ArchéologIA : une brève histoire de l’IA (2)

L’externalisation de la réflexivité

L’histoire de l’intelligence artificielle ne peut se réduire à une simple chronologie d’innovations technologiques. Elle relève plutôt d’un dialogue continu et complexe entre ce que nous pensons de l’esprit et ce que nous tentons de reproduire techniquement. Contrairement à l’idée reçue, les facultés humaines ne sont pas l’original dont l’IA ne serait qu’une copie amoindrie. Au contraire, chaque avancée technologique reconfigure et transforme simultanément notre compréhension de la cognition elle-même. Ce processus d’externalisation ne fait pas qu’imiter la pensée : il la révèle à elle-même sous un jour nouveau, redéfinissant récursivement ce que signifie penser.

Ce miroir technocognitif opère une double fonction : il matérialise nos conceptions théoriques de l’esprit tout en nous obligeant à reconsidérer nos conceptions face aux capacités et limitations des systèmes créés. L’histoire de l’IA devient ainsi une archéologie des métaphores dominantes de l’esprit à chaque époque.

La machine logique (1940-1960)

Dans les années 1940, les fondements théoriques de l’IA sont posés par des pionniers comme Alan Turing, qui publie en 1950 Computing Machinery and Intelligence (Mind, vol. 49, p. 433-460). Ce texte fondateur introduit le célèbre « test de Turing », qui marque un tournant épistémologique crucial : l’intelligence n’y est plus définie par une essence intérieure, mais comme le résultat d’une attribution basée sur des comportements observables. Cette conception behavioriste élude délibérément la question de la conscience pour se concentrer sur la fonctionnalité.

John von Neumann développe parallèlement l’architecture informatique qui porte son nom, concrétisant la vision de la pensée comme manipulation algorithmique de symboles selon des règles précises. Cette architecture, qui sépare mémoire et unité de traitement, imprègne encore notre vision contemporaine de la cognition : nos théories de la mémoire humaine sont profondément marquées par cette séparation technique originelle.

La conférence de Dartmouth College en 1956, réunissant John McCarthy, Marvin Minsky, Allen Newell et Claude Shannon, officialise la naissance du terme « intelligence artificielle ». Cette rencontre cristallise une conception mécaniste et rationaliste de l’intelligence : la pensée est envisagée comme un système formel de traitement d’information, entièrement reproductible par des manipulations logiques.

Cette période est dominée par une métaphore fondamentale : l’esprit humain comme ordinateur logique, opérant des déductions à partir de règles explicites. Le programme de recherche qui en découle vise moins à imiter le cerveau biologique qu’à reproduire les opérations logiques considérées comme l’essence de la pensée rationnelle. Cette approche « top-down » incarne l’héritage cartésien d’une cognition désincarnée, indépendante du corps et des émotions.

L’échec des experts (1960-1990)

Dans les années 1960-1980, la recherche s’oriente vers les « systèmes experts », tentant de codifier des savoirs spécialisés en règles explicites. MYCIN pour le diagnostic médical ou DENDRAL pour l’analyse chimique incarnent cette approche. La pensée est alors conçue comme l’application méthodique d’heuristiques et de connaissances spécifiques à des domaines précis.

Cette période marque l’apogée de l’IA symbolique et de sa vision de l’intelligence comme manipulation de représentations abstraites. L’expertise humaine est décomposée en règles « si-alors » formalisables, présupposant que le savoir expert peut être entièrement explicité et algorithmisé. Ce faisant, la première IA reproduit et renforce une conception de la pensée comme processus conscient, verbalisable et fondamentalement logique.

Les deux « hivers de l’IA » (1974-1980 et 1987-1993) révèlent les limites profondes de cette conception. Le rapport Lighthill (1973) pointe les promesses non tenues du domaine : incapacité à traiter l’ambiguïté, rigidité face à l’imprévu, difficultés d’adaptation aux contextes changeants.

Ces échecs ne sont pas simplement techniques, mais conceptuels : ils révèlent que la pensée humaine ne se réduit pas à l’application consciente de règles formelles.

Cette crise dévoile la première grande confrontation entre notre image idéalisée de l’esprit (logique, explicite, décontextualisée) et ses manifestations réelles (contextuelles, implicites, adaptatives). La pensée experte s’avère largement tacite, incorporée, et résistante à la formalisation exhaustive. Ce constat force un changement de paradigme : l’abandon progressif de l’hypothético-déductif au profit de l’induction statistique, et du raisonnement explicite vers l’apprentissage implicite.

La boîte noire (1990-2010)

Développées depuis les années 1940 avec le perceptron de Frank Rosenblatt, les approches connexionnistes connaissent une renaissance décisive avec l’algorithme de rétropropagation de Rumelhart, Hinton et Williams (1986). Cette approche incarne une vision radicalement différente de la cognition : la pensée n’y est plus un processus algorithmique explicite, mais un phénomène émergent issu d’interactions multiples entre unités simples, à l’image présumée du cerveau.

Le succès du connexionnisme marque l’entrée dans l’ère de la « boîte noire » cognitive : contrairement aux systèmes experts dont chaque règle est explicite, les réseaux neuronaux distribuent la « connaissance » dans des configurations de poids synaptiques impossibles à interpréter directement. Cette évolution technique reflète et renforce une conception de l’intelligence comme largement inconsciente et distribuée, échappant à l’introspection immédiate.

