Les types d'IA : pourquoi ton GPS et ChatGPT ne jouent pas dans la même cour

« De l'IA », il y en a dans ton GPS, dans le filtre anti-spam de ta boîte mail, dans les recommandations Netflix et dans ChatGPT. Le même mot pour quatre technologies qui n'ont presque rien en commun. Résultat : les vendeurs de logiciels collent « IA » sur tout, et toi tu ne sais plus ce que tu achètes. Cette leçon te donne la carte mentale qui manque : quatre familles imbriquées comme des poupées russes. À la fin, tu sauras dire en une phrase ce qui sépare ton GPS de ChatGPT, et tu repéreras les promesses commerciales qui ne tiennent pas debout.

Les 4 familles imbriquées

L'IA classique : des règles écrites par des humains

La première famille d'IA fonctionne comme une recette de cuisine géante. Des experts écrivent les règles à la main, la machine les applique très vite. Ton GPS calcule le chemin le plus court parmi des millions de routes possibles : aucun apprentissage, un algorithme et une carte. Deep Blue, vu à la leçon 1, appartient à cette famille. Cette approche fonctionne tant qu'on peut écrire toutes les règles. Pour reconnaître un visage ou comprendre une phrase, personne n'a jamais réussi : il y a trop de cas particuliers. Il fallait une autre approche.

Le machine learning : la machine apprend des exemples

Au lieu de programmer la solution, on montre des exemples. Tu l'as déjà vécu sans le savoir : un paiement par carte à 3 heures du matin, à 9 000 kilomètres de chez toi, et ta banque bloque la transaction avant même que tu aies vu le SMS d'alerte. Personne n'a écrit la règle « bloquer les achats nocturnes à l'étranger ». Le système anti-fraude a appris, sur des millions de transactions, à quoi ressemble un achat normal pour toi : tes montants, tes horaires, tes commerçants habituels. Dès qu'un paiement s'écarte trop du motif appris, il lève la main. Le chercheur Tom Mitchell en a donné la définition de référence en 1997 : un programme apprend quand sa performance sur une tâche s'améliore avec l'expérience. Retiens la bascule : avec le machine learning, la qualité d'un programme dépend moins du code que des données qu'on lui montre.

Le deep learning : des couches qui voient de plus en plus loin

Le deep learning est un machine learning particulier : les exemples passent à travers un réseau de neurones artificiels organisé en couches. Sur une photo, les premières couches détectent des bords, les suivantes des formes, les dernières un visage entier. Plus il y a de couches (d'où le « deep », profond), plus le réseau capte des motifs abstraits. C'est la technologie d'AlexNet en 2012, et c'est elle que Yann LeCun, Yoshua Bengio et Geoffrey Hinton ont décrite dans la revue Nature en 2015, avant de recevoir le prix Turing, l'équivalent du Nobel en informatique. Sans deep learning, pas de reconnaissance vocale, pas de traduction automatique correcte, et pas de ChatGPT.

L'IA générative : la machine produit, au lieu de classer

Les trois familles précédentes classent, prédisent ou calculent : ce mail est-il un spam, quel est le meilleur itinéraire. L'IA générative fait autre chose : elle produit du contenu qui n'existait pas. Un texte, une image, une voix, du code. Les LLM comme ChatGPT, Claude ou Mistral en sont le visage le plus connu : des réseaux de neurones géants, entraînés sur une bonne partie du web, capables de générer du texte mot après mot. C'est la poupée la plus récente, la plus petite sur le schéma, et pourtant celle qui a déclenché la vague que tu vis depuis 2022. Comment elle produit ce texte, c'est exactement le sujet de la leçon 3.

Et l'« IA générale », alors ?

Tu croiseras le terme AGI, pour « intelligence artificielle générale » : une IA qui serait aussi polyvalente qu'un humain sur n'importe quelle tâche intellectuelle. Sois au clair : elle n'existe pas. C'est un objectif de recherche, pas un produit. ChatGPT excelle sur le texte et reste incapable de conduire ta voiture ou de gérer ton agenda de bout en bout sans supervision. Quand une plaquette commerciale te promet une « IA qui comprend tout », tu sais maintenant que c'est du marketing. Les questions à poser : quelle famille d'IA, entraînée sur quelles données, pour quelle tâche précise.