médecine/sciences 2024 ; 40 : 283-6

Histoire
et perspectives
Pour une biologie
de l’intelligence
moléculaire
artificielle
darwinienne
Alaedine Benani
Pierre Sonigo

REPÈRES
L’intelligence artificielle (IA) constitue une étape
importante dans l’évolution des techniques infor-
matiques. Dans cette synthèse, nous discutons de la
genèse de l’intelligence artificielle en nous appuyant Service de médecine vasculaire,
sur les principales publications scientifiques depuis hôpital européen Georges
l’article fondateur d’Alan Turing en 1950, dans lequel il Pompidou (HEGP), AP-HP,
posait la question : « can machines think? » [1]. Université Paris-Cité, Paris,
L’IA se réfère à des systèmes informatiques capables France.

PERSPECTIVE / HORIZONS
d’effectuer des tâches nécessitant habituellement une [Link]@[Link]
intelligence humaine, allant de la résolution de pro-
blèmes abstraits à la reconnaissance vocale [2]. Cette Une histoire de l’intelligence artificielle
idée fut longtemps théorique et utopique. Or, depuis
quelques années et l’avènement de l’apprentissage Les origines et les pionniers : Alan Turing
profond [3], l’IA se rapproche progressivement de cette et la question de la pensée artificielle
définition. Le concept de pensée artificielle trouve ses origines
L’innovation principale de ces nouveaux types d’algo- dans les travaux d’Alan Turing, un pionnier dans le
rithmes réside dans leur capacité à effectuer des domaine de l’informatique et de la philosophie de
actions pour lesquelles ils n’ont pas été spécifiquement l’intelligence artificielle. Turing évoque un modèle
codés, contrairement aux systèmes experts et aux algo- théorique d’une machine capable d’exécuter des algo-
rithmes heuristiques utilisés jusqu’à présent. En effet, rithmes si avancés et si complexes qu’ils deviendraient
les réponses de ChatGPT1, les images de Midjourney2, indissociables d’une intelligence humaine.
ou les publicités proposées par Meta3, n’ont pas été Ce concept est fondamental pour la compréhension des
particulièrement écrites, dessinées ou choisies par des objectifs des équipes de recherche en IA. Les travaux
développeurs. Elles sont le fruit d’algorithmes qui ont d’Alan Turing ont en effet exercé une influence considé-
été entraînés pour proposer, eux-mêmes, le meilleur rable sur les centres de recherche en mathématiques et
résultat possible à une tâche spécifique. en informatique durant la seconde moitié du XXe siècle.
Leur impact grandissant se constate dans plusieurs Ses idées visionnaires ont stimulé la formation de
domaines de la médecine, où les algorithmes d’IA diverses équipes animées par le désir de développer des
apportent une aide au diagnostic [4], à la stratifica- algorithmes « apprenants ».
tion de risque [5], à l’analyse d’images (y compris en Un algorithme « classique » est une séquence d’instruc-
imagerie interventionnelle [6]), à la personnalisation tions finie et bien définie, qui décrit la réalisation d’une
des traitements [7], etc. L’IA s’immisce dans notre quo- tâche donnée. Il est fondé sur des étapes logiques et
tidien progressivement, soulevant des enjeux cliniques, structurées qui, lorsqu’elles sont déroulées, permettent
éthiques et sociétaux à mesure que son utilisation se d’atteindre un objectif spécifique. En combinant plusieurs
généralise. algorithmes de ce type, on obtient un « système expert ».

