Il est 9 heures et le soleil baigne la baie de San Francisco. Un homme, la cinquantaine, ajuste ses mèches blondes, s’assied face à son ordinateur et se connecte sur Zoom, une application de visioconférence. Quand on lui demande, depuis Paris, pourquoi il a rejoint en 2015 Sentient Technologies, une entreprise spécialisée dans l’intelligence artificielle, plutôt que de rester à l’université du Texas à Austin, où il enseigne l’informatique et les neurosciences depuis 28 ans, le Finlandais Risto Miikulainen esquisse un petit sourire : « Je mène des recherches sur l’intelligence artificielle, et en particulier sur les algorithmes évolutionnaires depuis les années 1990. Mais depuis quelques années, je voulais plus que du théorique, je cherchais à leur donner une application concrète. Avec l’idée que le calcul évolutionnaire était prêt pour être commercialisé et changer le monde. »

Au 23e étage du One California, un impressionnant building du quartier d’affaires de San Francisco qui donne sur le Golden Gate, et dans lequel Sentient, société cofondée par le Français Antoine Blondeau, s’est établie il y a trois ans, l’équipe de Risto Miikkulainen, constituée de trois étudiants et quatre chercheurs, travaille d’arrache pied sur la finalisation d’une énorme plateforme d’intelligence artificielle qui permet de résoudre des problèmes hautement complexes impliquant des quantités massives de données, notamment dans l’e-commerce, le trading et la recherche médicale.

Risto Miikkulainen est un des pionniers de la « neuroévolution », une forme d’IA qui utilise des algorithmes évolutionnaires (AE) pour générer des réseaux neuronaux artificiels (RNA), notamment utilisés en robotique. Mais qu’est-ce qu’un algorithme évolutionnaire, au juste ? Et de quoi parle le chercheur quand il utilise le terme « calcul évolutionnaire » (CE), dont le grand public n’a jamais entendu parler et qui est utilisé par la plateforme de Sentient ? Le calcul évolutionnaire, evolutionary computation en anglais, est une branche méconnue de l’IA, qui s’inspire de la théorie de l’évolution, et plus spécifiquement du principe de sélection darwinienne, pour optimiser ou résoudre des problèmes complexes.

Pour faire simple, les algorithmes évolutionnaires imitent la capacité d’une population d’organismes vivants à s’adapter à son environnement pour survivre, à l’aide de mécanismes de sélection et d’héritage génétique. Ils génèrent aléatoirement une « population » de solutions (un jeu de paramètres, semblable à une recette de cuisine) à un problème donné. Puis les meilleures solutions sont combinées pour concevoir des « descendants »… et ainsi de suite, de génération en génération, jusqu’à trouver la meilleure solution possible.

Darwin dans un ordinateur

« L’idée n’est pas de répliquer entièrement l’évolution biologique, mais juste de transposer quelques-uns de ses grands principes en informatique – le croisement du matériel génétique, la mutation et la sélection des variations – afin de résoudre des problèmes beaucoup plus facilement et rapidement », explique Risto Miikkulainen avec aisance. Grâce au calcul évolutionnaire, les chercheurs de Sentient conçoivent depuis trois ans un algorithme capable de résoudre, seul, n’importe quel type de problème, et de s’adapter à son environnement. « On passe d’abord par le deep learning (DL), en simulant des réseaux neuronaux, afin d’observer et d’analyser une grande quantité de données puis de créer une modélisation du monde. Mais pour prendre des décisions, il faut recourir au calcul évolutionnaire, car le DL permet difficilement de prendre des décisions », note le scientifique.

Depuis que Lee Sedol, maître du jeu de go, a perdu contre AlphaGo, l’intelligence artificielle de Google DeepMind, il y a deux ans jour pour jour, le Deep Learning, ou « apprentissage profond », monopolise l’attention dès lors qu’il est question de progrès de l’IA. Cette technologie basée sur des réseaux de neurones artificiels, qui a pour objectif d’imiter le mieux possible l’intelligence humaine, a pourtant ses limites.

