Le test de Turing, proposé par le mathématicien et pionnier de l’informatique Alan Turing en 1950, est l’un des concepts les plus influents dans le domaine de l’intelligence artificielle (IA). Ce test, qui semblait au départ être une simple idée théorique, a évolué au fil du temps et est devenu une mesure cruciale dans l’évaluation de l’intelligence artificielle moderne. Dans cet article, nous explorerons l’importance historique et contemporaine du test de Turing, son évolution, les objections auxquelles il a été confronté et comment nous avons atteint un point où l’IA peut réussir ce test.
La proposition originale : le jeu de l’imitation
Alan Turing, dans son article « Computing Machinery and Intelligence » publié en 1950, posait une question fondamentale : «Les machines peuvent-elles penser ?«. Au lieu de définir directement ce que signifie « penser », Turing a proposé un critère opérationnel pour évaluer l’intelligence : le « test de Turing ». Ce test est basé sur un jeu d’imitation dans lequel un interrogateur humain interagit avec deux entités cachées, un humain et une machine, via un terminal informatique. Le but est de déterminer lequel est lequel. Si la machine peut tromper l’interrogateur plus de 30 % du temps après cinq minutes d’interaction, alors elle est considérée comme ayant réussi le test.
La motivation du test de Turing
Le test de Turing est basé sur l’idée que si une machine peut tromper un être humain en lui faisant croire qu’elle interagit avec une autre personne, alors cette machine peut être considérée comme intelligente. Turing souhaitait fournir un test pratique et accessible pour mesurer l’intelligence artificielle, s’éloignant des définitions philosophiques et métaphysiques abstraites qui prédominaient à son époque. Il souhaitait trouver un moyen concret de déterminer si une machine était capable de penser, en évitant les débats interminables sur la nature de l’esprit et de la conscience. Cette approche lui a permis d’éviter les complexités philosophiques et de se concentrer sur une évaluation empirique de l’intelligence artificielle. De plus, Turing cherchait à remettre en question le scepticisme de ses contemporains quant à la possibilité pour les machines de penser. En proposant un test concret et réalisable, il a ouvert la porte à la recherche et au développement dans le domaine de l’IA, posant ainsi les bases d’innovations futures.
Prédictions du test de Turing
Dans son article influent, Alan Turing a fait plusieurs prédictions audacieuses sur l’avenir de l’intelligence artificielle. Turing pensait que les progrès dans la capacité de stockage et de traitement des ordinateurs permettraient le développement de programmes suffisamment sophistiqués pour tromper les interrogateurs humains dans le contexte du test de Turing. Il prévoyait que, dans environ 50 ans (autour de l’an 2000), il serait possible de programmer des ordinateurs avec une capacité de stockage d’environ 109 bits (équivalent à environ 125 mégaoctets) pour réussir le « jeu de l’imitation » ou test de Turing. Turing espérait qu’avec le temps, la société accepterait l’idée que les machines puissent penser, remettant en question les notions traditionnelles d’intelligence et de conscience. Sa vision était qu’à mesure que les machines démontreraient de plus en plus de capacités humaines, la distinction entre intelligence humaine et intelligence artificielle deviendrait moins claire et plus acceptée. En 2000, beaucoup affirmaient que les prédictions de Turing avaient échoué, car les machines ne pouvaient pas passer le test avec le niveau de sophistication attendu.
Evolution du test de Turing
Au cours des années 1950 et 1990, des systèmes d’IA tels que ELIZA (1966) et PARRY (1972) ont démontré des capacités limitées à simuler des conversations humaines, mais n’ont pas réussi le test de Turing de manière significative. Ces systèmes étaient capables de gérer des conversations dans des contextes spécifiques, mais n’ont pas réussi le test dans une conversation générale. Dans les années 1990 et 2000, le développement des réseaux de neurones et de l’apprentissage automatique a amélioré les capacités des systèmes d’IA. Cependant, les modèles de cette époque étaient encore confrontés à des défis importants pour réussir le test de Turing dans sa forme complète.
Les grands modèles de langage en intelligence artificielle et la date de réussite du test
L’avancée la plus notable dans la réussite du test de Turing s’est produite avec le développement de modèles linguistiques à grande échelle dans les années 2010. Voici quelques étapes clés :
- 2019 : OpenAI lance GPT-2, un modèle de langage basé sur l’architecture du transformateur. Bien que GPT-2 n’ait pas complètement réussi le test de Turing dans toutes les situations, il a montré des capacités impressionnantes dans des contextes spécifiques.
- 2020 : GPT-3, également développé par OpenAI, a constitué une avancée significative en termes de capacité et de maîtrise du langage naturel. Avec 175 milliards de paramètres, GPT-3 a été capable de générer un texte cohérent et contextuellement pertinent, et a montré des capacités qui ont failli réussir le test de Turing dans de nombreuses interactions.
- 2023 : GPT-4 a réussi à améliorer encore la capacité à gérer des conversations complexes et longues. GPT-4 a démontré sa capacité à réussir le test de Turing dans une variété de scénarios et à afficher un niveau de cohérence et de pertinence dans les réponses qui rendait souvent difficile la distinction entre une machine et une personne.
Quels types de questions sont difficiles pour une IA ?
