Intelligence artificielle : comment ça marche ? Un spécialiste répond à nos questions

Ibland kan det vara svårt för dig som annonsör att få folk att faktiskt lyssna, men i poddar så har du redan lyssnarens uppmärksamhet. Ingen lyssnar 45 minuter av misstag. De har valt att vara här och de litar på rösten de hör, så när ditt varumärke nämns, En reklam utan som en rekommendation. Med E-Kost får du trovärdiga sponsorskap, målgruppstyrning och mätbara resultat. Läs mer på E-Kart. Slash advertise.

Bonjour, c'est Thibaut Lambert et vous écoutez Code Source, le podcast d'actualité du Parisien. commun entre Mon téléphone qui se déverrouille en reconnaissant mon visage, une chanson générée avec la voix d'un chanteur mort Réponse, tous ces exemples font appel à la vie. artificielle Un terme qui revient beaucoup L'IA en abrégé est amenée à prendre de plus en plus. Mais que savons-nous vraiment? encore du mal à y Olivier Capé vient nous résumer ce qu'il faut absolument savoir.

directeur de recherche au Centre National de la Recherche Scientifique. et travaille au département informatique. Bonjour Olivier Capé. Bonjour. Bienvenue dans Code Source, vous avez dirigé l'écriture d'un petit illustré de 130 pages qui s'intitule comprendre ou presque sur l'intelligence paru en mai dernier aux éditions du CNRS et pour ce livre très coloré très facile à parcourir on a l'impression de feuilleter un livre jeunesse vous avez L'introduction.

Qu'on entend énormément parler d'intelligence artificielle depuis quelques années, surtout en fait depuis que ChatGPT Mise à disposition. Fin de l'année 2020. Alors d'abord rappelez-nous en quelques mots ce qu'est ChatGPT ou ChatGPT en français. Chat GPT, donc on peut appeler ça un chatbot, donc désolé terme anglais comme souvent dans ce domaine.

un robot conversationnel, mauvaise traduction pour le coup parce que enfin j'appellerai pas Chat GPT un robot, donc on peut aussi l'appeler agent conversationnel. C'est un système avec lequel on interagit uniquement de façon textuelle, en tout cas je parle du système de deux mille vingt deux, depuis cela a un peu évolué.

Donc on lui pose une question, c'est pas necessarily une question, on peut faire ce qu'on veut in fact, on peut entrer n'importe quel texte. Donc the text on anglais is what I believe prompt. And this text là will déclenche a réponse de la machine. And what is frappant and what frapped the people in the debut, is that we can enchaîner the réponse of the machine, and it will continue like that pendant very long time.

and it produces an impression of conversation, in particular because the machine garde trace of this duty of the conversation. Même si la conversation dure longtemps. On a cette impression qu'effectivement des choses qui ont été évoquées il y a assez longtemps, elles continuent à avoir une importance dans la conversation.

Mais en réalité, l'intelligence artificielle, elle est beaucoup plus ancienne que Tchad GPT, ça vous le dites dans le livre, ce terme intelligence artificielle, il est apparu dans les années 50. Qu'est-ce qu'il désignait au départ? Il faut se souvenir que au milieu des années 50, années 60, c'est l'apparition des premiers ordinateurs qui ressemblent quand même aux ordinateurs qu'on a actuellement, bien évidemment très différents, beaucoup plus grands, pas accessibles à tout le monde.

Mais néanmoins, ça a suscité des réflexions chez des ingénieurs, des scientifiques sur les limites de ce nouvel outil. C'est-à-dire, ce nouvel outil, on voyait bien qu'il était capable d'effectuer des tâches, par exemple de faire des calculs.

La question c'est jusqu'à quel point on peut pousser ce type d'outils pour s'approcher de tâches qui sont habituellement réalisées par des humains. Et donc on a appelé intelligence artificielle tous les efforts qui ont visé à essayer de faire effectuées par la machine des tâches qui ressemblent autant que possible à des tâches qui habituellement sont faites par des humains.

