Sept chercheurs liés au MIT rejoignent la promotion AI2050 2024

L’intelligence artificielle ne se résume pas aux assistants conversationnels et aux générateurs d’images. Elle transforme aussi, plus discrètement, la recherche sur le travail, la santé, le climat ou encore la façon dont les machines prennent des décisions. La promotion AI2050 2024 illustre cette diversité : elle compte cinq membres du corps professoral du MIT et deux anciens élèves de l’institution.

Les sept parcours distingués ne racontent pas une seule vision de l’IA. Ils rassemblent au contraire des spécialistes de l’économie, de la vision par ordinateur, de l’apprentissage automatique, du traitement automatique des langues et de l’IA médicale. Leur point commun est de travailler sur des questions fondamentales, avec l’ambition de faire émerger des usages réellement utiles à long terme.

AI2050, une bourse construite à partir d’une question sur 2050

L’initiative AI2050 a été conçue et est coprésidée par Eric Schmidt et James Manyika. Elle s’inscrit dans l’engagement philanthropique d’Eric et Wendy Schmidt en faveur de l’innovation scientifique. L’enveloppe annoncée pour accélérer les recherches sur une IA bénéfique s’élève à 12 millions de dollars.

Son principe est volontairement prospectif. Au lieu de demander uniquement ce que l’IA peut accomplir aujourd’hui, le programme invite les chercheurs à partir d’un scénario souhaitable : en 2050, l’intelligence artificielle s’est révélée extrêmement bénéfique pour la société. Quelles difficultés majeures auront été résolues ? Quelles opportunités auront été saisies pour y parvenir ?

Cette formulation déplace le débat. Elle ne consiste pas à prédire une technologie précise ni à promettre que tous les problèmes sociaux seront réglés par des algorithmes. Elle encourage plutôt des recherches capables de répondre à des questions concrètes : comment mesurer les effets de l’IA sur les travailleurs ? Comment utiliser des images et des capteurs pour mieux suivre l’environnement ? Comment éviter qu’un modèle médical soit moins fiable ou moins juste pour certaines populations ?

Les sept chercheurs liés au MIT distingués en 2024

La liste rassemble cinq enseignants alors en poste au MIT et deux anciens élèves poursuivant leur carrière au Canada. Le tableau permet de situer les domaines évoqués pour chacun, sans les réduire à une seule application.

Le chiffre de sept correspond aux personnes liées au MIT mises en avant ici : il additionne les cinq membres du corps professoral et les deux anciens élèves. Il ne doit pas être interprété comme le nombre total de boursiers de la promotion AI2050 2024.

Mesurer ce que l’IA change réellement dans le travail

David Autor, professeur d’économie au MIT et directeur de l’Initiative Shaping the Future of Work, reçoit le statut de boursier senior. Son projet s’intéresse à un sujet qui dépasse largement la technique : l’effet de l’IA sur l’emploi et les revenus.

Son approche repose sur des données en temps réel relatives à l’adoption de l’IA. L’objectif est d’éclairer l’interaction entre ces nouveaux outils et les capacités humaines. Cette précision est essentielle. Les débats sur l’automatisation opposent souvent deux scénarios simplifiés, celui d’une machine qui remplace les salariés et celui d’une technologie qui crée mécaniquement de nouveaux emplois. Dans la réalité, l’effet dépend notamment des tâches réalisées, de l’organisation du travail, des compétences mobilisées et de la manière dont les gains de productivité sont distribués.

Des données observées au moment où les outils sont introduits peuvent aider à distinguer les hypothèses des évolutions réelles. Elles permettent, en principe, de suivre quels secteurs ou métiers adoptent ces systèmes, et de rapprocher cette adoption d’indicateurs sur le travail et les revenus. La recherche de David Autor vise ainsi à mieux comprendre si l’IA complète les compétences humaines, les transforme ou les rend moins demandées dans certaines situations.

Voir l’environnement à l’échelle mondiale grâce à l’IA

La recherche de Sara Beery, boursière en début de carrière et professeur assistant en ingénierie électronique et sciences informatiques, porte sur des méthodes de vision par ordinateur pour la surveillance environnementale à l’échelle mondiale.

La vision par ordinateur désigne les techniques qui permettent à un système informatique d’extraire des informations d’images ou de vidéos. Dans le domaine environnemental, elles peuvent servir à analyser des relevés de caméras, des photographies ou d’autres données visuelles. Mais passer d’une démonstration en laboratoire à une observation fiable du monde réel pose des difficultés considérables.

Sara Beery s’attaque notamment à deux d’entre elles : la qualité des données et les catégories fines. La qualité est déterminante parce qu’une image mal cadrée, un jeu de données incomplet ou un échantillon peu représentatif peuvent dégrader les résultats d’un modèle. Les catégories fines renvoient à la capacité de distinguer des éléments très proches, par exemple des espèces ou des situations qui se ressemblent visuellement mais dont la différence compte pour l’analyse.

