IA et régulation, mythes et réalités

De nombreux mythes circulent à propos de l'IA. En résumé, les voici :

1. On distingue l'IA forte et l'IA faible. Une IA forte serait une IA ressemblant à l'humain, capable de fournir des prestations intellectuelles autonomes. C’est l’IA que l’on voit dans les films ; elle n'existe pas dans la réalité. Et personne ne peut dire si elle existera un jour.

2. Le terme d'IA faible regroupe les algorithmes mathématiques qui utilisent l'apprentissage automatique, dit « machine learning ». L'apprentissage automatique est la véritable nouveauté de l'IA faible. Il s'agit en fait de procédés qui tentent de résoudre une tâche donnée à l’aveugle, en d’autres termes, qui essaient de la deviner. Le résultat doit ensuite être évalué par un être humain pour savoir s'il est correct ou non. Lors de la prochaine tentative, l'algorithme utilisera cette évaluation pour deviner un peu mieux.
À l’issue de très nombreux essais de ce type (appelés « entraînement »), l'algorithme parviendra à des solutions de plus en plus précises.

3. L'IA faible (appelée simplement « IA » dans la suite du texte) ne peut donc résoudre que des tâches d’un certain type pour lequel elle a été entraînée. Pour reconnaître l'image d'un chat, l'IA doit avoir été entraînée avec un grand nombre d'images de chats. Et par « un grand nombre », il ne faut pas entendre quelques milliers d'images de chats, mais des millions. Et il n'y a pas que des images de chats. C'est pourquoi, pour une IA, il faut énormément de données et de très nombreuses personnes pour l’entraîner. Toute une industrie s'est développée à partir de là, avec des millions d'employés, principalement dans le Sud et souvent dans des conditions éthiques très douteuses.
L'IA n'est donc pas du tout auto-apprenante.

4. Si une IA a été entraînée à une tâche spécifique, il faut renouveler l’entraînement quand les circonstances changent. Un chat ne va vraisemblablement pas changer d’apparence de façon significative dans les temps à venir. Mais c’est déjà un peu différent pour des objets du quotidien, dans des bâtiments ou avec des agrégats techniques. Il faut alors toujours réentraîner.

5. Même pour des tâches simples, un algorithme d'IA doit effectuer un grand nombre d'étapes de calcul, ce qui nécessite de très grands centres de calcul informatiques qui consomment beaucoup d'électricité. Aujourd'hui, cela représente déjà quatre à cinq pour cent de la consommation mondiale d'énergie, et la tendance est à la hausse. C'est autant que la consommation de pays entiers, comme la Suède ou les Pays-Bas.
Selon certaines estimations, la consommation pourrait augmenter de 30 % dans les prochaines années. Cela représenterait autant d'électricité que la consommation actuelle de la Chine, et environ deux fois plus que les États-Unis. À cela s'ajoute une immense consommation d'eau pour le refroidissement des ordinateurs.

6. Tout cela fait que l'IA n'est pas adaptée à une tâche telle que la régulation de la température d'une pièce. On voit directement qu'un chat est un chat. C'est pourquoi des photos suffisent pour l'entraînement. On ne peut pas voir, en regardant une pièce, comment sa température doit être régulée. Pour entraîner une IA à réguler une pièce, il faudrait des millions de données techniques sur des pièces existantes. Or, ces données n'existent pas. Et comme les techniques de construction évoluent constamment, il faudrait donc se réentraîner en permanence.
Si l'on parle d'IA dans le cadre d'une régulation de chauffage, ce n'est certainement pas pour parler de la régulation elle-même. Définir l'algorithme d'un régulateur à deux points ou d'un régulateur PI comme étant de l'IA serait quand même assez peu réaliste et non professionnel. On pourrait tout aussi bien considérer comme étant de l’IA le théorème de Pythagore sur les triangles rectangles, le crible d’Ératosthène pour déterminer les nombres premiers, ou bien n'importe quelle autre formule de calcul apprise à l’école.
À l'époque, il s’agissait pour toutes ces innovations de résultats de technologie de pointe. Mais cela n'a rien à voir avec l'IA.

Comme THZ utilise un algorithme auto-apprenant dont la caractéristique principale est de n’avoir justement besoin d’aucun entraînement, THZ est tout bonnement meilleur que l’IA, car le système thermocyclique n’a besoin d’aucune donnée préexistante ni d’aucun humain pour vérifier quoi que ce soit.

En outre, ce serait quand même un comble d’utiliser, dans le but d’économiser de l’énergie de chauffage (valeur la plus basse), une technologie qui consomme énormément de courant (valeur la plus haute) et autant d’eau.

C’est tout sauf protéger l’environnement.