L’IAG est l’aboutissement logique des recherches sur l’IA : un ensemble d’algorithmes digitaux capables d’aborder les problèmes et d’évaluer de manière critique les informations avec la flexibilité et la profondeur de la cognition humaine. En d’autres termes, l’IAG ne se contente pas d’imiter l’intelligence, elle fait preuve elle-même d’intelligence, aussi clairement et indéniablement que n’importe quelle personne.
Si cela semble infaisable, c’est parce que l’IAG est encore un domaine théorique. Aucune véritable IAG n’a jamais été créée. L’intelligence artificielle d’aujourd’hui est impressionnante, mais elle n’a pas de réelle capacité cognitive, ce qui signifie qu’elle ne peut pas réellement penser par elle-même comme ses utilisateurs le peuvent. Elle n’est pas consciente d’elle-même comme un être pensant.
C’est le principal point qui différencie l’IA de l’IAG. Pour être plus précis, les différences entre l’intelligence artificielle générale et l’intelligence artificielle peuvent être résumées de la manière suivante :
- L’IA fonctionne sur la base de règles et de modèles de données prédéfinis. Elle ne peut prendre des décisions que dans les limites de ce qu’elle a appris de ses données d’entraînement.
- L’IAG serait, hypothétiquement, capable de raisonner de manière sophistiquée dans tous les domaines, et pourrait développer de nouvelles approches de résolution des problèmes qui pourraient différer des modèles de raisonnement humain. Elle serait capable de gérer des concepts abstraits, de s’engager dans des analyses logiques complexes et potentiellement de découvrir de nouvelles façons de penser que les humains n’auraient pas prises en compte.
Le développement de l’IA repose avant tout sur le souhait de créer des systèmes capables d’automatiser des tâches complexes. L’IA et l’IAG présentent des limites différentes en termes de possibilités.
- L’IA est conçue pour des tâches spécifiques telles que la reconnaissance d’images ou la traduction. Elle ne peut pas généraliser les connaissances ou transférer des compétences entre différents domaines.
- L’IAG pourrait effectuer un large éventail de tâches, imitant la polyvalence de l’intelligence humaine. L’IAG s’adapterait aux nouvelles tâches de manière autonome, sans avoir besoin de réentraînement ou de programmation plus spécifique.
Tous les modèles d’IA reposent sur des données d’entraînement initiales, mais ils peuvent également améliorer leurs performances en fonction de nouvelles données, évoluer et s’améliorer au fil du temps.
- L’IA apprend à partir de grands ensembles de données dans un domaine restreint. Certaines IA intègrent le machine learning pour identifier des schémas lorsqu’elles rencontrent de nouvelles données, ce qui améliore leur capacité à accomplir des tâches spécifiques avec une précision croissante.
- L’IAG serait capable d’intégrer les apprentissages de nouvelles données, mais ne serait pas limitée à un domaine spécifique. À l’instar de l’humain, l’IAG serait capable d’apprendre et d’évoluer sur n’importe quel sujet auquel elle serait exposée.
Pour comprendre le contexte, il est nécessaire d’interpréter les informations et d’y répondre en fonction des circonstances et des nuances, en tenant compte des différences subtiles entre les informations, qui peuvent être difficiles à quantifier.
L’IA a une compréhension contextuelle limitée et elle a souvent du mal à distinguer des nuances. Elle nécessite généralement des données claires et structurées pour fonctionner correctement.
L’objectif de l’IAG est de comprendre et interpréter le contexte comme le ferait une personne humaine. Cette capacité lui permettrait d’interagir plus naturellement avec les humains.
La résolution de problèmes généraux implique de relever un large éventail de défis à l’aide d’une approche polyvalente. Il s’agit de la capacité à évaluer efficacement les nouveaux problèmes pour élaborer des solutions viables.
L’IA résout des problèmes spécifiques pour lesquels elle a été entraînée. Elle manque de flexibilité pour résoudre les problèmes imprévus en dehors de sa programmation.
Théoriquement, l’IAG pourrait résoudre un large éventail de problèmes, en utilisant une intelligence générale utilisant des compétences humaines en résolution de problèmes. L’IAG pourrait appliquer dynamiquement ses connaissances et ses compétences à des défis nouveaux et variés.
Le terme d’intelligence artificielle générale est apparu pour la première fois en 2007 et existe depuis bien plus longtemps en tant que concept. Pendant tout ce temps, il est resté davantage une théorie qu’une réalité concrète. La GenAI a ramené ce concept dans le champ du possible pour de nombreux théoriciens et pourrait être la première étape notable depuis des années vers la réalisation d’une véritable IAG.
La capacité de la GenAI à appliquer des techniques d’apprentissage profond pour créer du nouveau contenu (texte, images, vidéo, audio, etc.) catégoriquement similaire à ses données d’entraînement tout en restant original et distinct nous rapproche de l’IAG. Toutefois, l’IA générative et l’IAG ne sont pas la même chose.