Aujourd'hui quand on parle d'intelligence artificielle, le grand public, moi par exemple, on s'imagine principalement une machine, un système informatique qui peut Discuter avec nous, répondre à des questions complexes, effectuer des tâches comme composer une chanson, coloriser une image, rédiger une dissertation de philosophie, mais vous expliquez que la machine le fait avec L'apparence de l'intelligence, et pas l'intelligence, l'apparence de l'intelligence, qu'est-ce que vous entendez par là?

C'est là que le terme d'intelligence artificielle a un côté un tout petit peu trompeur, c'est que quand on parle d'intelligence, je pense que tout le monde, quand il ou elle entend parler d'intelligence, se dit Là on est en train de parler de moi.

Donc quand on entend parler d'intelligence artificielle, on dit tiens, peut-être que ça fonctionne de la même façon dont j'effectuerais des tâches si je devais les effectuer. La réponse est pas du tout ça. Donc c'est en ça qu'on peut dire que ça c'est une apparence, c'est-à-dire que... We obtain a result that are similar to what an human would obtain, but in a casual process of the same fashion. So on that it's very different, and in particular

I cherch pas to say that the result obtenus ne are impressionant, but it's not regarding produced by an human. The reality is that for obtaining the result là, des techniques ont été utilisées qui sont tout à fait incomparables avec la façon dont un être humain pourrait essayer d'envisager de faire la même tâche.

And you couple this impression parfois trompeuse that we have that the system connaît tout surtout, it is apparent when pose des questions that are questions later to l'érudition. Donc for example, I say we demand a brûle pourpoint Comment fonctionne un moteur de voiture, je ne sais pas, parce que ça ne m'intéresse pas tellement, j'ai jamais regardé, j'ai pas fait des études là-dessus, je sais pas. Après, je sais par contre qu'en cherchant sur internet, j'ai trouvé des sites qui expliquent ça.

And là du coup la comparaison avec l'être humain est simple. C'est tout simplement que moi, même si j'avais accès à toutes ces informations, admettons que j'ai envie moi aussi d'être une personne particulièrement qui sait beaucoup de choses. I can learn their lives. But the problem that I have in the moment is to be of those lives that I've learned.

de la maintenance automobile et c'est celui dont je devrais me souvenir à ce moment là mais le problème c'est que ma capacité mémoire ne me permet pas de me souvenir de ce livre là. la supériorité des systèmes bâtis avec de l'infelligence artificielle, elle repose surtout sur une certaine capacité de mémorisation de cet ensemble d'informations. qui est tout à fait hors de portée à tout être humain clairement. Mais en réalité, son système a été très longuement entraîné pour donner ce résultat.

pour que ça fonctionne. Alors qu'est-ce que ça veut dire fonctionne? Disons qu'à minima pour que ça produise des textes qui ont l'air corrects et qui sont corrects d'ailleurs en très très grande majorité, donc corrects du point de vue du langage, du respect de la syntaxe et des conventions.

of the language but for arrive at this result in fact it had sufficient donations of apprentice. The great difference between the premier efforts in the literature and c'est que les premiers eff les premiers efforts si on les utilisait juste pour générer des phrases

In fact, we said that there was a cloche. So the phrase next was correct grammatical, so it would absolutely be like, we had the money to do a sense. And progressively, once the donations and models, of type, but with a very number of degrees of liberty, a very great number of parameters approach, we are arriving at a way where a minima what the systems actually produce, they're a phrase that are all the time correct.

Et ça c'est un effet qui n'apparaît que quand la taille du modèle est suffisant et quand le nombre de données est suffisant. Donc ça veut dire que tout à l'heure quand je parlais d'utiliser des centaines de millions de textes... Les gens ne font pas ça par plaisir pour montrer qu'ils sont forts, it's simply que s'ils faisaient à partir de beaucoup moins de textes, de milliers moins, ça produirait plus des phrases qui ont l'air cohérentes, tout simplement.

C'est ce qui a permis à l'intelligence artificielle et les systèmes comme ChatGPT de livrer des résultats bluffants ces dernières années, c'est-à-dire cette accumulation de données par rapport aux années 2010 ou 2000 par exemple. Too, less don't progress technique in the architecture, what we appear to architecture, it's the faith that we construct the models. Don't imagine that the models are complicated, so we decided to decrypt a little in the lives.

