Introduction à l'IA

Imaginez ce scénario :

Le matin, vous ouvrez votre téléphone, et l'album photo a automatiquement trié les photos de la nuit dernière par personnes et par scènes.
Sur le chemin du travail, vous dites une phrase à votre téléphone, et l'application de navigation planifie pour vous un itinéraire qui évite les embouteillages.
Lorsque vous arrivez à votre bureau, vous tapez une ligne dans la boîte de dialogue, et l'IA vous aide à générer une ébauche de tout le rapport hebdomadaire.

Ces scénarios semblaient relever de la science-fiction il y a cinq ans, mais ils font désormais partie de la vie quotidienne. L'IA n'est pas le futur ; elle est déjà intégrée aux produits que vous utilisez chaque jour.

L'apparition de ChatGPT à la fin de 2022 a été un moment charnière :

Avant cela, l'IA était l'affaire des programmeurs et des chercheurs.
Après cela, l'IA est devenue un outil que tout le monde peut utiliser directement.

Définition de l'intelligence artificielle

En termes simples :L’intelligence artificielle (IA en abrégé) est une technologie qui donne aux ordinateurs un comportement intelligent semblable à celui des humains.。

Le comportement intelligent mentionné ici comprend : comprendre du texte, reconnaître la parole, identifier des images, prendre des décisions et apprendre de l’expérience.

L’abréviation anglaise AI se prononceA-I(prononcez les deux lettres séparément), le nom complet estArtificial Intelligence。

Ce que l’IA peut faire

Les capacités suivantes sont déjà plutôt matures dans l’IA d’aujourd’hui :

Capacité	Applications typiques	L’avez-vous déjà utilisée ?
Compréhension et génération du langage	Traduction, rédaction, résumé d’articles, réponse aux questions	ChatGPT, Claude
Reconnaissance d’images	Déverrouillage facial, numérisation de documents, analyse d’images médicales	Catégorisation des albums photo du téléphone, tourniquets de station
Interaction vocale	Reconnaissance vocale, assistants vocaux	Siri, Xiao Ai, voix de méthode de saisie
Génération de contenu	Peinture par IA, génération vidéo, création musicale	Midjourney、Suno
Assistance au code	Complétion de code, correction de bugs, génération automatique de code	GitHub Copilot、Cursor

Ce que l'IA ne peut pas faire

Connaître les limites de l'IA est plus important que de connaître ses capacités.

L'IA ne comprend vraiment rien — elle ne fait que des calculs de probabilités. Quand vous dites « il fait vraiment beau aujourd'hui », elle ne sait pas ce que « beau » fait ressentir ; elle sait seulement quels mots suivent habituellement cette phrase.

L’IA n’a pas de conscience, ni d’émotions, ni d’objectifs propres ; elle ne veut rien faire.

L’IA peut halluciner, c’est-à-dire qu’elle va fabriquer avec assurance des faits, des noms, des articles et des données qui n’existent pas, parce qu’elle prédit essentiellement le mot suivant plutôt que de vérifier les faits.

L’IA manque de jugement dans les situations nouvelles qu’elle n’a pas vues ; s’il n’y a pas de scénarios similaires dans les données d’entraînement, ses performances peuvent être très mauvaises.

Rappelez-vous :L’IA est un assistant puissant, pas une autorité fiable。
Pour les décisions à haut risque impliquant des soins médicaux, le droit, les investissements, etc., la production de l’IA ne peut être utilisée qu’à titre de référence, et non comme base finale.

Brève histoire du développement de l’IA

L’IA n’est pas apparue de nulle part ; son histoire s’étend sur plus de 70 ans, avec trois grands cycles d’essor et de déclin.

Première vague : l’IA symbolique (années 1950–1980)

En 1956, un groupe de scientifiques s’est réuni au Dartmouth College,intelligence artificielleCe terme a été officiellement proposé.

L’idée dominante à l’époque était simple : écrire les connaissances d’experts humains dans un ensemble de règles, les stocker dans un ordinateur, et raisonner selon ces règles lorsqu’un problème se pose. Cette approche était appelée systèmes experts.

Par exemple, un système expert de diagnostic médical pouvait stocker des milliers de règles : si un patient a de la fièvre et tousse, il pourrait s’agir d’un rhume ; si la fièvre dépasse 39 degrés et dure trois jours, une analyse de sang est recommandée.

Le problème, c’est que les règles du monde réel sont sans fin. Vous écrivez cinq mille règles, puis un patient arrive avec une six millième combinaison de symptômes, et le système ne sait pas quoi faire.

