Avant et après ChatGPT : l’IA sortie des coulisses

Intervenant 10:00

Bonjour et bienvenue dans le podcast du magazine Tangente. Je suis vraiment ravie de vous retrouver pour cette nouvelle exploration qu'on va faire ensemble.

Intervenant 20:06

Bonjour, ravi d'être

Intervenant 10:08

là. Alors pour commencer, il faut s'imaginer un truc assez dingue. En 2025, un système informatique a réussi à décrocher l'équivalent d'une médaille d'or aux très redoutables Olympiades internationales de mathématiques.

Intervenant 20:20

C'est un exploit monumental.

Intervenant 10:22

Et le plus vertigineux là-dedans, c'est que ce système n'a pas du tout réfléchi, enfin pas au sens humain du terme, pour trouver la solution.

Intervenant 20:28

C'est pas de la réflexion classique.

Intervenant 10:30

Non, à la base, son moteur, c'est juste contenter de deviner statistiquement le symbole suivant. Et du coup, notre mission aujourd'hui, c'est vraiment de plonger dans les rouages de cette trajectoire fulgurante. On va décortiquer comment l'intelligence artificielle est passée d'une espèce de concept un peu nébuleux dans les années 50 à un outil qui bouleverse la discipline hyper rigoureuse des maths, mais aussi notre façon même d'apprendre.

Intervenant 20:51

Et pour construire tout ça, on s'appuie sur pas mal de sources solides. On a une synthèse historique de l'informatique. On a aussi des données d'usage toutes fraîches de l'ARCOM, publiées cette année, en 2026. Super

Intervenant 11:02

important, ça.

Intervenant 21:03

Très important. Et surtout, on va se baser sur trois grandes études universitaires qui ont vraiment scruté l'impact cognitif de ces outils. Mais je pense qu'il faut tout de suite poser le cadre. Il y a, c'est pas de la magie. C'est pas un truc organique avec une âme. C'est vraiment l'aboutissement d'une ingénierie mathématique et technologique. Et c'est cette mécanique-là qu'il faut comprendre, loin des gros titres un peu sensationnalistes.

Intervenant 11:23

Alors décortiquons tout ça. Parce que pour arriver à cette fameuse médaille d'or en 2025, il faut d'abord remonter à la source. Et nos documents nous ramènent le 31 août 1955. C'est la date où John McCarthy et le mathématicien Claude Shannon, d'ailleurs très connu pour sa théorie de l'information, ont demandé une subvention pour un séminaire.

Intervenant 21:43

Tout à fait.

Intervenant 11:44

Le but, c'était de simuler l'apprentissage par une machine. Et c'est là que le terme « intelligence artificielle » apparaît. Mais il y a un piège énorme de départ avec ce mot, non ?

Intervenant 21:53

C'est le faux ami par excellence, clairement. En anglais, le mot « intelligence », c'est très fonctionnel. Ça renvoie au renseignement, à la collecte de données.

Intervenant 12:01

Comme la CIA, en

Intervenant 22:02

fait. Exactement, voilà. Il n'y a aucune notion de conscience là-dedans. Mais quand on le traduit littéralement par « intelligence » en français, ça convoque tout de suite des millénaires de philosophie.

Intervenant 12:12

On pense à l'esprit, à

Intervenant 22:14

l'âme, tout ça. C'est ça. On pense conscience de soi, libre arbitre. Et cette simple friction linguistique, elle a complètement pollué le débat public pendant des décennies. C'est sûr. Parce que si on lit la proposition de 1955, leur but était purement calculatoire. Ils voulaient juste automatiser la résolution de problèmes, pas du tout créer une âme artificielle.

Intervenant 12:33

Sauf qu'une fois l'objectif fixé, la communauté scientifique s'est un peu écharpée sur la méthode, c'est bien ça ?

Intervenant 22:39

Oui, une vraie guerre des méthodes. D'un côté, on avait les systèmes experts, très à la mode dans les années

Intervenant 12:45

80.

Intervenant 22:46

Et de l'autre, l'apprentissage automatique, ce qu'on appelle le machine learning.

Intervenant 12:50

Alors, pour qu'on comprenne bien, le système expert, c'est un peu comme un livre de recettes ultra-strict, non ?

Intervenant 22:56

C'est une très bonne analogie. C'est de la programmation basée sur des règles logiques pures. Genre, si condition A, alors action B. On essaye de coder explicitement tout le savoir humain.

Intervenant 13:06

Et j'imagine que c'est vite devenu un cauchemar à gérer.

Intervenant 23:09

Totalement. C'était une impasse face à la complexité du monde réel. Vous ne pouvez pas coder toutes les règles mathématiques pour qu'un ordinateur reconnaisse un chat sur une photo, par exemple.

Intervenant 13:19

C'est trop variable, il y a trop de cas particuliers.

Intervenant 23:21

Exactement. Et c'est là que le machine learning gagne la partie. Au lieu de donner des règles, on donne à la machine des milliers d'exemples de chats et on lui demande de déduire elle-même les règles.

Intervenant 13:32

Comme un chef qui goûte son plat et qui ajuste son assaisonnement au fur et à mesure.

Intervenant 23:36

C'est exactement ça. L'algorithme ajuste ses propres paramètres mathématiques. S'il se trompe, il se corrige. Et cette victoire du machine learning, elle vient surtout de l'explosion de la puissance de calcul de nos machines.

Intervenant 13:47

Ce qui a permis des trucs incroyables comme Deep Blue qui bat Kasparov aux échecs en 97 ou AlphaGo qui gagne au jeu de Go contre Lee Sedol en 2016.

Intervenant 23:55

Des moments historiques.

Intervenant 13:57

Mais au-delà de ces exploits, l'architecture a beaucoup changé et la synthèse historique utilise l'image des poupées russes pour nous aider à comprendre. C'est hyper visuel.

Intervenant 24:05

Oui, très efficace pour s'y retrouver.

Intervenant 14:07

La grande poupée, c'est l'IA au sens large. On ouvre et dedans, il y a l'apprentissage automatique, le fameux machine learning. C'est ça.