Les systèmes experts : l’évolution

vers des programmes informatiques capables
Vignette (© Lightwise/123RF).
1 ChatGPT est un algorithme générant du texte développé par la société OpenAI.
de résoudre des problèmes complexes
2 Midjourney est un algorithme générant des images à partir de texte, développé Les systèmes experts sont des programmes informa-
par David Holz. tiques développés pour modéliser et reproduire l’exper-
3 Meta est l’entreprise mère de Facebook, Instagram, WhatsApp, dont le modèle

économique est principalement fondé sur des publicités personnalisées. tise humaine dans des domaines spécifiques. Construits

m/s n° 3, vol. 40, mars 2024 283

[Link]

Livre_EDK_Mars2024.indb 283 13/03/2024 [Link]

 sur des bases de connaissances et sur des règles, ces systèmes visent à ficative de la puissance de calcul, la forte accélération
résoudre des problèmes complexes en utilisant des processus logiques de la production et du stockage de données structurées,
pour arriver à des conclusions. Ils sont testés en soumettant des scé- et l’émergence progressive d’un marché qui entretient
narios variés pour vérifier leur capacité à fournir des réponses ou des le développement de ce domaine.
solutions conformes à des normes établies.
Dans les années 1960 à 1990, des systèmes experts notables ont vu le Puissance de calcul et évolution des techniques :
jour, tels que Dendral [8], conçu pour l’analyse de spectrométrie de rôle des GPU, initialement conçus pour les jeux vidéo,
masse en chimie organique, et MYCIN [9], spécialisé dans le diagnostic dans l’accélération de l’IA
et le traitement des bactériémies. Cependant, malgré leur efficacité La récente accélération de l’intelligence artificielle est
dans des domaines spécifiques, ces systèmes avaient des limites : ils liée à l’évolution des techniques, notamment à l’émer-
étaient statiques, utilisant des règles fixes, incapables d’apprentissage, gence des GPU4 (graphics processing unit), des proces-
d’adaptation ou de généralisation. Cela a conduit à une évolution vers seurs dédiés au traitement graphique (contrairement aux
l’intelligence artificielle, visant à produire des systèmes plus dyna- CPU [central processing unit] plus génériques et moins
miques pour gérer des scénarios plus complexes et diversifiés. puissants), qui, à l’origine, étaient destinés à l’industrie
des jeux vidéo. L’industrie des jeux vidéo est extrêmement
L’avènement de l’apprentissage automatisé puis de l’apprentissage demandeuse de processeurs puissants, capable d’effec-
profond tuer plus d’opérations par seconde dans un espace
L’évolution de l’intelligence artificielle moderne est intimement liée à toujours plus réduit. Cela a progressivement permis de
l’avènement de l’apprentissage automatisé (ou en anglais, machine développer des microprocesseurs dédiés aux calculs
learning) [10]. Dans les années 1980 et 1990, ces algorithmes ont matriciels très puissants, qui ont été ensuite utilisés pour
introduit des approches permettant aux machines de s’améliorer en traiter des bases de données et des réseaux de neurones.
utilisant des données et des expériences antérieures, éliminant ainsi la Plusieurs travaux ont montré comment ces GPU, conçus
nécessité d’une programmation explicite pour chaque tâche. pour manipuler des images et des graphiques de manière
L’apprentissage profond (ou deep learning), une sous-catégorie de intensive, ont trouvé une application inattendue dans
l’apprentissage automatisé, s’est ensuite avéré crucial dans le déve- l’accélération des calculs nécessaires à l’apprentissage
loppement de l’intelligence artificielle moderne. Il est principalement profond [11].
caractérisé par l’utilisation de réseaux de neurones. Sans aucun lien
avec la physiologie du cerveau humain (la tentation d’anthropomor- Production exponentielle de données exploitables :
phisme est facile, mais largement inexacte), ce système fonctionne sur la numérisation de la vie quotidienne
la logique d’optimisation de fonctions mathématiques. Une autre raison de l’avènement actuel de l’IA est la
Un réseau de neurones se compose de couches successives de « neurones » production exponentielle des données exploitables,
qui correspondent à des fonctions qu’il s’agit d’optimiser, c’est-à-dire telles que les images, les vidéos, les audios et les
minimiser la perte (la différence) entre les données d’entraînement (les textes structurés. La numérisation croissante de la vie
exemples donnés à l’algorithme) et le résultat fourni par l’algorithme. quotidienne via l’utilisation généralisée d’ordinateurs
Chaque neurone reçoit des signaux (les données d’entrées), les pondère personnels, d’Internet, des smartphones et des objets
et génère une sortie (le résultat final). Ces signaux sont transmis à travers connectés a engendré une masse importante de don-
des couches successives, chaque couche effectuant des opérations com- nées. Cette croissance exponentielle des données a
plexes pour extraire des caractéristiques des données entrantes. Lorsque alimenté l’IA en fournissant un réservoir sans cesse
la sortie n’est pas satisfaisante (en comparaison aux données d’entrées), croissant de données à analyser et à exploiter [12].
les pondérations des neurones des couches intermédiaires changent. Ce vaste réservoir d’informations est notamment exploité
Cette opération d’optimisation (de modification des pondérations) est par des géants technologiques, tels que les réseaux
effectuée de manière itérative, parfois plusieurs milliards de fois, jusqu’à sociaux et les plateformes de télécommunication, comme
obtenir en sortie un résultat qui paraît optimal. Google, Meta, Apple, Microsoft (principal investisseur
Ces réseaux sont utilisés dans de très divers domaines : reconnais- d’OpenAI, l’entreprise mère de ChatGPT) et bien d’autres.
sance d’images, de son, traduction, recommandation, tâches de clas- Ces entreprises stockent et analysent les données pour
sification, etc. entraîner les réseaux de neurones et autres modèles d’IA.
Il est important de souligner que cette abondance de
Pourquoi maintenant ? données est en grande partie alimentée par nos propres

