La recherche en intelligence artificielle a beaucoup à apprendre de la nature. Mon travail relie chaque jour la biologie au calcul, mais récemment, le reste du monde s'est souvenu de la connexion :le prix Nobel de chimie 2018 a été décerné à Frances Arnold avec George Smith et Gregory Winter pour avoir développé des percées majeures qui sont collectivement appelées « évolution dirigée ». Une de ses utilisations est d'améliorer les fonctions des protéines, ce qui en fait de meilleurs catalyseurs dans la production de biocarburants. Une autre utilisation est entièrement en dehors de la chimie - même en dehors des sciences de la vie traditionnelles.

Cela peut paraître surprenant, mais de nombreux résultats de recherche ont des implications très larges. Cela explique en partie pourquoi à peu près tous les scientifiques se demandent et espèrent non seulement qu'ils seraient peut-être sélectionnés pour un prix Nobel, mais, beaucoup plus probable, que le gagnant pourrait être quelqu'un qu'ils connaissent ou avec qui ils ont travaillé. Dans le monde académique collaboratif, ce n'est pas si rare :en 2002, J'étudiais avec un universitaire qui avait étudié avec l'un des trois co-lauréats du prix Nobel de physiologie ou de médecine de cette année-là. Cette année, cela s'est reproduit – l'un des lauréats a écrit quelques articles avec un universitaire avec qui j'ai collaboré.

Au-delà de satisfaire ma propre vanité, le prix me rappelle à quel point les concepts biologiques sont utiles pour les problèmes d'ingénierie. L'exemple le plus connu est probablement l'invention des fermetures velcro à scratch, inspiré par des bavures qui collaient au pantalon d'un homme alors qu'il marchait à l'extérieur. Dans les travaux des lauréats du prix Nobel, le principe naturel à l'œuvre est l'évolution – qui est aussi l'approche que j'utilise pour développer l'intelligence artificielle. Ma recherche est basée sur l'idée que l'évolution a conduit à l'intelligence générale dans les formes de vie biologiques, de sorte que le même processus pourrait également être utilisé pour développer des systèmes intelligents informatisés.

Lors de la conception de systèmes d'IA qui contrôlent les voitures virtuelles, par exemple, vous voudrez peut-être des voitures plus sûres qui savent éviter un large éventail d'obstacles - d'autres voitures, des arbres, les cyclistes et les garde-corps. Mon approche serait d'évaluer les performances de sécurité de plusieurs systèmes d'IA. Ceux qui conduisent le plus en toute sécurité sont autorisés à se reproduire – en étant copiés dans une nouvelle génération.

Pourtant, tout comme la nature ne fait pas des copies identiques des parents, les algorithmes génétiques dans l'évolution informatique permettent aux mutations et aux recombinaisons de créer des variations dans la progéniture. La sélection et la reproduction des pilotes les plus sûrs de chaque nouvelle génération détectent et propagent les mutations qui améliorent les performances. Sur plusieurs générations, Les systèmes d'IA s'améliorent grâce à la même méthode que la nature s'améliore - et de la même manière que les lauréats du prix Nobel ont fabriqué de meilleures protéines.

Dans l'effort de comprendre l'intelligence humaine, de nombreux chercheurs travaillent à la rétro-ingénierie du cerveau, comprendre comment cela fonctionne à tous les niveaux. Des réseaux de gènes complexes contrôlent les neurones qui forment les couches du néocortex qui reposent sur une autoroute de connexions. Ces interconnexions soutiennent les communications entre les différentes régions corticales qui constituent la plupart de nos fonctions cognitives. Tout cela est intégré dans le phénomène de la conscience.

L'apprentissage en profondeur et les réseaux de neurones sont des approches informatiques qui tentent de recréer le fonctionnement du cerveau, mais même s'ils ne peuvent atteindre que l'activité équivalente d'un amas de cellules cérébrales plus petit qu'un morceau de sucre. Il reste énormément à apprendre sur le cerveau – et c'est avant d'essayer d'écrire le logiciel extrêmement compliqué qui peut émuler toutes ces interactions biologiques.

Capitaliser sur l'évolution peut créer des systèmes qui semblent réalistes et qui sont intrinsèquement aussi ouverts et innovants que l'évolution naturelle. C'est également la méthodologie clé utilisée dans les algorithmes génétiques et la programmation génétique. La reconnaissance du comité du prix Nobel met en lumière une technologie qui a pour cœur l'évolution. Cela justifie indirectement ma propre approche de recherche et l'idée que l'évolution en action est un sujet de recherche critique avec un vaste potentiel.

Cet article est republié à partir de The Conversation sous une licence Creative Commons. Lire l'article original.