L’IA, des origines à aujourd’hui — Une histoire en six minutes

Film en anglais · 4K · Musique originaleVoir dans le lecteur dédié ↗

Regarder le film, puis explorer l’histoire

Six minutes à travers les tournants de l’IA. Explorez les chapitres et leurs sources originales.

Notes des chapitres

01 / 1936 — 2026

Des origines à la frontière

L’IA étudie les machines capables de percevoir, apprendre, raisonner et résoudre des problèmes. Ses fondements précèdent son nom : le film commence en 1936, et 1956 marque une étape dans la constitution du domaine.

Des tournants choisis, pas l’histoire d’un inventeur unique. Les chiffres précisent leur métrique et leur année.

Source [4] · Source [28]

02 / 1936 / 1943

Transformer les idées en calcul

La machine de Turing définit ce qu’un algorithme peut calculer ; elle n’est ni le premier ordinateur physique ni une IA complète. McCulloch et Pitts ont abstrait l’activité neuronale en opérations logiques.

Un neurone artificiel est un modèle de calcul, pas une copie complète du cerveau.

Source [1] · Source [2]

03 / 1950

Une question ouvre l’avenir

Turing a remplacé un débat de définitions par le jeu de l’imitation, fondé sur une conversation écrite. Il a aussi étudié les machines apprenantes et les objections.

La fluidité, la conscience et la fiabilité générale sont distinctes. Une conversation ne prouve pas les trois.

Source [3]

04 / 1955 → 1956

L’intelligence artificielle reçoit son nom

La proposition de Dartmouth date de 1955, la rencontre de 1956. Les idées d’intelligence mécanique existaient déjà, mais ce nom a rassemblé des objectifs communs.

Les ambitions dépassaient les données et les moyens de calcul disponibles.

Source [4]

05 / 1950s — 1960s

Deux voies, une recherche

Les méthodes symboliques utilisent des connaissances explicites ; le perceptron apprend à classer, avec les limites linéaires d’une seule couche. ELIZA reposait surtout sur des mots-clés et des règles de reformulation.

Répondre comme si l’on comprenait ne signifie pas comprendre suffisamment.

Source [5] · Source [6] · Source [7]

06 / 1965 — 1990s

La recherche continue dans l’hiver

Les systèmes experts ont créé de la valeur dans des domaines étroits, mais l’acquisition et la maintenance des connaissances restaient difficiles. Les hivers de l’IA ont varié selon les régions et les périodes.

Le rapport Lighthill et la réponse de McCarthy témoignent du débat. La courbe est conceptuelle, pas une mesure des investissements.

Source [6] · Source [8] · Source [9]

07 / 1986

Apprendre par les erreurs

La rétropropagation utilise la règle de dérivation en chaîne pour calculer les gradients ; un optimiseur modifie les poids. L’article de 1986 a largement diffusé la méthode, sans la créer soudainement.

La profondeur exige aussi stabilité de l’entraînement, données et ressources.

Source [10]

08 / 1990s / 1997

La machine bat le champion

Deep Blue associait matériel spécialisé, recherche et évaluation des positions : une IA dédiée, différente des modèles de langage actuels. L’apprentissage statistique a mis l’accent sur l’évaluation de données inédites.

La généralisation se vérifie sur de nouveaux échantillons et environnements.

Source [11] · Source [28]

09 / 2012

Le tournant de la vision

AlexNet associait réseaux convolutifs, GPU, ReLU et régularisation. Les 15,3 % désignent l’erreur top-5 du système vainqueur décrit dans l’article, pas celle de toutes les configurations individuelles ; le deuxième obtenait 26,2 %.

Une erreur top-5 plus faible est meilleure. Ce n’est pas un taux de précision.

Source [12]

10 / 2016

Un tournant historique pour le go

AlphaGo associait réseaux profonds, recherche et apprentissage par renforcement. En 2016, il utilisait aussi des parties humaines ; AlphaGo Zero a ensuite suivi une autre méthode.

Le plateau est illustratif, pas une reconstitution du match de Lee Sedol ou du coup 37.