L’évolution récente, et de plus en plus rapide, de l’apprentissage auto- 4 GPU, pour Graphics Processing Unit, est une unité de calcul spécialisée dans le
matisé trouve son fondement dans plusieurs facteurs majeurs. Ces traitement de l’image. Les GPU sont donc optimisés pour les opérations mathé-
matiques sur des matrices de données, contrairement aux processeurs classiques
facteurs peuvent être résumés en trois points : l’augmentation signi- (CPU), qui sont donc moins rapides pour ces calculs.

284 m/s n° 3, vol. 40, mars 2024

Livre_EDK_Mars2024.indb 284 13/03/2024 [Link]

 actions. Nos interactions, nos préférences, nos comportements en ligne, que Kaggle5, ont institué des défis pour évaluer et com-
tout cela contribue à façonner les modèles d’IA. Cette utilisation des parer les avancées des modèles d’IA. Ces plateformes
données pose cependant un défi majeur en termes de biais. Ces modèles ont un rôle de détermination de l’état de l’art et du gold
peuvent en effet refléter et renforcer des préjugés existants, car ils sont standard qui s’est révélé très important pour comparer
formés sur des ensembles de données qui peuvent être influencées par les différentes approches [16]. Les dernières évolutions
des biais humains. Un service (par exemple Meta) qui est moins utilisé en date, telles que les algorithmes génératifs, donnent
dans une partie du monde (par exemple en Russie ou en Chine) sera lieu à des perspectives en médecine et en sciences qui
beaucoup moins entraîné sur les données de cette population, et les suscitent un intérêt global [17].
algorithmes seront ainsi biaisés et inadaptés à un usage dans cette zone

REPÈRES
géographique. Cette limite est importante à connaître en cas d’utilisa- Perspectives à court terme
tion d’algorithme d’apprentissage automatisé, en médecine, à l’échelle
d’un patient dont les caractéristiques socio-démographiques, morpho- L’apprentissage automatisé façonne un paysage en
logiques, biologiques, etc., ne correspondent pas au corpus d’entraîne- constante évolution. Les progrès récents comprennent
ment de l’algorithme en question. des systèmes de langage de plus en plus sophistiqués,
Il est aussi important de noter les motivations économiques que ces tels que ChatGPT ou les réseaux neuronaux pour des
entreprises technologiques cachent derrière l’utilisation de ces don- tâches de vision par ordinateur et de reconnaissance
nées massives. L’IA est devenue un pilier de leurs modèles commer- du langage naturel. Les implications de ces avancées
ciaux, alimentant des produits et des services de plus en plus person- touchent divers secteurs, notamment la médecine [18],