Toujours plus de données, des modèles de plus en plus grands, ça veut dire aussi de plus en plus de calculs. Donc l'autre ingrédient pour répondre à votre question, qu'est-ce qu'a changé on va dire depuis dix ou quinze ans? C'est la realisation that for that we have moyens de calcul important and the fact d'obtens of moyens de calcul with là aussi des avancées par exemple sur les architectures de calcul qui sont appropriées pour effectuer ces calculs le plus rapidement possible.

Autre point important, Olivier Capet, avant qu'on passe à la suite, vous rappelez qu'il ne faut pas voir l'intelligence artificielle comme un ordinateur qui saurait tout faire, c'est plutôt en résumé la somme de plein de machines indépendantes qui accomplissent des tâches spécifiques, c'est ça. Oui, en tout cas l'idée qui est importante, c'est le fait que les systèmes doivent être entraînés à partir de données qui ont un rapport avec ce qu'on veut faire avec.

Donc c'est assez vague dit comme ça, mais pour donner un exemple qui est très clair, Chat GPT il est très très fort, il sait faire des choses avec du texte depuis 2022, dans les versions récentes il sait faire des choses avec des images. Mais si vous lui dites voilà, hier je suis allé faire un examen médical et je me pose la question de savoir si je dois m'inquiéter, ben Tchad il n'a aucune raison de savoir répondre à cette question là parce que personne ne l'a jamais entraîné.

to essay d'obtenir des bons resultados on this type of tâche. Autre example qu'on pourrait donner, maintenant on entend assez regularly parler because it poses a problem not economic. au milieu artistique de logiciels qui permettent de générer de la musique.

Si on a entraîné un système avec just quelques petits exemples de musique, on ne va pas obtenir de la musique qui ressemble à la musique. Donc pour obtenir de la musique qui ressemble à la musique, fatalement, il faut avoir eu accès a un grand volume de music enregistrée et il faut avoir entraîné le system a partir de ces données.

le jazz et donc je voudrais de la musique qui ressemble à du jazz, fatalement il faut que ces données elles aient été étiquetées avec des informations qui vont aider le système à déterminer qu'est-ce que c'est de la musique qui ressemble à du jazz et qu'est-ce que c'est de la musique qui n'y ressemble pas à du jazz.

Pour résumer, il y a un système qui est fort en musique, un système qui est fort en texte, un système qui est très fort pour analyser de l'imagerie médicale, mais ces systèmes ne communiquent pas forcément entre eux. Non. Pour obtenir des bons résultats sur des tâches spécifiques, on est obligé de spécialiser les outils

Bien, ceci étant posé, vous allez maintenant nous aider à comprendre comment fonctionnent quelques systèmes d'IA qu'on utilise très souvent dans notre quotidien. On ne pourra pas être exhaustif alors j'y Trois champs d'application qu'on va prendre les uns après les autres, la reconnaissance faciale, la médecine, et on terminera par l'IA qui crée des musiques, des images, des vidéos à partir d'une consigne. C'est ce qu'on appelle l'IA générative. donc d'abord par la reconnaissance faciale.

Comment un ordinateur apprend-il à reconnaître un visage, un individu dans une vidéo, dans une image? soit par la façon dont on les a acquises, soit par des humains qui ont validé que les données sont bien étiquetés comme elles devraient être. Après on entraîne un système. On va utiliser des propriétés that are important dans l'image, in particulier des propriétés qu'on appelle d'invariance.

For parler en termes plus clairs for the gentleman, quand je cadre une photo, si c'est le même personnage but la photo n'est pas cadrée de la même façon, ou si je recadre la photo, je verrai toujours le même personnage. The personage does level until the gauche, until the droite, un bas, and de même que si je zoom, it's also the main personnel. I was a details that I was when I zoomed, but

c'est toujours le même personnage. Donc cette idée que pour être efficace, le système devrait être en mesure de prendre en compte ces invariants et après on va les entraîner sur un grand nombre de données. Et donc on voit bien que si on veut que cette évaluation statistique soit valide, et si on veut être très certain du résultat, il faut faire un essai sur un grand nombre d'exemples.

