Qu’était le rapport Lighthill, et pourquoi a-t-il frappé si durement la recherche britannique en IA?

Au début des années 1970, le principal bailleur de fonds de la science universitaire au Royaume-Uni, le Science Research Council (SRC), avait un problème. Les demandes de financement pour étudier l’intelligence artificielle ne cessaient d’augmenter, et les experts qu’il aurait normalement consultés étaient profondément divisés sur la valeur du domaine. Le Conseil a donc fait quelque chose d’inhabituel. Il a demandé à un éminent scientifique extérieur au domaine de se documenter sur l’IA et de rendre son verdict personnel.

Ce scientifique était Sir James Lighthill, titulaire de la chaire lucasienne de mathématiques appliquées à Cambridge. Son rapport, Artificial Intelligence: A General Survey (L’intelligence artificielle : un tour d’horizon), était sans détour. « Dans aucune partie du domaine, écrivait-il, les découvertes faites jusqu’ici n’ont eu l’impact majeur qui avait alors été promis. »

Ce qui s’est passé, et quand

Le président du SRC, B. H. Flowers, a expliqué son raisonnement dans une préface. Les questions sur l’intelligence étaient si controversées, écrivait-il, qu’il ne croyait pas possible de réunir un comité d’experts neutre. Le point de vue d’une seule personne de l’extérieur semblait plus utile. Lighthill a passé environ deux mois à lire la littérature et à correspondre avec des chercheurs, et il a dressé la liste de dizaines de personnes consultées, parmi lesquelles John McCarthy, Marvin Minsky, Donald Michie, Christopher Strachey et Terry Winograd.

Il a daté son bilan de juillet 1972. Après en avoir discuté en septembre 1972, le Conseil a choisi de le publier en 1973, accompagné de points de vue opposés, sous le titre Artificial Intelligence: a paper symposium. N. S. Sutherland a rédigé une réponse, et R. M. Needham, H. C. Longuet-Higgins et Donald Michie ont ajouté des commentaires. Le Conseil a aussi invité les lecteurs à écrire pour donner leur opinion. En 1973, Lighthill a également défendu ses vues dans un débat public enregistré, intitulé Controversy, face à Michie, McCarthy et Richard Gregory.

Selon des récits ultérieurs, l’un des facteurs de fond était le conflit entre les chercheurs en IA de l’Université d’Édimbourg, qui abritait l’un des plus grands groupes d’IA du Royaume-Uni.

Ce que disait le rapport

Lighthill a classé la recherche en IA en trois groupes, qu’il a désignés par A, B et C :

• A, l’automatisation avancée (Advanced Automation) : remplacer des personnes par des machines pour des tâches précises, comme lire du texte imprimé, reconnaître la parole, traduire des langues ou démontrer des théorèmes.
• C, les études informatiques du système nerveux central : utiliser des programmes pour modéliser le fonctionnement du cerveau et de l’esprit, à l’appui de la psychologie et de la neurobiologie.
• B, le « pont » (Bridge) : les travaux destinés à relier A et C, centrés sur la construction de robots qui combinent la vision, le mouvement et la résolution de problèmes par le sens commun.

Il a constaté des progrès respectables, quoique décevants, en A et en C. Il a jugé la catégorie B la plus décourageante de toutes, et il doutait que l’IA forme un domaine cohérent. Il a fait remarquer que l’ingénierie classique battait souvent l’IA dans les tâches pratiques : un système d’atterrissage automatique pour avions, construit avec des méthodes de commande classiques, faisait déjà mieux que les pilotes humains. La traduction automatique et la reconnaissance générale de la parole avaient englouti de grosses sommes pour peu de résultats.

Il a aussi remarqué une constante parmi les réussites. Les programmes qui fonctionnaient, comme le programme de chimie DENDRAL de Stanford, reposaient sur de grandes quantités de connaissances détaillées sur un seul problème étroit. Les méthodes générales, elles, échouaient sans cesse.

L’explosion combinatoire

Lighthill a nommé une cause avant toutes les autres : l’explosion combinatoire. À mesure qu’un problème grandit, le nombre de combinaisons possibles à vérifier augmente beaucoup plus vite, au point de dépasser rapidement n’importe quel ordinateur. Une méthode qui résout un casse-tête jouet peut être sans espoir devant un vrai problème.

Voici un exemple concret. Supposons qu’un programme doive trouver le meilleur ordre pour visiter un certain nombre de villes :

Ajouter seulement cinq villes multiplie le travail par des centaines de milliers. Des ordinateurs plus rapides n’entament guère de tels nombres. C’est pourquoi, soutenait Lighthill, les démonstrations d’IA qui semblaient impressionnantes dans un petit « monde jouet », comme un robot qui empile des blocs sur une table, ne se transposaient pas au monde réel, bien plus désordonné.

Pourquoi c’était important

Le rapport a donné un poids officiel à des doutes que beaucoup de gens avaient déjà, et il est arrivé au moment où les gouvernements voulaient que la recherche donne des résultats pratiques. On le décrit largement comme la base de la décision du gouvernement britannique de cesser de soutenir la recherche en IA, sauf dans quelques universités; les récits citent Édimbourg, Sussex et Essex parmi celles qui ont continué, même si un résumé très lu dit « deux » tout en nommant les trois. Avec les changements de financement aux États-Unis, il a contribué à provoquer l’effondrement de l’argent et de l’intérêt consacrés à l’IA, qu’on appelle le premier hiver de l’IA.

Lighthill n’était pas contre tout. Il prévoyait des progrès réguliers là où l’IA était étroitement liée à une application réelle, comme la conception assistée par ordinateur ou les bases de données scientifiques, ainsi que dans la modélisation du cerveau liée à la psychologie et aux neurosciences. Ses critiques les plus vives visaient les grandes promesses d’intelligence artificielle générale, comme les prédictions, citées dans son rapport, selon lesquelles les machines dépasseraient l’intelligence humaine d’ici l’an 2000.

Lighthill avait-il raison au sujet de l’intelligence artificielle?

En partie. Son observation centrale, à savoir que la réussite vient d’une connaissance approfondie d’un domaine précis plutôt que d’une intelligence générale, a vite été confirmée par des systèmes experts comme MYCIN, de Stanford, et XCON, de DEC, qui fonctionnaient justement parce qu’ils regorgeaient de connaissances spécialisées. Son avertissement sur l’explosion combinatoire reste vrai : aucune puissance de calcul ne rend la recherche exhaustive praticable pour les grands problèmes.

Il s’est montré trop pessimiste au sujet de la reconnaissance de formes. Il estimait que la lecture de l’écriture manuscrite semblait « complètement hors de portée ». En 2019, les réseaux de neurones lisent couramment les chiffres manuscrits, reconnaissent la parole dans les téléphones et les haut-parleurs intelligents, et traduisent entre les langues assez bien pour un usage quotidien. Ils y sont arrivés en apprenant à partir d’énormes quantités de données, une approche qui avait peu d’appuis en 1972. Même là, son argument sur la recherche s’applique toujours : AlphaGo, de DeepMind, qui a battu le grand joueur de go Lee Sedol en 2016, a réussi en apprenant quels coups ignorer plutôt qu’en les vérifiant tous.

Aujourd’hui, le rapport se lit donc comme une critique juste de l’engouement de son temps et comme l’énoncé honnête d’un véritable obstacle mathématique, accompagnés de prévisions qui sous-estimaient ce que les machines capables d’apprendre finiraient par faire.