Nobel de physique 2024 : Hopfield et Hinton, aux origines de l’IA moderne

Le prix Nobel de physique salue cette année deux chercheurs dont les idées ont longtemps circulé entre laboratoires de physique, neurosciences et informatique, avant de devenir l’un des socles de l’intelligence artificielle moderne. Le 8 octobre 2024, l’Académie royale des sciences de Suède a attribué le prix à John J. Hopfield et Geoffrey E. Hinton pour des « découvertes et inventions fondamentales permettant l’apprentissage automatique grâce aux réseaux de neurones artificiels ».

Cette consécration a une portée particulière à l’heure où les outils d’IA générative, de reconnaissance d’images ou de traduction automatique sont entrés dans le quotidien. Elle ne couronne toutefois ni un assistant conversationnel ni une application récente. Le Nobel distingue des travaux de recherche menés principalement dans les années 1980, à une époque où les réseaux de neurones étaient encore loin de bénéficier des gigantesques volumes de données et de la puissance de calcul disponibles aujourd’hui.

Une correction essentielle : il s’agit du Nobel de physique 2024

Une confusion est possible, mais importante à lever : Hopfield et Hinton sont les lauréats du Nobel de physique 2024, et non de l’édition 2023. L’annonce est intervenue le 8 octobre 2024. Le prix Nobel de physique 2023 avait, lui, été décerné à Pierre Agostini, Ferenc Krausz et Anne L’Huillier, pour des méthodes expérimentales produisant des impulsions lumineuses attosecondes, capables d’étudier le mouvement extrêmement rapide des électrons.

John J. Hopfield, affilié à l’université de Princeton aux États-Unis, et Geoffrey E. Hinton, de l’université de Toronto au Canada, se partageront à parts égales les 11 millions de couronnes suédoises associés au prix. La cérémonie de remise est traditionnellement prévue le 10 décembre 2024 à Stockholm.

Ce que le prix Nobel récompense réellement

Pour comprendre la décision, il faut repartir d’une idée simple. Un réseau de neurones artificiels est un système composé d’unités de calcul reliées entre elles. Ces unités reçoivent des informations, les transforment et transmettent un résultat aux autres unités. Lors de l’apprentissage, le système ajuste progressivement l’importance de ces connexions afin de mieux repérer des motifs dans les données : une forme dans une image, un mot dans une phrase, une anomalie dans une mesure ou une corrélation dans un ensemble de chiffres.

L’expression « neurone » peut prêter à confusion. Un neurone artificiel n’est pas une cellule vivante reproduite dans un ordinateur. Il s’agit d’un modèle mathématique très simplifié, inspiré de manière lointaine par le fonctionnement du cerveau. Son intérêt tient moins à chaque unité prise isolément qu’à l’organisation collective du réseau et à sa capacité à modifier ses paramètres à partir d’exemples.

Le comité Nobel met en avant deux contributions complémentaires : la manière de mémoriser et retrouver des motifs chez Hopfield, puis la manière de faire émerger des caractéristiques à partir de données chez Hinton. Elles se rattachent à la physique statistique, discipline qui étudie notamment le comportement collectif de très nombreux éléments, comme les particules d’un matériau.

John Hopfield et la mémoire associative

En 1982, John Hopfield a présenté un réseau aujourd’hui connu sous le nom de réseau de Hopfield. Son idée consiste à représenter les éléments d’une mémoire sous la forme d’unités connectées, dont l’état évolue jusqu’à atteindre une configuration stable. Pour décrire cette évolution, il s’appuie sur une notion issue de la physique : l’énergie du système.

Dans ce cadre, le réseau tend vers un état d’énergie plus faible. Les souvenirs, ou motifs enregistrés, correspondent à des configurations stables. Si l’on donne au système une image incomplète ou dégradée, il peut converger vers le motif mémorisé qui lui ressemble le plus. L’exemple classique est celui d’une forme dont certains éléments manquent : le réseau peut en reconstituer une version cohérente à partir de ce qu’il a appris auparavant.

Cette propriété est appelée mémoire associative. Elle diffère d’un stockage informatique ordinaire, dans lequel un fichier doit être retrouvé à une adresse précise. Ici, une partie de l’information suffit à évoquer l’ensemble du motif. Cette approche a offert aux chercheurs un langage mathématique pour étudier comment un système composé de nombreuses unités pouvait conserver, corriger et récupérer de l’information.

Les réseaux de Hopfield ne sont pas les outils employés directement pour entraîner les grands modèles de langage actuels. Ils restent limités dans le volume et la nature des motifs qu’ils peuvent mémoriser. Mais ils ont démontré, de façon particulièrement féconde, qu’un problème d’apprentissage et de mémoire pouvait être formulé avec des méthodes de physique. Cette passerelle conceptuelle a compté dans l’histoire des réseaux de neurones.

Geoffrey Hinton et l’apprentissage des structures cachées

Geoffrey Hinton a, de son côté, joué un rôle majeur dans le développement des machines de Boltzmann. Ces réseaux utilisent eux aussi une représentation inspirée de la physique statistique, mais avec une dimension probabiliste. Plutôt que de viser seulement le rappel d’un motif déjà stocké, ils cherchent à apprendre quelles structures ou quelles caractéristiques se retrouvent fréquemment dans les données qu’ils observent.

Une machine de Boltzmann peut comporter des unités visibles, qui reçoivent les données, et des unités cachées, qui aident à représenter des caractéristiques moins directement observables. En exposant le système à de nombreux exemples, l’apprentissage modifie les liens entre unités afin que le réseau rende compte de l’organisation statistique des données.

