Un ensemble d’algorithmes ressemble à un caillou à certains égards
Les récents commentaires publics concernant l’IA suggèrent que les Américains ont du mal à appréhender les implications du temps linéaire. Cela est étrange étant donné que ce concept est largement occidental et qu’il s’articule autour du temps chronométrique utilisé pour coordonner le travail salarié capitaliste. La difficulté conceptuelle concerne la séquence des événements, ou les plans d’actions futures. Mais elle implique également la répartition des bénéfices. 100 % des biens d’équipement utilisés dans la production économique occidentale ont été fabriqués par des travailleurs. Alors, pourquoi le produit final appartient-il aux financiers plutôt qu’à ceux qui l’ont fabriqué ?
Pour utiliser une métaphore physique, si 1) j’achète une voiture, 2) je l’oriente vers une falaise, 3) je place une pierre sur la pédale d’accélérateur et 4) j’enclenche la marche avant, la voiture avancera et plongera dans le vide. Question : ai-je, par mes actions, provoqué la chute de la voiture dans le précipice ? Ou bien la voiture s’est-elle « conduite toute seule » dans le vide ? La réponse dépend de l’endroit où vous imaginez que mes propres actions ont pris fin. En réalité, j’ai conçu et mis en place une série d’événements qui, s’ils étaient menés à bien avec compétence, conduiraient la voiture à plonger dans le précipice. Sans direction humaine, la voiture n’est qu’un assemblage inerte de métal et de caoutchouc.
De même, si je crée et mets en œuvre un algorithme de trois cents étapes, est-ce l’algorithme qui produit le résultat, ou est-ce moi ? La distinction se situe entre l’intention et le processus. Mon intention guide la conception et la création de l’algorithme en trois cents étapes. Mais le travail à partir de ce moment-là est effectué par l’algorithme qui s’exécute dans un environnement informatique. Ainsi, ce n’est pas l’algorithme qui a conçu le projet. C’est moi. Ce n’est pas l’algorithme qui a planifié (séquencé) le projet. C’est moi. Ce n’est pas l’algorithme qui a codé le problème. C’est moi. Alors, qui a produit le résultat, moi ou la machine ?
Un problème conceptuel similaire s’applique aux affirmations selon lesquelles les machines « pensent ». D’un point de vue physique, l’IA est un ensemble d’algorithmes hébergés au sein d’un vaste environnement informatique. L’IA ne s’est pas conçue elle-même. Elle a été conçue, si ma mémoire est bonne, à l’université Carnegie Mellon dans les années 1970. L’IA ne s’est pas construite elle-même. Elle a été développée progressivement par des informaticiens du monde universitaire, puis du monde des affaires. L’IA ne s’est pas codée elle-même. Elle a été codée par des développeurs spécialisés en IA. Et l’infrastructure physique gigantesque dont dépend l’IA a été construite par des travailleurs. En résumé : l’IA est entièrement produite par des humains.
La question est donc la suivante : comment peut-on imaginer que le résultat produit par l’IA représente plus que l’effort humain investi dans sa création ? Quel processus fait en sorte que le résultat de l’IA soit plus que le simple produit d’algorithmes ? Si la réponse est qu’il existe un tel processus, connaissez-vous les algorithmes de séquencement ? Il s’agit de code qui organise d’autres codes afin qu’ils suivent une série d’étapes pour accomplir une tâche. J’ai conçu et codé des algorithmes séquencés qui exécutent des processus en plusieurs étapes à partir d’un ensemble unique d’instructions. Le résultat ressemble à du raisonnement. Et c’est bien du raisonnement. Je l’ai codé. Les modèles ont fait ce pour quoi je les avais programmés.
