Introduction
L’histoire de l’intelligence artificielle est une épopée scientifique jalonnée d’ambitions démesurées, de désillusions profondes et de renaissances spectaculaires. En moins de 80 ans, cette discipline est passée d’une idée théorique esquissée sur le papier à une technologie qui transforme chaque secteur de l’économie mondiale. Retracer cette histoire, c’est comprendre pourquoi l’IA est ce qu’elle est aujourd’hui – et anticiper ce qu’elle pourrait devenir demain.
Les précurseurs : quand les machines commencent à « penser » (avant 1950)
Avant même que le terme « intelligence artificielle » n’existe, des penseurs visionnaires posaient les jalons d’une réflexion fondamentale : une machine peut-elle imiter l’intelligence humaine ?
Gottfried Wilhelm Leibniz (XVIIe siècle) rêvait déjà d’une « calculus ratiocinator », une machine capable de raisonner par le calcul. George Boole, au XIXe siècle, formalisa la logique mathématique binaire qui allait devenir le fondement de l’informatique moderne.
Mais c’est Alan Turing qui pose la question avec une clarté révolutionnaire. En 1950, il publie l’article fondateur Computing Machinery and Intelligence, dans lequel il propose le célèbre Test de Turing : si une machine peut soutenir une conversation écrite indiscernable de celle d’un humain, peut-on considérer qu’elle « pense »*¹ ? Ce texte inaugure officiellement la réflexion moderne sur l’IA.
La naissance officielle : la conférence de Dartmouth (1956)
L’année 1956 marque la naissance officielle de l’intelligence artificielle en tant que discipline académique. John McCarthy, mathématicien au MIT, organise la conférence de Dartmouth avec ses collègues Marvin Minsky, Claude Shannon et Nathaniel Rochester*².
C’est lors de cette conférence que le terme « Artificial Intelligence » est officiellement adopté. Les participants partagent une conviction commune : toutes les fonctions cognitives humaines peuvent être décrites avec suffisamment de précision pour qu’une machine puisse les simuler*².
Les premiers programmes voient le jour à cette époque : le Logic Theorist de Newell et Simon (capable de prouver des théorèmes mathématiques) et le General Problem Solver (un programme généraliste de résolution de problèmes).
L’âge d’or et les premières promesses (1956–1974)
Les années suivant la conférence de Dartmouth sont marquées par un optimisme débordant. Les chercheurs annoncent des percées imminentes. En 1958, McCarthy développe LISP, le premier langage de programmation dédié à l’IA, encore utilisé aujourd’hui*³. En 1966, ELIZA, créé par Joseph Weizenbaum au MIT, simule une conversation psychothérapeutique et fascine le grand public.
Les financements publics affluent, notamment de la part de l’armée américaine via la DARPA. On prédit que les machines parleront, apprendront et traduiront couramment dans les 10 ans. La réalité se révèlera bien plus complexe.
Le premier hiver de l’IA (1974–1980)
Les limites des approches de l’époque apparaissent brutalement. Les systèmes d’IA ne parviennent pas à généraliser : ils performent sur des problèmes simples et jouets, mais échouent sur des situations réelles. Les capacités de calcul de l’époque sont insuffisantes pour les ambitions des chercheurs.
En 1973, le rapport Lighthill au Royaume-Uni critique sévèrement les progrès de l’IA et entraîne des coupes drastiques dans les financements britanniques*³. Aux États-Unis, la DARPA réduit ses investissements. C’est ce qu’on appelle le premier hiver de l’IA : une période de désintérêt, de scepticisme et de gel des financements.
La renaissance des systèmes experts (1980–1987)
L’IA repart de l’avant grâce à une nouvelle approche : les systèmes experts. Ces programmes intègrent la connaissance spécialisée d’experts humains sous forme de règles logiques (« si… alors… ») pour résoudre des problèmes dans des domaines précis.
MYCIN, développé à Stanford, diagnostique des maladies infectieuses avec une précision comparable à celle des médecins*³. XCON, utilisé par Digital Equipment Corporation (DEC), configure des commandes informatiques et économise des millions de dollars par an.
L’engouement est tel que le marché mondial des systèmes experts atteint plusieurs centaines de millions de dollars. Le Japon lance en 1982 son ambitieux Projet de cinquième génération, visant à créer des ordinateurs capables de raisonner en langage naturel.
Le deuxième hiver de l’IA (1987–1993)
Mais les systèmes experts montrent rapidement leurs failles : ils sont coûteux à maintenir, incapables d’apprendre et fragiles face à des situations non prévues. Le marché des ordinateurs spécialisés Lisp s’effondre. Le projet japonais de cinquième génération n’atteint pas ses objectifs. Les financements se tarissent à nouveau.