Et donc ça pose fatalement une question qui, dans nos sociétés, se heurte à une certaine difficulté, et qui est une difficulté qui n'est pas de nature technique, mais qui est plutôt de nature politique ou de nature liée aux droits humains. qui est est ce qu'on a envie que des sociétés, des États, par exemple pour entraîner des systèmes comme ça, ou pour répondre à la question de leur fiabilité de façon très précise, De temps en temps il faut quand même se poser la question de savoir.

où on va avec l'utilisation de ces techniques là et est-ce qu'on a vraiment envie d'aller dans certaines directions ou pas. I reprend the example that we have utilised, of the reconnaissance facial which consists at deverrouiller your telephone. That's very cool. Quand on paramètre cette reconnaissance faciale, cet outil sur le téléphone, on a juste à poser son visage pendant quelques secondes.

Et après, le téléphone, quelle que soit la situation où on se trouve, le degré de lumière, parfois, même s'il manque des lunettes ou si on a une coupe de choses différentes, il reconnaît quand même notre visage. Comment il s'y prend dans ces cas-là? Il n'a pas beaucoup d'exemples pour Non, alors là, le secret qui est un secret aussi un peu sur... sur le texte, c'est que il n'a pas beaucoup d'exemples.

sur vous, parce que vous avez pas envie que le system soit entraîné specifically sur vous pendant des heures. Donc vous voulez pas mettre toute sort of déguisement, par exemple, and you photographier devant votre devant votre telephone pour qu'il ait... two deguisements possible. So effectively it has not for many photos concerned, but the idea you should have on top, it's an idea that is important in fact for the text also, is that the question we pose.

Même si elle est personnelle, elle est rarement aussi originale qu'on le croit. Peut-être que quand je me suis photographié avec mon téléphone, j'avais pas mes lunettes, et pourtant il va me reconnaître alors que j'ai mes lunettes. Par contre des photos de personnage avec et sans leurs lunettes ou des photos de personnages divers et variés, certain qui me ressemble, l'autre qui me ressemble pas, avec un chapeau, sans chapeau.

regardant bien droit dans la caméra ou tournant un petit peu la tête, ça il en a beaucoup. Et que du coup la question d'imaginer qu'est-ce que ça va changer par rapport à la référence qui est la photo that we have rentrant on the téléphone portable. Il a beaucoup de données qui peuvent l'aider à comprendre ce que ça va changer, parce que tout simplement il a beaucoup de visages qui ne sont pas le vôtre, mais dans lesquels ce type d'effet est présent.

C'est ça, c'est-à-dire que cette technologie a été entraînée sur des tonnes de visages, elle a enregistré des tonnes de caractéristiques et donc elle peut détecter ce qui ne change jamais sur un visage et les accessoires par exemple. Tout à fait, et elle peut aussi être robuste alors. We know that the time that much. But for that sounds as robust as possible, it is also important, for example, to have a photos that are malcadrand.

De temps en temps, ça peut très bien arriver que vous ne soyez pas tout à fait en face de l'appareil. Donc les déformations typiques que vont causer le fait de ne pas être tout à fait en face de l'appareil, d'être dans une drôle de position. Donc vous voyez comme les caméras sont assez grands angles, quand tu es dans un drôle de position, le visage est très déformé. Donc toutes ces choses là elles étaient présentes dans les données. Donc encore une fois.

L'utilisation encore une fois of grand quantity of the reconnaissance facial on some telephone is considered like a technique assefiable. In écrasing majority of cases, it will have the one response.