Donc, encore une fois, si une série d’étapes est conçue, planifiée et lancée par des humains sur un équipement créé par des humains, à quel moment leur nature passe-t-elle de l’inanimé à l’animé ? Ou plus simplement, à quel moment un ensemble d’algorithmes hébergé sur un ordinateur pense-t-il, raisonne-t-il, ou possède-t-il de l’intelligence ou une conscience ? En réalité, prétendre que l’un ou l’autre de ces éléments décrit l’IA relève d’une erreur de catégorie. Imagine-t-on qu’un rocher dévalant une colline roule de lui-même plutôt que d’être déplacé par des forces physiques invisibles (par exemple, la gravité) ? Ainsi, les affirmations selon lesquelles l’IA est capable de raisonner découlent soit de l’ignorance, soit d’une mauvaise compréhension des processus physiques fondamentaux.
Pour en revenir au monde réel, un débat agite l’Occident depuis le début du XIXe siècle : est-ce l’automatisation de l’usine qui produit le résultat de cette automatisation, ou bien sont-ce les personnes qui ont automatisé l’usine qui ont produit ce résultat ? D’un côté, l’automatisation donne l’impression que son produit est généré de manière autonome. De l’autre, le processus d’automatisation a été créé par des humains et n’existerait pas sans eux. Avec la capacité actuelle à « séquencer » le processus de production à l’aide d’algorithmes, un niveau d’abstraction supplémentaire s’est ajouté à ce débat.
La plupart de ceux qui n’ont pas conçu ni codé de modèles de « séquencement » ont du mal à comprendre ce concept. Ces modèles sont des instructions indiquant comment un modèle « pense ». Question : comment un modèle « pense-t-il » alors qu’il ne fait que suivre des instructions ? Réponse : il ne pense pas. Il ne fait que suivre des instructions. Ce qui ressemble à du raisonnement pour les utilisateurs de l’IA, c’est le raisonnement codé dans le modèle par des programmeurs humains. Cela semble être du raisonnement parce que les instructions qu’il suit ont été élaborées par un raisonnement humain. Ce sont simplement des instructions écrites qui sont exécutées. Rien de plus.
La question est également politique dans la mesure où la réponse détermine la manière dont les revenus sont répartis en Occident. Si le « capital », sous la forme d’une usine automatisée, produit les biens, les bénéfices appartiennent-ils alors au capital, c’est-à-dire au capitaliste ? Sans les travailleurs qui ont d’abord créé les usines automatisées, il n’y aurait pas de processus d’automatisation. La réponse politique a consisté à mettre fin aux revendications des travailleurs sur ce produit par le biais des salaires. Cependant, alors que les travailleurs reçoivent des paiements ponctuels (les salaires) en contrepartie de leurs efforts, le capitaliste perçoit les bénéfices issus de ce travail tant que celui-ci dure.
Avec l’IA, cette question revient sur le tapis, du moins sur le plan conceptuel. Quelle que soit la manière dont on perçoit l’IA, comme une machine pensante ou comme un ensemble d’algorithmes interdépendants, elle a été construite par des travailleurs. L’IA ne s’est pas conçue elle-même. Elle a été conçue par des travailleurs. C’est un indice important sur son fonctionnement. L’IA a été construite par des travailleurs humains, motivés par leur désir de produire une machine simulant la pensée humaine. Cependant, le domaine numérique est un système fermé. Toutes les « connaissances » de l’IA ont été transmises par des humains. Dans son cadre cartésien, l’IA n’a pas d’accès direct au monde. C’est le proverbial « cerveau dans une cuve » de Descartes.
L’un des paradoxes du débat sur la nature de l’IA réside dans le fait que les modèles d’IA se décrivent eux-mêmes comme des variantes d’« organisateurs de mots et de séquenceurs de mots ». Attardons-nous un instant sur le mot « séquenceurs ». Encore une fois, un séquenceur établit et exécute l’ordre d’un processus en plusieurs étapes. Avec le lancement de l’IA, un processus en plusieurs étapes est mis en marche. Les mots et les expressions sont identifiés et comparés avec des mots et expressions similaires trouvés dans les ensembles d’entraînement de l’IA. Le séquenceur exécute ensuite des modèles qui attribuent à ces mots et expressions leur signification déterminée par l’humain.
