Le 25 mai 1950, dans un labo de Bell Labs, une souris en bois de 10 cm se traîne sur un plateau de 25 cases. Pas une souris d’ordinateur, pas un robot, juste un morceau de bois avec des fils de cuivre et des relais téléphoniques recyclés. Shannon, le père de la théorie de l’information, vient de câbler ce truc comme un circuit électrique. Objectif : lui faire retenir un chemin sans qu’on lui dise où aller. Pas de processeur. Pas d’algorithme. Juste des impulsions électriques qui simulent une mémoire rudimentaire. Et ça marche. La souris trouve la sortie après quelques essais. Elle apprend.
Sauf que personne ne s’en soucie.
Pas les ingénieurs. Pas les patrons des Bell Labs. Pas les militaires, qui financent déjà des machines à calculer bien plus chères. Même pas les universitaires, pourtant en train de poncer le mot « intelligence artificielle » pour la première fois cette année-là. Cette souris en bois, c’est l’équivalent d’un prototype de Tesla en 1885 : une preuve que c’est possible, mais sans débouché. Sans business model. Sans guerre à gagner.
Pourquoi personne n’a voulu de cette souris ?
Parce que l’IA en 1950, c’était comme un couteau sans manche : ça existait en théorie, mais personne ne savait s’en servir. Les relais téléphoniques de Shannon ? Trop lents, trop fragiles. Trop « artisanaux », comme on dirait aujourd’hui. Les industriels attendaient des machines qui calculent, pas qui « pensent ». Les militaires voulaient des bombes guidées, pas des souris en bois qui se perdent dans un labyrinthe.
Et puis, il y avait ce détail : Shannon n’a jamais breveté son invention. Il l’a publiée dans un article technique, « Some Applications of Thermodynamics to Electrical Engineering », en 1950. Un papier de 12 pages où la souris tient en deux paragraphes, noyée entre des équations sur l’entropie. Personne n’a vu le potentiel. Personne n’a couru après.
Ce que cette souris prouvait, c’était que l’apprentissage automatique n’avait pas besoin d’être compliqué.
Aujourd’hui, on parle de réseaux de neurones profonds, de milliards de paramètres, de puces qui consomment autant qu’un village. En 1950, Shannon avait déjà compris l’essentiel : une machine peut retenir un chemin si on lui donne une façon de tester ses erreurs. Pas besoin de code. Pas besoin de données massives. Juste un système qui ajuste ses actions en fonction des résultats.
Pourtant, les labos ont tourné le dos à cette approche. Pourquoi ? Parce que les relais électriques, c’est lent. Parce que le bois, ça casse. Parce que les actionnaires veulent des rendements, pas des démonstrations.
Le vrai problème, c’est que l’industrie a toujours préféré les solutions qui s’achètent aux idées qui s’inventent.
En 1950, les ordinateurs étaient des monstres comme l’ENIAC, qui remplissaient une pièce et coûtaient 500 000 dollars (l’équivalent de 6 millions aujourd’hui). Une souris en bois, ça ne fait pas rêver les financiers. Ça ne fait pas non plus la une des journaux. Alors on a laissé tomber.
Mais cette souris avait raison sur un point : l’IA, c’est d’abord une question de mémoire.
Pas de calculs, pas de puissance brute. Juste la capacité à enregistrer ce qui marche et ce qui échoue. Les algorithmes modernes, eux, ont fini par comprendre ça. Les réseaux de neurones ? Ils fonctionnent exactement comme cette souris : ils testent, ils se trompent, ils retiennent. Sauf qu’aujourd’hui, on utilise des données, pas des relais. Des serveurs, pas du bois.
Alors oui, Shannon avait raison. Mais personne ne l’a écouté.
Pas en 1950. Pas en 2020, quand les GAFAM dépensent des milliards en IA sans jamais citer cette souris. Pas même aujourd’hui, où on parle d’éthique de l’IA sans se demander pourquoi on a mis 70 ans à comprendre que l’apprentissage, c’est avant tout une question de patience.
La leçon ? Les révolutions technologiques ne viennent pas des labos qui ont les moyens. Elles viennent de ceux qui osent brancher une souris en bois à un labyrinthe, sans savoir si ça marchera.
Et puis on oublie.