Ce tournant consacre le passage de la programmation à l’apprentissage : l’Intelligence n’est plus conçue comme l’exécution de règles prédéfinies, mais comme la capacité à extraire des régularités statistiques de l’expérience. Les victoires symboliques comme celle de Deep Blue contre Kasparov (1997) illustrent cette transition, même si ce système spécifique combine encore approches symboliques et statistiques.

Cette évolution reflète un changement profond dans notre conception de la connaissance : celle-ci n’est plus vue comme un corpus de règles explicites, mais comme un ensemble de patterns implicites, de corrélations et d’associations dont la cohérence émerge de l’exposition répétée à des situations similaires. La pensée devient ainsi fondamentalement statistique et probabiliste, rejoignant certaines théories bayésiennes de la cognition humaine.

L’opacité assumée du deep Learning (2010-2020)

L’avènement du deep learning, avec ses réseaux à multiples couches cachées, représente l’aboutissement de la tendance vers l’opacité algorithmique. Ces systèmes, rendus possibles par l’explosion des capacités de calcul et l’abondance des données fonctionnent comme des boîtes noires par excellence : même leurs créateurs ne peuvent expliquer précisément comment ils parviennent à leurs résultats.

La victoire d’AlphaGo contre Lee Sedol en 2016 symbolise ce changement de paradigme : le système a développé des stratégies que les experts humains ont jugées « créatives » et « non intuitives ». Cette performance ne résulte pas d’une programmation explicite, mais d’une capacité émergente issue de l’apprentissage massif. Le parallèle avec l’intuition experte humaine devient saisissant : comme le joueur de go expert qui « sent » le bon coup sans pouvoir toujours l’expliquer, l’IA profonde développe une forme d’expertise opaque.

Cette évolution technique correspond à une réévaluation majeure de notre cognition : la reconnaissance croissante du rôle de l’inconscient cognitif dans la pensée humaine. Les travaux en psychologie sur le « système I » (Kahneman) ou les processus implicites soulignent combien notre propre pensée opère largement sous le seuil de la conscience.

L’opacité des réseaux neuronaux profonds devient ainsi un miroir troublant de notre propre opacité cognitive : nous prenons des décisions, formulons des jugements et développons des intuitions sans accès direct aux processus qui les génèrent. La boîte noire de l’IA reflète et matérialise la boîte noire de notre propre esprit, révélant que la transparence logique idéalisée par les premiers modèles d’IA était peut-être elle-même une illusion.

L’imagination artificielle (2020-présent)

L’IA générative marque un nouveau tournant conceptuel : la pensée n’est plus seulement vue comme capacité à résoudre des problèmes ou à classifier des données, mais comme faculté à anticiper et imaginer des possibles. Les modèles diffusifs, les GANs, et surtout les grands modèles de langage comme GPT matérialisent cette conception de l’intelligence comme projection probabiliste dans des espaces de possibilités.

Ces systèmes ne se contentent plus d’analyser ce qui est, mais proposent ce qui pourrait être : textes, images, musiques qui n’existaient pas auparavant. Cette capacité générative reflète une dimension fondamentale de la cognition humaine longtemps négligée dans les modèles computationnels : l’imagination, la faculté à recombiner des éléments connus pour créer du nouveau.

Les LLMs contemporains incarnent une tension nouvelle dans la relation entre transparence et opacité. D’un côté, leur nature langagière leur permet d’expliciter partiellement leurs « raisonnements » (comme dans le « chain-of-thought prompting »), suggérant une forme de transparence. De l’autre, les processus d’attention et de prédiction qui sous-tendent ces verbalisations demeurent largement opaques.

Cette tension reflète notre propre rapport complexe à la conscience réflexive : nous pouvons verbaliser nos raisonnements, mais cette verbalisation est souvent une reconstruction a posteriori plutôt qu’un accès direct aux processus cognitifs sous-jacents. L’IA générative nous renvoie ainsi à la question fondamentale de l’introspection : dans quelle mesure avons-nous réellement accès aux mécanismes de notre propre pensée sans modifier absolument celle-ci ?

Ghost in the shell

L’histoire de l’IA révèle un processus de co-évolution : nos conceptions théoriques de l’esprit influencent le développement des technologies d’IA, qui en retour transforment notre compréhension de la cognition humaine. Cette boucle récursive opère depuis les débuts de l’informatique : nous avons d’abord projeté nos idéaux rationalistes sur les machines, puis reconnu dans nos échecs techniques les limites de ces idéaux.

Chaque paradigme d’IA a ainsi fonctionné comme une métaphore active de l’esprit, non pas simplement en le représentant, mais en reconfigurant notre conception même de ce qu’est la pensée. L’ordinateur logique, le système expert, le réseau neuronal et le modèle génératif ne sont pas de simples analogies, mais des modèles opérationnels qui transforment ce qu’ils prétendent imiter.

Notes :

[1] Comme nous le proposons dans notre module pédagogique, produit avec l’Inria, « Qu’est-ce que l’IA » : https://cafeia.org/qu-est-ce-que-l-ia/

[2] Cette histoire de l’IA est la reprise d’un article de Gregory Chatonsky, « Archéolog IA » in « Espèces d’IA », Terrain n°82, printemps 2025. https://journals.openedition.org/terrain/