Source [13]

11 / 2017

L’attention ouvre une nouvelle époque

L’attention existait avant Transformer. L’article de 2017 proposait une architecture encodeur-décodeur centrée sur elle. Les décodeurs génératifs utilisent généralement un masque causal pour ne pas voir les tokens futurs.

Les poids d’attention représentent un calcul, pas une explication complète ou une trace de pensée.

Source [14]

12 / 2018 — 2020

Un modèle, davantage de tâches

GPT-3 est autorégressif et prédit les tokens suivants. Placer quelques exemples dans le contexte ne signifie pas réentraîner tous les poids à chaque requête.

La taille et la fluidité ne garantissent ni intelligence ni exactitude.

Source [15]

13 / 2020 / 2021

L’IA entre dans les sciences du vivant

AlphaFold2 a amélioré la prédiction des structures par l’apprentissage et des contraintes. Ce n’est ni une simulation complète de la cellule ni un remplacement de toutes les expériences. Le Nobel de chimie 2024 a été partagé entre David Baker et, ensemble, Demis Hassabis et John Jumper.

La protéine animée est conceptuelle, pas une dynamique réelle de repliement.

Source [16] · Source [17]

14 / 2014 → 2022

De reconnaître à créer

Les GAN et la diffusion sont différents. La diffusion ajoute généralement du bruit et apprend à l’enlever. Ce n’est pas un simple collage du web, sans pour autant garantir l’absence de reproduction de données d’entraînement.

Le paysage est procédural. DDPM est une étape, pas la première proposition de diffusion.

Source [18] · Source [19]

15 / 2022.11.30

Une conversation ouvre un accès

ChatGPT n’a créé ni l’IA ni le premier chatbot. Il a réuni un modèle puissant et une interface accessible. Son annonce décrivait l’apprentissage par retours humains et les réponses plausibles mais incorrectes.

Le dialogue a été écrit pour le film. Une réponse naturelle exige des sources et une vérification.

Source [20]

16 / 2023 — 2024

Plus de sens, un monde plus vaste

Gemini 1.5 a illustré la multimodalité et les longs contextes ; Llama 2 a proposé des poids téléchargeables sous licence. Les entrées et sorties varient selon les systèmes.

Ce sont des exemples historiques, pas un classement actuel. Poids, code, données et licences ouverts sont des dimensions distinctes.

Source [21] · Source [22]

17 / 2024 — 2025

Le raisonnement progresse

Le calcul de préentraînement construit le modèle ; celui d’inférence sert à répondre. Les méthodes peuvent utiliser longues étapes, échantillonnage, recherche et vérification. R1 décrit des modèles téléchargeables et des voies de distillation.

L’arbre est schématique, pas la structure de tous les modèles. Vérifiez les résultats, pas seulement la longueur du raisonnement.

Source [23] · Source [24]

18 / 2020s → TODAY

L’intelligence passe à l’action

Le RAG récupère un contexte externe, utile pour actualiser les informations et citer des sources, sans garantir l’exactitude. Les agents organisent des tâches, utilisent des outils et observent les résultats.

Un appel d’outil n’implique pas toujours une forte autonomie. Les permissions et les retours comptent.

Source [25] · Source [26] · Source [29]

19 / 2026 · SNAPSHOT

La vague de l’IA transforme le monde

Un rapport de 2026 ne contient pas seulement des chiffres de 2026. Les 581,7 milliards de dollars concernent l’investissement mondial des entreprises en 2025 ; 58→40 est la variation de l’indice moyen de transparence.

Ce n’est ni une note de capacité ni un lien de causalité. C’est un instantané annuel vérifié.

Source [27] · Source [28]

20 / THE NEXT CHAPTER

Nous écrivons le prochain chapitre

Le film finit par des questions, sans inventer une date d’arrivée de l’AGI. Fiabilité en environnement ouvert, partage des bénéfices, évaluation et gouvernance restent des enjeux techniques et sociaux.

Les possibilités futures se distinguent de l’histoire déjà accomplie.

Source [28] · Source [29]

Sources et lectures

Poursuivez avec les publications originales, les institutions et les annonces de produits.

← Retour aux articles