La reconnaissance d'images, elle est aussi C'est le champ d'application que je voulais maintenant évoquer avec vous rapidement. Qu'est-ce que l'intelligence artificielle a apporté à la médecine et je pense notamment au secteur de la radiologie? Alors ça, ce sont des techniques qui sont déjà très utilisées, c'est-à-dire que quand vous allez passer un examen médical,

avec une forme d'imagerie ou d'une autre, beaucoup des techniques dont on parle sont utilisées. Ça peut être utilisé à un niveau très bas simplement pour reconstruire l'image parce que bien évidemment... In fine, on voit quelque chose qui ressemble à une photo, mais on sait bien que quand on est passé, qu'on a été faire un IRM, il n'y a pas quelqu'un qui a pris une photo de l'intérieur des organes. C'est plus compliqué. Donc là, il peut y avoir l'utilisation de techniques.

proche de celle dont on parle pour reconstruire ce qu'on va voir comme étant une image à partir des données de départ, mais aussi pour faire des choses sur l'image et en particulier pour faire des mesures. automatique, par exemple des mesures qui sont quantitatives, mesurer un volume, mesurer un organe.

Quantify the degree of resemblance of a texture to a texture that would be potentially dangerous. It's not so difficult that. And you couple that four typically an ensemble of de sortie que le médecin voit en même temps qu'il voit l'image et qui peuvent l'aider à prendre la décision. Actuellement, l'intelligence artificielle, elle aide à lire par exemple des résultats.

parfois même mieux que ce que les médecins, les humains peuvent le faire avec une précision étonnante. Pour autant elle ne peut pas deviner des maladies and poser un traitement, proposer un traitement par exemple. No, not really. C'est-à-dire que ça, effectivement, c'est an et complicated. Encore une fois, for me complicated.

Il faudrait avoir des exemples en fait. C'est-à-dire qu'au fond, c'est des techniques qui sont apprises à partir d'exemples. Donc si la tâche est celle dont je parlais avant, c'est-à-dire mesurer des organes, bah qu'est-ce qu'il faut? Il faut avoir plein d'images tirées d'imagerie médicale. In the donation medical, there is a point that's complicated, all these persons are different. Don't an image of the corner human, evident, a bit

an individual to another, but there are many differences individual. And there are also differences that are linked to material. When we say an IRM, in reality there are four material that permits to make IRM Et selon que vous avez passé votre IRM dans un laboratoire équipé de tel ou tel matériel, tout ça c'est un peu différent. Donc le système, à la base par exemple, s'il essaye de mesurer la taille des organes, il doit avoir été entraîné à partir d'images acquises avec beaucoup de personnes.

beaucoup de systèmes d'imagerie si on veut qu'ils soient robustes aux différences entre les différents systèmes d'imagerie et sur lesquels on a désigné les organes et on les a, par exemple un opérateur humain a dit voilà ça c'est le foie et voilà les limites du foie. Si on voulait répondre à la question que vous me posez, c'est-à-dire voilà les éléments, quel est le diagnostic.

Il faudrait qu'on ait appris à partir de beaucoup d'éléments similaires qui seraient voilà quel était l'élément, voilà quel était le diagnostic. Donc je dis pas que c'est impossible, je dis pas que ça ne peut pas se produire. dans un futur très lointain, mais j'ai dit que pour l'instant on en est véritablement extrêmement loin. Oui donc ça demanderait beaucoup de données, un entraînement intensif, un peu comme tous les systèmes d'IA avant qu'ils ne deviennent performants.

Dernier cas pratique que je voulais aborder avec vous, c'est celui de l'IA qu'on appelle générative. En clair, ce sont les systèmes utilisés pour créer des médias ou des des images, des musiques, des vidéos à partir d'une consigne. Par exemple, on dit à la machine, est-ce que tu peux à partir de cette photo de moi, me faire apparaître dans un tableau comme si j'avais été peint par un artiste de renom? Là encore, est-ce que vous pouvez nous expliquer grosso modo comment ça fonctionne?