Ce deuxième hiver de l’IA frappe de plein fouet une communauté scientifique qui peine à tenir ses promesses*³.
Le tournant statistique et l’émergence du machine learning (1993–2010)
La résurrection de l’IA vient d’un changement de paradigme radical : plutôt que de coder explicitement les règles du raisonnement, on laisse les machines apprendre à partir des données.
En 1997, le superordinateur Deep Blue d’IBM bat le champion du monde d’échecs Garry Kasparov – un symbole fort de la puissance des algorithmes*³. En 2002, le robot aspirateur Roomba d’iRobot entre dans les foyers, première IA grand public vraiment commercialisée.
Les algorithmes de machine learning – SVM (Support Vector Machines), arbres de décision, forêts aléatoires – se développent et s’appliquent avec succès à la reconnaissance vocale, au filtrage des spams et à la recommandation de contenu.
La révolution du deep learning (2010–2020)
La véritable rupture intervient au début des années 2010 avec la montée en puissance du deep learning. En 2012, le réseau de neurones AlexNet, développé par Alex Krizhevsky, Ilya Sutskever et leur directeur de thèse Geoffrey Hinton à l’Université de Toronto, remporte le concours ImageNet avec une marge sans précédent : un taux d’erreur de 15,3 %, soit plus de 10 points en dessous du deuxième concurrent*⁴. L’ère du deep learning est lancée.
Les géants du numérique – Google, Facebook, Amazon, Microsoft, Baidu – investissent massivement. En 2014, Google rachète DeepMind pour 500 millions de dollars. En 2016, AlphaGo de DeepMind bat le champion du monde de Go Lee Sedol, un jeu réputé inaccessible aux machines en raison de sa complexité combinatoire astronomique*³.
Les GANs (Generative Adversarial Networks), introduits par Ian Goodfellow en 2014, permettent de générer des images, des voix et des vidéos d’un réalisme troublant.
L’ère des grands modèles de langage (2020 à aujourd’hui)
L’année 2017 voit la publication du papier « Attention is All You Need » par des chercheurs de Google, qui introduit l’architecture Transformer*⁵. Cette innovation sera à l’origine d’une révolution : les grands modèles de langage (LLM).
En 2020, OpenAI publie GPT-3, capable de générer des textes d’une cohérence et d’une fluidité stupéfiantes avec ses 175 milliards de paramètres. En novembre 2022, le lancement de ChatGPT provoque un choc mondial : en 5 jours, il atteint un million d’utilisateurs ; en deux mois, 100 millions – la croissance la plus rapide d’une application dans l’histoire*⁶.
En 2023 et 2024, la compétition s’intensifie : Google lance Gemini, Anthropic développe Claude, Meta publie LLaMA en open source. L’IA générative s’impose dans la rédaction, le code, la création artistique, la recherche scientifique et la prise de décision.
Conclusion
L’histoire de l’IA est celle d’un champ scientifique qui a toujours oscillé entre promesses audacieuses et périodes de doute. Chaque hiver a été suivi d’un printemps plus fertile. Aujourd’hui, l’IA vit peut-être son moment le plus décisif : les outils se démocratisent, les modèles se généralisent et les impacts sur la société s’accélèrent. Comprendre d’où vient l’IA permet d’aborder avec lucidité les défis qu’elle pose – et les opportunités qu’elle ouvre.
Sources
*¹ – Alan Turing, « Computing Machinery and Intelligence », Mind, Vol. 59, N° 236, octobre 1950, pp. 433-460 : https://academic.oup.com/book/42030/chapter/355746326
*² – « Dartmouth Workshop », Wikipedia : https://en.wikipedia.org/wiki/Dartmouth_workshop
*³ – « Chronologie de l’intelligence artificielle », Wikipédia (FR) : https://fr.wikipedia.org/wiki/Chronologie_de_l%27intelligence_artificielle
*⁴ – « AlexNet », Wikipedia : https://en.wikipedia.org/wiki/AlexNet
*⁵ – Vaswani et al., « Attention Is All You Need » (2017), arXiv : https://arxiv.org/abs/1706.03762
*⁶ – « De Turing à ChatGPT, les 10 dates clés », Presse-citron : https://www.presse-citron.net/de-turing-a-chatgpt-les-10-dates-cles-pour-tout-comprendre-de-lintelligence-artificielle/
Catégorie : Découvrir l’IA > Comprendre l’IA – Niveau : Débutant à intermédiaire