Prix Nobel de physique 2024 : John Hopfield et Geoffrey Hinton, pionniers de l’IA

Un aimant, des particules qui interagissent et un système capable de reconnaître une image incomplète : ces notions de physique sont au cœur du prix Nobel de physique 2024. Le 8 octobre 2024, l’Académie royale suédoise des sciences a attribué cette distinction à John Hopfield et Geoffrey Hinton pour des « découvertes et inventions fondamentales qui permettent l’apprentissage automatique avec des réseaux de neurones artificiels ». Les deux chercheurs se partagent une dotation de 11 millions de couronnes suédoises.

La nouvelle est remarquable à plus d’un titre. L’intelligence artificielle est souvent associée aux assistants conversationnels, aux images générées par ordinateur ou aux recommandations sur les plateformes numériques. Or la récompense remonte à des travaux plus fondamentaux, menés principalement dans les années 1980. John Hopfield et Geoffrey Hinton ont montré que des idées employées pour décrire le comportement collectif de la matière pouvaient aussi servir à faire apprendre des machines.

Une récompense pour les fondations de l’apprentissage automatique

Un réseau de neurones artificiels est un modèle informatique composé d’unités reliées entre elles. Chaque connexion reçoit un poids, c’est-à-dire une importance numérique. Lorsqu’il est entraîné sur de nombreux exemples, le système ajuste ces poids afin de repérer des régularités : reconnaître une forme dans une image, classer un signal, estimer une valeur ou associer des informations entre elles.

L’expression « neurone artificiel » peut prêter à confusion. Ces systèmes ne reproduisent pas un cerveau humain dans toute sa complexité. Ils en retiennent une idée très simplifiée : de nombreuses unités reliées peuvent produire un comportement collectif difficile à obtenir avec une suite de règles écrites à la main.

C’est ici que la physique entre en jeu. La physique statistique étudie ce qui se passe lorsqu’un très grand nombre d’éléments interagissent, par exemple les particules d’un gaz ou les minuscules moments magnétiques d’un matériau. Plutôt que de suivre chaque élément isolément, elle cherche des lois globales, des états stables et des probabilités. Hopfield comme Hinton ont réemployé ce langage mathématique pour penser l’apprentissage et la mémoire dans des réseaux artificiels.

John Hopfield et la mémoire associative

En 1982, John Hopfield a présenté un réseau qui porte désormais son nom. Son idée était de relier des unités binaires, qui peuvent prendre deux états, de façon à ce que le système se stabilise progressivement. Cette construction s’inspirait d’un modèle de la physique du magnétisme, dans lequel des éléments comparables à de minuscules aimants s’influencent mutuellement.

Dans un réseau de Hopfield, certaines configurations sont plus stables que d’autres. Elles peuvent représenter des souvenirs ou des motifs enregistrés. Si l’on présente au réseau une information incomplète ou perturbée, il peut évoluer vers le motif stable le plus proche. C’est le principe de la mémoire associative : retrouver une information entière à partir d’un fragment.

Un exemple simple permet de saisir l’intuition. Imaginons qu’un système ait enregistré plusieurs formes. On lui présente ensuite l’une d’elles avec des parties manquantes. Au lieu de comparer mécaniquement tous les pixels, le réseau fait évoluer l’ensemble de ses unités jusqu’à atteindre une configuration cohérente. Le processus ressemble, sur le plan mathématique, à un système physique qui cherche un état d’équilibre.

Cette approche a été importante parce qu’elle proposait une description claire des réseaux récurrents, c’est-à-dire des réseaux dans lesquels les unités peuvent s’influencer en boucle. Elle a aussi montré qu’un problème de mémoire et de reconnaissance pouvait être formulé à l’aide d’une fonction d’énergie : le réseau tend vers des états où cette fonction diminue.

Geoffrey Hinton et la machine de Boltzmann

Geoffrey Hinton a, de son côté, développé une autre voie fondée sur la physique statistique : la machine de Boltzmann. Là où le réseau de Hopfield peut être décrit comme cherchant un état stable, la machine de Boltzmann intègre explicitement une part d’aléa. Ses unités ne basculent pas toujours de manière déterministe. Elles suivent des probabilités, à la manière des particules dont le comportement collectif dépend aussi de fluctuations thermiques.

Cette dimension probabiliste permet au modèle d’apprendre des structures présentes dans les données. En observant des exemples, il ajuste les connexions entre ses unités afin de rendre certaines configurations plus plausibles que d’autres. Il peut notamment s’appuyer sur des unités cachées, qui ne correspondent pas directement aux données fournies mais contribuent à représenter leurs régularités.

L’idée était ambitieuse : au lieu de programmer manuellement les caractéristiques à rechercher, laisser un réseau découvrir des propriétés statistiques dans un grand ensemble de données. L’apprentissage des machines de Boltzmann s’est toutefois révélé coûteux en calcul, ce qui a limité leur emploi direct à très grande échelle. Leur importance est néanmoins considérable dans l’histoire de l’apprentissage automatique, car elles ont contribué à installer les modèles probabilistes et les représentations internes au centre de la discipline.

Pourquoi un prix Nobel de physique pour des travaux sur l’IA ?