Il est important de comprendre que ni le séquenceur ni le modèle d’IA au sens large, ne comprennent les mots et expressions sur lesquels ils agissent. La signification des mots, la sémantique, est créée par les humains et emmagasinée dans un cache (mémoire) de récupération. Le séquençage consiste ici à associer des significations (définies par l’homme) à des mots afin de fournir un contexte sémantique aux mots et expressions mis en correspondance. Pour être clair, l’IA ne « décide » de rien. Elle suit des instructions algorithmiques. L’IA ne décide ni quoi faire ni comment le faire. Tout cela est défini pour elle par des humains.
Analogie du chatbot IA de Google : l’IA comparée à un gratte-ciel :
• Les fondations (centres de données et alimentation électrique) : Tout comme un gratte-ciel a besoin d’un socle rocheux profond et d’une structure d’acier pour supporter son poids, l’IA a besoin d’immenses centres de données, de serveurs et de réseaux électriques gigantesques. L’infrastructure physique — comme les systèmes de refroidissement et les centrales électriques dédiées — doit être mise en place bien avant que la première requête d’un utilisateur puisse être traitée.
• La structure (puissance de calcul et algorithmes) : L’ossature d’acier d’un gratte-ciel répartit les charges et dirige les contraintes. Dans l’IA, il s’agit de l’architecture des réseaux neuronaux (comme les transformateurs). Ces modèles informatiques massifs sont préentraînés sur des milliards de pages de texte afin d’établir une structure organisée capable d’organiser et d’acheminer instantanément l’information.
• La plomberie et les services (récupération de données et interface de programmation API) : Un bâtiment moderne a besoin de réseaux complexes de plomberie, d’électricité et de chauffage, ventilation et climatisation (CVC) pour être habitable. De même, les systèmes de requêtes de l’IA s’appuient sur des pipelines de génération augmentée par récupération (RAG), des API et des outils de recherche afin de récupérer, filtrer et fournir en temps réel des données récentes et précises.
• La façade et les accès (interface utilisateur) : La façade de verre brillante et les ascenseurs d’un gratte-ciel permettent aux personnes d’interagir facilement avec le bâtiment. Pour l’IA, cela correspond à l’interface de conversation ou à la barre de recherche qui traduit un système dorsal complexe comptant des milliards de paramètres en une réponse simple et lisible pour l’utilisateur.
Fin de la réponse du chatbot IA de Google
La distinction réside entre le codage de modèles mathématiques pour déclencher une série d’étapes et l’idée que ces modèles raisonnent par eux-mêmes. Ce qui manque dans l’analyse superficielle de l’IA, c’est la compréhension de l’ampleur et de la complexité de ce processus. Les développeurs s’emploient sérieusement à construire une « machine pensante » depuis les années 1970. L’infrastructure nécessaire au fonctionnement de l’IA est comparable à celle d’un gratte-ciel moderne. La question qui reste en suspens est la suivante : l’IA en vaut-elle la peine ? Est-ce une technologie nouvelle essentielle qui justifiera les coûts qu’elle entraîne, comme on le prétend largement ? Ou s’agit-il d’un jouet parfois intéressant dont l’empreinte environnementale mènera la planète à sa perte ?
Récemment, le débat public s’est interrogé sur la manière dont l’IA peut résoudre des problèmes mathématiques si elle ne « pense » pas. Considérons le concept de « travail » issu de la physique. Ceux qui réfléchissent à cette question imaginent des mathématiciens solitaires assis dans une pièce, réfléchissant à la résolution d’énigmes mathématiques. Mais grâce à une puissance de calcul illimitée, les programmes d’optimisation peuvent recourir au calcul par force brute pour passer en revue toutes les itérations imaginables d’un problème en quelques secondes. Ce que les utilisateurs de l’IA ne voient pas, c’est l’infrastructure de la taille d’un gratte-ciel qui, en coulisses, produit ce résultat.
