Qu'est-ce que l'intelligence artificielle générale ?
L'intelligence générale artificielle (AGI) est un domaine de recherche théorique sur l'IA qui tente de créer des logiciels dotés d'une intelligence similaire à celle des humains et capables d'autodidacte. L'objectif est que le logiciel soit capable d'effectuer des tâches pour lesquelles il n'est pas nécessairement formé ou développé.
Les technologies actuelles d'intelligence artificielle (IA) fonctionnent toutes selon un ensemble de paramètres prédéterminés. Par exemple, les modèles d'IA entraînés à la reconnaissance et à la génération d'images ne peuvent pas créer de sites Web. L'IAG est une quête théorique visant à développer des systèmes d'IA capables de se contrôler eux-mêmes de façon autonome, affichant un degré raisonnable de conscience de soi et la capacité d'acquérir de nouvelles compétences. L'IAG peut résoudre des problèmes complexes dans des situations et des contextes qui ne lui ont pas été enseignés au moment de sa création. L'IAG dotée de capacités humaines reste un concept théorique et un objectif de recherche.
Quelle est la différence entre l'intelligence artificielle et l'intelligence artificielle générale ?
Au fil des décennies, les chercheurs en IA ont défini plusieurs étapes qui ont considérablement fait progresser l'intelligence artificielle, même à des degrés qui imitent l'intelligence humaine dans des tâches spécifiques. Par exemple, les synthétiseurs d'IA utilisent des modèles de machine learning (ML) pour extraire les points importants des documents et générer un résumé compréhensible. L'IA est donc une discipline informatique qui permet aux logiciels de résoudre des tâches nouvelles et difficiles avec des performances de niveau humain.
En revanche, un système AGI peut résoudre des problèmes dans divers domaines, comme un être humain, sans intervention manuelle. Au lieu d'être limitée à un domaine spécifique, AGI peut s'autodidacte et résoudre des problèmes pour lesquels elle n'a jamais été formée. L'AGI est donc une représentation théorique d'une intelligence artificielle complète qui résout des tâches complexes avec des capacités cognitives humaines généralisées.
Certains informaticiens pensent que l'AGI est un programme informatique hypothétique doté de capacités cognitives et de compréhension humaines. Les systèmes d'IA peuvent apprendre à gérer des tâches inconnues sans formation supplémentaire sur de telles théories. Par ailleurs, les systèmes d'IA que nous utilisons aujourd'hui nécessitent une formation approfondie avant de pouvoir gérer des tâches connexes dans le même domaine. Par exemple, vous devez affiner un modèle de langage étendu (LLM) préformé avec des ensembles de données médicales avant qu'il ne puisse fonctionner de manière cohérente en tant que chatbot médical.
Une IA forte par rapport à une IA faible
Une IA puissante est une intelligence artificielle complète, ou AGI, capable d'exécuter des tâches avec des niveaux cognitifs humains malgré le peu de connaissances de base. La science-fiction décrit souvent une IA puissante comme une machine à penser dont la compréhension humaine ne se limite pas aux limites du domaine.
En revanche, une IA faible ou une IA étroite sont des systèmes d'IA limités à des spécifications informatiques, à des algorithmes et à des tâches spécifiques pour lesquelles ils sont conçus. Par exemple, les modèles d'IA précédents avaient une mémoire limitée et ne s'appuyaient que sur des données en temps réel pour prendre des décisions. Même les applications d'IA génératives émergentes offrant une meilleure rétention de la mémoire sont considérées comme une IA faible car elles ne peuvent pas être réutilisées dans d'autres domaines.
Quelles sont les approches théoriques de la recherche sur l'intelligence générale artificielle ?
La réalisation de l'AGI nécessite un éventail de technologies, de données et d'interconnectivité plus large que celui qui sous-tend les modèles d'IA actuels. La créativité, la perception, l'apprentissage et la mémoire sont essentiels pour créer une IA qui imite les comportements humains complexes. Les experts en IA ont proposé plusieurs méthodes pour orienter la recherche sur l'AGI.