Dans le laboratoire ICUBE (centre de recherche en sciences de l’ingénieur, informatique et imagerie) de l’université de Strasbourg, un bâtiment blanc aux allures de vaisseau spatial, l’équipe Systèmes Complexes et Bioinformatique Translationnelle (CSTB) abrite une trentaine de chercheurs qui travaillent sur des systèmes artificiels « bio-inspirés ». Parmi eux, Pierre Collet, lui aussi spécialiste en calcul évolutionnaire (qu’il préfère appeler « évolution artificielle », ou EA), planche depuis vingt ans sur la conception de « moteurs évolutionnaires » (il s’agit peu ou prou du même genre de plateforme que celle élaborée par Sentient) qui permettent aux ordinateurs de « créer des objets industriels plus performants que ceux élaborés par des ingénieurs » en simulant l’évolution darwinienne dans une machine.

Professoral sans pour autant être jargonneur, le scientifique explique que le but de l’EA est tout simplement de rendre les ordinateurs créatifs – ce qui n’est pas l’objet du deep learning : « En simulant des millions de neurones, connectés et arrangés en des centaines de couches différentes, une machine est capable d’analyser des données, d’apprendre et de comprendre son environnement, par exemple pour reconnaître des images. Mais elle ne pourra pas trouver d’elle-même de nouvelles solutions à un problème, car elle se base sur l’exploitation de ce que nous savons déjà. C’est là que l’EA entre en jeu, car suivant un processus créatif, elle permet à un ordinateur de trouver de nouvelles solutions, sans les humains ». Les solutions proposées par les machines nourries à l’évolution artificielle sont parfois surprenantes et échappent même à notre compréhension, comme ces plans d’une mini-antenne de satellite conçus par des ordinateurs en 2006 pour la NASA : « Jamais les ingénieurs humains n’auraient pu imaginer une telle antenne. »

Selon Pierre Collet, « les algorithmes évolutionnaires produisent déjà régulièrement des résultats, brevetés, aussi performants que l’ingénieur humain, voire meilleurs ». L’EA est ainsi utilisée pour résoudre des problèmes très concrets, du contrôle du flux de pipelines de gaz au design de profils d’ailes d’avion, en passant par le routage aérien, la fabrication d’emplois du temps à l’université, le routage dans les réseaux, ou encore la planification de trajectoires de robots. « Récemment, j’ai travaillé avec une société qui gère une flotte de véhicules sanitaires, afin de trouver grâce aux AE comment optimiser leur utilisation… Tous les problèmes industriels peuvent être résolus par l’évolution artificielle, car c’est un solveur universel. »

« Mais il est possible d’aller encore plus loin, en liant l’évolution artificielle et le deep learning, la compréhension de l’environnement et la création de solutions. On peut analyser un problème donné grâce au DL, puis passer le relai au calcul évolutionnaire, afin de le résoudre », précise Pierre Collet.

La prochaine étape de l’IA

San Francisco, California Street. Tandis que les Cable Cars, tramways bien connus de la « ville sur la Baie », se succèdent dans la rue, les chercheurs de Sentient viennent de réaliser, dans leur coin, plusieurs percées. D’abord dans la résolution de problèmes de calcul très difficiles : « Notre plateforme de calcul évolutionnaire nous a permis de résoudre des problèmes allant jusqu’à un milliards de variables », explique Risto Miikkulainen, en vidant sa tasse de café. Ensuite, en matière d’optimisation d’applications réelles : « notre moteur évolutionnaire est capable de produire de nouveaux designs pour les concepteurs de site web, que les humains ne pourraient pas imaginer ».

Enfin, avec sa plateforme de calcul évolutionnaire, Sentient peut améliorer des architectures de deep learning (très grandes, et de plus en plus complexes à concevoir par les ingénieurs humains). « Notre objectif, c’est de permettre aux industriels d’optimiser et d’améliorer leurs systèmes d’apprentissage, au-delà des capacités humaines : l’IA construit l’IA, et les architectures de DL évoluent seules », indique Risto Miikkulainen. Sur le site de la start-up, plusieurs démos permettent de visualiser les possibilités d’un tel usage de l’évolution artificielle : « Music Maker », un système de modélisation du langage, a par exemple vu la structure mémoire de son réseau (Long Short-Term Memory ou LSTM) être décuplée par l’EA, et Celeb Match, un programme de reconnaissance d’images, a vu son réseau considérablement optimisé par le calcul évolutionnaire.