De plus, modifier les règles est extrêmement pénible — ajouter une nouvelle règle peut entrer en conflit avec des centaines de règles existantes.

À la fin des années 1980, les gens ont compris que cette voie ne fonctionnerait pas, et l'IA est entrée dans son premier hiver.

Deuxième vague : Essor de l'apprentissage automatique (années 1990–2010)

Les chercheurs ont changé leur approche :Au lieu de faire écrire des règles par des humains, laisser les machines trouver des motifs à partir des données par elles-mêmes.。

Par exemple, pour identifier le spam, au lieu d'écrire une règle comme « si le message contientprixalors c'est du spam », montrez à la machine dix mille e-mails étiquetés (cinq mille normaux, cinq mille spam) et laissez l'algorithme déterminer à quoi ressemble habituellement le spam.

Cette période a donné naissance à des algorithmes classiques tels que les machines à vecteurs de support (SVM), les forêts aléatoires et la régression logistique, qui fonctionnaient bien dans des scénarios comme le filtrage du spam, la détection de fraude à la carte de crédit et la recommandation de produits.

Mais il y avait un goulot d'étranglement : les caractéristiques devaient être conçues par des humains. Par exemple, en reconnaissance d'images, il fallait d'abord extraire manuellement des caractéristiques telles que « contours », « distribution des couleurs » et « texture » avant de les fournir à l'algorithme. La qualité de l'extraction des caractéristiques par l'humain déterminait la limite supérieure du modèle.

Troisième vague : Apprentissage profond et grands modèles (années 2010–aujourd'hui)

En 2012, un réseau de neurones profond appelé AlexNet a surpassé de manière écrasante les méthodes traditionnelles lors de la compétition de reconnaissance d'images ImageNet, marquant officiellement le début de l'ère de l'apprentissage profond.

La percée essentielle de l'apprentissage profond a été :Même les caractéristiques n'avaient plus besoin d'être conçues manuellement — le modèle apprenait couche par couche à partir des données brutes par lui-même.。

En 2017, Google a publié l'article « Attention Is All You Need », proposant l'architecture Transformer.

En novembre 2022, OpenAI a lancé ChatGPT, qui a dépassé les cent millions d'utilisateurs en deux mois, amenant véritablement l'IA au grand public.

De 2023 à aujourd'hui, de grands modèles tels que GPT-4, Claude et Gemini n'ont cessé d'itérer, avec de nouvelles orientations telles que l'IA multimodale, les agents IA et les modèles de raisonnement qui émergent constamment.

Le fil conducteur des trois vagues, résumé en une phrase :

Vague	Idée centrale	Qui fait le travail	Événement représentatif
Première (années 1950–1980)	Les humains écrivent les règles, les machines les exécutent	Les programmeurs écrivent les règles	Conférence de Dartmouth de 1956
Deuxième (années 1990–2010)	Les machines apprennent des motifs à partir des données	Les humains conçoivent les caractéristiques, les algorithmes apprennent les motifs	1997 Deep Blue bat le champion d'échecs
Troisième (années 2010–aujourd'hui)	Réseaux profonds + données massives + puissance de calcul massive	Les modèles apprennent même les caractéristiques par eux-mêmes	2022 Sortie de ChatGPT

Le parcours d'évolution de l'IA : piloté par les règles → piloté par les données → apprentissage profond → grands modèles → agents. Plus précisément, nous pouvons le diviser en cinq étapes :

Années 1950 : on a soulevé une question — les machines peuvent-elles penser comme les humains ?
Années 1960–1980 : on a tenté d'encoder des connaissances et des règles dans les machines (symbolisme, systèmes experts), mais les résultats ont été limités.
Années 1990–2000 : au lieu d'écrire les règles à la main, on a permis aux machines d'apprendre à partir des données (apprentissage automatique).
Années 2010 : l'apprentissage profond a pris de l'importance, et les réseaux de neurones ont réalisé des percées en s'appuyant sur des données massives et la puissance de calcul.
Années 2020 : l'ère des grands modèles est arrivée, et un seul modèle a commencé à posséder des capacités polyvalentes (discuter, écrire, programmer, raisonner).
Avenir : l'IA passe de la réponse aux questions à l'exécution autonome de tâches (Agent, AGI).

Trois concepts facilement confondus : IA, ML, DL

L’IA (intelligence artificielle), le ML (apprentissage automatique) et le DL (apprentissage profond) sont souvent confondus par les médias, mais leurs définitions ne sont pas les mêmes — ce ne sont pas la même chose.

