Qu’a été le deuxième hiver de l’IA, et pourquoi l’essor de l’IA des années 1980 s’est-il effondré?

Un « hiver de l’IA » est une période de plusieurs années pendant laquelle l’argent et l’enthousiasme pour l’intelligence artificielle se tarissent. L’expression s’inspire de l’« hiver nucléaire », le froid que des scientifiques prédisaient à la suite d’une guerre nucléaire. L’IA a connu deux grands hivers. Le premier s’est étendu environ de 1974 à 1980. Le deuxième, dont il est question ici, s’est étendu environ de 1987 à 1993, et il a suivi directement le plus grand essor commercial que l’IA ait jamais connu.

Ce qui rend le deuxième hiver si instructif, c’est qu’il avait été prédit. En 1984, au congrès national de l’American Association for Artificial Intelligence (AAAI), à Austin, au Texas, un panel intitulé « The Dark Ages of AI » (l’âge des ténèbres de l’IA) a réuni Roger Schank, Drew McDermott, John McDermott, B. Chandrasekaran et M. Mitchell Waldrop. Selon le compte rendu publié, ils ont discuté d’un profond malaise chez des chercheurs chevronnés, qui craignaient « que les attentes envers l’IA soient peut-être trop élevées, et que cela finisse par mener au désastre ». Schank et Marvin Minsky, tous deux rescapés du premier hiver, ont prévenu les dirigeants d’entreprise que l’enthousiasme s’était emballé. En moins de trois ans, l’effondrement a commencé.

L’essor : systèmes experts et machines Lisp

L’essor du début des années 1980 reposait sur les systèmes experts. Un système expert capte le savoir-faire d’un spécialiste sous forme de centaines ou de milliers de règles « si… alors… », auxquelles s’ajoute un « moteur d’inférence » qui applique ces règles aux faits d’un cas. L’exemple vedette était XCON, le premier système expert commercial, construit à l’Université Carnegie Mellon pour Digital Equipment Corporation. On estimait qu’il avait fait économiser à l’entreprise environ 40 millions $ US en six ans.

Les entreprises ont suivi partout. En 1985, les sociétés dépensaient plus d’un milliard de dollars par année en IA, surtout pour des équipes internes. Toute une industrie de soutien a vu le jour : des éditeurs de logiciels comme Teknowledge et IntelliCorp, et des fabricants de matériel comme Symbolics et LISP Machines Inc., qui construisaient des machines Lisp, des postes de travail coûteux conçus pour faire tourner Lisp, le langage de programmation préféré des chercheurs en IA.

Les gouvernements s’y sont mis aussi. En 1981, le Japon a engagé 850 millions $ US, par l’intermédiaire de son ministère du Commerce et de l’Industrie, dans le projet d’ordinateurs de cinquième génération, qui visait des machines capables de converser, de traduire, d’interpréter des images et de raisonner comme des humains. La Grande-Bretagne a répondu avec le programme Alvey en 1983, et la Defense Advanced Research Projects Agency (DARPA) des États-Unis a lancé sa Strategic Computing Initiative la même année.

L’effondrement, étape par étape

Le point de vue de Schwarz était tranché : il rejetait les systèmes experts comme de la « programmation astucieuse » et ne croyait pas que l’IA serait la prochaine grande vague. Quelques projets ont survécu, dont DART, un système de gestion de bataille qui s’est révélé extrêmement précieux.

Pourquoi les systèmes experts ont-ils déçu?

Le problème n’était pas que les systèmes experts ne fonctionnaient jamais. Beaucoup accomplissaient des tâches utiles. L’ennui, c’était ce qui se passait avec le temps.

Imaginez un système à base de règles qui approuve les commandes d’équipement. Il fonctionne bien jusqu’à ce que l’entreprise lance une nouvelle gamme de produits. Il faut alors trouver l’expert, l’interroger, écrire de nouvelles règles et vérifier qu’elles n’entrent pas en conflit avec les anciennes. Multipliez cela par des milliers de règles et des années de changements, et l’entretien devient un fardeau à temps plein. C’est le goulot d’étranglement de l’acquisition des connaissances : le temps des experts est rare, et une grande partie de ce qu’ils savent est difficile à mettre en mots.

Les systèmes experts ne pouvaient pas non plus apprendre de l’expérience, et ils étaient fragiles : devant un cas inhabituel que leurs règles n’avaient jamais prévu, ils pouvaient commettre des erreurs absurdes au lieu de perdre en qualité de façon progressive. Certains chercheurs, comme James Hendler, soutiennent que la cause profonde était plutôt les compressions antérieures dans la recherche fondamentale, qui avaient privé le domaine d’idées nouvelles pour corriger ces faiblesses.

Qu’est-il arrivé ensuite?

L’hiver ne voulait pas dire que l’IA disparaissait. Les systèmes experts sont restés utiles dans certains milieux spécialisés, et des techniques d’IA se sont répandues discrètement dans des produits plus vastes, souvent sans qu’on les appelle IA. Rodney Brooks a qualifié de mythe l’idée que l’IA aurait échoué, puisque l’IA est tout autour de nous.

Les années d’hiver ont aussi coïncidé avec des idées qui comptent énormément aujourd’hui. Les réseaux de neurones ont été relancés au milieu des années 1980 par des travaux comme le réseau de John Hopfield en 1982 et l’article de 1986 sur la rétropropagation, et les méthodes statistiques fondées sur les données ont gagné du terrain tout au long des années 1990. L’enthousiasme est remonté depuis son creux du début des années 1990 et, depuis 2012 environ, l’apprentissage automatique attire un intérêt commercial et un financement d’une ampleur que les années 1980 n’ont jamais connue.

L’essor actuel de l’IA pourrait-il finir par un autre hiver?

Personne ne peut l’affirmer avec certitude, et au début de 2020, la question se pose de plus en plus souvent. Certains traits des années 1980 sont de nouveau visibles : des attentes très élevées, des investissements massifs et l’idée d’une IA de niveau humain qui arriverait bientôt.

Il y a aussi de vraies différences. Les systèmes d’apprentissage automatique d’aujourd’hui sont déjà intégrés à des produits que des milliards de personnes utilisent chaque jour, comme la recherche, la traduction, l’identification de photos et la reconnaissance vocale; ils se rentabilisent donc d’une façon que la plupart des systèmes experts des années 1980 n’ont jamais connue. Ils apprennent aussi à partir de données au lieu de reposer uniquement sur des règles écrites à la main, ce qui les rend plus faciles à mettre à jour.

La leçon la plus sûre du deuxième hiver porte sur les promesses, pas sur la technologie. Le panel de 1984 craignait que les attentes aient dépassé ce que le domaine pouvait livrer. Si les systèmes d’aujourd’hui sont décrits honnêtement, avec leurs limites autant que leurs forces, une correction pourrait être plus douce. S’ils sont survendus, un refroidissement est plus probable, même si la technologie elle-même continue de s’améliorer.