Cette immense puissance de calcul n’illustre-t-elle pas la valeur de l’IA ? Non. Cela touche à la nature même de la technologie. On peut expliquer la technologie par le fait qu’elle apporte un avantage. Une autre est qu’elle modifie simplement la manière dont les humains accomplissent des tâches. D’un côté, nous pouvons parcourir rapidement de longues distances en voiture plutôt qu’à pied. De l’autre, nous sommes nombreux à passer désormais trois heures par jour coincés dans les embouteillages au volant. Les voitures constituent-elles donc un avantage ? À certains égards oui, à d’autres non. Ce qu’elles ne sont pas, c’est un avantage incontestable, ce qui signifie que le débat reste ouvert.
Image : les mécanismes internes de l’automate présenté dans le film Hugo. Le raffinement mécanique de ces faux humains est visible dans l’engrenage. L’idée était qu’un engrenage plus fin rendait les automates plus proches de l’humain. Le fait que, rétrospectivement, l’automate puisse être considéré comme un meilleur robot plutôt que comme un être plus proche de l’humain constitue un éclairage important pour comprendre l’IA. L’IA est un robot numérique. Elle n’est pas plus proche de la pensée ou du raisonnement qu’un butoir de porte. Source : dickgeorgecreatives.
Si l’on demandait aux Occidentaux s’ils aimeraient disposer d’une machine capable de les transporter rapidement d’un endroit à un autre, la plupart répondraient probablement oui. Si on leur demandait s’ils souhaitent passer trois heures par jour assis dans une voiture dans les embouteillages, la plupart répondraient probablement non. Or, cette dernière situation est la conséquence directe de la première. C’est ainsi que fonctionne le capitalisme. On nous propose un avantage. Dans le cas présent, la possibilité de se déplacer rapidement d’un endroit à un autre. Mais presque immédiatement, les conséquences sociales de cet « avantage » deviennent un fardeau que l’on n’avait pas imaginé au moment où cet avantage nous a été proposé.
Aujourd’hui, de nombreux Américains s’inquiètent de la capacité de l’IA à penser. Elle va prendre nos emplois. Mais ce qui devrait nous inquiéter, c’est justement que l’IA ne puisse pas penser. Ce n’est qu’une couche supplémentaire de déqualification du travail. Réfléchissez-y : l’« art » produit par l’IA est dépourvu d’art. La « pensée » de l’IA n’est que la sagesse agrégée du Pentagone bricolée par l’AEI (American Enterprise Institute). Chaque requête adressée à l’IA augmente les émissions de gaz à effet de serre à des niveaux suicidaires pour l’espèce humaine. Et les « solutions » proposées par l’IA ne sont que des artifices ressassés, comme le captage du carbone. Toutes les solutions proposées risquent davantage d’aggraver les problèmes que de les résoudre.
Alors que les utilisateurs de l’IA s’imaginent que c’est la « pensée » qui produit les résultats de l’IA, ce qui est en réalité mis en œuvre, c’est le travail. Le « travail » ici est comparable au concept de « cheval-vapeur », cette conversion grossière de la force de traction des chevaux à celle produite par un moteur à combustion interne. Rappelez-vous ce mathématicien solitaire, assis et plongé dans ses réflexions. Imaginez maintenant un programme d’IA dont la capacité équivaut à celle de 10 000 humains travaillant pendant un million d’années. On pourrait imaginer qu’un tel scénario permettrait de répondre à de nombreuses questions complexes.
Réponse de l’IA Google Gemini
L’équation fondamentale
Pour une force constante appliquée exactement dans la même direction que le déplacement d’un objet, le travail (W) est calculé comme suit :
W = F . d
Où :
• W est le travail effectué (mesuré en joules, J).
• F est la force appliquée (mesurée en newtons, N).
• d est le déplacement, ou la distance parcourue par l’objet (mesurée en mètres, m).
Fin de la réponse de l’IA Google Gemini
Si 10 000 êtres humains devaient travailler pendant un million d’années, cela représenterait la plus grande entreprise de l’histoire de l’humanité. Et, étant donné que les êtres humains ont une durée de vie limitée, cette expérience de pensée reste purement théorique. De plus, l’IA n’utilise pas les méthodes des mathématiciens. Au lieu d’isoler un arbre métaphorique dans une forêt en fonction de ses qualités (à la manière du mathématicien), l’IA abat tous les autres arbres de la forêt pour déclarer que l’arbre qui reste debout est la solution (optimisation).
La méthodologie de l’IA représente une manière différente de résoudre des problèmes mathématiques qui pourrait intéresser quelques dizaines de mathématiciens, mais qui s’accompagne d’un coût de calcul équivalent à un alunissage. Si 10 000 êtres humains étaient réellement chargés de résoudre des problèmes mathématiques, des questions d’autonomie d’action et de bonne utilisation des ressources sociales se poseraient. Ce n’est qu’en occultant ou en mettant de côté la question des coûts environnementaux et sociaux que l’IA est présentée comme apportant une valeur ajoutée au-delà des profits pour une poignée d’initiés.
La capacité à effectuer un milliard de permutations en une microseconde fait de l’IA un outil très puissant. Mais en quoi un monde dans lequel l’IA peut effectuer un milliard de permutations en une microseconde est-il meilleur que le même monde sans elle ? Cette question appelle une réponse sociale, et cette réponse sociale doit découler d’une compréhension claire et complète des coûts sociaux de l’IA. Il ne suffit pas de mettre en avant les problèmes mathématiques résolus pour justifier l’investissement social dans l’IA. La question est la suivante : que pourrait-on accomplir d’autre avec ces mêmes ressources (coûts d’opportunité) ?
L’IA a résolu ces problèmes mathématiques par un processus d’élimination. Encore une fois, ce n’est pas ainsi que travaillent les mathématiciens. Pourquoi ? Parce que l’IA utilise une technologie de calcul dont les humains ne disposent pas. Rappelez-vous : une voiture peut nous transporter d’un endroit à un autre plus rapidement que nous ne pouvons marcher. Mais l’adoption de la voiture nous a condamnés à passer une part considérable de nos heures de veille coincés dans les embouteillages. L’IA peut recourir à la force brute de calcul pour venir à bout de certains types de questions. Mais s’agit-il vraiment de questions auxquelles il est nécessaire de répondre ? Ou bien y répondre n’est-il qu’une forme de divertissement de masse ?
Un autre aspect caché du processus de l’IA est l’opérationnalisation du langage. L’IA a été conçue à partir du postulat que la pensée humaine résulte d’une syntaxe associée à la sémantique (forme et sens). Mais l’opérationnalisation aboutit à une consolidation formelle du sens. Prenons le terme « démocratie ». Il est très répandu dans le discours occidental dans divers contextes, par exemple, la démocratie économique. Mais pour rendre ce terme opérationnel, il faut le réduire à l’essentiel et le stabiliser.
Pour être clair, cela n’a rien de sentimental, contrairement à ce que l’on pourrait croire à première vue. Prenons le terme « christianisme » : selon une récente enquête, il existe 45 000 confessions chrétiennes. Qu’est-ce que cela signifie dans le contexte actuel ? Une définition opérationnelle du christianisme, comme étant l’ensemble de ceux qui croient au Christ, élimine 45 000 divergences d’opinions passionnées parmi les chrétiens quant à ce que signifie « croire au Christ ». En termes politiques, cela réduit à néant 45 000 divergences d’opinion pour revendiquer une unité qui, on peut le soutenir, ne reflète pas la réalité.
