Et si une IA pouvait apprendre comme un bébé ? Les modèles d’IA sont formés sur de vastes ensembles de données composés de milliards de points de données. Des chercheurs de l’Université de New York voulaient voir ce que de tels modèles pourraient faire lorsqu’ils étaient formés sur un ensemble de données beaucoup plus restreint : les images et les sons ressentis par un seul enfant apprenant à parler. À leur grande surprise, leur IA a beaucoup appris grâce à un bébé curieux appelé Sam.
Les chercheurs ont attaché une caméra sur la tête de Sam, et il l’a portée de temps en temps pendant un an et demi, depuis l’âge de six mois jusqu’à un peu après son deuxième anniversaire. Le matériel qu’il a collecté a permis aux chercheurs d’enseigner à un réseau de neurones à faire correspondre les mots aux objets qu’ils représentent, rapporte Cassandra Willyard dans cette histoire. (Ça vaut le coup de cliquer juste pour les images incroyablement mignonnes !)
WAI KEEN VONG
Cette recherche n’est qu’un exemple de la façon dont les bébés pourraient nous rapprocher de l’apprentissage des ordinateurs à apprendre comme les humains et, à terme, construire des systèmes d’IA aussi intelligents que nous. Les bébés inspirent les chercheurs depuis des années. Ce sont de fins observateurs et d’excellents apprenants. Les bébés apprennent également par essais et erreurs, et les humains deviennent de plus en plus intelligents à mesure que nous en apprenons davantage sur le monde. Les psychologues du développement affirment que les bébés ont une idée intuitive de ce qui va se passer ensuite. Par exemple, ils savent qu’une balle existe même si elle est cachée, que la balle est solide et ne changera pas soudainement de forme, et qu’elle roule sur une trajectoire continue et ne peut pas se téléporter soudainement ailleurs.
Les chercheurs de Google DeepMind ont tenté d’enseigner à un système d’IA le même sens de la « physique intuitive » en entraînant un modèle qui apprend comment les choses bougent en se concentrant sur les objets dans les vidéos plutôt que sur les pixels individuels. Ils ont formé le modèle sur des centaines de milliers de vidéos pour apprendre comment se comporte un objet. Si les bébés sont surpris par quelque chose comme une balle qui s’envole soudainement par la fenêtre, selon la théorie, c’est parce que l’objet se déplace d’une manière qui viole la compréhension de la physique du bébé. Les chercheurs de Google DeepMind ont également réussi à faire en sorte que leur système d’IA montre une « surprise » lorsqu’un objet bougeait différemment de la façon dont il avait appris que les objets se déplaçaient.
Yann LeCun, lauréat du prix Turing et scientifique en chef de l’IA chez Meta, a soutenu qu’apprendre aux systèmes d’IA à observer comme des enfants pourrait être la voie à suivre vers des systèmes plus intelligents. Il dit que les humains ont une simulation du monde, ou un « modèle du monde », dans notre cerveau, ce qui nous permet de savoir intuitivement que le monde est tridimensionnel et que les objets ne disparaissent pas lorsqu’ils disparaissent. Il nous permet de prédire où se trouvera une balle qui rebondit ou un vélo qui roule à grande vitesse dans quelques secondes. Il est occupé à créer des architectures entièrement nouvelles pour l’IA qui s’inspirent de la façon dont les humains apprennent. Nous avons couvert ici son grand pari pour l’avenir de l’IA.
Les systèmes d’IA d’aujourd’hui excellent dans des tâches spécifiques, comme jouer aux échecs ou générer un texte qui ressemble à quelque chose écrit par un humain. Mais comparés au cerveau humain – la machine la plus puissante que nous connaissions – ces systèmes sont fragiles. Il leur manque le genre de bon sens qui leur permettrait de fonctionner de manière transparente dans un monde désordonné, de raisonner plus sophistiquéement et d’être plus utile aux humains. Étudier comment les bébés apprennent pourrait nous aider à libérer ces capacités.
Apprentissage plus approfondi
Ce robot peut ranger une pièce sans aucune aide
Les robots sont doués pour certaines tâches. Ils sont excellents pour ramasser et déplacer des objets, par exemple, et ils s’améliorent même en cuisine. Mais si les robots peuvent facilement accomplir de telles tâches dans un laboratoire, les faire travailler dans un environnement inconnu où il y a peu de données disponibles constitue un véritable défi.