Ce que les industriels ont raté en 1950
En 2023, les géants de la tech investissent des centaines de milliards dans l’IA. OpenAI, Google DeepMind, Meta… Tous misent sur des modèles de plus en plus gros, de plus en plus gourmands. Pourtant, le vrai progrès, en 1950, était dans la simplicité.
Shannon n’avait pas besoin de données massives. Il n’avait pas besoin de supercalculateurs. Il avait juste besoin d’un système capable de tester, ajuster, retenir. Pas de deep learning. Pas de transformers. Juste une boucle de feedback basique.
Pourquoi personne n’a suivi cette piste ?
Parce que les relais électriques, c’était « old school ». Parce que le bois, ça ne fait pas breveter. Parce que les actionnaires préfèrent les promesses aux preuves.
Et puis, il y avait cette idée reçue : l’intelligence, c’était compliqué. Or, Shannon avait démontré le contraire. L’apprentissage, c’est comme marcher : on avance, on trébuche, on corrige. Pas besoin de génie.
Aujourd’hui, on en est toujours là.
Les modèles d’IA les plus performants s’inspirent exactement de ce principe. Un réseau de neurones, c’est une souris en bois connectée à un labyrinthe géant. Sauf qu’au lieu de fils de cuivre, on utilise des matrices de nombres. Au lieu de bois, on a du silicium.
La différence ? En 1950, on n’a pas su en faire un business.
La souris qui a inspiré les robots modernes
En 1959, Arthur Samuel, un chercheur d’IBM, publie un article sur un programme d’échecs capable d’apprendre. Il s’inspire directement des travaux de Shannon. Son algorithme ajuste ses coups en fonction des parties jouées. C’est la première vraie IA « apprenante ».
Sauf que Samuel utilise un ordinateur, pas une souris en bois. Et IBM, lui, il vend des machines. Pas des jouets.
Le problème, c’est que l’industrie a toujours privilégié le hardware au concept.
En 1950, les relais de Shannon étaient trop lents. En 2020, les puces GPU sont trop énergivores. Mais le principe reste le même : une IA, ça apprend en testant. Pas en calculant.
Pourquoi on en parle si peu ?
Parce que les médias aiment les histoires de ruptures, pas celles des origines. Parce que les brevets se vendent mieux que les démonstrations. Parce que personne ne veut entendre qu’une souris en bois a fait mieux que les milliards dépensés aujourd’hui.
Shannon avait tout compris.
Il savait que l’IA, ce n’était pas une question de puissance, mais de mémoire et d’adaptation. Il savait que les machines n’avaient pas besoin d’être intelligentes pour apprendre. Juste capables de retenir.
Pourtant, on a mis 70 ans à le redécouvrir.
L’IA d’aujourd’hui est une souris en bois high-tech
En 2023, les modèles comme GPT-4 ou AlphaFold fonctionnent exactement comme la souris de Shannon : ils testent des réponses, ils corrigent leurs erreurs, ils retiennent ce qui marche.
Sauf que maintenant, on utilise des billions de paramètres au lieu de relais. Des data centers au lieu de labyrinthes. Et des ingénieurs au lieu de bricoleurs.
La vraie question, c’est : pourquoi a-t-il fallu attendre si longtemps ?
Parce que les industriels préfèrent les solutions qui se monnayent. Parce que les labos aiment les projets qui rapportent. Parce que personne ne veut entendre qu’une idée simple, testée en 1950, valait mieux que des milliards investis aujourd’hui.
Shannon avait raison. Mais le monde a préféré attendre.
Ce que cette histoire dit de nous
La souris en bois de Shannon, c’est l’histoire d’une idée trop en avance sur son temps. Pas parce qu’elle était compliquée. Parce qu’elle était trop simple.
Aujourd’hui, on parle d’IA comme d’une science complexe, réservée aux génies. Pourtant, le vrai défi, c’était (et c’est toujours) l’apprentissage. Pas les calculs. Pas les données. Juste la capacité à retenir et à ajuster.
Alors oui, l’IA a progressé.
Mais elle a mis 70 ans à comprendre ce que tout le monde savait déjà : pour apprendre, il faut se tromper.
Et personne ne voulait d’une souris en bois pour le prouver.