Yeah, which is as simple, which corresponds to this idea transfer of style. C'est-à-dire j'ai une image par exemple qui représente un portrait de quelqu'un que j'ai pris moi-même avec mon téléphone. et pour des raisons récréatives pour n'importe quel but j'ai envie de la faire ressembler à autre chose, par exemple à un tableau, à une peinture comme on voit dans certains musées. Typically for the first, you have two images that are images of department.

donc des images typiques qui sont les images qu'on prend dans la vie de tous les jours avec son téléphone, des images de tableaux impressionnistes. le type de choses qui vont aider c'est toujours pareil c'est quand on va prendre une image en fait on va pas se focaliser sur tous les détails de la même façon et on peut imaginer que quand on prend une image dans laquelle il y a un personnage sur tout le personnage qui est important.

Donc ça veut dire que peut-être les tableaux, parce que dans certains tableaux c'est pas si clair que ça, il va falloir aussi les étiquetter en disant voilà là c'est un personnage, ça c'est un fond, ça c'est la nature, etc. Et peut-être les i les images de départ aussi les étiquetter comme ça. Et après on va essayer de chercher dans ces modèles quels sont les aspects qui sont le plus responsables de la production de certains aspects de l'image, par exemple.

On peut imaginer que pour avoir donné l'impression que votre image c'est un tableau impressionniste, qui compte beaucoup c'est les couleurs par exemple.

It's essentially a registry of colors that are very different. And now we will decide to approach one, Un modèle qui va associer le registre de couleurs qu'on trouve le plus souvent dans les images de la vie courante avec le registre de couleurs qui est celui qu'on trouve dans les images qui sont par exemple tableau impressionniste, si le but c'est tableau impressionniste.

Est-ce que on peut dire que ces systèmes d'IA qui génèrent de la musique, des images, des textes, des poèmes même parfois, sont des artistes? No, alors ça on en parle dans le livre, je pense pas, et je pense que surtout il prospère sur un quelque chose qui est très problématique. Donc par exemple, il y a quelques temps il y a eu une de ses applications où on se prend, enfin une de ses utilisations on va dire.

Gibby, le studio de Miyazaki, parce que c'est des films très populaires. Donc ça veut dire que le système, forcément, il a été entraîné à partir de données qui en fait sont des données protégées par des droits d'auteur. Cela n'empêche que il y a effectivement un flou actuel, qui est que, bien que le film de Miyazaki, par exemple, soit protégé par un droit d'auteur, on sait très bien qu'il y a des morceaux de cette œuvre qui traînent partout.

Notamment we have plenty of extra YouTube, these extra very cool which are couple minutes. And in fine, you voyez pour répondre à la question de savoir si tout ça produit de l'art, si on était on se plaçait un petit peu plus du côté des personnes qui ont fourni... So we have essentially entrained their systems to say to reproduce their characteristics of existence. Sans very prévalu the consentment of authors. And it's right that if it's for them it's normal, it's an usage that's previous.

À des fins commerciales. à des fins commerciales ou même la publier sur des réseaux sociaux par exemple pour la diffuser, ça Chacun doit un petit peu se poser des questions avant de faire ça et de se dire voilà, est ce que c'est une bonne idée, est ce qu'en faisant ça, j'ai une utilisation tout à fait responsable des outils. Dans le livre, vous dites qu'il est peu probable que ces systèmes soient à l'origine, enfin créent un courant artistique en fait, parce qu'ils font par rapport à l'existant.

Disons que voilà, là on arrive dans les points un petit peu qui sont les angles morts de ce type de technique. Ces types de techniques, elles sont quand même... uh entraîner à partir de données existants. If you demandez au système d'être creatif, for example, vous lui posez un vrai problem. Qu'est-ce que ça veut dire être creatif? Donc for example, si un système qui produit des textes, vous lui demandez d'être creative, les éléments qu'il peut utiliser,

It's two texts that are developing, or the term creative, creativity, because for these systems later, it's very facilitating to recognize that creative, creativity, two-là appartient to a même registre. Donc il va utiliser tous ces textes, mais là, rater, parce que finalement, un texte où on parle de créatif ou de créativité, c'est pas forcément un texte qui en lui est très créatif. dans tous les grands cas que nous venons de faire.

Ces systèmes ont besoin donc de... de beaucoup d'entraînements, ça on l'a vu.

