutorat d’IA capable de détecter les états cognitifs des élèves et d’y répondre en temps réel, les technologies de l’éducation peuvent potentiellement reproduire les résultats positifs observés dans les salles de classe synchronisées. L’intégration de systèmes d’IA en résonance avec les états cérébraux des élèves pourrait créer une atmosphère d’apprentissage plus propice et plus efficace, optimisant ainsi l’engagement et favorisant des résultats d’apprentissage positifs.
Perspectives et potentiel
L’enthousiasme entourant les perspectives de synchronisation cerveau-machine et machine-machine s’accompagne d’un ensemble de préoccupations primordiales qui nécessitent un examen approfondi qui est tout sauf technique. La confidentialité des données devient une préoccupation majeure, étant donné la nature intime des informations neuronales traitées par ces systèmes. Les dimensions éthiques d’une telle synchronisation, en particulier dans le domaine de la prise de décision de l’IA, présentent des défis complexes qui nécessitent un examen minutieux1314.
Dans le prolongement de ces préoccupations, deux questions primordiales méritent une attention particulière. Premièrement, la préservation de l’autonomie humaine est un principe fondamental. Alors que nous entrons dans l’ère de la synchronisation cerveau-machine, il devient impératif de veiller à ce que les individus conservent leur capacité à faire des choix éclairés. Éviter les scénarios dans lesquels les individus se sentent contraints ou manipulés par la technologie est crucial pour le respect des normes éthiques.
Deuxièmement, la question de l’équité dans l’accès à ces technologies se pose avec acuité. Actuellement, ces technologies avancées sont souvent coûteuses et peuvent ne pas être accessibles à tous les pans de la société. Cela soulève des inquiétudes quant à l’exacerbation des inégalités existantes15. Un scénario dans lequel seuls certains groupes privilégiés peuvent exploiter les avantages de la synchronisation cerveau-machine risque d’aggraver les fractures sociétales. Et, le manque de sensibilisation à ces technologies aggrave encore les problèmes d’accès équitable16.
L’intégration de l’IA à la cognition humaine marque le seuil d’une ère sans précédent, où les machines ne se contentent pas de reproduire l’intelligence humaine, mais reflètent également des schémas comportementaux et des émotions complexes. La synchronisation potentielle de l’IA avec les intentions et les émotions humaines promet de redéfinir la nature de la collaboration homme-machine et, peut-être même, l’essence de la condition humaine. Le résultat de l’harmonisation des humains et des machines aura un impact significatif sur l’humanité et la planète. Cela dépendra des aspirations humaines qui guideront alors cette quête et ouvrira ainsi des opportunités pour une expérience avancée de l’IA centrée sur l’humain, dans un « mode de fusion », tel qu’il a été inventé dans le concept d’« intégrité artificielle ». Cela soulève une question intemporelle, qui se répercute tout au long de l’histoire de l’humanité : à quoi accordons-nous de la valeur, et pourquoi ?
Il est essentiel de souligner que les implications de la synchronisation des humains et des machines vont bien au-delà du domaine des experts en IA ; elles concernent chaque individu. D’où la nécessité de sensibiliser et d’impliquer le public à chaque étape de ce voyage transformateur. À mesure que le développement de l’IA progresse, il est essentiel de veiller à ce que les dimensions éthiques, sociétales et existentielles soient façonnées par des valeurs et des réflexions collectives, afin d’éviter que les grandes entreprises technologiques ne prennent des décisions unilatérales qui pourraient ne pas correspondre aux intérêts plus larges de l’humanité. Ce qui se passera ensuite déterminera notre avenir individuel et collectif. Il est de notre responsabilité commune de bien faire les choses.