Malgré les capacités impressionnantes de la GenAI, ces systèmes présentent toujours les mêmes limites que l’IA. En revanche, l’intelligence artificielle générale pourrait théoriquement reproduire l’ensemble des capacités cognitives humaines et bien plus encore. Elle aurait la flexibilité nécessaire pour comprendre, apprendre et appliquer les connaissances dans divers contextes et tâches, et aurait des compétences de raisonnement et de résolution de problèmes équivalentes à celles de l’humain. Elle pourrait également améliorer les capacités génératives, au-delà de ce que la GenAI peut faire aujourd’hui.
Au vu des progrès impressionnants réalisés par l’IA au cours de la dernière année, il peut être tentant de considérer l’IAG comme inévitable, voire imminente. La réalité est que plusieurs avancées devront encore être réalisées avant que l’IA puisse enfin franchir le cap vers une véritable intelligence générale. Les éléments suivants sont essentiels pour combler le fossé entre l’IA dite « étroite » et les processus de pensée polyvalents typiquement humains promis par l’IAG :
Les systèmes d’IA doivent être capables d’interpréter et de traiter les sons avec la même sensibilité spatiale et la même nuance que les humains. Il s’agit notamment de distinguer les sons qui se chevauchent et d’identifier les sources sonores dans des environnements complexes, ce qui est essentiel pour les applications telles que les assistants virtuels avancés et les systèmes autonomes fonctionnant dans des environnements dynamiques.
L’IA doit reconnaître et interpréter avec précision les entrées visuelles, y compris les différences subtiles de couleur et de texture, pour effectuer certaines tâches, telles que l’imagerie médicale avancée, le contrôle qualité en production industrielle et l’analyse vidéo en temps réel.
Les systèmes d’IA ont besoin d’une véritable intelligence spatiale, qui leur permet de naviguer dans les environnements physiques et d’interagir avec eux comme le font les humains. Il ne s’agit pas simplement de « voir » le monde physique : l’IA doit comprendre pleinement l’espace 3D, reconnaître les relations entre les objets et prévoir les interactions physiques. Une IAG dotée d’intelligence spatiale pourrait interpréter la dynamique spatiale en temps réel, en adaptant ses actions en fonction de la disposition et des changements de son environnement, plutôt que de s’appuyer uniquement sur le GPS ou des cartes prédéfinies.
L’IAG doit être capable d’identifier les problèmes et de concevoir des solutions efficaces de manière indépendante. Cela implique non seulement de comprendre le contexte du problème, mais également de faire preuve de bon sens et d’avoir un raisonnement prédictif pour résoudre des problèmes inédits, de la même manière que les humains innovent dans le cadre du processus de résolution des problèmes.
Les systèmes d’IA mobiles doivent naviguer dans des environnements complexes de manière autonome et sécurisée, sans intervention humaine. Cela inclut non seulement le suivi des coordonnées GPS, mais également l’ajustement dynamique aux nouveaux obstacles, aux changements de conditions et aux événements imprévus, tous ces éléments étant essentiels pour des applications telles que les véhicules entièrement autonomes et les systèmes de livraison robotisés.
Bien que moins important pour les systèmes purement informatiques, le développement de la motricité fine est essentiel pour les tâches physiques qui exigent précision et dextérité. Cette avancée permettra aux robots d’effectuer des activités aussi complexes que les procédures chirurgicales et les opérations d’assemblages délicates dans la production industrielle.
Pour que l’IAG puisse exister, l’IA doit aller au-delà du traitement d’informations isolées et atteindre une compréhension complète du contexte. Cela inclut la capacité à saisir les significations implicites, les codes sociaux et des structures linguistiques complexes propres au langage humain.
L’IA générative peut imiter la créativité, mais elle n’est pas créative. L’IAG devra être capable de générer des idées totalement nouvelles et des solutions créatives, ce qui nécessitera un ensemble de connaissances diversifiées et une capacité à synthétiser celles-ci de manière innovante.
Enfin (et il s’agit peut-être de l’avancée la plus lointaine), l’IAG pourrait interagir de manière fluide avec les humains sur le plan émotionnel. Reconnaître et répondre aux signaux émotionnels non verbalisés et comprendre les dynamiques sociales constitue un domaine extrêmement subtil et complexe de l’interaction sociale, qui pose des difficultés même à de nombreux humains. Il est donc d’autant plus compliqué d’enseigner cette capacité aux systèmes d’IA.
L’IAG est encore loin d’être une réalité, mais des solutions d’IA avancées sont déjà disponibles aujourd’hui. ServiceNow fournit ces solutions d’IA à votre entreprise, grâce à la puissance de la Now Platform®. La suite complète d’applications centralisées de ServiceNow intègre l’IA au cœur de ses activités, offrant ainsi un puissant levier aux organisations de toutes tailles.
Automatisez les workflows complexes. Améliorez le service client avec des agents virtuels disponibles en continu. Classez et acheminez facilement les demandes vers les bons agents. Fournissez des réponses rapides et précises aux requêtes détaillées. Extrayez des informations exploitables à partir des données business pour identifier les tendances des clients et du marché. Et enfin, améliorez vos opérations business tout en réduisant les coûts à tous les niveaux. La Now Platform n’est pas une IAG d’entreprise, mais elle y ressemble beaucoup.
Pour découvrir tous les avantages des solutions d’IA business les plus avancées actuellement, planifiez une démonstration avec ServiceNow dès aujourd’hui !
