Les réseaux de neurones d'apprentissage en profondeur ont parcouru un long chemin au cours des dernières années :nous avons maintenant des systèmes capables de battre les gens dans des jeux complexes tels que le shogi, Allez jouer aux échecs. Mais les progrès de tels systèmes sont-ils limités par leur architecture de base ? Shimon Ullman, avec l'Institut des sciences Weizmann, aborde cette question dans un article Perspectives de la revue Science et suggère des moyens par lesquels les informaticiens pourraient aller au-delà des simples systèmes d'IA pour créer des systèmes d'intelligence artificielle générale (AGI).

Les réseaux d'apprentissage profond sont capables d'apprendre parce qu'ils ont été programmés pour créer des neurones artificiels et les connexions entre eux. Lorsqu'ils rencontrent de nouvelles données, de nouveaux neurones et voies de communication entre eux se forment, tout comme le fonctionnement du cerveau humain. Mais de tels systèmes nécessitent une formation approfondie (et un système de retour d'informations) avant de pouvoir faire quoi que ce soit d'utile, qui contraste fortement avec la façon dont les humains apprennent. On n'a pas besoin de regarder des milliers de personnes en action pour apprendre à suivre le regard de quelqu'un, par exemple, ou de comprendre qu'un sourire est quelque chose de positif.

Ullman suggère que c'est parce que les humains sont nés avec ce qu'il décrit comme des structures de réseau préexistantes qui sont codées dans nos circuits neuronaux. De telles structures, il explique, fournir aux nourrissons en pleine croissance une compréhension du monde physique dans lequel ils existent, une base sur laquelle ils peuvent construire des structures plus complexes qui conduisent à une intelligence générale. Si les ordinateurs avaient des structures similaires, elles ou ils, trop, pourrait développer des compétences physiques et sociales sans avoir besoin de milliers d'exemples.

Mais il y a un problème :les neuroscientifiques ne savent pas comment ni où ces structures existent dans le cerveau. Cela rend difficile la création de versions artificielles à utiliser dans les ordinateurs. Ullman suggère que la voie vers la construction de systèmes d'IA plus sophistiqués consiste à en apprendre davantage sur le cerveau humain et la façon dont il apprend, et comment il utilise ce qu'il apprend pour prendre des décisions concernant l'existence quotidienne. Il note également qu'il existe en fait une approche alternative :créer des méthodes d'apprentissage informatique à partir de « scratch ». Mais en faisant cela, il reconnaît, pourrait être tout aussi difficile que de comprendre comment notre propre cerveau fonctionne réellement.

© 2019 Réseau Science X