Types d'intelligence artificielle : la carte complète

Les trois axes de la carte de l'IA

Il n'existe pas de liste officielle unique des types d'IA. Les étiquettes qui prêtent à confusion – IA étroite, IA générative, apprentissage automatique, système expert – ne décrivent pas la même chose : elles répondent à trois questions indépendantes. En séparant ces trois axes, on classe proprement tout système au lieu de mélanger les mots à la mode.

• Capacité – Quelle est l'ampleur de l'intelligence ? De la spécialisation étroite à la généralité hypothétique jusqu'à la superintelligence.
• Mécanisme – D'où vient le comportement ? De règles codées à la main ou de motifs appris à partir de données.
• Résultat – Que produit le système ? Une prédiction ou classification (prédictif) ou du contenu nouveau comme texte, image, code (génératif).

Capacité : étroite, générale et superintelligence

Cet axe concerne la question soulevée par Alan Turing en 1950 : à quel point la machine est-elle générale ? Le point pratique : tout système existant aujourd'hui est une IA étroite (faible). L'IA générale et la superintelligence sont des termes de recherche et de débat, pas des produits disponibles.

• IA étroite/faible (ANI) : spécialisée sur une tâche – traduction, reconnaissance faciale, échecs. ChatGPT en fait aussi partie, aussi polyvalent soit-il.
• IA générale/forte (AGI) : système hypothétique doté d'une intelligence proche de l'humain, transversale aux tâches. N'existe pas ; échéance et faisabilité restent ouvertes.
• Superintelligence (ASI) : système purement spéculatif qui dépasserait l'intelligence humaine dans presque tous les domaines.
• Autre grille (d'après Arend Hintze) : machines réactives (ex. Deep Blue), systèmes à mémoire limitée (les modèles ML actuels), théorie de l'esprit et IA consciente – les deux dernières restent hypothétiques.

Mécanisme : à base de règles contre apprentissage

Le deuxième axe sépare l'IA classique et symbolique de l'IA moderne qui apprend. Les systèmes à base de règles (aussi appelés GOFAI ou systèmes experts, influents depuis les années 1970) suivent des règles si-alors écrites par des humains. Ils sont transparents, déterministes et vérifiables, mais rigides : ce qui n'est pas codé comme règle, ils ne savent pas le faire.

Les systèmes qui apprennent (apprentissage automatique, ML) tirent leur comportement des données au lieu d'être programmés explicitement. Arthur Samuel a forgé le terme dès 1959. L'apprentissage profond avec des réseaux de neurones est la variante aujourd'hui dominante. Ces modèles sont adaptatifs et performants sur les motifs, mais gourmands en données et souvent difficiles à interpréter. Beaucoup de systèmes réels sont hybrides (neuro-symboliques) et combinent les deux mondes.

Résultat : IA prédictive contre générative

Depuis l'essor de ChatGPT, c'est l'axe le plus discuté. L'IA prédictive répond à « qu'est-ce que c'est ? » ou « que se passe-t-il ensuite ? » : elle classe, note ou prévoit. L'IA générative répond à « crée-moi quelque chose de nouveau » : elle produit texte, images, code, audio ou vidéo. Techniquement, les deux partagent souvent les mêmes bases de ML ; les modèles génératifs apprennent en plus à modéliser la distribution des données assez bien pour produire de nouveaux exemples plausibles. L'architecture Transformer de 2017 a rendu possibles les grands modèles de langage actuels.

• Prédictif : filtrage anti-spam, notation de crédit, prévision de la demande, triage médical, reconnaissance d'images, détection de fraude.
• Génératif : modèles de langage (ChatGPT, Claude, Gemini), générateurs d'images (modèles de diffusion), assistants de code, synthèse vocale.

Méthodes d'apprentissage en détail : supervisé, non supervisé, par renforcement

Au sein de l'IA qui apprend, la distinction principale porte sur le type d'entraînement. Elle explique pourquoi certains systèmes exigent des données étiquetées et d'autres apprennent par l'expérience.

• Apprentissage supervisé : à partir d'exemples aux réponses connues (étiquettes), ex. e-mails « spam »/« non spam ». Base de la plupart des applications prédictives.
• Apprentissage non supervisé : trouve une structure sans étiquettes, comme des segments de clients ou des anomalies (clustering).
• Apprentissage par renforcement : apprend par récompense via essais et erreurs ; a permis par exemple AlphaGo (DeepMind, 2016) et le contrôle de robots.
• Apprentissage auto-supervisé : crée le signal d'entraînement à partir des données elles-mêmes et constitue la base du pré-entraînement des grands modèles de langage.

Comment les types se combinent – exemples concrets

Les trois axes sont indépendants ; chaque système se décrit donc comme une combinaison (capacité • mécanisme • résultat). Tous les exemples actuels sont des IA étroites :

• Filtre anti-spam : étroit • apprend (supervisé) • prédictif.
• Moteur de règles fiscales ou de conformité : étroit • à base de règles • déterministe/prédictif.
• ChatGPT / Claude : étroit • apprend (auto-supervisé) • génératif.
• Recommandation de produits en boutique en ligne : étroit • apprend • prédictif.
• AlphaGo : étroit • apprend (par renforcement) • orienté décision.
• Générateur d'images (modèle de diffusion) : étroit • apprend • génératif.

Perspective suisse : choisir et encadrer le bon type d'IA

Le type d'IA doit suivre la tâche, pas la mode. Pour des décisions explicables et réglementées (crédit, assurance, administration publique), les modèles à base de règles ou prédictifs, clairement explicables, sont souvent le meilleur choix. L'IA générative excelle pour les brouillons, résumés et l'idéation, mais comporte ses propres risques : hallucinations, sources floues et fuites de données possibles.

En Suisse, la nouvelle loi sur la protection des données (nLPD) s'applique à l'usage de tout type d'IA ; l'autorité de surveillance est le PFPDT. Quiconque introduit des données personnelles dans des systèmes prédictifs ou génératifs doit clarifier finalité, transparence et contrats de sous-traitance, surtout avec des modèles de langage en nuage. Les entreprises liées à l'UE font aussi face au règlement européen sur l'IA comme cadre supplémentaire fondé sur le risque. La supervision humaine reste le garde-fou pour tous les types.