L’enjeu est central pour l’IA. Une image n’est pas fournie à une machine sous la forme d’objets déjà étiquetés « visage », « œil » ou « voiture », mais comme un ensemble de valeurs numériques. Pour réussir une tâche utile, un système doit apprendre à construire des représentations pertinentes à partir de ces valeurs. Les travaux de Hinton ont contribué à rendre cette idée concrète et à relancer l’intérêt scientifique pour les réseaux de neurones.

Geoffrey Hinton est souvent associé au renouveau du deep learning, ou apprentissage profond. Cette expression désigne des réseaux comportant plusieurs couches de traitement, capables de former progressivement des représentations de plus en plus abstraites. Les architectures, méthodes d’entraînement et capacités de calcul utilisées en 2024 sont bien plus avancées que les premières machines de Boltzmann. Elles s’inscrivent néanmoins dans une histoire où les intuitions de Hinton ont joué un rôle déterminant.

Pourquoi un Nobel de physique pour des travaux d’intelligence artificielle ?

La décision peut surprendre, car l’intelligence artificielle est souvent rangée du côté de l’informatique. Pourtant, la frontière entre disciplines est moins nette qu’il n’y paraît. Les réseaux de Hopfield et les machines de Boltzmann s’appuient sur des concepts de physique statistique : systèmes composés de nombreux éléments, états stables, probabilités, fluctuations et évolution vers des configurations plus probables ou moins énergétiques.

La physique ne sert donc pas seulement à fabriquer les composants électroniques qui exécutent les logiciels d’IA. Elle fournit aussi des outils pour penser les comportements collectifs complexes. Dans un réseau de neurones, aucune unité isolée ne possède une compréhension complète de la tâche. C’est l’ensemble des connexions et de leurs ajustements qui produit une capacité à classer, prédire ou générer.

Le choix de l’Académie royale des sciences de Suède souligne ainsi une réalité souvent oubliée : les grandes avancées technologiques reposent fréquemment sur des recherches fondamentales, dont les applications ne sont pas immédiatement visibles. Lorsque Hopfield et Hinton ont élaboré leurs modèles, les ordinateurs étaient infiniment moins puissants qu’en 2024 et les grandes masses de données numériques n’existaient pas sous leur forme actuelle.

Des fondations visibles dans de nombreuses applications

Les réseaux de neurones sont aujourd’hui employés dans des domaines très variés. En vision par ordinateur, ils peuvent aider à reconnaître des objets, à classer des images ou à analyser des séquences vidéo. En traitement du langage, ils servent notamment à la traduction, à la transcription automatique et aux systèmes capables de générer du texte. Dans la recherche médicale, ils peuvent assister l’analyse d’images, à condition d’être évalués avec rigueur dans leur contexte d’usage.

Le lien entre les premières recherches de Hopfield et Hinton et chaque outil contemporain n’est pas toujours direct. Il serait réducteur d’affirmer qu’un grand modèle de langage est une simple machine de Boltzmann modernisée, ou qu’un service de reconnaissance d’images est un réseau de Hopfield à grande échelle. Les techniques ont évolué, les architectures se sont diversifiées et les méthodes d’apprentissage se sont perfectionnées.

Leur héritage est plutôt celui d’une démonstration : une machine peut apprendre à partir de données en réglant les relations entre un grand nombre d’unités, et des principes physiques peuvent aider à décrire et à améliorer ce processus. Cette idée est devenue l’un des fils conducteurs de l’IA moderne.

Une distinction scientifique, pas un blanc-seing pour l’IA

La reconnaissance d’une avancée fondamentale ne tranche pas les questions que soulève le déploiement rapide de l’intelligence artificielle. Les réseaux de neurones sont souvent difficiles à interpréter : ils peuvent produire une réponse ou une prédiction performante sans expliquer clairement le raisonnement suivi. Leur qualité dépend également des données utilisées pour les entraîner, qui peuvent contenir des erreurs, des biais ou des lacunes.

L’essor de systèmes de plus en plus puissants pose aussi des questions de responsabilité. Qui répond d’une erreur dans un domaine sensible ? Comment protéger les données personnelles ? Comment vérifier qu’un outil ne discrimine pas certains groupes ou ne diffuse pas d’informations trompeuses ? Ces interrogations concernent les concepteurs, les entreprises, les pouvoirs publics et les utilisateurs, bien au-delà du seul champ de la recherche fondamentale.

Le Nobel attribué à Hopfield et Hinton invite donc à tenir ensemble deux constats. D’un côté, les réseaux de neurones ont permis des avancées scientifiques et techniques majeures. De l’autre, leur diffusion dans la société exige des règles, des évaluations indépendantes et une compréhension plus large de leurs limites.

Ce qu’il faut surveiller après ce Nobel

Cette récompense pourrait renforcer la visibilité de la recherche à l’intersection de la physique et de l’intelligence artificielle. Elle rappelle que les progrès futurs ne dépendront pas uniquement de modèles toujours plus grands. Des questions comme l’efficacité énergétique, la robustesse des systèmes, leur capacité à généraliser hors de leurs données d’entraînement et leur interprétabilité restent des sujets de recherche essentiels.

Il faudra aussi observer comment cette reconnaissance nourrit le débat public. Le terme « intelligence artificielle » recouvre des technologies très différentes, des modèles scientifiques aux applications commerciales. Mieux connaître les principes à l’origine des réseaux de neurones aide à distinguer une avancée de laboratoire, un produit concret et une promesse marketing.

En récompensant John Hopfield et Geoffrey Hinton, le Nobel de physique 2024 rappelle enfin une leçon de longue durée : les technologies les plus visibles sont souvent le résultat de décennies de travaux patients. L’IA contemporaine ne surgit pas de nulle part. Elle s’appuie sur des idées mathématiques et physiques élaborées bien avant que les assistants génératifs ne deviennent accessibles au grand public.