Dans le test de Turing, certaines questions ou types d’interactions peuvent révéler la différence entre une machine et un être humain, notamment dans des contextes impliquant des capacités cognitives complexes, une compréhension profonde ou une intuition émotionnelle. Voici quelques types de questions et de sujets souvent difficiles pour les machines :
Expériences et émotions personnelles
Des questions comme « Quel est votre plus beau souvenir ? » et « Comment vous sentez-vous lorsque vous êtes seul ? »** sont difficiles pour une IA, manquant d’expériences personnelles et d’émotions authentiques. Bien qu’ils puissent simuler des réponses basées sur des données et des modèles, ils ne peuvent pas fournir de véritables réponses basées sur des expériences vécues.
Connaissances contextuelles ou culturelles approfondies
« Qu’est-ce que ça fait de vivre dans la ville où vous êtes né ? » ou encore « Comment célébrez-vous les festivités culturelles dans votre pays ? »** semblent être des questions simples, puisque les IA peuvent avoir accès à des informations générales sur les contextes culturels. Cependant, une IA peut avoir du mal à proposer des réponses nuancées qui reflètent une compréhension authentique de l’expérience culturelle ou sociale.
Bon sens ou interprétation ambiguë
En réponse à la question « Pourquoi les gens trouvent-ils drôle une blague sur la mort ? » et « Comment savoir si quelqu’un est sarcastique ? » nécessite de comprendre les nuances subtiles du langage qui peuvent être difficiles pour les IA car elles reposent sur la compréhension du contexte et l’interprétation émotionnelle.
Créativité ou pensée abstraite
Des questions telles que « Pouvez-vous écrire un poème sur la nature ? » et « Connaissez-vous de nouvelles idées pour une invention ? » Cela peut paraître anodin, puisque les IA actuelles peuvent générer du contenu créatif. Mais ils s’appuient souvent sur des modèles et des exemples antérieurs plutôt que sur une véritable créativité ou une pensée abstraite originale.
Jugements moraux éthiques
Les IA n’ont pas de boussole morale ni la capacité de vivre personnellement des dilemmes éthiques. Leurs réponses sont basées sur des règles ou des données préprogrammées, et non sur une compréhension approfondie de l’éthique.
Longue conversation contextuelle
Nous laissons le plus difficile pour la fin. Bien que les modèles avancés comme GPT-4 puissent gérer de longues conversations, des réponses cohérentes et une adaptation dans le contexte d’une conversation prolongée peuvent encore présenter des défis. Proposer des sujets comme « Racontez-moi une histoire complète sur un événement important de votre vie » ou « Racontez-moi comment votre point de vue sur un sujet précis a changé au fil des années » peut encore mettre certains chatbots dans l’embarras, s’ils ne se contentent pas de vous ignorer et de passer à un autre sujet.
Est-il vraiment inquiétant qu’une IA réussisse le test de Turing ?
Est-il vraiment inquiétant qu’une IA réussisse le test de Turing ? Le test de Turing est un test qui consiste à déterminer si l’intelligence artificielle est indiscernable de celle d’un être humain dans son comportement. Lorsque Eugene Goostman, un chatbot qui simulait un garçon ukrainien de 13 ans, a obtenu de bons résultats en 2012 lors du plus grand concours de tests de Turing de l’histoire, des questions ont été soulevées sur la capacité d’une machine à donner des réponses humaines. c’était un grand exploit pour l’époque car 29 % des juges ont conclu qu’elle était humaine. Deux ans plus tard, les ingénieurs russes derrière Eugene ont atteint un taux de réussite de 33 %, raison pour laquelle certains affirment qu’il s’agissait du premier développement à réussir le test.
Cela soulève des questions sur la pensée humaine et si les machines peuvent vraiment penser comme nous ou peuvent-elles nous faire croire qu’elles le font grâce à ce jeu d’imitation de Turing.
Alternatives au test de Turing
Bien qu’il existe des alternatives au fameux test de Turing, ce continue d’être une référence en intelligence artificielle.
Le test Marcus, créé par le professeur de psychologie Gary Marcus, propose de mesurer la manière dont les ordinateurs interprètent l’humour, le sarcasme ou l’ironie, dont disposent actuellement certains chatbots.
Le test Lovelace 2.0 se concentre sur la créativité dans l’écriture d’histoires de fiction, de poèmes ou d’œuvres d’art, dont nous constatons également qu’elle a été dépassée aujourd’hui.
Terry Winograd, un autre professeur de psychologie, a proposé comme capacité différentielle qu’ils puissent comprendre le contexte sous-jacent d’une phrase, sur laquelle sont basés les tests actuels tels que l’évaluation générale de compréhension du langage.
Le Turing à l’envers est apparu dans les années 2000 et c’est ce qui a inspiré ce que nous connaissons aujourd’hui sous le nom de Captchas, ces tests que de nombreux sites Web nous demandent pour prouver « que nous ne sommes pas une machine ».
Impact du test de Turing sur l’IA
Le test de Turing a inspiré les chercheurs et les développeurs à concevoir des machines plus sophistiquées, capables d’interagir plus efficacement avec les humains, ce qui a eu un impact profond sur le développement de l’intelligence artificielle. Même s’il a fait l’objet de critiques et a évolué au fil du temps, il reste un outil précieux pour comprendre et mesurer la capacité des machines à simuler l’intelligence humaine. En outre, cela a donné lieu à des débats cruciaux sur la nature de l’intelligence et de la conscience dans les machines. C’est probablement aussi la raison pour laquelle beaucoup se souviennent d’Alan Turing, un mathématicien qui avait contribué à la fin de la Seconde Guerre mondiale en brisant le chiffre allemand ENIGMA et en aidant les Alliés.
This post is also available in: