Qu’a été le premier hiver de l’IA, et pourquoi l’argent pour l’IA s’est-il tari dans les années 1970?

Dans les années 1960, l’intelligence artificielle semblait irrésistible. Des programmes démontraient des théorèmes, jouaient aux dames et tenaient des conversations simples, et des chercheurs de premier plan prédisaient des machines pensantes en l’espace d’une génération. Puis, dans la première moitié des années 1970, l’humeur a changé. Les bailleurs de fonds ont perdu patience, les budgets ont été réduits et, en 1974, l’argent pour les projets d’IA était devenu difficile à trouver. Le creux a duré jusque vers 1980.

On appelle maintenant une telle période un hiver de l’IA : une période de baisse du financement et de l’intérêt pour la recherche en IA, par analogie avec l’idée d’« hiver nucléaire ». Le nom lui-même est plus jeune que le creux. Il a été utilisé pour la première fois en 1984, lors d’un débat public sur le sujet tenu au congrès annuel de l’American Association of Artificial Intelligence (AAAI). Il a été forgé par des chercheurs qui avaient vécu les compressions des années 1970 et craignaient qu’elles se répètent.

Quand et où c’est arrivé

Il n’y a pas eu de date unique. Le premier hiver a été un ensemble de décisions prises des deux côtés de l’Atlantique, réparties sur quelques années :

Aux États-Unis, la plus grande partie de l’argent destiné à l’IA venait de la DARPA, l’agence de recherche du département de la Défense (qui s’appelait alors l’ARPA). Pendant les années 1960, elle avait donné des millions de dollars aux principaux laboratoires d’IA presque sans conditions, en faisant confiance à leurs dirigeants pour choisir de bons problèmes. Après l’amendement Mansfield, elle a exigé des projets aux objectifs militaires définis. Elle était aussi mécontente du programme Speech Understanding Research de Carnegie Mellon : la DARPA avait espéré un système capable de recevoir les ordres vocaux d’un pilote, et elle en a obtenu un qui ne comprenait l’anglais que si les mots arrivaient dans un ordre fixe.

Au Royaume-Uni, le Science Research Council a chargé le mathématicien Sir James Lighthill de faire le bilan du domaine. Son rapport de 1973 concluait que dans aucune partie de l’IA les découvertes n’avaient eu l’impact majeur qui avait été promis. Par la suite, la recherche sérieuse en IA ne s’est poursuivie que dans une poignée d’endroits, dont Édimbourg, Essex et Sussex.

Pourquoi les premières promesses ont échoué

La déception avait de vraies causes techniques, et les chercheurs des années 1970 en ont eux-mêmes nommé la plupart.

Les ordinateurs étaient beaucoup trop faibles. La mémoire et la vitesse étaient minuscules selon les normes ultérieures. Un célèbre programme de langage, de Ross Quillian, a été présenté avec un vocabulaire de vingt mots seulement, puisqu’il n’y avait pas de place pour plus en mémoire. En 1976, le roboticien Hans Moravec a estimé que les ordinateurs devraient devenir des millions de fois plus puissants avant de pouvoir faire preuve d’intelligence; le superordinateur le plus rapide de cette année-là, le Cray-1, atteignait environ 80 à 130 millions d’instructions par seconde.

L’explosion combinatoire. Le principal reproche de Lighthill était que le nombre de possibilités qu’un programme doit examiner croît de façon explosive à mesure qu’un problème grandit. Des méthodes qui fonctionnaient sur de petits casse-têtes devenaient sans espoir devant des problèmes réels.

Le sens commun est immense. Comprendre une phrase ou une image exige une énorme réserve de connaissances de tous les jours, celles que possède n’importe quel enfant. Personne en 1970 ne pouvait construire une base de données aussi grande, et personne ne savait comment un programme pourrait l’apprendre.

Facile pour les gens, difficile pour les machines. Démontrer un théorème s’est révélé plus facile pour un ordinateur que reconnaître un visage ou traverser une pièce sans se cogner partout. Cette énigme, appelée par la suite le paradoxe de Moravec, explique pourquoi la vision et la robotique ont fait si peu de progrès.

Les promesses dépassaient les résultats. Moravec reprochait à ses collègues un cycle d’exagération : après avoir trop promis dans une demande de subvention, ils se sentaient incapables de promettre moins dans la suivante.

Ce qui a survécu à l’hiver

La recherche ne s’est pas arrêtée; elle a changé. Le financement s’est déplacé vers des travaux aux objectifs pratiques et étroits, et ce virage a poussé les chercheurs vers des programmes riches en connaissances. Lighthill avait noté que les programmes qui réussissaient, comme le système de chimie DENDRAL de Stanford, reposaient sur une connaissance approfondie d’un seul domaine. Cette idée a porté les systèmes experts de la fin des années 1970, dont MYCIN, de Stanford, pour les infections. De nouvelles idées ont aussi germé en programmation logique, avec le langage Prolog créé à Marseille, et dans la recherche sur le raisonnement de sens commun.

En 1980, l’hiver tirait à sa fin. Digital Equipment Corporation a mis en service un système à base de règles appelé XCON pour configurer les commandes d’ordinateurs, et les entreprises ont commencé à investir dans les systèmes experts. Cet essor a ensuite amené son propre effondrement : un deuxième hiver à la fin des années 1980 et au début des années 1990, quand les systèmes experts se sont révélés coûteux à entretenir et que le marché des machines Lisp spécialisées s’est écroulé.

Un autre hiver de l’IA pourrait-il survenir?

Oui, et le schéma vaut la peine d’être connu. Un récit décrit les hivers de l’IA comme une réaction en chaîne : le pessimisme des chercheurs gagne la presse, les bailleurs de fonds sabrent leurs budgets et la recherche sérieuse se contracte. Dans chaque cas passé, le déclencheur a été un écart entre ce qui avait été promis et ce qui a été livré.

À la fin de 2019, la situation diffère sur des points importants. Une grande partie du financement actuel vient de grandes entreprises technologiques qui utilisent l’IA dans des produits sur lesquels les gens comptent déjà tous les jours, comme la recherche, la traduction, l’étiquetage de photos et la reconnaissance de la parole, plutôt que d’une seule agence gouvernementale. Les ordinateurs sont infiniment plus rapides que les machines de 1974, et les réseaux de neurones, mis au rancart après Perceptrons, sont maintenant le moteur de la plupart des progrès du domaine.

Malgré tout, certains commentateurs mettent en garde contre les promesses excessives autour des voitures autonomes et des annonces d’IA de niveau humain. Pour un débutant, une attitude sensée consiste à surveiller l’écart entre les démonstrations et un usage quotidien fiable. Quand cet écart se resserre, la confiance est méritée; quand il se creuse alors que les promesses continuent de grandir, les conditions d’une vague de froid reviennent.