Prix Nobel 2024 : ce que les travaux de Hinton et Hopfield doivent au Royaume-Uni

Le rapprochement entre les prix Nobel 2024 et l’intelligence artificielle ne tient pas à un simple effet de mode. En distinguant des chercheurs dont les idées ont contribué à rendre les réseaux de neurones capables d’apprendre, l’Académie royale des sciences de Suède replace les technologies actuelles dans une histoire longue. Celle-ci passe notamment par le Royaume-Uni, ses universités et ses chercheurs, mais elle se construit surtout dans un réseau scientifique profondément international.

Le 8 octobre 2024, le prix Nobel de physique est attribué à John J. Hopfield et Geoffrey E. Hinton « pour des découvertes et inventions fondamentales permettant l’apprentissage automatique avec des réseaux de neurones artificiels ». Le lendemain, le Nobel de chimie récompense notamment Demis Hassabis et John Jumper, de Google DeepMind, pour la prédiction de la structure des protéines. Deux prix en deux jours qui illustrent la place prise par l’IA dans les sciences, de la physique statistique à la biologie.

Deux prix Nobel, deux manières de reconnaître l’IA

Le Nobel de physique 2024 ne récompense pas une application grand public ni un chatbot. Il honore des travaux théoriques et expérimentaux qui ont aidé à comprendre comment des réseaux composés d’unités de calcul simples peuvent mémoriser des motifs et extraire des régularités à partir de données. Les idées de Hopfield et Hinton font partie du socle sur lequel reposent les systèmes d’apprentissage profond désormais utilisés pour reconnaître des images, transcrire la parole, traduire des textes ou générer du contenu.

Le prix est doté de 11 millions de couronnes suédoises, partagées à parts égales entre les deux lauréats. Sa formulation est importante : elle relie explicitement l’apprentissage automatique aux réseaux de neurones artificiels, une famille de méthodes qui imite très librement le principe d’unités interconnectées ajustant leurs paramètres à partir d’exemples.

Cette double séquence ne signifie pas que l’IA constitue une discipline autonome du Nobel. Les prix restent attribués dans leurs catégories historiques. Elle montre en revanche que les méthodes computationnelles et les réseaux de neurones sont devenus des instruments scientifiques capables d’accélérer des découvertes dans d’autres domaines.

Hopfield et Hinton : quels travaux ont été récompensés ?

Les deux chercheurs ont travaillé sur des questions proches, mais leurs apports sont différents. John Hopfield, physicien américain alors professeur à l’université de Princeton, a proposé au début des années 1980 un modèle de réseau capable d’associer et de retrouver des informations. Dans un réseau de Hopfield, le système évolue vers un état stable, comparable à un point bas dans un paysage d’énergie. Il peut ainsi reconstituer un motif incomplet ou bruité à partir d’indices partiels.

Cette idée a offert un pont fécond entre la physique et l’informatique. Elle donne une manière rigoureuse d’étudier des réseaux qui stockent des représentations, plutôt que d’exécuter seulement une suite d’instructions écrites à l’avance. Même si les modèles de Hopfield ne sont pas identiques aux grands réseaux neuronaux contemporains, ils ont compté dans la consolidation d’un langage commun pour penser la mémoire associative, l’optimisation et l’apprentissage.

Geoffrey Hinton a, de son côté, joué un rôle majeur dans le développement et la popularisation des approches neuronales d’apprentissage. Ses travaux s’appuient eux aussi sur des concepts issus de la physique statistique. Avec ses collaborateurs, il a notamment contribué à développer les machines de Boltzmann, des réseaux capables d’apprendre certaines caractéristiques statistiques des données. Dans les années 1980, ses recherches sur l’apprentissage de représentations et la rétropropagation du gradient ont participé au renouveau des réseaux à plusieurs couches.

La rétropropagation est une méthode qui mesure l’erreur produite par un réseau, puis ajuste progressivement les connexions internes afin d’améliorer sa réponse. Le principe peut sembler abstrait, mais c’est l’un des mécanismes qui ont permis à des réseaux de plus en plus vastes d’apprendre à partir de grandes quantités d’images, de sons et de textes. Le succès ultérieur de l’apprentissage profond dépendra aussi d’autres facteurs : davantage de données, des processeurs graphiques très puissants et des avancées algorithmiques portées par de nombreux laboratoires.

Comment un réseau de neurones apprend-il ?

Un réseau de neurones artificiels n’est pas un cerveau miniature. Il s’agit d’un ensemble de fonctions mathématiques reliées entre elles. Lors de l’entraînement, le système reçoit par exemple des photos étiquetées. Il produit une prédiction, compare celle-ci à la bonne réponse, puis modifie ses paramètres pour réduire ses erreurs lors des essais suivants.

Dans les grands modèles de langage, le principe est voisin : le système apprend des régularités dans d’immenses collections de textes afin de prédire la suite la plus plausible d’une séquence. Ces modèles ne sont donc pas la reproduction directe des travaux de Hopfield ou de Hinton. Ils prolongent toutefois une même idée fondamentale : des machines peuvent apprendre des structures à partir de données plutôt qu’en s’appuyant uniquement sur des règles explicites.