Tout d’abord, regardons un diagramme de relations :

AI、机器学习、深度学习三者包含关系图

Relation d’inclusion : IA ⊃ ML ⊃ DL

L’intelligence artificielle (IA) est le plus grand cercle ; toute technologie qui utilise des machines pour simuler un comportement intelligent compte comme de l’IA.
L’apprentissage automatique (ML) est un sous-ensemble de l’IA, et désigne spécifiquement les méthodes qui apprennent automatiquement à partir des données.
L’apprentissage profond (DL) est un sous-ensemble du ML, et désigne spécifiquement les méthodes fondées sur des réseaux de neurones multicouches.

L’IA n’est pas toujours du ML, et le ML n’est pas toujours du DL.

Utiliser un exemple pour clarifier les différences entre les trois

Supposons que nous voulions construire un programme pour déterminer si un e-mail est un spam. Les trois approches correspondent à trois niveaux :

Exemple

# ============================================
# Approche 1 : basée sur des règles (IA, mais pas ML)
# Le programmeur écrit les règles à la main ; il n’y a aucun processus d’« apprentissage ».
# ============================================

def is_spam_by_rules(email_text: str) -> bool:
"""Utiliser des règles de mots-clés pour juger le spam — règles purement manuelles, sans apprentissage."""
# Si l'un des mots-clés suivants est détecté, il est jugé comme spam.
spam_keywords = [
"Félicitations, vous avez gagné",
"Réclamez gratuitement",
"Cliquez pour réclamer",
"Offre à durée limitée",
"exemple de coffret cadeau", # Pour les tests ; peut être remplacé dans des scénarios réels.
]
for keyword in spam_keywords:
if keyword in email_text:
return True
return False

# Test : un e-mail avec le contenu suivant
test_email = "Félicitations ! Vous avez obtenu un pack cadeau d'exemple, cliquez pour le réclamer !"
result = is_spam_by_rules(test_email)
print(f"Résultat basé sur des règles : {'spam' if result else 'normal email'}")
# Sortie : Résultat du jugement basé sur des règles : spam

L'avantage de la méthode basée sur des règles est qu'elle est simple et directe ; l'inconvénient est que les règles ne peuvent jamais être entièrement écrites ni couvrir tous les cas. Si un e-mail indésirable utilise une formulation différente, comme « Félicitations, Votre Excellence, pour avoir remporté le grand prix », la règle ne le détectera pas.

Exemple

# ============================================
# Approche 2 : apprentissage automatique classique (ML, mais pas DL)
# Apprendre automatiquement les motifs à partir de données historiques ; pas besoin d'écrire les règles à la main.
# ============================================

def train_simple_classifier(emails: list, labels: list):
"""Entraîner le classifieur d'apprentissage automatique le plus simple
Idée : compter la fréquence de chaque mot dans les spams et les e-mails normaux,
Utiliser la différence de fréquence pour juger les nouveaux e-mails."""
# Compter combien de fois chaque mot apparaît dans les deux types d'e-mails.
spam_word_count = {} # Nombre total de fois où le mot apparaît dans le spam.
ham_word_count = {} # Nombre total de fois où le mot apparaît dans les courriels normaux.
spam_total = 0 # Nombre total de mots dans le spam.
ham_total = 0 # Nombre total de mots dans les courriels normaux.

for email_text, label in zip(emails, labels):
words = email_text.split()
for word in words:
if label == "spam":
spam_word_count[word] = spam_word_count.get(word, 0) + 1
spam_total += 1
else:
ham_word_count[word] = ham_word_count.get(word, 0) + 1
ham_total += 1

# Renvoyer les informations statistiques apprises (ceci est le "modèle").
return {
"spam_word_count": spam_word_count,
"ham_word_count": ham_word_count,
"spam_total": spam_total,
"ham_total": ham_total,
}

def predict(model: dict, email_text: str) -> str:
"""Utilisez le modèle appris pour prédire de nouveaux e-mails."""
words = email_text.split()
spam_score = 0.0 # Score de spam
ham_score = 0.0 # Score d'e-mail normal

for word in words:
# Calculer la probabilité que ce mot apparaisse dans le spam (ajouter un lissage pour éviter la division par zéro).
spam_prob = (model["spam_word_count"].get(word, 0) + 1) / (model["spam_total"] + 1)
ham_prob = (model["ham_word_count"].get(word, 0) + 1) / (model["ham_total"] + 1)
spam_score += spam_prob
ham_score += ham_prob

return "spam" if spam_score > ham_score else "ham"

# Données d'entraînement : 4 e-mails étiquetés
emails = [
"Félicitations pour votre gain. Réclamez un pack cadeau gratuit", # spam
"Offre à durée limitée. Cliquez pour réclamer un exemple de pack cadeau", # spam
"Réunion demain, n'oubliez pas d'apporter le rapport", # normal
"Week-end ensemble, manger, êtes-vous libre", # normal
]
labels = ["spam", "spam", "ham", "ham"]

model = train_simple_classifier(emails, labels)

# Prédire un nouvel e-mail
new_email = "Félicitations, vous avez gagné le grand prix. Dépêchez-vous de réclamer"
result = predict(model, new_email)
print(f"Résultat du jugement de la méthode ML : {'spam' if result == 'spam' else 'normal email'}")
# Sortie : Résultat du jugement de la méthode ML : spam

La méthode ML ne nécessite plus de règles écrites à la main ; elle apprend automatiquement à partir des données.

Mais elle nécessite encore que les humains conçoivent des « caractéristiques » — dans cet exemple, la caractéristique est « utiliser la fréquence des mots pour prendre des décisions ». Si les caractéristiques sont mal conçues, les performances du modèle ne peuvent pas s'améliorer.

Exemple

# ============================================
# Approche 3 : Apprentissage profond (DL, un sous-ensemble du ML)
# Utiliser un réseau de neurones multicouche ; laisser le modèle apprendre les caractéristiques par lui-même.
# Ici, du pseudocode + des commentaires sont utilisés pour expliquer le principe, sans dépendre d'aucun framework.
# ============================================

# Idée pour une classification de spam basée sur l'apprentissage profond :
# 1. Convertir chaque mot en un vecteur (une séquence de nombres) ; cette étape est appelée « word embedding ».
# 2. Alimenter un réseau de neurones multicouche avec ces vecteurs.
# 3. Chaque couche du réseau extrait automatiquement des caractéristiques de plus en plus abstraites.
# 4. La dernière couche produit la probabilité de « spam » ou « normal ».

# Ci-dessous se trouve une structure conceptuelle de réseau de neurones à trois couches :

class SimpleNeuralNetwork:
"""Démonstration conceptuelle : la structure d’un réseau de neurones à trois couches (n’inclut pas la logique d’entraînement)."""

def __init__(self, input_size: int, hidden_size: int, output_size: int):
"""Initialiser les poids de chaque couche du réseau."""
import random
# Couche 1 : entrée → couche cachée (appliquer une transformation non linéaire aux caractéristiques d’entrée).
self.w1 = [[random.random() for _ in range(hidden_size)]
for _ in range(input_size)]
# Couche 2 : Couche cachée → Couche de sortie (associe les caractéristiques abstraites à la classification finale)
self.w2 = [[random.random() for _ in range(output_size)]
for _ in range(hidden_size)]

def forward(self, x: list) -> list:
"""Propagation avant : les données d'entrée traversent le réseau pour obtenir la sortie"""
# Transformation de la première couche
hidden = [sum(x[i] * self.w1[i][j] for i in range(len(x)))
for j in range(len(self.w1[0]))]
# Fonction d'activation ReLU (les valeurs négatives deviennent 0, les valeurs positives restent inchangées)
hidden = [max(0, h) for h in hidden]
# La transformation de la deuxième couche produit la sortie finale
output = [sum(hidden[i] * self.w2[i][j] for i in range(len(hidden)))
for j in range(len(self.w2[0]))]
return output

# Supposons que chaque mot ait été converti en un vecteur à 100 dimensions (effectué automatiquement par la couche de plongement de mots)
# Vecteur d'entrée à 100 dimensions → couche cachée de 64 neurones → sortie 2 valeurs (probabilité de spam, probabilité de normal)
model = SimpleNeuralNetwork(input_size=100, hidden_size=64, output_size=2)
print("Structure de réseau de neurones à trois couches créée : 100 → 64 → 2")
# Sortie : Structure de réseau de neurones à trois couches créée : 100 → 64 → 2

Comparaison de trois approches :

Approche	Qui fait le travail	Catégorie	Avantages et inconvénients
Méthode basée sur des règles	Les programmeurs écrivent manuellement des règles	IA (non-ML)	Simple et direct, mais les règles sont infinies et difficiles à maintenir
ML classique	Les algorithmes apprennent des motifs à partir des données ; les caractéristiques sont conçues par des humains	ML (non-DL)	Fonctionne bien avec de petites quantités de données, forte interprétabilité
Apprentissage profond	Même les caractéristiques sont apprises par le modèle lui-même	DL	Fonctionne bien avec des données massives, mais nécessite beaucoup de puissance de calcul

Quand quelqu'un dit « notre entreprise travaille sur l'IA », vous pouvez demander : « Utilisez-vous des règles, l'apprentissage automatique traditionnel ou l'apprentissage profond ? » — Cela vous aide à déterminer rapidement leur approche technique.

IA faible, IA forte, super IA

Outre la classification de l'IA par approche technique, l'IA peut aussi être divisée en trois niveaux selon le « niveau d'intelligence ».

IA faible (IA étroite) — déjà réalisée

Ne peut bien réussir que sur des tâches spécifiques ; changez de tâche et elle ne sait plus quoi faire.

AlphaGo peut battre les champions du monde au jeu de go, mais demandez-lui d'écrire un poème, et elle en est incapable.

ChatGPT excelle dans la conversation, mais confiez-lui une image médicale à diagnostiquer, et il en est incapable.

Tous les produits d'IA auxquels nous avons accès aujourd'hui sont de l'IA faible.

« Faible » ne signifie pas capacité faible ; cela signifie un champ d'application étroit — elle excelle uniquement dans un ou quelques domaines spécifiques.

IA forte (AGI, intelligence artificielle générale) — pas encore réalisée

Capable d'apprendre et de travailler dans n'importe quel domaine comme un humain. Pas besoin d'un entraînement séparé pour chaque nouvelle tâche ; quelques exemples suffisent pour commencer.

L'AGI est l'objectif ultime d'entreprises telles qu'OpenAI, Anthropic et Google DeepMind.

Aucune AGI largement reconnue n'a encore émergé. Quand sera-t-elle réalisée ? Les estimations optimistes parlent de 5-10 ans, les pessimistes de plus de 50 ans ; personne ne peut l'affirmer avec certitude.

Super IA (ASI, superintelligence) — purement théorique

Surpasse globalement l'intelligence humaine dans tous les domaines. Peut réaliser des découvertes scientifiques que les humains ne peuvent pas faire, et résoudre des problèmes que les humains ne peuvent pas comprendre.

C'est un cadre courant de la science-fiction, mais il reste encore très loin de la réalité.

Relation entre les trois niveaux :

Niveau	Étendue des capacités	Statut actuel	Exemples
IA faible	Domaine unique	Déjà répandue	ChatGPT, reconnaissance faciale, AlphaGo
IA forte (AGI)	Domaine général, comparable aux humains	Pas encore atteint	—
Super IA (ASI)	Surpasse globalement les humains	Concept purement théorique	—

Corriger les idées fausses courantes

Il y a deux des idées fausses les plus répandues sur l'IA, et elles méritent d'être abordées explicitement.

Idée fausse 1 : l'IA est consciente

L'IA n'a pas de conscience.

Ne vous laissez pas tromper par le ton de l'IA. Elle peut écrire des poèmes qui vous font pleurer, mais elle n'a aucun sentiment envers ce poème, et ne sait même pas ce que pleurer signifie.

Lorsque vous discutez avec ChatGPT et qu'il dit « je ressens » ou « je pense », aucun « sentiment » ni « pensée » ne se produit réellement.

Essentiellement, l'IA ne fait qu'une seule chose :Prédire le caractère suivant le plus probable en fonction de tout le texte précédent.。

Par exemple : vous saisissez « 今天天气true » (le temps aujourd'hui est vraiment), il prédit que le caractère suivant est « OK » (bien) avec une probabilité de 85 %, « 热 » (chaud) avec 8 %, « 冷 » (froid) avec 5 %, puis choisit « OK ». Ensuite, à partir de « 今天天气trueOK » (le temps aujourd'hui est vraiment bien), il prédit que le caractère suivant est « 啊 » (ah)... générant caractère par caractère de cette manière.

Tout le processus n'a aucune expérience subjective, aucune conscience de soi, aucune intention ; il ne fait qu'imiter la distribution de probabilité du langage humain.

Idée fausse 2 : l'IA va remplacer les humains

Une formulation plus précise :L'IA ne remplacera pas les humains, mais les humains qui utilisent l'IA remplaceront les humains qui ne l'utilisent pas。

L'histoire a prouvé ce schéma à plusieurs reprises :

Après l'apparition de la calculatrice, les opérateurs de boulier ont disparu, mais l'efficacité de travail des mathématiciens et des ingénieurs a été multipliée par dix.
Après l'apparition des moteurs de recherche, les bibliothécaires sont devenus moins nombreux, mais la capacité de chacun à acquérir des connaissances a bondi de plusieurs ordres de grandeur.
L'IA, c'est pareil : le travail répétitif et basé sur des règles sera remplacé, mais le travail nécessitant du jugement, de la créativité et une collaboration interpersonnelle sera renforcé.

Pour les individus, le plus important n'est pas de craindre l'IA, mais d'apprendre à collaborer avec l'IA。

Autres extensions