L’enjeu est de taille : si les méthodes sont robustes, elles peuvent améliorer la capacité à suivre des phénomènes environnementaux à grande échelle. Mais l’IA ne remplace pas, à elle seule, les observations de terrain et l’expertise scientifique. Elle doit être pensée comme un moyen de traiter et d’organiser davantage de données, tout en rendant visibles ses marges d’erreur.

Décider dans la durée, un défi central pour les machines

Gabriele Farina, également professeur assistant en ingénierie électronique et sciences informatiques et boursier en début de carrière, travaille sur l’optimisation appliquée à la prise de décision séquentielle. Ses recherches se situent à la rencontre de la théorie des jeux et de l’apprentissage automatique.

Une décision est dite séquentielle lorsque chaque choix modifie la situation dans laquelle le choix suivant devra être fait. Ce cadre est très différent d’une tâche ponctuelle, comme classer une image ou répondre à une question isolée. Il faut anticiper les conséquences futures d’une action, gérer l’incertitude et, parfois, tenir compte des réactions d’autres acteurs.

La théorie des jeux fournit des outils pour étudier ces interactions stratégiques. L’apprentissage automatique cherche, lui, à améliorer automatiquement une règle de décision à partir de données ou d’expériences. Les réunir permet d’aborder des problèmes où une IA doit choisir une suite d’actions plutôt qu’une réponse unique. C’est un champ de recherche fondamental pour concevoir des systèmes plus cohérents lorsqu’ils évoluent dans des environnements complexes.

Santé et langage : fiabilité, équité et efficacité au premier plan

Les travaux de Marzyeh Ghassemi rappellent que la performance d’un modèle ne peut pas être évaluée uniquement par un score global. Professeure associée en ingénierie électronique et sciences informatiques, ainsi qu’à l’Institut pour le génie médical et les sciences, elle développe des modèles d’IA robustes et équitables pour les environnements de santé. Elle a notamment été reconnue parmi les 35 Innovators Under 35 de MIT Technology Review.

Dans un contexte médical, la robustesse désigne la capacité d’un système à rester fiable lorsque les conditions changent : données différentes, pratiques de soins variées ou informations incomplètes. L’équité vise à éviter que les performances d’un modèle ne soient systématiquement moins bonnes pour certains groupes de patients. Ces deux exigences comptent particulièrement dès lors qu’une IA est susceptible d’éclairer, même indirectement, une décision ayant des conséquences sur la santé.

De son côté, Yoon Kim travaille sur le traitement du langage naturel et l’apprentissage automatique. Son expertise inclut l’efficacité de l’entraînement de modèles massifs. Le traitement du langage naturel couvre les méthodes qui permettent aux machines d’analyser, de générer ou de transformer des textes. L’efficacité de l’entraînement est devenue un enjeu majeur à mesure que la taille des modèles augmente : entraîner un système plus efficacement peut concerner les méthodes de calcul, l’organisation de l’apprentissage ou l’usage des ressources nécessaires.

Deux anciens élèves du MIT également distingués

La promotion mise en avant comprend aussi Roger Grosse, professeur associé à l’Université de Toronto, et David Rolnick, professeur assistant à Mila-Quebec AI Institute. Tous deux sont d’anciens élèves du MIT.

Roger Grosse est nommé boursier senior. David Rolnick reçoit, lui, le statut de boursier en début de carrière. Leur présence souligne la dimension internationale des trajectoires de recherche en IA : la formation, les laboratoires et les collaborations circulent entre universités et instituts de plusieurs pays.

Les éléments disponibles ne détaillent pas leurs projets AI2050 individuels. Il serait donc imprudent d’attribuer à leur bourse un objectif précis qui n’est pas présenté. Leur distinction s’inscrit néanmoins dans un ensemble de recherches où la question centrale reste celle des conditions nécessaires à une IA bénéfique pour la société.

Ce qu’il faut surveiller après cette promotion

La valeur de ce type de programme se mesure moins à l’annonce d’une sélection qu’aux résultats que les chercheurs pourront ensuite produire : méthodes publiées, jeux de données, outils d’évaluation, collaborations et éclairages nouveaux sur les effets de l’IA.

Pour le travail de David Autor, la question sera de savoir quelles observations les données en temps réel permettront de tirer sur l’emploi et les revenus. Pour Sara Beery, l’enjeu résidera dans la capacité des systèmes de vision par ordinateur à rester utiles malgré l’hétérogénéité des données environnementales. Les recherches de Marzyeh Ghassemi devront, par nature, affronter les exigences élevées de fiabilité et d’équité propres à la santé.

Les travaux de Gabriele Farina et de Yoon Kim renvoient à deux défis techniques durables : prendre de meilleures décisions au fil du temps et entraîner des modèles de langage massifs avec davantage d’efficacité. Ensemble, ces orientations montrent qu’une IA bénéfique ne dépend pas d’une seule innovation spectaculaire. Elle suppose des progrès complémentaires, techniques, scientifiques et sociaux, ainsi qu’une capacité à en mesurer les effets concrets.