L’histoire de l’intelligence artificielle : des dĂ©buts Ă  nos jours đŸ’»

Emilie S. - Mis Ă  jour le 13/02/2025
vieux ordis

Tu t’es dĂ©jĂ  demandĂ© comment l’intelligence artificielle a Ă©tĂ© inventĂ©e ? C’est plutĂŽt fou qu’on est passĂ© de vieux ordis Ă  des machines capables d’écrire des textes, de battre les meilleurs joueurs d’échecs et mĂȘme de crĂ©er des images ! đŸ€–

L’histoire de l’IA, c’est une aventure faite de dĂ©couvertes rĂ©volutionnaires. Dans cet article, on va remonter le fil du temps pour explorer ses dĂ©buts et comprendre son Ă©volution jusqu’aux IA d’aujourd’hui. 🚀

Les dĂ©buts de l’IA (1943-1960)

L’idĂ©e que des machines puissent penser ne date pas d’hier. Mais il a fallu attendre le XXe siĂšcle pour que des scientifiques s’y attaquent sĂ©rieusement (et surtout, qu’ils disposent de la technologie nĂ©cessaire).

Les premiers modĂšles de neurones artificiels (1943) đŸ—ïž

Tout commence en 1943 avec Warren McCulloch et Walter Pitts, deux chercheurs qui imaginent un modĂšle mathĂ©matique de neurones artificiels. Leur approche reste thĂ©orique : ils ne construisent pas de machine, mais posent les bases d’un systĂšme capable de traiter l’information comme un cerveau, avec des neurones interconnectĂ©s qui s’activent ou non selon certaines rĂšgles logiques. 

C’est une avancĂ©e Ă©norme ! MĂȘme si leur modĂšle est trĂšs simpliste, il dĂ©veloppe les bases des futurs rĂ©seaux neuronaux qui dominent l’IA aujourd’hui.

Alan Turing et le test de l’intelligence (1950) đŸ€–

Difficile de parler des dĂ©buts de l’IA sans Ă©voquer Alan Turing. Ce gĂ©nie britannique, connu pour avoir cassĂ© le code Enigma pendant la Seconde Guerre mondiale, pose une question provocante en 1950 : “Une machine peut-elle penser ?”

Il propose un test, qu’on appelle aujourd’hui le test de Turing. Le principe est simple : si une machine peut tenir une conversation indiscernable de celle d’un humain, alors elle peut ĂȘtre considĂ©rĂ©e comme “intelligente”.

Ce test reste encore aujourd’hui une rĂ©fĂ©rence dans le dĂ©bat sur l’intelligence des machines.

Turing a posĂ© les bases de l’informatique moderne et de la rĂ©flexion sur l’intelligence artificielle. Sans lui, il n’y aurait probablement pas d’IA moderne.

 

Si le sujet t’intĂ©resse, on te conseille de regarder le film Imitation Game (2014). Il raconte l’histoire du dĂ©cryptage du code Enigma et comment Turing a jouĂ© un rĂŽle clĂ© dans la dĂ©faite des nazis.

La confĂ©rence de Dartmouth (1956) 🎉

En 1956, une petite rĂ©volution se produit Ă  Dartmouth College, aux États-Unis. Un groupe de chercheurs, menĂ© par John McCarthy et Marvin Minsky, organise une confĂ©rence oĂč ils introduisent officiellement le terme “intelligence artificielle”.

Leur ambition : construire des machines capables de simuler la pensĂ©e humaine. Ils sont persuadĂ©s que, dans quelques annĂ©es, l’IA surpassera les humains dans de nombreuses tĂąches.Bon, ils ont Ă©tĂ© un peu trop optimistes. 😅 Mais cette confĂ©rence marque le dĂ©but officiel de la discipline. L’IA est nĂ©e !

Femme qui dit "wow

À lire aussi

Nicolas

CentraleSupélec

17€/h

Simon

4e année de médecine

26€/h

Jeanne

Aix-Marseille Université

17€/h

Bastien

Polytechnique

26€/h

Clémence

HEC Paris

21€/h/h

Martin

HEC Paris

23€/h

Alma

ENS Paris-Saclay

24€/h

Thibault

ENS Paris Ulm

20€/h

Ton premier cours particulier est offert ! 🎁

Nos profs sont passés par les meilleures écoles et universités.

