Dans une critique audacieuse et stimulante, Joseph Shieber remet en question le discours dominant sur l'intelligence artificielle ( IA ) et ses applications, proposant une réévaluation fondamentale de la terminologie et de la conceptualisation.
Shieber soutient que la nomenclature actuelle dénature la nature et les capacités de ce que l’on appelle communément les systèmes d’« intelligence artificielle », en particulier les grands modèles de langage (LLM).
defiles LLM : de véritables outils, et non des artifices
Le premier argument de Shieber remet en cause la terminologie même employée pour décrire ces systèmes. Établissant un parallèle avec des appareils électroménagers courants comme les machines à laver et les voitures, Shieber affirme que qualifier les LLM d’« artificiels » est un abus de langage.
Contrairement aux constructions factices ou illusoires, les LLM sont de véritables outils conçus pour simplifier et améliorer les activités humaines. Leurs progrès en matière de compréhension et d'interprétation du langage, mis en évidence par des études récentes, soulignent leur utilité concrète.
L’erreur de l’« intelligence artificielle »
Shieber soutient que le terme « intelligence artificielle » est trompeur, car il sous-entend un niveau de capacité cognitive que les chercheurs en sciences du langage ne possèdent pas. Tout en reconnaissant les progrès significatifs accomplis par ces chercheurs, Shieber affirme que l’intelligence est un processus continu et non un attribut statique. Il réfute les arguments fondés sur la conscience, l’incarnation et l’expérience, et se concentre plutôt sur la nature de l’intelligence comme une quête collective et évolutive guidée par des institutions.
Démystifier les idées reçues : intelligence contre prédiction
L'argument de Shieber repose sur une distinction cruciale entre les objectifs de l'intelligence humaine et ceux des modèles de raisonnement logique (LLM). Tandis que l'intelligence humaine vise la recherche de la vérité par l'expérimentation et l'itération, les LLM privilégient la prédiction des réponses à partir des données existantes.
Shieber affirme que les LLM excellent dans la génération de réponses plausibles, semblables à celles des humains, plutôt que dans la représentation fidèle de la réalité. Cette différence fondamentale remet en cause leur classification en tant qu'entités intelligentes.
La critique de Shieber remet en question les idées reçues et invite à réévaluer la façon dont la société perçoit et qualifie les progrès de l'intelligence artificielle. En redéfinissant les modèles de langage comme de véritables outils et en soulignant leur nature prédictive plutôt que leur quête de vérité, Shieber propose une perspective nuancée qui encourage une réflexion plus approfondie sur la nature de l'intelligence et le rôle de la technologie dans l'évolution des activités humaines.
Implications pour le développement futur
L'analyse de Shieber a des implications importantes pour le développement et le déploiement continus des technologies d'IA. En reconnaissant les limites de la terminologie et des cadres conceptuels actuels, les chercheurs et les décideurs politiques peuvent adopter une approche plus nuancée de la gouvernance et de l'éthique de l'IA.
L'appel de Shieber à réévaluer les objectifs et les capacités des LLM encourage une évolution vers des pratiques de développement de l'IA plus transparentes et responsables.
defil'IA exige un changement de paradigme
La critique de Joseph Shieber remet en question les conceptions dominantes de l'intelligence artificielle, plaidant pour une réévaluation de la terminologie et des cadres conceptuels. En redéfinissant les modèles d'apprentissage en ligne comme de véritables outils et en soulignant leur nature prédictive, Shieber invite à une compréhension plus approfondie des objectifs et des limites des technologies d'IA.
Alors que la société continue de se confronter aux implications de l'IA, les analyses de Shieber offrent une perspective précieuse pour appréhender l'intersection complexe entre la technologie et l'intelligence humaine.