Un héritage britannique réel, mais à ne pas simplifier

Présenter ce Nobel de physique comme une victoire purement britannique serait imprécis. John Hopfield est américain et sa carrière s’est déroulée principalement aux États-Unis. Geoffrey Hinton, souvent associé à l’essor contemporain de l’apprentissage profond, est pour sa part Britannique et Canadien. Né à Londres, il a étudié à l’université de Cambridge, puis obtenu son doctorat à l’université d’Édimbourg, avant de mener une grande partie de sa carrière universitaire au Canada.

Le Royaume-Uni peut néanmoins revendiquer une place importante dans l’histoire intellectuelle de l’informatique et de l’IA. Le cas le plus connu est celui d’Alan Turing, qui a étudié à Cambridge et dont l’article de 1950 sur les machines capables de penser a durablement structuré les débats sur l’intelligence machine. Les universités de Cambridge, Oxford, University College London, Imperial College London et Édimbourg ont, chacune à leur manière, accueilli des recherches en informatique, en mathématiques, en neurosciences ou en apprentissage automatique.

Ce terreau ne se résume pas à une origine nationale. Les progrès de l’IA naissent précisément de la circulation des personnes et des idées entre universités, entreprises et pays. La formation de Hinton au Royaume-Uni, puis sa carrière canadienne, en est une bonne illustration.

Le Nobel de chimie renforce le lien avec Londres

Le lien britannique apparaît plus directement dans l’autre récompense annoncée durant cette semaine Nobel. Le 9 octobre 2024, Demis Hassabis et John Jumper se partagent la moitié du prix Nobel de chimie pour la prédiction de la structure des protéines, tandis que l’autre moitié revient à David Baker pour la conception computationnelle de protéines.

Demis Hassabis, Britannique et Américain né à Londres, a cofondé DeepMind dans la capitale britannique en 2010. L’entreprise, rachetée par Google en 2014, est devenue Google DeepMind. Avec John Jumper et leurs équipes, elle a développé AlphaFold, un système qui prédit la structure tridimensionnelle de protéines à partir de leur séquence d’acides aminés.

Comprendre la forme d’une protéine est essentiel, car cette forme conditionne largement sa fonction biologique. Pendant longtemps, l’établissement de telles structures a exigé des expériences longues et complexes. Les prédictions d’AlphaFold ne remplacent pas les validations en laboratoire, mais elles offrent aux biologistes un outil puissant pour formuler des hypothèses, explorer des protéines peu étudiées et accélérer certaines étapes de la recherche.

Pourquoi ces distinctions ne sacralisent pas les outils actuels

Les récompenses Nobel peuvent donner l’impression d’une consécration globale des systèmes d’IA. Or, elles ne disent pas que tous les produits reposant sur cette technologie sont fiables, utiles ou sans risque. Elles reconnaissent la portée scientifique d’approches qui ont ouvert de nouvelles voies.

Cette nuance compte alors que les usages de l’IA se multiplient dans la santé, la finance, l’éducation, les services publics et les industries culturelles. Un modèle peut repérer des motifs impossibles à analyser rapidement par un humain, tout en commettant des erreurs difficiles à détecter. Il peut aussi reproduire des biais présents dans ses données d’entraînement, exposer des informations sensibles ou rendre ses résultats opaques.

L’exemple d’AlphaFold est révélateur : la qualité d’une prédiction dépend du cas étudié et doit être interprétée dans son contexte scientifique. De la même façon, une IA de diagnostic, de recrutement ou de notation ne devrait pas soustraire les décisions importantes au contrôle humain. La valeur de ces outils tient autant à leur conception et à leur évaluation qu’à leurs performances techniques brutes.

Ce qu’il faut surveiller après les Nobel 2024

Les Nobel de physique et de chimie soulignent la convergence croissante entre IA et recherche fondamentale. Le premier enjeu sera de préserver les conditions qui rendent ces avancées possibles : une recherche publique de long terme, des formations solides en mathématiques et en informatique, ainsi que des échanges internationaux entre disciplines.

Le deuxième enjeu concerne le passage du laboratoire aux usages concrets. Les systèmes les plus prometteurs devront être évalués sur des données représentatives, documentés avec précision et confrontés à des spécialistes du domaine concerné. Dans la santé, par exemple, la pertinence d’une prédiction informatique ne dispense jamais d’essais, de validation clinique et de responsabilité médicale.

Enfin, la reconnaissance internationale des chercheurs liés au Royaume-Uni ne doit pas masquer la compétition mondiale pour les talents, les capacités de calcul et les données. Les universités britanniques, comme leurs homologues américaines, canadiennes, européennes et asiatiques, sont appelées à jouer un rôle dans cette course. L’héritage mis en lumière en octobre 2024 est donc moins celui d’une nation isolée que celui d’une science ouverte, cumulative et mondiale, dont le Royaume-Uni demeure l’un des foyers importants.