Prix Nobel de physique 2024 : Hopfield et Hinton, aux fondations de l’IA

Le Prix Nobel de physique entre de plain-pied dans l’histoire de l’intelligence artificielle. Le 8 octobre 2024, l’Académie royale des sciences de Suède a distingué John J. Hopfield et Geoffrey E. Hinton pour des travaux qui semblent, à première vue, relever de l’informatique. Pourtant, c’est bien en empruntant des outils à la physique qu’ils ont contribué à rendre les réseaux de neurones capables de mémoriser, d’apprendre et de repérer des structures dans les données.

Cette récompense arrive alors que l’IA générative a placé les réseaux de neurones au cœur du débat public. Les assistants conversationnels, la reconnaissance d’images ou certains systèmes de traduction sont les héritiers lointains d’une idée simple : une machine peut ajuster de nombreux paramètres à partir d’exemples afin d’améliorer ses réponses. Les travaux des deux lauréats n’expliquent pas à eux seuls toute l’IA actuelle, mais ils comptent parmi les fondations sur lesquelles elle s’est bâtie.

Ce que récompense exactement le Nobel de physique 2024

L’Académie royale des sciences de Suède a attribué le prix aux deux chercheurs « pour des découvertes et inventions fondamentales permettant l’apprentissage automatique avec des réseaux de neurones artificiels ». John Hopfield reçoit une moitié du prix, Geoffrey Hinton l’autre moitié.

La formule est importante. Le Nobel ne récompense ni une application commerciale ni un modèle d’IA particulier. Il salue des principes de recherche : d’une part, une façon de représenter une mémoire dans un réseau de neurones, d’autre part, une manière d’apprendre des régularités présentes dans de grandes quantités de données.

Le montant total du Prix Nobel de physique 2024 est de 11 millions de couronnes suédoises, répartis à parts égales entre les deux lauréats. Au-delà de la récompense, la décision marque la reconnaissance institutionnelle de plusieurs décennies de recherches situées à la frontière de la physique, des mathématiques, des neurosciences et de l’informatique.

John Hopfield et la mémoire associative

En 1982, John Hopfield a proposé un type de réseau de neurones qui porte aujourd’hui son nom : le réseau de Hopfield. Son fonctionnement s’inspire d’une question très concrète sur la mémoire : comment retrouver une information entière lorsque l’on n’en possède qu’un fragment imparfait ?

Imaginez une image très dégradée ou incomplète. Un réseau de Hopfield peut être réglé pour faire évoluer progressivement sa configuration jusqu’à retrouver l’un des motifs qu’il a mémorisés. On parle de mémoire associative : un indice partiel peut faire resurgir l’ensemble d’une information stockée.

L’apport décisif de Hopfield est d’avoir décrit ce mécanisme à l’aide d’une quantité appelée énergie. Cette notion ne désigne pas ici l’électricité consommée par un ordinateur. C’est un outil mathématique, courant en physique, qui permet de mesurer l’état du système. Le réseau évolue de façon à réduire cette énergie, jusqu’à atteindre un état stable. Ces états stables correspondent aux souvenirs ou aux motifs emmagasinés.

Cette formulation a donné un cadre rigoureux à un objet qui pouvait autrement sembler difficile à analyser. Elle a aussi montré qu’un ensemble d’unités simples, interconnectées, pouvait résoudre collectivement certains problèmes de reconnaissance et d’optimisation.

Le réseau de Hopfield historique n’est pas le cœur technique des grands modèles de langage contemporains. Son importance est plus fondamentale : il a établi un lien fécond entre réseaux neuronaux, mémoire, dynamique collective et méthodes de la physique.

Geoffrey Hinton, des probabilités à l’apprentissage profond

Geoffrey Hinton, chercheur britanno-canadien, est l’une des figures les plus influentes de la recherche sur les réseaux de neurones. Ses travaux ont contribué à faire progresser les réseaux multicouches, aujourd’hui associés à l’expression apprentissage profond, ou deep learning.

Le Nobel met particulièrement en avant son travail sur la machine de Boltzmann, un réseau dont les unités peuvent prendre des décisions de manière probabiliste. Là encore, l’inspiration vient de la physique statistique, qui étudie le comportement collectif de très nombreux éléments, comme les particules d’un matériau. Dans ce cadre, le réseau apprend à attribuer une probabilité plus élevée aux configurations qui ressemblent aux données observées.

Cette approche peut paraître abstraite, mais son objectif est très concret : permettre à un système de découvrir de lui-même des caractéristiques utiles dans des données. Dans une image, il peut s’agir de contours, de textures ou de formes. Dans un ensemble de textes, ce peut être des régularités entre les mots et les concepts.

Les recherches de Hinton ont également marqué le développement de méthodes pour entraîner des réseaux neuronaux comportant plusieurs couches. Ces progrès ont participé au retour en force des réseaux de neurones à partir des années 2000 et 2010, lorsque l’augmentation des données disponibles et de la puissance de calcul a permis de les exploiter à une tout autre échelle.

