Nobel de physique 2024 : Hopfield et Hinton, deux racines de l’IA moderne

Le prix Nobel de physique 2024 place l’intelligence artificielle sous les projecteurs d’une manière inhabituelle. Le 8 octobre 2024, l’Académie royale des sciences de Suède a distingué John J. Hopfield et Geoffrey E. Hinton « pour des découvertes et inventions fondamentales qui permettent l’apprentissage machine avec des réseaux de neurones artificiels ». Une formule qui ne couronne ni un assistant conversationnel ni une application récente, mais des idées scientifiques élaborées plusieurs décennies avant l’explosion actuelle de l’IA.

À 91 ans, John Hopfield est récompensé pour une approche qui a rapproché les réseaux de neurones de la physique. À 76 ans, Geoffrey Hinton est salué pour des travaux qui ont étendu cette voie afin de permettre à des machines de repérer elles-mêmes des structures dans les données. Ensemble, leurs recherches ont contribué à installer les réseaux neuronaux au cœur de l’apprentissage automatique contemporain.

Pourquoi un Nobel de physique pour des travaux liés à l’IA ?

L’intelligence artificielle est souvent racontée à travers les logiciels, les données ou les puissances de calcul. L’histoire des réseaux neuronaux récompensés en 2024 rappelle qu’elle est aussi liée à des questions de physique : comment un grand nombre d’éléments interagissent-ils ? Comment un système évolue-t-il spontanément vers un état stable ? Comment décrire l’incertitude dans un ensemble complexe ?

Les réseaux neuronaux artificiels sont des programmes constitués d’unités de calcul reliées entre elles. Lorsqu’ils sont entraînés, leurs connexions sont ajustées à partir d’exemples. Le système peut alors apprendre à classer une image, reconnaître un son, produire une traduction ou prédire une suite de mots, sans qu’un humain ait écrit une règle distincte pour chaque situation.

Les idées de John Hopfield et Geoffrey Hinton ne recouvrent pas à elles seules toute l’IA actuelle. Elles ont toutefois fourni des outils conceptuels majeurs pour comprendre comment un réseau peut stocker de l’information, trouver une configuration cohérente ou apprendre des régularités à partir de données. Les systèmes modernes reposent sur de nombreuses autres avancées, en mathématiques, en informatique, en électronique et en ingénierie.

John Hopfield et la mémoire associative des réseaux neuronaux

Dans les années 1980, John Hopfield a proposé un modèle de réseau neuronal devenu célèbre sous le nom de réseau de Hopfield. Son apport tient notamment à une idée simple et puissante : décrire l’état d’un réseau à l’aide d’une grandeur appelée énergie, empruntée à la physique.

Dans ce modèle, les unités du réseau sont reliées entre elles. Leurs interactions conduisent progressivement le système vers un état de faible énergie, autrement dit une configuration stable. Cette mécanique permet au réseau de fonctionner comme une mémoire associative. À partir d’une information incomplète ou altérée, il peut retrouver le motif complet qu’il a mémorisé.

L’exemple classique consiste à imaginer une image enregistrée dans un réseau. Si une partie de cette image manque ou est brouillée, les interactions entre les unités peuvent orienter le système vers l’image stockée la plus cohérente. Cette capacité à reconstituer un ensemble depuis des fragments éclaire un problème central de l’IA : exploiter des informations imparfaites et identifier des structures dans des données complexes.

L’innovation de Hopfield a aussi eu une portée méthodologique. Elle a montré que des concepts de physique statistique, domaine qui étudie notamment les comportements collectifs de très nombreux composants, pouvaient aider à analyser des systèmes de calcul inspirés du cerveau. Son travail a donc créé un pont durable entre deux disciplines que l’on séparait souvent.

Ce que le réseau de Hopfield a apporté

Le réseau de Hopfield n’est pas le modèle utilisé tel quel par les grands outils génératifs actuels. Sa contribution est ailleurs : il a rendu plus tangible l’idée qu’un réseau composé de nombreuses unités simples pouvait exhiber un comportement global utile pour traiter l’information.

Geoffrey Hinton et l’apprentissage à partir des données

Geoffrey Hinton est l’une des figures les plus associées au renouveau des réseaux neuronaux et à l’essor de l’apprentissage profond, souvent désigné par l’expression anglaise deep learning. Ses travaux ont porté sur la manière de faire apprendre à un réseau les régularités cachées dans des ensembles de données.

Le Nobel met particulièrement en avant son travail sur la machine de Boltzmann, un modèle inspiré de la physique statistique. Cette machine prolonge l’idée de réseaux où les éléments interagissent, mais introduit une dimension probabiliste. Le système n’est pas limité à des états fixes : il peut explorer différentes configurations et attribuer une probabilité à celles qui expliquent le mieux les données observées.

L’enjeu est considérable. Au lieu de demander à un programmeur de définir explicitement ce qui caractérise chaque image, chaque mot ou chaque signal, un réseau peut ajuster ses connexions en étudiant de très nombreux exemples. Il devient alors possible de dégager des traits utiles dans les données, y compris lorsque ceux-ci ne sont pas immédiatement visibles pour un humain.