PERSPECTIVE / HORIZONS
nalisés et adaptés, renforçant ainsi leur compétitivité et leur valeur redéfinissant la relation entre l’homme et la machine.
sur leurs marchés d’intérêt (essentiellement celui de la publicité).
Algorithmes génératifs : exploration des avancées
Émergence d’un marché : le marché de la publicité comme principal récentes
utilisateur des algorithmes de classification Les algorithmes génératifs de langage, aussi appelé LLM
L’essor de l’IA est intimement lié à l’émergence d’un marché massif (large langage models) représentent une avancée signi-
utilisant des algorithmes de classification. Des recherches ont sou- ficative dans le domaine de l’intelligence artificielle,
ligné le rôle prédominant de l’industrie publicitaire dans l’utilisation offrant la capacité de produire du contenu original et
des techniques d’IA pour le ciblage, la personnalisation et l’optimisa- cohérent. Après les progrès accomplis dans les algo-
tion des annonces [13]. rithmes de classification, de détection et de prédiction,
Les algorithmes de classification sont employés pour analyser les les systèmes génératifs sont devenus des piliers essen-
préférences des utilisateurs, leurs habitudes de navigation et de tiels de cette évolution.
consommation, permettant aux annonceurs de diffuser des publicités Parmi ces systèmes, ChatGPT se démarque nettement.
personnalisées [14]. Ces applications massives et commerciales ont Fondé sur des modèles de langage pré-entraînés sur des
motivé le perfectionnement des techniques d’IA et ont contribué à leur ensembles massifs de données, notamment des milliards
diffusion généralisée à travers de multiples secteurs d’activité. de textes issus d’Internet, il opère sur un mécanisme de
L’utilisation d’algorithmes de classification pour l’optimisation publi- prédiction de texte en utilisant des modèles de langage
citaire marque le tout premier champ d’application de l’intelligence statistique. En d’autres termes, lorsqu’on lui soumet une
artificielle. Cette industrie de la publicité est devenue le marché le phrase d’introduction, une question ou une amorce (éga-
plus important et le plus lucratif au monde. lement appelée « prompt »), il génère la suite logique ou
Ce marché a joué un rôle prépondérant dans la valorisation et la mon- la réponse anticipée en fonction des probabilités établies
tée en puissance des entreprises technologiques et de la recherche en au cours de son entraînement massif.
sciences des données, stimulant l’importance d’une formation dans les Fondamentalement, ce processus se résume à une
universités pour répondre à la quête incessante de talents en intelli- fonction de probabilité. L’algorithme génératif attribue
gence artificielle. Cette demande de formation a déclenché une pression des probabilités à chaque mot ou ensemble de mots,
élevée sur les systèmes d’enseignement, incitant à la mise en place de déterminant ainsi la séquence suivante la plus probable
programmes académiques ciblés, favorisant la recherche et le dévelop- en fonction du contexte donné [19]. C’est une prouesse
pement dans le domaine de l’IA et le regroupement avec d’autres sujets issue de modèles mathématiques sophistiqués, pro-
de recherche et d’études (optimisation par exemple [15]). pulsée par des couches de réseaux de neurones qui
Les besoins croissants en algorithmes de classification et de prédiction, apprennent des structures linguistiques complexes.
pour anticiper les « clics » (pointages) sur des publicités particulières
ou pour effectuer des tâches de reconnaissance d’images par exemple, 5 Kaggle est une plateforme web interactive proposant des compétitions d’intel-

ont suscité l’organisation de compétitions annuelles largement média- ligence artificielle. Elle fournit des jeux de données que les compétiteurs utilisent
pour créer des algorithmes répondant à une tâche spécifique. L’algorithme présen-
tisées dans le monde de la science des données. Des plateformes, telles tant les meilleures performances remporte la compétition.