Encore une fois, ce n’est pas une simple querelle de mots. Celui qui contrôle le sens du langage contrôle le langage. Pour reprendre un exemple tiré de « Zen Economics ». Les économistes utilisent ce qu’on appelle le « revenu des ménages » comme mesure du bien-être économique. Bien que cela semble intuitivement logique, dans la pratique, il faut définir ce qu’est un « ménage », définir ce qu’est un « revenu », puis recombiner ces termes pour former le « revenu des ménages ». Quel est le problème sémantique ? Avec des dizaines de définitions concurrentes, les personnes qui utilisent l’expression exacte « revenu des ménages » ont tendance à parler de concepts matériellement différents.
Lorsqu’un utilisateur lance une requête d’IA sur le « revenu des ménages », l’IA se réfère à la signification qui a été créée par les humains et placée dans un cache sémantique (zone de stockage). Mais, comme l’IA remplace les fonctions de recherche sur Internet, les définitions antérieures de mots communément compris sont systématiquement remplacées par des définitions simplifiées (opérationnalisées) par l’IA. Cette simplification crée l’illusion d’un consensus sur chaque sujet, ce qui est erroné. La diversité linguistique est éliminée du discours. Chacune de ces différences représente une vision du monde.
Pour reprendre une formule à laquelle je reviens sans cesse, car elle explique beaucoup de choses, tout résultat statistique peut être remis en cause en redéfinissant les variables. Une version opérationnalisée du « revenu du ménage » peut augmenter et diminuer simultanément selon la définition retenue. Pourquoi ? Parce que les définitions contiennent leur propre logique de fonctionnement. Un ménage correspond-il à une seule famille, à l’ensemble des occupants d’une maison, ou à autre chose ? Le revenu correspond-il au salaire, à l’ensemble des sommes perçues par un ménage toutes sources confondues, ou à autre chose ? À mesure que les définitions changent, les résultats qui en découlent changent également.
Chaque fois que j’ai retracé l’histoire de certaines définitions techniques (par exemple celle de l’« utilité » en économie), j’ai constaté que les significations données par des auteurs prétendant traiter du même sujet étaient incompatibles. Dans le cas de l’« utilité », le terme était représenté dans des modèles mathématiques, ce qui signifie qu’on l’imaginait opérationnalisé alors qu’il ne l’avait jamais été. Cela rendait peu crédibles les affirmations selon lesquelles les économistes adoptaient une approche scientifique. Faire passer des idées inconciliables à travers un processus logique rigoureux (les mathématiques) ne rend pas ces idées moins inconciliables.
Dans les modèles que j’ai créés, le processus représentant la logique du modèle était formulé mathématiquement. Autrement dit, la logique du modèle est intégrée dans le code. Par exemple, dans les modèles de correction d’erreur, les prémisses de moyennes locales stationnaires (moyenne globale non stationnaire) et de processus de retour à la moyenne étaient intégrées. L’ordre dans lequel les événements s’enchaînent résulte d’une intégration similaire. Conclusion : si un modèle semble raisonner, c’est parce que les humains qui l’ont codé ont raisonné lorsqu’ils l’ont codé.
Encore une fois, par analogie, ce que les utilisateurs de l’IA voient, c’est la voiture métaphorique qui plonge dans le précipice. Ce qu’ils ne voient pas, ce sont la planification et les actions en coulisses qui ont conduit à ce résultat. Ainsi, lorsque les utilisateurs de l’IA voient un résultat complexe, ils s’imaginent qu’une « simple machine à compter les mots et les expressions » n’aurait pas pu le produire. En réalité, le moteur de comptage des mots et des expressions fait partie d’une séquence d’événements (séquençage) qui est en grande partie invisible pour les utilisateurs de l’IA. Ce n’est pas parce qu’ils ne voient pas la logique du modèle qu’elle n’existe pas.