L’équipe CSTB et Sentient poursuivent le même objectif : construire des algorithmes capables de s’attaquer à n’importe quel type de problème, mais à terme, sans intervention humaine. « Pour construire AlphaGo, Google a employé entre 10 et 20 scientifiques pendant trois ans. Notre idée consiste à remplacer la conception humaine par un système intelligent et évolutif qui travaille tout seul sur des milliers de cartes graphiques et de processeurs », expliquait l’année dernière Antoine Blondeau, fondateur de Sentient, à Numerama. « Un tel couplage du DL et de l’EA n’existe pas encore à l’heure actuelle, mais c’est sans nulle doute la prochaine étape de l’intelligence artificielle », note Risto Miikkulainen, en hochant la tête.

Tandis que Sentient cherche à utiliser l’EA pour optimiser le deep learning, Pierre Collet tente de son côté d’utiliser l’évolution artificielle pour résoudre des problèmes initialement identifiés par l’apprentissage profond – l’idée étant ainsi d’utiliser le DL pour identifier un problème bloquant, puis de lancer un algorithme évolutionnaire dessus pour le résoudre de manière créative. « Les applications concrètes seraient infinies. Alors que le DL permet d’imiter des compositions, l’EA pourrait créer des musiques de toute pièce. En concevant un ordinateur autonome capable de comprendre son environnement, d’être inventif et de résoudre lui-même un problème, on pourrait aussi imaginer un robot, sur Mars, qui réussirait à déplacer un rocher face à lui, en décidant d’utiliser son bras manipulateur, alors que ce dernier n’est pas fait pour pousser des obstacles », se prend à rêver Pierre Collet. « Nous sommes arrivés à un moment clé de l’histoire de l’IA. Le calcul évolutionnaire, combiné au deep learning, pourra générer des solutions totalement nouvelles », ajoute Risto Miikkulainen.

Avançant petits pas après petits pas, les chercheurs de Sentient se concentrent pour le moment sur des domaines industriels ou créatifs tels que le marketing, le webdesign, l’e-commerce ou la cybersécurité : leurs algorithmes évolutionnaires permettent par exemple de créer une IA capable de de lier des vêtements photographiés dans la rue aux offres des boutiques en ligne, ou encore de repérer les défaillances sécuritaires d’un réseau.

Mais d’autres projets pourraient aussi permettre de sauver des vies. L’entreprise d’IA basée à San Francisco conçoit, avec le MIT, un système permettant de prédire les chocs sismiques. « Dans le domaine de l’agriculture, nous devrions aussi pouvoir utiliser des algorithmes évolutionnaires pour optimiser le rendement des cultures et transformer l’avenir de la production alimentaire. Enfin, dans la recherche médicale, on pourrait utiliser les ciseaux moléculaires CRISPR d’une façon beaucoup plus précise », explique Risto Miikkulainen. À Strasbourg, Pierre Collet planche aussi sur l’utilisation de ses moteurs évolutionnaires pour permettre à de petits drones de « se faufiler entre des gravats en cas de séisme, et de décider tout seul des actions à réaliser en présence de survivants : les localiser, identifier les obstacles pour permettre aux secouristes d’intervenir plus efficacement… »

L’évolution artificielle

« Le défi est énorme », annonce sans ambage Risto Miikkulainen. Pour l’instant, les algorithmes évolutionnaires, moins spectaculaires que le deep Learning qui se traduit en applications très visuelles, restent peu connus des médias et du grand public – alors qu’ils sont l’objet de recherches depuis les débuts de l’IA, dans les années 1960, que les premières solutions brevetées issues de l’EA et du « Darwinisme artificiel » remontent au début des années 2000 avec l’augmentation de la puissance des machines, « et que cette technologie est si efficace que de plus en plus d’entreprises préfèrent embaucher des ingénieurs en EA, capables de résoudre tous les types de problèmes, plutôt qu’une multitude d’ingénieurs spécialisés dans un seul domaine », note Pierre Collet.