m/s n° 3, vol. 40, mars 2024 285

Livre_EDK_Mars2024.indb 285 13/03/2024 [Link]

 Cette avancée intéresse grandement le monde de la médecine [20]. LIENS D’INTÉRÊT
L’auteur déclare n’avoir aucun lien d’intérêt concernant les données
publiées dans cet article.
Implications de l’IA : impacts et évolutions prévisibles
Les implications de l’apprentissage automatisé, en particulier des RÉFÉRENCES
algorithmes génératifs, dans le domaine médical ont ouvert de nou-
velles perspectives et soulevé des enjeux majeurs. Ces avancées sug- 1. Turing AM. Computing machinery and intelligence. Mind 1950 ; 236 : 433-60.
gèrent des possibilités prometteuses et des changements significatifs 2. Patil M, Gaikwad R, Dedania R, et al. Artificial Intelligence: How
Communication with Machine Will Evolve. International Jounal of Engineering
dans la manière dont la médecine est pratiquée, enseignée et exploi- Research and Technology 2017 ; 5.
tée pour la recherche. 3. LeCun Y, Bengio Y, Hinton G. Deep learning. Nature 2015 ; 521 : 436-44.
4. Aneja S, Chang E, Omuro A, et al. Applications of artificial intelligence in
Ces algorithmes génératifs trouvent leur utilisation dans diverses tâches neuro-oncology. Curr Opin Neurol 2019 ; 32 : 850-6.
conversationnelles en médecine : en éducation thérapeutique [21], 5. Mishra SG, Takke AK, Auti ST, et al. Role of Artificial Intelligence in Health
suivi médical, aide à la décision, et télésurveillance notamment. Ils Care. BioChemistry: An Indian Journal 2017 ; 11 : 120.
6. Min J, Kwak M, Cha J. Overview of Deep Learning in Gastrointestinal
facilitent la création de conversations intelligentes et fournissent des Endoscopy. Gut Liver 2019 ; 13 : 388-93.
informations médicales personnalisées aux patients. L’utilisation de ces 7. Iqbal M, Javed Z, Sadia H, et al. Clinical applications of artificial intelligence
and machine learning in cancer diagnosis: looking into the future. Cancer
techniques, pendant les consultations médicales, permet également une Cell International 2021 ; 21 : 270-81.
rédaction automatique de comptes rendus détaillés [22]. 8. Burlingame AL, McPherron RV, Wilson DM. Nonheuristic computer determination
Si ces cas d’usages offrent des avantages majeurs par l’optimisation of molecular structure based upon carbon-13 nuclear magnetic resonance
data: branched alkanes. Proc Natl Acad Sci U S A 1973 ; 70 : 3419-22.
de temps qu’ils offrent aux soignants, ils ne sont pas exempts de 9. Shortliffe EH. Mycin: A Knowledge-Based Computer Program Applied
risques. Les erreurs, les biais et les limites des algorithmes génératifs to Infectious Diseases. Proceedings Annual Symposium on Computer
Application in Medical Care1977 ; 66-9.
sont des problèmes préoccupants. Des erreurs médicales peuvent 10. Fradkov AL. Early History of Machine Learning. IFAC-Papers OnLine 2020 ; 53 :
résulter d’une interprétation incorrecte des données ou d’une mau- 1385-90.
vaise évaluation des informations [23]. 11. Steinkraus D, Buck I, Simard PY. Using GPUs for machine learning algorithms.
Proceedings of the Eighth International Conference on Document Analysis
Ainsi, bien que les algorithmes génératifs présentent des avancées and Recognition (ICDAR’05) 2005 ; 1115-9.
remarquables pour la médecine, leur utilisation doit être encadrée et 12. Hilbert M, López P. The World’s Technological Capacity to Store,
Communicate, and Compute Information. Science 2011 ; 332 : 60-5.
surveillée étroitement pour minimiser les risques d’erreurs ou de biais, 13. Qin X, Jiang Z. The Impact of AI on the Advertising Process: The Chinese
garantissant une pratique médicale éthique et sûre. Experience. Journal of Advertising 2019 ; 48 : 1-9.
14. Kasinathan A, Kasthurirangan D, Bhagavathy S. The Prevalence and
Predominance of Artificial Intelligence in YouTube Advertisements in
Conclusion et perspectives Shaping the Lifestyle of the Budding Generation. Handbook of Research
on Lifestyle Sustainability and Management Solutions Using AI, Big Data
Analytics, and Visualization 2022 ; 206-20.
L’apprentissage automatisé, appelé improprement intelligence artificielle, 15. Causmaecker P. Data Science Meets Optimization. International Conference
a évolué à pas de géant. Les progrès dans les systèmes de langage comme on Optimization and Decision Science, 2017.
GPT-4 et les avancées dans l’analyse d’images ou la génération de texte 16. Zimmermann J. Data Competitions: Crowdsourcing with Data Science
Platforms. The Machine Age of Customer Insight 2021 ; 1 : 183-97.
vont redéfinir la relation entre les médecins, les patients, les chercheurs et la 17. Haque M, Dharmadasa I, Sworna, et al. “I think this is the most disruptive
technologie. Ces outils ont le potentiel d’améliorer le diagnostic, la prise de technology”: Exploring Sentiments of ChatGPT Early Adopters using Twitter
Data. ArXiv 2022.
décision, la stratification de risque, le suivi et l’éducation thérapeutique. Ces 18. Waisberg E, Ong J, Masalkhi M, et al. GPT-4: a new era of artificial
progrès auront des répercussions sur la vie des individus et sur les systèmes intelligence in medicine. Ir J Med Sci 2023 ; 192 : 3197-200.
de santé. Explorer ces possibilités en amont est une étape incontournable à 19. Feldman P, Pan S, Foulds J. The Keyword Explorer Suite: A Toolkit for
Understanding Online Populations. ArXiv 2023.
une bonne adaptation future à ces innovations. Cependant, ces avancées 20. Sallam M. The Utility of ChatGPT as an Example of Large Language Models
ne sont pas sans risques. Les erreurs et les biais des algorithmes génératifs in Healthcare Education, Research and Practice: Systematic Review on the
Future Perspectives and Potential Limitations. Healthcare 2023 ; 11 : 887-90.
sont des préoccupations majeures en médecine. Il est donc impératif de 21. Hopkins A, Logan J, Kichenadasse, et al. AI chatbots will revolutionize how
réguler étroitement l’utilisation de ces techniques pour garantir une pratique cancer patients access information: ChatGPT represents a paradigm-shift.
médicale éthique et sûre. Une utilisation détournée, même involontaire, peut JNCI cancer spectrum 2023 ; 7.
22. Dave T, Athaluri SA, Singh S. ChatGPT in medicine: an overview of its
mener à des résultats dégradés. Par exemple, un médecin ne sachant pas applications, advantages, limitations, future prospects, and ethical
que GPT-4 n’est qu’un modèle statistique de génération de texte, peut penser considerations. Front Artif Intell 2023 ; 6 : 1169595.
23. Ahuja AS. The impact of artificial intelligence in medicine on the future role
que la réponse à une question médicale (bibliographique par exemple) est of the physician. PeerJ 2019 ; 7.
exacte, alors qu’elle est le fruit d’une « hallucination » [24]. 24. Liu T, Zhang Y, Brockett C, et al. A Token-level Reference-free Hallucination
Aussi enthousiasmants que soient ces nouvelles méthodes algorith- Detection Benchmark for Free-form Text Generation. ArXiv 2021.

miques, maintenir une approche raisonnée, appliquer la méthode scien-

tifique, les confronter au jugement clinique, et respecter les règles de
l’éthique sont donc des prérequis qui semblent indispensables à toute
implémentation à grande échelle. TIRÉS À PART
History and vision of artificial intelligence A. Benani

286 m/s n° 3, vol. 40, mars 2024

Livre_EDK_Mars2024.indb 286 13/03/2024 [Link]