Symbolique
L'approche symbolique suppose que les systèmes informatiques peuvent développer une AGI en représentant les pensées humaines à l'aide de réseaux logiques en expansion. Le réseau logique symbolise les objets physiques selon une logique « si sinon », ce qui permet au système d'IA d'interpréter les idées à un niveau de réflexion supérieur. Cependant, la représentation symbolique ne peut pas reproduire des capacités cognitives subtiles au niveau inférieur, telles que la perception.
Connexionniste
L'approche connexionniste (ou émergentiste) se concentre sur la réplication de la structure du cerveau humain avec une architecture de réseau neuronal. Les neurones du cerveau peuvent modifier leurs voies de transmission lorsque les humains interagissent avec des stimuli externes. Les scientifiques espèrent que les modèles d'IA adoptant cette approche sous-symbolique pourront reproduire une intelligence similaire à celle de l'homme et démontrer des capacités cognitives de faible niveau. Les grands modèles linguistiques sont un exemple d'IA qui utilise la méthode connexionniste pour comprendre les langues naturelles.
Universalistes
Les chercheurs qui adoptent l'approche universaliste se concentrent sur la résolution des complexités de l'AGI au niveau du calcul. Ils tentent de formuler des solutions théoriques qu'ils peuvent réutiliser dans des systèmes AGI pratiques.
Architecture de l'organisme entier
L'approche de l'architecture de l'organisme dans son ensemble implique l'intégration de modèles d'IA à une représentation physique du corps humain. Les scientifiques qui soutiennent cette théorie pensent que l'AGI n'est réalisable que lorsque le système apprend des interactions physiques.
Hybride
L'approche hybride étudie les méthodes symboliques et sous-symboliques de représentation de la pensée humaine afin d'obtenir des résultats au-delà d'une approche unique. Les chercheurs en IA peuvent tenter d'assimiler différents principes et méthodes connus pour développer l'AGI.
Quelles sont les technologies qui sous-tendent la recherche sur l'intelligence générale artificielle ?
L'AGI reste un objectif lointain pour les chercheurs. Les efforts visant à créer des systèmes AGI se poursuivent et sont encouragés par les développements émergents. Les sections suivantes décrivent les technologies émergentes.
Deep learning
Le deep learning est une discipline de l'IA qui met l'accent sur la formation de réseaux neuronaux comportant plusieurs couches cachées afin d'extraire et de comprendre des relations complexes à partir de données brutes. Les experts en IA utilisent le deep learning pour créer des systèmes capables de comprendre le texte, le son, les images, les vidéos et d'autres types d'informations. Par exemple, les développeurs utilisent Amazon SageMaker pour créer des modèles de deep learning légers pour l'Internet des objets (IoT) et les appareils mobiles.
IA générative
L'intelligence artificielle générative (IA générative) est un sous-ensemble de deep learning dans lequel un système d'IA peut produire un contenu unique et réaliste à partir des connaissances acquises. Les modèles d'IA générative s'entraînent avec d'énormes ensembles de données, ce qui leur permet de répondre aux requêtes humaines avec du texte, du son ou des éléments visuels qui ressemblent naturellement à des créations humaines. Par exemple, les LLM d'AI21 Labs, Anthropic, Cohere et Meta sont des algorithmes d'IA générative que les organisations peuvent utiliser pour résoudre des tâches complexes. Les équipes logicielles utilisent Amazon Bedrock pour déployer ces modèles rapidement sur le cloud sans provisionner de serveurs.
TRAITEMENT DU LANGAGE NATUREL
Le traitement automatique du langage naturel (NLP) est une branche de l'IA qui permet aux systèmes informatiques de comprendre et de générer le langage humain. Les systèmes NLP utilisent la linguistique informatique et les technologies du machine learning pour transformer les données linguistiques en représentations simples appelées jetons et comprendre leur relation contextuelle. Par exemple, Amazon Lex est un moteur NLP qui permet aux organisations de créer des chatbots conversationnels.