 

J’EN PROFITE MAINTENANT !

Les annĂ©es 60-80 : une pĂ©riode d’expĂ©rimentation 🔍

Les chercheurs de l’IA veulent transformer leurs idĂ©es en rĂ©alitĂ© et se mettent Ă  expĂ©rimenter. Mais si certaines avancĂ©es sont impressionnantes, elles rĂ©vĂšlent aussi les limites des approches utilisĂ©es


L’IA symbolique et les premiers algorithmes heuristiques (annĂ©es 60) đŸ›ïž

Dans les annĂ©es 60, l’IA repose sur une idĂ©e simple : pour qu’une machine rĂ©flĂ©chisse, il faut qu’elle manipule des symboles et des rĂšgles logiques, comme un humain le ferait. 

C’est ce qu’on appelle l’IA symbolique. On crĂ©e alors des algorithmes capables de rĂ©soudre des problĂšmes complexes en suivant des instructions prĂ©cises.

Un exemple marquant

 Le programme Logic Theorist (1956), dĂ©veloppĂ© par Allen Newell et Herbert Simon. Ce logiciel Ă©tait capable de dĂ©montrer des thĂ©orĂšmes mathĂ©matiques, et parfois mĂȘme de trouver des preuves plus Ă©lĂ©gantes que celles des humains !

Mais il y a un hic : ces IA fonctionnent bien pour des problĂšmes trĂšs encadrĂ©s, mais dĂšs qu’on leur donne une tĂąche plus vague, elles se retrouvent bloquĂ©es. Il reste encore beaucoup de travail Ă  faire pour la rapprocher de l’IA d’aujourd’hui. 

L’ñge d’or des systùmes experts (1970-1980) 🧠

Face aux limites des algorithmes symboliques, les chercheurs se tournent vers une nouvelle approche : les systĂšmes experts. PlutĂŽt que de tout calculer, une IA peut imiter les experts humains en s’appuyant sur une base de connaissances et un moteur d’infĂ©rence.

Les premiers systĂšmes experts font sensation. MYCIN, par exemple, dĂ©veloppĂ© dans les annĂ©es 70, Ă©tait un programme capable de diagnostiquer des infections sanguines et de recommander des traitements. C’est rĂ©volutionnaire !

Cependant, cette pĂ©riode d’enthousiasme cache dĂ©jĂ  les premiers signes de difficultĂ©s. À partir de 1974, un “hiver de l’IA” commence Ă  se dessiner. Plusieurs rapports critiques, notamment celui de James Lighthill, montrent un manque de progrĂšs concrets dans des domaines comme la robotique. MalgrĂ© des avancĂ©es intĂ©ressantes, l’IA n’a pas encore atteint les objectifs ambitieux fixĂ©s au dĂ©but. Cela commence Ă  freiner les financements et l’enthousiasme autour des projets.

Les limites et le deuxiĂšme hiver de l’IA (annĂ©es 80) ❄

Les annĂ©es 80 ont des problĂšmes similaires Ă  la fin des annĂ©es 70 : 

  • CoĂ»ts trop Ă©levĂ©s : la crĂ©ation et la maintenance des systĂšmes d’IA sont trĂšs chĂšres.
  • Manque de flexibilitĂ© : les systĂšmes ne sont pas capables de s’adapter Ă  des situations nouvelles.
  • Technologie limitĂ©e : les ordinateurs de l’époque ne peuvent pas gĂ©rer des systĂšmes aussi complexes.

RĂ©sultat : les investisseurs se lassent, les financements s’effondrent et l’IA entre dans ce qu’on appelle un deuxiĂšme “hiver de l’IA”.  Pendant prĂšs d’une dĂ©cennie, les avancĂ©es ralentissent et l’intĂ©rĂȘt pour l’IA diminue.