Mais aussi de ressources. On n'aura pas le temps d'aborder cette question dans ce podcast, mais vous y consacrez un chapitre dans votre livre. L'IA demande beaucoup d'électricité pour... faire fonctionner mais aussi refroidir les appareils en surchauffe à force de faire des milliards de calculs. Et donc l'impact environnemental de ce secteur n'est pas neutre, il me semblait important de l'évoquer. Il me reste une question à vous poser.

and celle-ci concern l'avenir de l'IA. Est-ce que un jour, au vie de la vitesse at thequel these machines peuvent apprendre, les systems d'intelligence artificielle seront capables de comprendre, to realiser n'importe quel tâche intellectuelle qu'un human pourrait faire? Je pense que la réponse honnête est je ne sais pas. Faut bien avoir conscience que tous les utilisateurs de ce type de system, chaque jour ils fournissent des données d'entraînement. Parce que par exemple, à côté des réponses...

And si l'utilisateur a dit j'aime, ça veut dire que ça c'est une bonne repos. Il dit mais non, c'est pas du tout ce que je veux, tu t'es trompé, ça veut dire que la réponse était mauvaise. Donc bien évidemment, réentraîner sur ces problèmes là, essayer de développer des nouvelles techniques pour améliorer sur ce type de données là. But it's amelior in a direction particular. Is we could deduce and ameliorate in a direction particular, for example, if initially we said they have.

Est ce que cela va améliorer dans toutes les directions la réponse, là, par contre, est un énorme point d'interrogation. Donc l'intelligence surhumaine d'un ordinateur, ça c'est pas possible. Pour moi, cette question là, c'est un petit peu comme si vous me demandiez de comparer un avion à un oiseau et que vous aviez envie de me faire dire qu'un avion c'est mieux qu'un oiseau.

Certes un avion c'est mieux qu'un oiseau par certains aspects, ça peut transporter trois cents personnes ou six cents peut-être, même pour les plus gros, mais en même temps c'est pas la même chose. Et donc même si ça produit des effets qui peuvent se ressembler, ça vole dans le ciel, ça vole du tout de la même façon.

When we regard the oiseau, we have these ideas to ameliorate the avions. The comparison is interesting. But the question of knowing if at the time the avion fit more than the oiseau. En fait, elle n'a pas de réponse, parce qu'en réalité l'oiseau, c'est une créature qui existe, elle ne va pas s'arrêter d'exister.

And l'avion il fait mieux par certains aspects, il fait moins bien par d'autres. Si on parle de consommation énergétique, l'avion il fait moins bien que l'oiseau, parce que l'oiseau il n'a pas besoin de carburant. C'est un peu la raison pour laquelle j'ai pas envie de répondre à cette question. Peut être que, in fine, les systèmes répondront de façon bien meilleure que la moyenne des individus humains à des questions.

Mais après, à quel prix? C'est-à-dire ça il va falloir dépenser combien d'énergie pour que ça soit le cas? Est-ce que ça sera un bienfait pour les gens? Est-ce que les gens considéreront que tout ça apporte des choses qui sont intéressantes, qui améliorent la vie ou qui améliore tout un tas d'aspects? Donc c'est pour ça que je ne suis pas du tout choqué par l'idée de comparer. skunat human is capable of obtient with a machine. But declarer que c'est mieux for more is a error.

Merci Olivier Capé et je conseille la lecture de votre livre pour en apprendre davantage. Je rappelle son titre. comprendre ou presque sur l'intelligence artificielle aux éditions du CNRS. Merci beaucoup! Vous pouvez soutenir Code Source. en laissant des pouces en l'air et des commentaires sur YouTube. Petites étoiles sur votre plateforme d'écoute préférée, c'est ce qui nous aide à remonter dans les classes.

Har du också hört podkostannonser, som till exempel den här, och undrat hur du själv kan få in ditt varumärke? Det är faktiskt enklare än vad du tror. Vi på Ekas ger dig plattformen där du kan göra allt själv. Lädd bland tusentals populära poddar. Välj de som matchar din målgrupp. Sätt din budget och kör igång. Kom igång på www.ekas.com slash advertise.