Voici l’essentiel : si vous comprenez le fonctionnement de l’IA, il n’y a là aucun mystère. J’ai apparemment réussi à deviner intuitivement des solutions mathématiques à plusieurs des problèmes majeurs rencontrés par l’IA en m’appuyant sur des idées relativement simples. Mais pour que les mathématiques fassent ce que je veux qu’elles fassent dans ce contexte, il faut un séquençage. Et c’est ce séquençage qui a permis aux mathématiques de fonctionner comme prévu. Quelqu’un qui se contenterait d’examiner les mathématiques ne comprendrait pas le contexte. Et une fois le contexte fourni, les petites solutions alimentent les grandes solutions.
Je ne sais pas si ces explications ont du sens pour les lecteurs. Pour moi, la manière la plus simple de comprendre le processus est de le voir à travers le séquençage. 1) L’IA a été créée par des développeurs. Elle ne s’est ni conçue ni créée elle-même. 2) Par conséquent, tout ce qui découle de l’IA est le produit des humains qui l’ont créée. 3) Tout le raisonnement du modèle découle de la logique intégrée par les développeurs d’IA. 4) Comme l’IA fonctionne à partir d’instructions algorithmiques, la logique du modèle se révèle à travers le fonctionnement du modèle d’IA. Les utilisateurs voient le résultat du modèle, mais pas les instructions algorithmiques.
Il est facile de faire abstraction de la « pensée » et de la « réflexion » de l’IA. Question : où se situe géographiquement cette pensée au sein de l’IA ? L’IA n’a pas de « cerveau », elle n’a pas d’emplacement que l’on puisse désigner comme étant un esprit. Son résultat est le produit d’au moins quelques centaines de modèles agissant ensemble, ce qui correspond à un processus. Et bien qu’un modèle d’IA dans son ensemble puisse être considéré comme un « cerveau », le processus de mémoire de l’IA, dans la mesure où il en existe un, est de nature mathématique. Il émerge du séquençage des mots et des expressions, c’est-à-dire d’un processus similaire à celui de la voiture qui « roule toute seule » et tombe de la falaise.
Mais la voiture ne s’est pas précipitée toute seule du haut d’une falaise. Une séquence d’événements a été planifiée puis mise en œuvre, ce qui a conduit la voiture à plonger dans le vide. La voiture ne s’est pas achetée toute seule, ne s’est pas dirigée d’elle-même vers la falaise, n’a pas placé de pierre sur sa pédale d’accélérateur, ni enclenché la marche avant. La voiture est reconnue comme un objet inanimé. Et pourtant, sans qu’un humain ne la conduise, elle a été propulsée dans le vide. La plupart des personnes qui évalueraient cette situation concluraient que c’est moi qui ai poussé la voiture dans le précipice par la série d’actions entreprises pour y parvenir.
Quiconque imagine encore que l’IA pense, raisonne, possède une intelligence ou une conscience devrait se pencher sur la logique des modèles et expliquer exactement à quel moment, dans ce processus, les instructions algorithmiques deviennent un processus de pensée indépendant. Ce n’est pas parce que certains n’ont pas fait l’effort de le comprendre que cela relève de la magie. Et si vous imaginez que c’est de la magie, où trouve-t-on une magie similaire dans les équipements industriels ? Les voitures autonomes ne se conduisent pas toutes seules. Ce sont des machines « stupides » qui suivent des instructions algorithmiques. Pour vérifier cette théorie, déconnectez-les de leurs algorithmes.
C’est à peu près tout ce que j’ai à dire sur l’IA pour l’instant. Je reviendrai bientôt à des sujets politiques et économiques.
Rob Urie est l’auteur de Zen Economics, il est artiste et musicien et écrit sur l’économie politique — c’est-à-dire sur les dimensions politiques des questions économiques — depuis plus d’une décennie.
Texte original publié le 2 juillet 2026 : https://roburie.substack.com/p/why-ai-doesnt-think-cannot-reason