Jon Snow sous la neige
L’IA des annĂ©es 80

Martin

HEC Paris

23€/h

Jade

Sciences Po Paris

21€/h

Bastien

Polytechnique

26€/h

Emilie

Sciences Po Lyon

19€/h

Hugo

Insa Lyon

16€/h

Alma

ENS Paris-Saclay

24€/h

David

EDHEC

25€/h

Jeanne

Aix-Marseille Université

17€/h

Besoin de cours particuliers ? ✹

4 points de plus sur ta moyenne avec nos profs Sherpas ! 📈

 

JE PRENDS UN COURS GRATUIT !

Les annĂ©es 90-2000 : le retour de l’IA grĂące Ă  l’apprentissage machine 🔄

Une nouvelle approche va tout changer : l’apprentissage machine (machine learning).

Le machine learning permet Ă  une machine d’apprendre Ă  partir de donnĂ©es et d’amĂ©liorer ses performances sans ĂȘtre programmĂ©e pour chaque tĂąche spĂ©cifique.

L’échec du paradigme symbolique et la montĂ©e du machine learning 📈

Dans les annĂ©es 90, on rĂ©alise que l’approche symbolique et les systĂšmes experts ont atteint leurs limites. Ils sont rigides, incapables de traiter des situations inconnues et demandent une maintenance lourde.

Heureusement, une autre voie commence à s’imposer : celle de l’apprentissage statistique.

L’idĂ©e clĂ© du machine learning

Une IA peut apprendre Ă  reconnaĂźtre des motifs et Ă  prendre des dĂ©cisions en analysant de grandes quantitĂ©s de donnĂ©es. Plus elle voit d’exemples, plus elle s’amĂ©liore.

Ce changement est en grande partie dĂ» aux progrĂšs dans trois domaines :
✔ La puissance de calcul : les ordinateurs deviennent plus performants et moins chers.
✔ L’accĂšs aux donnĂ©es : Internet explose et gĂ©nĂšre une masse d’informations exploitable.
✔ De nouveaux algorithmes : des modĂšles comme les rĂ©seaux de neurones refont surface.

Victoire d’IBM Deep Blue contre Kasparov (1997) ♟

En 1997, un Ă©vĂ©nement va marquer les esprits : l’ordinateur Deep Blue, dĂ©veloppĂ© par IBM, bat Garry Kasparov, champion du monde d’échecs.

C’est la premiĂšre fois qu’une machine surpasse un humain dans un jeu aussi stratĂ©gique. Mais attention, Deep Blue n’est pas une IA “intelligente” au sens propre : il ne fait que calculer des millions de coups Ă  l’avance.

NĂ©anmoins, cette victoire montre le potentiel immense des nouvelles approches et donne un coup de projecteur sur l’IA.

Les bases du deep learning posĂ©es par Geoffrey Hinton 🧠

Dans les annĂ©es 2000, un chercheur va jouer un rĂŽle clĂ© dans la renaissance de l’IA : Geoffrey Hinton. Il travaille sur un concept abandonnĂ© depuis les annĂ©es 60 : les rĂ©seaux de neurones artificiels. GrĂące aux avancĂ©es en calcul et en donnĂ©es, il est enfin possible d’entraĂźner des rĂ©seaux profonds, capables d’apprendre Ă  dĂ©tecter des motifs sans intervention humaine.

Depuis 2010 : l’ùre du deep learning et des modĂšles de langage đŸ€–

Si les annĂ©es 90 et 2000 ont prĂ©parĂ© le terrain, c’est dans les annĂ©es 2010 que l’IA explose vĂ©ritablement. GrĂące au deep learning et aux gigantesques bases de donnĂ©es d’Internet, les machines atteignent des niveaux de performance jamais vus.

Le deep learning est une branche du machine learning qui utilise des rĂ©seaux de neurones complexes pour apprendre des donnĂ©es et rĂ©soudre des tĂąches comme la reconnaissance d’images ou le traitement du langage.

Pourquoi le deep learning change tout ? đŸ”„

En 2012, l’équipe de Geoffrey Hinton participe Ă  un concours mondial de reconnaissance d’images, ImageNet, et pulvĂ©rise les records grĂące Ă  un modĂšle de deep learning.