Hinton a également joué un rôle important dans la diffusion des méthodes d’entraînement par rétropropagation, qui permettent de corriger les paramètres d’un réseau en remontant depuis ses erreurs. Cette famille de méthodes est devenue centrale dans l’entraînement de nombreux réseaux neuronaux. Elle a participé au développement de capacités aujourd’hui familières, telles que la reconnaissance d’images, la transcription de la parole, la traduction automatique ou le traitement du langage.

Deux apports distincts, une même idée fondatrice

Les contributions de Hopfield et Hinton sont proches par leur inspiration physique, mais elles répondent à des problèmes différents. Le premier a donné une représentation particulièrement claire de la mémoire et de la stabilité dans un réseau. Le second a développé des méthodes pour que des réseaux apprennent les caractéristiques de données à l’aide de mécanismes probabilistes.

Cette complémentarité explique la portée de la distinction. L’Académie royale des sciences de Suède ne présente pas le prix comme une récompense générale pour « l’IA », terme qui recouvre aujourd’hui des réalités très diverses. Elle distingue plus précisément des travaux qui ont rendu possible l’apprentissage machine par des réseaux de neurones artificiels.

Les modèles actuels peuvent compter un nombre de paramètres et mobiliser des volumes de données sans commune mesure avec les expériences des années 1980. Pourtant, le principe général demeure : obtenir un comportement utile à partir de l’ajustement d’un grand nombre de connexions, plutôt que programmer à la main toutes les réponses possibles.

Ce que cette récompense dit de l’IA contemporaine

Le Nobel intervient dans un contexte où l’IA est passée des laboratoires aux usages grand public. Les outils de génération de texte, d’images ou de code, les systèmes de recommandation et les logiciels d’analyse automatisée ont familiarisé le public avec des technologies fondées, pour partie, sur les réseaux neuronaux.

Cette popularité ne doit pas faire oublier ce que recouvre l’expression apprentissage automatique. Un modèle n’acquiert pas une compréhension humaine du monde. Il déduit des relations statistiques à partir des données et de la méthode d’entraînement employée. Ses performances peuvent être impressionnantes, mais elles dépendent de la qualité des données, du choix du modèle, des objectifs fixés et des conditions dans lesquelles il est utilisé.

La distinction de 2024 souligne aussi la temporalité longue de l’innovation. Les applications qui paraissent soudaines sont souvent l’aboutissement de décennies de recherches théoriques, d’essais techniques, de progrès matériels et de débats scientifiques. Les travaux de Hopfield et Hinton ont été menés à une époque où les ordinateurs disposaient de moyens de calcul bien plus limités que les infrastructures actuelles.

Le prix rappelle enfin que le vocabulaire de l’IA peut masquer des différences essentielles. Tous les réseaux neuronaux n’ont pas la même architecture, la même fonction ni les mêmes limites. Un réseau de Hopfield, une machine de Boltzmann et un grand modèle de langage appartiennent à une histoire commune, mais ne résolvent pas les mêmes problèmes de la même manière.

Les questions éthiques restent indissociables des progrès techniques

Récompenser les fondations de l’apprentissage machine ne revient pas à trancher les débats que suscite son déploiement. À mesure que les systèmes fondés sur l’IA sont intégrés à des services, des entreprises et des administrations, les questions de responsabilité deviennent plus concrètes : fiabilité des résultats, biais dans les données, protection des informations personnelles, transparence des décisions automatisées et effets sur le travail.

Les avancées scientifiques offrent des possibilités, elles ne déterminent pas seules les usages sociaux. Un même principe d’apprentissage peut contribuer à la recherche, améliorer un outil d’accessibilité ou automatiser une tâche, mais il peut aussi poser problème s’il est utilisé sans contrôle dans un contexte sensible. La qualité de la gouvernance, de l’évaluation et de l’information du public est donc aussi importante que la performance technique.

Pour les lecteurs, le Nobel de Hopfield et Hinton offre surtout une clé de lecture : derrière les promesses parfois spectaculaires de l’IA, il existe des mécanismes scientifiques précis, des choix de conception et des limites à connaître. Comprendre ces fondations aide à distinguer ce qui relève d’un progrès établi, d’une démonstration technique ou d’une promesse commerciale.

Ce qu’il faut surveiller

La récompense attribuée à John Hopfield et Geoffrey Hinton marque une reconnaissance majeure du rôle des réseaux neuronaux dans la science contemporaine. Elle pourrait encourager une attention accrue aux recherches fondamentales, y compris celles dont les usages ne sont pas immédiats au moment où elles sont publiées.

L’enjeu des prochaines années ne sera pas seulement d’entraîner des systèmes plus puissants. Il consistera aussi à mieux les évaluer, à comprendre leurs défaillances, à réduire les risques liés à leurs usages et à définir les règles qui doivent accompagner leur diffusion. Le parcours des deux lauréats montre que l’IA moderne est née d’un dialogue entre disciplines. Son avenir dépendra tout autant de ce dialogue entre chercheurs, ingénieurs, institutions et société.