Dix ans après le match historique d'AlphaGo contre Lee Sedol, un fossé critique demeure entre les capacités de l'IA passée et actuelle. En 2016, le célèbre 'Coup 37' d'AlphaGo a démontré un mélange unique d'intuition et de calcul. Contrairement à Deep Blue, qui s'appuyait sur le calcul par force brute, AlphaGo utilisait un réseau de politiques pour générer des pressentiments et une machinerie de recherche distincte pour peser les conséquences futures. Cette architecture imitait la pensée humaine Système 1 et Système 2, permettant à l'IA d'évaluer des milliers d'états futurs de jeu avant de sélectionner un mouvement créatif.
Les grands modèles de langage d'aujourd'hui fonctionnent autrement. Ils prédisent le prochain jeton de manière itérative, en s'appuyant principalement sur la complétion rapide et associative de motifs. Bien que des techniques comme l'invite chaîne de pensée encouragent des étapes intermédiaires, elles ne créent pas un moteur de raisonnement distinct. La sortie intermédiaire est toujours générée par le même processus de prédiction du prochain jeton, ce qui signifie que l'IA moderne manque de la machinerie délibérative authentique qui a alimenté le succès d'AlphaGo. Pour obtenir des insights fiables et novateurs en science et en médecine, les systèmes futurs doivent intégrer un processus de raisonnement délibéré séparé, plutôt que de se fier uniquement à la complétion de motifs.
Source: MIT Technology Review AI · Résumé par HeadlinesBriefing