Si l’EA reste ainsi méconnue, l’IA nouvelle génération ne devrait donc pas être pour tout de suite. Mais les choses pourraient en fait très vite bouger. Car d’autres acteurs de l’IA semblent eux aussi s’intéresser à l’évolution artificielle – à commencer par ceux qui jusqu’ici, dans la Silicon Valley, ne juraient que par le deep learning. Chez Google, les chercheurs en intelligence artificielle explorent ainsi l’utilisation d’algorithmes évolutionnaires pour la classification et la recherche d’images, en complément de l’apprentissage profond, ou utilisent l’EA au sein de DeepMind pour mieux « entraîner » des réseaux de neurones artificiels.

Les scientifiques du projet OpenAI, fondé par Elon Musk en 2015 pour « développer une IA à visage humain qui bénéficiera à toute l’humanité », tentent de leur côté de recourir au calcul évolutionnaire pour « apprendre aux ordinateurs à effectuer des tâches particulièrement complexes ». Selon les chercheurs américains, les « stratégies d’évolution » (une branche de l’évolution artificielle née en Allemagne en 1965) pourraient même être « une alternative à l’apprentissage par renforcement », une méthode de Machine Learning qui consiste à faire apprendre un algorithme via des observations faisant suite à des actions sur son environnement… et qui est à l’origine des prouesses d’AlphaGo.

Vers une autre forme d’intelligence ?

Couplés, le deep learning et l’évolution artificielle pourraient finalement permettre, poursuit Pierre Collet, de se rapprocher de l’intelligence artificielle « dure », ou « forte » – autrement dit, une IA véritablement intelligente. A Strasbourg, au milieu des ordinateurs, le chercheur français s’enthousiasme à cette idée. « C’est ça le futur, pour moi, et c’est ce sur quoi je travaille : concevoir enfin des ordinateurs autonomes, qui identifient des problèmes jusqu’à concevoir eux-mêmes les bonnes solutions. Pour l’instant, l’IA actuelle est « soft », « faible », avec des ordinateurs qui reconnaissent leur environnement, mais qui ne savent pas trop quoi en faire. L’EA nous promet de changer ça ».

Mais « l’intelligence » de ce nouveau type d’ordinateurs ne sera pas forcément humaine. « Des ordinateurs autonomes, cela peut sembler un fantasme, mais cela le restera si l’on s’obstine à essayer de reproduire l’intelligence humaine. Certes, créer des machines qui agissent comme nous, c’est fascinant, mais le raisonnement de l’EA n’est pas humain, et s’il l’était, cela n’aurait pas grand intérêt », tranche Pierre Collet. Et le scientifique n’hésite pas à citer l’informaticien Edsger Dijkstra, prix Turing 1972, qui a écrit que « Alan Turing a réfléchi à des critères pour déterminer si des machines peuvent penser », mais que « nous savons que cette question est aussi pertinente que de se demander si un sous-marin peut nager ».

Devrions-nous nous inquiéter face à l’éventualité de tels programmes ou ordinateurs autonomes, capables de prendre des décisions sans nous ? « La prochaine étape de l’IA, c’est rendre les machines inventives… pas pour remplacer l’humain, mais pour le rendre plus fort, plus créatif, et pour l’aider à prendre des décisions. La machine propose, l’homme décide », affirme Risto Miikkulainen.

« Le deep learning décuplé par l’évolution artificielle devrait avoir beaucoup plus d’effets positifs que négatifs, mais cela dépendra toujours de ce que nous ferons de ces technologies, qui ne restent que des outils », prévient de son côté Pierre Collet. Au laboratoire ICUBE, l’informaticien prône la mise en place de bornes et de gardes fous, notamment par l’adoption par les chercheurs en IA d’une charte éthique, comme celle qu’il a lui-même signée en février 2017, aux côtés de 3813 autres scientifiques, dont Risto Miikkulainen : les « 23 principes d’Asilomar ». Clairement inspirés des « trois lois d’Asimov », elle précise notamment que « le but visé par les recherches en IA devrait être la création d’une IA bénéfique, et non une IA incontrôlable. »