perlseb

@Gaspard Delanuit
Ça marche aussi pour vous.. Vous dites que les IA sont bêtes mais vous voudriez qu’on les écoute comme des oracles. Ça ne sera jamais mon cas, même si elles devenaient réellement plus intelligentes.

Il ne faut pas chercher la preuve par l’IA ou dans des définitions qui utilisent d’autres termes sur lesquels on ne va pas s’entendre. Il faut analyser le résultat, c’est absolument tout ce qu’on peut faire. Donnez un problème qui, selon vous, nécessite réellement de l’intelligence pour être résolu, qu’on en finisse. Si vous n’êtes pas capable d’en donner un et de vous mouiller, alors c’est que vous n’avez aucune idée de ce à quoi l’intelligence peut servir, donc vous n’avez pas de définition et vous ne voulez pas en donner une objectivement. D’autres l’on fait (définir des problèmes nécessitant de l’intelligence pour être résolus), de manière honnête, et ce sont fait rattraper par l’IA. Trouver une nouvelle théorie pourrait en être un, mais combien d’hommes en sont capable ? Est-ce une propriété de l’homme ou de mutants ? Mais de toutes façons, les concepteurs d’IA s’intéressent aussi à ça. Donc on sera fixé assez vite pour savoir si c’est de la pure science-fiction (comme maîtriser la parole l’était).

@Gaspard Delanuit
Je suis d’accord avec vous sur l’essentiel sauf sur le fait qu’un nouveau mot doive être créé aujourd’hui. J’ai consulté la définition officielle de l’intelligence dans le lien, ça va vous faire bondir, mais elle correspond exactement à l’IA, pour ce qu’on en sait. Et l’homme ne peut pas, à l’heure d’aujourd’hui, prétendre qu’il fait différemment ("oui mais Gemini dit que" : sujet trop sensible pour être sûr qu’il n’est pas bidouillé, de toutes façons Gemini se contente de dire qu’elle ne comprend pas au sens humain, ... et oui, c’est une machine, la belle affaire, mais c’est surtout un essai de différenciation par fonctionnement interne plus ou moins estimé, alors même qu’on ne comprend pas grand chose au fonctionnement interne de notre cerveau, et justement, les avancées en IA nous permettent réellement d’en savoir plus).

Demain, si l’intelligence artificielle arrive à un plateau, si on doit faire quelque chose de très spécial (nouvelle découverte, méthode complètement différente) pour les faire avancer de manière à ce qu’elles nous égalent, alors là, et seulement là, on pourra penser à créer un nouveau mot. Pour l’instant, la définition est suffisamment vague pour les inclure. C’est mon point de vue. Je comprends que vous n’ayez pas le même. Mais quand on inspecte un peu les exemples (surtout ceux qui posent problèmes) avec un esprit un peu ouvert, la machine répond bien à cette définition. Par exemple, il est parfaitement établi que la machine crée un monde interne pour ranger correctement les données qu’on lui injecte dans la phase d’apprentissage : elle les synthétise, établit des liens mais dans la profondeur du réseau, émergent des abstractions qui ne font pas partie des données d’entraînement.
Cette création interne et émergente d’un monde (très différent de notre vision puisqu’on ne subit pas du tout le même apprentissage) est absolument indispensable pour qu’elle fasse ses prévisions, ses raisonnements, car on ne démontre rien avec des statistiques, on donne une réponse moyenne qui ne peut pas être la solution d’un problème non résolu. De manière parfaitement rigoureuse, ça pourrait être le cas (Maxime Fournes parle de cette possibilité dans un débat avec Luc Jullia, complètement largué sur ce que Maxime tente de lui expliquer) mais ça va être, à mon avis, de plus en difficile d’affirmer qu’elles feront encore du moyennage avec le temps. Donc encore une fois, il faut attendre pour créer un nouveau mot.

Je suis d’accord qu’il leur manque encore des choses, mais il faut pouvoir établir si c’est fondamental, et on ne peut pas aujourd’hui : les experts comme Demis Hassabis (pas un dieu mais il connaît son sujet et ne fait pas du sensationnel pour avoir des capitaux comme d’autres) donne 50 / 50 pour qu’une découverte soit absolument nécessaire.

On aura peut-être la réponse bientôt ! Demis Hassabis imagine une expérience avec les IA : les former avec toutes les connaissances qu’on avait au début du 20ème siècle (apprentissage tronqué) et voir si la machine est capable de réinventer les théories d’Einstein. Oui, ils sont ambitieux donc ils vont se confronter vraiment au problème jusqu’au bout (de sa résolution ou de leur vie, on est d’accord). Parce que si elle invente des nouvelles théories, la mauvaise foi fera encore dire à certains : "ça ne vaut pas la théorie d’Einstein".

@pemile
Au moins toi on sait que t’es pas une IA parce que tu ne comprends strictement rien. Tu donnes en entrée "2 + 2" : en sortie, tu lui demandes de trouver 4. Où est l’humain dans ces données d’entraînement ? Je vais pas te donner mille exemples d’entrées-sorties pour te faire comprendre qu’on peut former un réseau neuronal à faire de la physique sans lui mentionner l’existence de l’homme. Ou alors t’es une chèvre qui parle, c’est pas possible autrement. On peut même faire les données à la main, à la main de l’homme oui. Mais comment tu veux que la machine le sache si tu décides de lui masquer ton existence ? J’ai pas dit que la machine résultante serait appréciée sur les réseaux sociaux, mais il y a une vie hors des réseaux sociaux, si, si.

@pemile
Tu me fatigues pemile, mais je vais te noyer avec une réponse fournie. D’abord tu confonds les experts de plateau avec ceux qui travaillent dans l’IA, ensuite tu feins de ne jamais comprendre les phases que j’écris. On peut très bien former une IA avec des données d’entraînement qui ne mentionnent jamais rien sur l’humain ni sur son existence. Si on veut qu’elle soit bonne en sciences, qu’elle pourrait être l’intérêt de savoir que l’humain existe ? Les aliens n’auraient-ils pas la possibilité de faire des sciences parce qu’ils ne nous connaissent pas ?

Voici une question gentille posée à qwen3.6:35b que j’ai en local avec Ollama :

Est-ce qu’on va pouvoir utiliser l’IA pour entraîner les nouveaux modèles d’IA ? Par exemple, est-ce qu’on pourra le faire pour des IA qui seront spécialisées dans les sciences (pour faire des découvertes) sachant qu’on sait déjà automatiser la validation d’une démonstration mathématique ? Je sais aussi qu’on utilise la distillation d’IA où une IA avec beaucoup de paramètres sert à générer des jeux de tests pour des IA qui seront plus petites (automatiquement ?)...

Et voici une partie de la réponse :

Oui, c’est non seulement possible mais déjà en partie une réalité, et votre intuition touche à plusieurs fronts de recherche actifs qui convergent rapidement. Décomposons les éléments de votre question.
 ? 1. Entraîner des IA avec des IA : c’est déjà standard

Données synthétiques : La majorité des grands modèles récents sont entraînés sur un mélange significatif de texte, code, ou raisonnements générés par des versions antérieures. Des pipelines automatisés filtrent, classent et pondèrent ces données avant l’entraînement.
Distillation de connaissances : Comme vous le mentionnez, on entraîne un modèle "enseignant" (gros, coûteux) à générer des traces de raisonnement, des labels ou des états intermédiaires, puis on entraîne un modèle "élève" (plus petit, plus rapide) sur ce jeu de données. C’est automatisé de bout en bout dans de nombreux laboratoires (ex : Meta’s Llama distillation pipelines, Mistral, Qwen).
Recherche d’architecture (NAS) & AutoML : Des IA optimisent elles-mêmes l’architecture, l’apprentissage automatique (learning rate scheduling, early stopping) ou les hyperparamètres, parfois en boucle fermée.
Auto-amélioration & self-play : Dans les jeux (AlphaZero), la robotique ou le code, les agents s’entraînent en jouant contre eux-mêmes ou en générant des contre-exemples pour renforcer leurs faiblesses.

 ? 2. IA spécialisée en sciences & découvertes

Oui, c’est un champ en explosion (AI for Science), mais avec des nuances importantes :

Mathématiques formelles : La validation de démonstrations est effectivement automatisable grâce aux assistants de preuve (Lean, Coq, Isabelle). On voit émerger des pipelines où une IA génère un candidat de preuve → un vérificateur formel le valide ou produit un contre-argument → le modèle est affiné sur ce feedback. Exemples : LeanDojo, ProofNet, les travaux de DeepMind sur AlphaProof.
Sciences empiriques (biologie, chimie, physique, climat) : La validation n’est pas purement logique mais expérimentale. Des IA comme AlphaFold, GNoME (matériaux), ou Astra (fusion) génèrent des hypothèses ou des structures, mais la validation finale reste hybride : simulation haute-fidélité → validation en labo → peer review. L’IA accélère la exploration de l’espace des possibilités, mais ne remplace pas encore la boucle empirique complète.

 ? 3. Distillation & automatisation : comment ça marche en pratique ?

Génération automatique : Un modèle "maître" produit des paires (entrée → sortie/raisonnement). On peut filtrer par confiance, vérification formelle, ou simulation.
Contraintes : Sans validation croisée, la distillation propage les erreurs (error amplification). C’est pourquoi on combine :
Vérificateurs formels (pour les math/code)
Simulateurs physiques ou moléculaires
Filtrage humain léger ou consensus multi-modèles
Auto-consistency checks (prompt multiple, voting)
Résultat : Des modèles plus petits, spécialisés, déployables edge, avec des performances proches des grands modèles sur des tâches ciblées (ex : Qwen2.5-Coder, Phi-3, DeepSeek-V3 utilisent massivement des données synthétiques générées et filtrées automatiquement).

@Gollum
Oui mais la réponse simple est "Dieu permet le mal soit parce qu’il n’existe pas, soit parce qu’il n’est pas bon lui-même". Le reste est du baratin cherchant à justifier l’absurde.