Il serait toutefois réducteur d’attribuer les performances actuelles de la vision par ordinateur ou du traitement du langage à un seul scientifique. Les réseaux convolutifs pour l’image, l’algorithme de rétropropagation, les processeurs spécialisés et les gigantesques jeux de données sont le fruit de contributions nombreuses. Le rôle de Hinton est celui d’un pionnier majeur, qui a aidé à établir les méthodes et la confiance scientifique nécessaires à cette évolution.

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

Le choix peut surprendre, car l’intelligence artificielle est spontanément associée à l’informatique. Mais la frontière entre disciplines est plus poreuse qu’elle n’y paraît. La physique fournit depuis longtemps des outils pour comprendre des systèmes constitués d’un très grand nombre d’éléments en interaction.

Dans un réseau neuronal, chaque unité prise séparément effectue une opération relativement simple. La difficulté vient du nombre de connexions et de leurs influences réciproques. C’est précisément le type de problème pour lequel la physique statistique propose des modèles, des équations et des méthodes de raisonnement.

Chez Hopfield, l’analogie avec les systèmes physiques sert à définir une fonction d’énergie et à expliquer la stabilité des souvenirs. Chez Hinton, elle intervient notamment pour modéliser des états probables et ajuster les paramètres d’un système à partir de données. Ces idées ont permis de dépasser une vision purement intuitive des neurones artificiels.

Ce que cette distinction dit, et ne dit pas, de l’IA actuelle

Le Prix Nobel consacre des travaux dont les premières versions remontent aux années 1980. Ce décalage est normal : une découverte fondamentale peut mettre des décennies à produire ses effets les plus visibles. Les technologies utilisées en 2024 reposent sur des architectures beaucoup plus vastes et sur des techniques qui n’existaient pas lorsque les réseaux de Hopfield et les premières machines de Boltzmann ont été proposés.

Les modèles génératifs modernes combinent notamment des réseaux neuronaux de très grande taille, des bases de données massives, des méthodes d’entraînement sophistiquées et des infrastructures de calcul considérables. Ils ne sont donc pas de simples réseaux de Hopfield agrandis, ni des machines de Boltzmann directement transposées à l’échelle des assistants actuels.

La portée du Nobel est ailleurs. Il rappelle que les avancées aujourd’hui spectaculaires reposent aussi sur de longs travaux théoriques, parfois menés à contre-courant. Pendant une partie de leur histoire, les réseaux neuronaux ont suscité des doutes et connu des périodes de moindre intérêt. Les approches de Hopfield et Hinton ont aidé à démontrer qu’elles pouvaient être étudiées sérieusement, améliorées et appliquées.

Cette reconnaissance ne constitue pas non plus un jugement global sur les bénéfices ou les risques de l’IA. Les questions de fiabilité des systèmes, de biais, de propriété intellectuelle, d’emploi, de consommation énergétique et de sécurité restent entières. Un prix scientifique distingue une contribution précise, pas l’ensemble des conséquences sociales d’une technologie.

Une reconnaissance pour la recherche interdisciplinaire

En récompensant deux spécialistes des réseaux neuronaux dans la catégorie physique, le comité Nobel met en lumière un trait déterminant de la recherche contemporaine : les innovations majeures naissent souvent à la rencontre de plusieurs domaines.

L’IA a besoin de mathématiques pour concevoir ses algorithmes, d’informatique pour les entraîner et les déployer, de sciences cognitives pour éclairer certaines questions sur l’apprentissage, mais aussi de physique pour modéliser les systèmes complexes et développer des outils de calcul. Dans de nombreux laboratoires, ces disciplines ne sont plus isolées les unes des autres.

Pour le grand public, cette distinction permet aussi de replacer l’IA dans une histoire plus longue que celle des seuls outils apparus récemment. Les réponses générées par un assistant conversationnel ou les images classées automatiquement par un téléphone reposent sur une succession de découvertes, d’expériences et de choix d’ingénierie. La célébrité soudaine de l’IA générative ne doit pas faire oublier cette profondeur scientifique.

Ce qu’il faut surveiller après ce Nobel

Le prix attribué à Hopfield et Hinton devrait renforcer la visibilité de la recherche fondamentale sur l’apprentissage automatique. Il peut encourager un intérêt renouvelé pour les approches qui cherchent à comprendre les mécanismes des réseaux neuronaux, pas seulement à augmenter leur taille ou leurs performances sur des tests.

Un enjeu important sera de mieux relier les succès empiriques de l’IA à des explications scientifiques. Pourquoi certains modèles apprennent-ils efficacement ? Dans quelles situations échouent-ils ? Comment concevoir des systèmes plus sobres, plus robustes et plus compréhensibles ? Les concepts de stabilité, d’énergie et de probabilités, au cœur des travaux distingués, restent utiles pour poser ces questions.

La cérémonie de remise des prix est prévue à Stockholm le 10 décembre 2024, date anniversaire de la mort d’Alfred Nobel. D’ici là, la récompense aura déjà transmis un message clair : l’IA ne s’est pas imposée par magie, ni en quelques mois. Elle s’appuie sur des idées scientifiques patientes, dont John Hopfield et Geoffrey Hinton comptent parmi les artisans les plus décisifs.