En 1957, Frank Rosenblatt, un ingénieur de l’université Cornell, a branché une machine qu’il avait construite lui-même. Elle s’appelait le Perceptron. Pas de carte graphique, pas de cloud, pas de GPU Nvidia. Juste des résistances électriques, des câbles, et une idée folle : et si on pouvait apprendre à une machine à reconnaître des formes sans lui expliquer comment faire, comme un enfant qui voit un chat et comprend que c’est un chat sans qu’on lui dessine chaque poil un par un ?
Le Perceptron, c’était ça. Une boîte en métal qui, après des heures d’entraînement, arrivait à distinguer un cercle d’un carré. Pas à 100 %. Pas toujours. Mais assez pour que Rosenblatt, un type qui avait bossé sur des missiles pendant la guerre, se dise : « On y est. »
Sauf que non.
Ce qui a tué le Perceptron, ce n’était pas la technologie.
Les médias en ont parlé en 1958. « La machine qui pense », « L’ordinateur qui apprend ». Les titres pullulaient. Les militaires, qui finançaient Rosenblatt via l’US Navy, voyaient ça comme un outil pour détecter des sous-marins soviétiques. Les universitaires, eux, y voyaient la naissance de l’intelligence artificielle. Sauf que trois ans plus tard, en 1961, Marvin Minsky, un des papas de l’IA, sortait un papier qui démolissait tout ça. « Le Perceptron ne peut pas faire grand-chose », écrivait-il. « Il est limité à des problèmes trop simples. »
Limité ? Non. Étranglé.
Pourquoi ? Parce que Rosenblatt avait oublié une chose : une machine qui apprend, il faut bien lui dire ce qu’elle a raté. Le Perceptron, lui, ne faisait que deviner. Si on lui montrait un carré, il répondait « carré ». S’il se plantait, on lui disait « non, c’est un triangle », et il ajustait ses fils pour la prochaine fois. Sauf que ça marchait seulement si les formes étaient nettoyées, bien dessinées, sans bruit. Dans la vraie vie ? Trop compliqué. Trop lent. Trop cher.
Le vrai problème, c’était l’argent.
Pas le coût des composants, même si à l’époque, un transistor valait une fortune. Non. Le problème, c’était que personne ne voulait payer pour des machines qui apprenaient lentement. Les militaires voulaient des résultats maintenant. Les labos voulaient des publications rapides. Les entreprises voulaient des profits immédiats. Le Perceptron, lui, avait besoin de temps. Beaucoup de temps. Et personne n’en avait.
Alors on a abandonné.
Pourtant, le Perceptron avait raison sur un point.
Il prouvait que l’apprentissage automatique, c’était possible sans lui souffler les réponses. Juste en lui montrant des exemples et en lui disant « non, pas comme ça ». Aujourd’hui, on appelle ça le machine learning. Et ça marche. Trop bien, même. Les réseaux de neurones actuels, ceux qui battent les champions d’échecs ou qui traduisent en temps réel, ils fonctionnent sur le même principe : on leur donne des données, ils se plantent, on leur dit « non », et ils s’améliorent.
Sauf que cette fois, on ne les a pas laissés mourir.
Pourquoi ? Parce qu’on avait compris la leçon.
En 1961, quand Minsky a enterré le Perceptron, il avait tort sur un détail : la machine pouvait faire plus que des formes simples. Elle pouvait apprendre. Mais il avait raison sur l’essentiel : sans données propres, sans puissance de calcul, sans patience, ça ne marche pas.
Aujourd’hui, on a tout ça. Sauf une chose : la bonne question.
Les réseaux de neurones actuels, ce sont des Perceptrons dopés aux stéroïdes. Des milliards de paramètres, des petaoctets de données, des GPU qui chauffent comme des fours. Et pourtant, on se prend encore la tête sur les mêmes problèmes qu’en 1957.
-
« Pourquoi l’IA se trompe-t-elle sur les visages noirs ? » Parce que les données d’entraînement étaient biaisées. Comme en 1957, on n’a pas nettoyé le bruit.
-
« Pourquoi les voitures autonomes ratent-elles les piétons ? » Parce qu’on leur a pas montré assez d’exemples de vieux messieurs traversant la rue avec une canne. Comme en 1957, on a pas eu le temps d’attendre.
-
« Pourquoi les chatbots répondent-ils n’importe quoi ? » Parce qu’on leur a pas expliqué comment répondre, juste quelles réponses éviter. Comme en 1957, on a cru que la machine comprendrait toute seule.
Le Perceptron est mort parce qu’on a voulu aller trop vite.
Aujourd’hui, on va encore trop vite. On court après les applications « killers », la voiture autonome, le médecin robot, le traducteur parfait, sans se demander si la machine est vraiment prête. En 1957, Rosenblatt voulait détecter des sous-marins. En 2024, on veut remplacer les radiologues. Même problème : on oublie que l’apprentissage, ça prend du temps.
Le vrai scandale, ce n’est pas que l’IA progresse trop lentement. C’est qu’on progresse sans comprendre.
Le Perceptron a montré la voie en 1957. On l’a oubliée. Aujourd’hui, on refait les mêmes erreurs, mais en plus gros. On donne des milliards à des labos pour entraîner des modèles sur des données pourries, en espérant qu’ils « comprendront » comme par magie. Comme si une machine pouvait deviner les règles du jeu sans qu’on les lui explique.
*La vraie question n’est pas « L’IA peut-elle remplacer les humains ? »
C’est « On est prêts à lui laisser le temps d’apprendre ? »
En 1957, Rosenblatt avait une machine qui reconnaissait des formes. Aujourd’hui, on a des machines qui écrivent des poèmes et conduisent des voitures. La différence ? En 1957, on a abandonné parce que c’était trop lent. Aujourd’hui, on accélère parce que c’est trop lucratif.
Sauf que l’apprentissage, ça ne se force pas.
Et peut-être que le Perceptron avait raison sur un dernier point : on n’est pas près d’avoir des machines qui comprennent vraiment. Juste des machines qui imitent.
Ce qui, au fond, change peu de choses.
Parce que le vrai problème, ce n’était pas la technologie en 1957.
C’était nous.