Pour la premiùre fois, une IA surpasse les humains dans la classification d’images. Les entreprises technologiques (Google, Facebook, Microsoft
) se ruent sur cette technologie et investissent massivement

En quelques années :
✔ Les assistants vocaux comme Siri, Alexa et Google Assistant deviennent bien plus efficaces.
✔ Les IA de reconnaissance faciale et de traduction automatique (DeepL, Google Translate) deviennent performantes.
✔ Les voitures autonomes commencent Ă  devenir une rĂ©alitĂ© grĂące Ă  l’analyse en temps rĂ©el des donnĂ©es visuelles.

Le deep learning marque une rupture : on ne programme plus une IA pour résoudre un problÚme, on lui donne des tonnes de données et elle apprend toute seule.

AlphaGo (2016) : la claque pour les humains 🏆

Si Deep Blue avait impressionné en battant Kasparov en 1997, un autre exploit va bouleverser le monde : AlphaGo.

En 2016, ce programme conçu par DeepMind (Google) bat Lee Sedol, l’un des meilleurs joueurs de Go de l’histoire.

C’est plutĂŽt incroyable, car le jeu de Go est infiniment plus complexe que les Ă©checs. Il ne peut pas ĂȘtre rĂ©solu par simple calcul. Pourtant, AlphaGo apprend Ă  jouer en analysant des milliers de parties et en s’entraĂźnant contre lui-mĂȘme.

À partir de lĂ , plus personne ne doute : l’IA est en train de dĂ©passer l’homme dans des tĂąches que l’on croyait rĂ©servĂ©es aux humains.

Les modĂšles de langage et l’explosion des IA gĂ©nĂ©ratives ✍

L’une des plus grandes avancĂ©es rĂ©centes, c’est l’arrivĂ©e des modĂšles de langage comme GPT-3 (2020) et GPT-4 (2023).

Ces IA sont capables de rĂ©diger des textes, coder, traduire, rĂ©pondre Ă  des questions complexes, et mĂȘme tenir des conversations naturelles avec nous. Elles sont entraĂźnĂ©es sur des milliards de phrases extraites du Web et utilisent des mĂ©canismes sophistiquĂ©s pour prĂ©dire le mot suivant dans une phrase.

"what's next ?"
La question qu’on a tous

L’impact sur le travail est dĂ©jĂ  Ă©norme, avec des tĂąches comme la rĂ©daction ou l’assistance Ă  la programmation qui se font en temps rĂ©el.

À lire aussi

Conclusion 🚀

En l’espace de quelques dĂ©cennies, l’intelligence artificielle est passĂ©e de thĂ©ories abstraites Ă  des outils concrets qui transforment nos vies. Nos autres articles rĂ©pondent Ă  plusieurs questions :

💡 L’IA remplacera-t-elle certains mĂ©tiers ?

💡 Faut-il la rĂ©guler pour raison de vol de donnĂ©es ?

💡 Quel est son impact environnemental ?

💡Quelles sont ses limites actuelles ?

Les prochaines annĂ©es s’annoncent passionnantes, et peut-ĂȘtre un peu vertigineuses. Une chose est sĂ»re : l’IA ne fait que commencer Ă  Ă©crire son histoire. 

Pour aller plus loin : prends un cours particulier avec l’un de nos profs Sherpas !

Tu as aimé cet article ?

Ton premier cours est offert ! 🎁

4 points de plus sur ta moyenne en prenant des cours particuliers avec l’un de nos Sherpas ! 👇

profile picture
Emilie S.
RĂ©dactrice Web
Hello, moi c’est Emilie! Je suis rĂ©dactrice stagiaire chez les Sherpas. J’adore la lecture, la cuisine, et la voile. J’espĂšre t’aider Ă  comprendre diffĂ©rents sujets avec mes articles ! 😊

Laisse-nous un commentaire !

Des questions ? Des bons plans Ă  partager ? Nous validons ton commentaire et te rĂ©pondons en quelques heures ! 🎉

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *

Laisse-nous un commentaire !

Des questions ? Des bons plans Ă  partager ? Nous validons ton commentaire et te rĂ©pondons en quelques heures ! 🎉

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *

Ebooks

DĂ©couvre nos ebooks

DĂ©couvre nos ebooks

Avoir confiance en soi, trouver son stage, gagner en productivité  À chaque problĂšme son guide pour progresser et devenir la meilleure version de toi-mĂȘme ! đŸ’Ș