Vision par ordinateur
La vision par ordinateur est une technologie qui permet aux systèmes d'extraire, d'analyser et de comprendre des informations spatiales à partir de données visuelles. Les voitures autonomes utilisent des modèles de vision par ordinateur pour analyser les flux en temps réel des caméras et déplacer le véhicule en toute sécurité loin des obstacles. Les technologies du deep learning permettent aux systèmes de vision par ordinateur d'automatiser la reconnaissance d'objets à grande échelle, la classification, la surveillance et d'autres tâches de traitement d'images. Par exemple, les ingénieurs utilisent Amazon Rekognition pour automatiser l'analyse d'images pour diverses applications de vision par ordinateur.
Robotique
La robotique est une discipline d'ingénierie dans laquelle les organisations peuvent créer des systèmes mécaniques qui effectuent automatiquement des manœuvres physiques. Dans AGI, les systèmes robotiques permettent à l'intelligence artificielle de se manifester physiquement. Il est essentiel pour introduire les capacités de perception sensorielle et de manipulation physique requises par les systèmes AGI. Par exemple, intégrer l'AGI à un bras robotique peut permettre au bras de détecter, de saisir et d'éplucher les oranges comme le font les humains. Lors de leurs recherches sur l'AGI, les équipes d'ingénierie utilisent AWS RoboMaker pour simuler virtuellement des systèmes robotiques avant de les assembler.
Quels sont les défis de la recherche en intelligence artificielle générale ?
Les informaticiens sont confrontés à certains des défis suivants lors du développement de l'AGI.
Établir des liens
Les modèles d'IA actuels sont limités à leur domaine spécifique et ne peuvent pas établir de liens entre les domaines. Cependant, les humains peuvent appliquer les connaissances et l'expérience d'un domaine à un autre. Par exemple, les théories pédagogiques sont appliquées à la conception de jeux pour créer des expériences d'apprentissage engageantes. Les humains peuvent également adapter ce qu'ils ont appris dans le cadre de l'enseignement théorique à des situations réelles. Cependant, les modèles de deep learning nécessitent une formation approfondie avec des ensembles de données spécifiques pour fonctionner de manière fiable avec des données inconnues.
Intelligence émotionnelle
Les modèles de deep learning laissent entrevoir la possibilité de l'AGI, mais n'ont pas encore démontré la créativité authentique des humains. La créativité nécessite une réflexion émotionnelle, que l'architecture des réseaux neuronaux ne peut pas encore reproduire. Par exemple, les humains répondent à une conversation en fonction de ce qu'ils ressentent émotionnellement, mais les modèles de PNL génèrent du texte en fonction des ensembles de données et des modèles linguistiques sur lesquels ils s'entraînent.
Perception sensorielle
L'AGI nécessite que les systèmes d'IA interagissent physiquement avec l'environnement externe. Outre les capacités robotiques, le système doit percevoir le monde comme le font les humains. Les technologies informatiques existantes doivent encore progresser avant de pouvoir différencier les formes, les couleurs, les goûts, les odeurs et les sons avec précision, comme les humains.
Comment AWS peut-il vous aider dans vos efforts en matière d'IA et d'AGI ?
AWS fournit des services d'intelligence artificielle gérés qui vous aident à former, déployer et faire évoluer des applications d'IA générative. Les organisations utilisent nos outils d'IA et nos modèles de base pour innover dans les systèmes d'IA avec leurs propres données pour des cas d'utilisation personnalisés.
- Amazon Bedrock est un service entièrement géré dans lequel les développeurs peuvent utiliser des appels d'API pour accéder aux modèles d'IA générative qu'ils déploient. Vous pouvez sélectionner, personnaliser, former et déployer des modèles de base de pointe sur Bedrock pour travailler avec des données propriétaires.
- Amazon SageMaker Jumpstart aide les équipes logicielles à accélérer le développement de l'IA en créant, formant et déployant des modèles fondamentaux dans un hub d'apprentissage automatique.
- Utilisez Amazon Elastic Compute Cloud UltraClusters pour alimenter vos charges de travail d'IA génératives grâce à des GPU de supercalcul permettant de traiter des ensembles de données volumineux avec une faible latence.
Démarrez avec AGI en créant un compte AWS dès aujourd'hui
Prochaines étapes sur AWS