Le choix peut surprendre, car les réseaux de neurones sont fréquemment rangés dans l’informatique. Mais les travaux distingués en 2024 reposent bien sur des concepts et des outils de physique. John Hopfield a employé une structure inspirée de systèmes magnétiques pour créer une mémoire associative. Geoffrey Hinton a utilisé des idées de physique statistique pour mettre au point une méthode d’apprentissage susceptible de découvrir des propriétés dans les données.

La frontière entre disciplines est, dans ce cas, particulièrement féconde. La physique ne sert pas seulement à construire des machines ou à mesurer des phénomènes naturels. Elle fournit aussi des méthodes pour étudier des systèmes composés d’un très grand nombre d’éléments en interaction. Un réseau de neurones comporte justement de très nombreux paramètres qui doivent évoluer ensemble. Les notions d’équilibre, d’énergie et de probabilité offrent alors un cadre pour comprendre et optimiser ce comportement collectif.

Le Nobel ne récompense donc pas une application grand public précise, ni un logiciel particulier. Il salue une contribution théorique et méthodologique : avoir établi des ponts durables entre l’étude de la matière et l’apprentissage par les données.

Des idées devenues centrales pour analyser des données complexes

Les réseaux neuronaux ont pris une place majeure dans la recherche parce qu’ils sont capables de traiter des données nombreuses, bruitées ou difficiles à décrire avec des règles simples. Une image scientifique, un signal de détecteur, une séquence biologique ou des mesures météorologiques contiennent souvent des motifs trop subtils pour être isolés à l’œil nu.

Dans ce contexte, l’apprentissage automatique peut aider les chercheurs à classer, filtrer, comparer ou modéliser les informations. Parmi les champs où ces méthodes sont employées figurent notamment :

• la physique des particules, pour analyser de très grands volumes de données expérimentales ;
• l’étude du climat, pour exploiter des séries de mesures et améliorer l’analyse de phénomènes complexes ;
• la biologie et la médecine, où images, séquences et données cliniques peuvent contenir des régularités utiles ;
• l’ingénierie, pour détecter des anomalies, prévoir certains comportements ou optimiser des systèmes.

Il faut toutefois éviter un raccourci fréquent : un réseau de neurones ne remplace pas automatiquement la méthode scientifique. Il apprend à partir des exemples qui lui sont fournis. La qualité des données, le choix du modèle, les tests réalisés et l’interprétation humaine restent déterminants. Une prédiction très performante n’explique pas nécessairement le mécanisme physique ou biologique qui la sous-tend.

Les avancées récompensées par le Nobel ont surtout aidé à installer une idée devenue centrale : un système peut apprendre des représentations utiles sans que toutes les caractéristiques pertinentes aient été définies à l’avance par un programmeur. C’est cette capacité qui a ouvert la voie à de nombreuses recherches ultérieures sur les réseaux multicouches et l’apprentissage profond.

Ce que le Nobel dit, et ne dit pas, sur l’IA actuelle

La remise du prix Nobel de physique à John Hopfield et Geoffrey Hinton signale l’importance scientifique des réseaux de neurones artificiels. Elle ne signifie pas pour autant que toutes les formes d’IA sont comprises, fiables ou adaptées à tous les usages. Les systèmes modernes peuvent produire des erreurs, reproduire des biais présents dans leurs données ou donner des résultats difficiles à expliquer.

Le prix ne doit pas non plus être interprété comme une assimilation entre intelligence artificielle et intelligence humaine. Les réseaux récompensés sont des modèles mathématiques. Ils peuvent accomplir des tâches impressionnantes de reconnaissance ou d’apprentissage, mais ils n’ont ni expérience vécue, ni compréhension générale du monde au sens humain.

Enfin, la distinction éclaire une histoire plus longue que l’essor récent des IA génératives. L’impressionnante visibilité de ces outils en 2024 repose sur des progrès en calcul, sur de grandes quantités de données et sur des architectures récentes. Mais elle dépend également de décennies de recherche fondamentale, dont les travaux de Hopfield et Hinton constituent des jalons majeurs.

Ce qu’il faut surveiller

Le Nobel 2024 devrait renforcer l’attention portée aux échanges entre disciplines. Les physiciens, informaticiens, mathématiciens, biologistes et médecins travaillent de plus en plus avec des méthodes communes pour analyser des systèmes complexes. Cette circulation des idées peut favoriser de nouveaux outils, mais aussi une évaluation plus rigoureuse de leurs limites.

Plusieurs questions resteront essentielles dans les années à venir. Comment concevoir des modèles moins coûteux en ressources informatiques ? Comment vérifier qu’ils restent fiables face à des données nouvelles ? Comment rendre leurs résultats plus interprétables lorsqu’ils sont utilisés dans la recherche ou dans des domaines sensibles ? Et comment distinguer une simple corrélation détectée dans les données d’une véritable explication scientifique ?

La leçon du prix attribué à John Hopfield et Geoffrey Hinton est peut-être là : les grandes avancées de l’IA ne naissent pas seulement de machines plus puissantes. Elles viennent aussi de concepts capables de relier des domaines que l’on croyait éloignés, ici la physique de la matière et l’apprentissage des réseaux artificiels.