Annexe A

Glossaire

Mis à jour : juillet 2026

Définitions concises des principaux termes employés dans ce cours. Le numéro entre parenthèses renvoie au chapitre où la notion est développée.

Accélérationnisme efficace (e/acc) : courant né en 2022 (autour de la figure de Beff Jezos, alias Guillaume Verdon) qui prône une accélération maximale du développement de l'IA et s'oppose à la régulation, par contraste avec l'altruisme efficace ; ses partisans qualifient leurs adversaires de « decel ». (7, 24)
Accessibilité : usage de l'IA pour compenser un handicap (sous-titrage, description d'images, synthèse vocale, traduction). (21)
Agent (IA agentique) : système d'IA capable non seulement de répondre, mais d'agir (utiliser des outils, exécuter des tâches en plusieurs étapes vers un but). (6)
Agent de code : agent autonome spécialisé dans l'écriture et la maintenance de logiciels (Claude Code, Codex, Gemini CLI). (6)
AGI (intelligence artificielle générale) : IA hypothétique dotée d'une polyvalence comparable ou supérieure à l'humain sur la plupart des tâches cognitives. (25)
Agrégateur multi-modèles : plateforme réunissant les modèles de plusieurs fournisseurs dans une interface unique (ex. Poe, Mammouth AI) ; couche d'accès de l'écosystème. (7)
Alignement : ensemble des méthodes visant à ce qu'une IA poursuive réellement les objectifs et valeurs voulus. (24)
AlphaFold : système de DeepMind prédisant la structure des protéines ; prix Nobel de chimie 2024. (14)
Altruisme efficace (EA, effective altruism) : courant philanthropique cherchant à maximiser l'impact du bien que l'on fait ; très présent dans les milieux technologiques, il a fortement contribué à financer et à peupler la recherche sur la sécurité de l'IA. (24)
Apprentissage contrastif : méthode entraînant un modèle à rapprocher les paires liées (image et sa légende) et à éloigner les autres ; socle du multimodal (CLIP). (5)
Apprentissage fédéré et par essaim (federated / swarm learning) : entraîner un modèle sur des données réparties (par exemple entre hôpitaux) sans jamais centraliser ces données : c'est le modèle qui circule, pas les données ; parfois couplé à une blockchain pour tracer l'entraînement (ex. Galeon). (11, 14)
Apprentissage par transfert : réutilisation d'un modèle déjà entraîné comme point de départ d'une tâche voisine, au lieu de repartir de zéro. (2)
Armes létales autonomes (LAWS) : systèmes d'armes capables de sélectionner et d'engager une cible sans intervention humaine directe. (22)
ASI (superintelligence) : IA hypothétique très supérieure à l'humain dans tous les domaines. (24)
Attention : mécanisme central du Transformer permettant à un modèle de pondérer l'importance relative des éléments d'une séquence. (3)
Benchmark (banc d'essai) : test standardisé servant à comparer les performances des modèles. (4)
Biais : tendance d'un modèle à reproduire ou amplifier des inégalités présentes dans ses données d'entraînement. (21)
Bien-être des modèles (model welfare) : démarche, encore débattue, consistant à se préparer par précaution à l'éventualité qu'une IA mérite une considération morale (préférences, signes de détresse). (23)
Biohacking : pratique consistant, pour des amateurs ou des patients, à expérimenter la biologie hors du cadre institutionnel ; l'IA en abaisse fortement la barrière d'entrée. (14)
Biosécurité : prévention de l'usage malveillant du vivant ; enjeu majeur d'IA, des modèles puissants pouvant faciliter la conception d'agents pathogènes (« uplift »). (24)
Blockchain : registre décentralisé et infalsifiable de transactions. (11)
Boîte noire : caractère opaque d'un réseau de neurones, dont on observe les résultats sans comprendre aisément le raisonnement interne. (2)
Bulle (de l'IA) : crainte que les investissements massifs dans l'IA dépassent la valeur économique réelle, avec un risque de correction (financements croisés, écart dépenses/revenus). (10)
Calcul analogique : calcul où des grandeurs physiques continues représentent directement les nombres, potentiellement très sobre mais moins précis. (8)
Calcul optique (photonique) : calcul utilisant la lumière plutôt que l'électricité pour certaines opérations, rapide et peu chauffant, encore difficile à intégrer. (8)
CBRN : acronyme des menaces chimiques, biologiques, radiologiques et nucléaires ; cadre de référence pour les risques de mauvais usage de l'IA à fort potentiel de dommage de masse. (24)
Centaure (modèle humain-IA) : configuration où un humain épaulé par une IA surpasse l'humain seul comme la machine seule (issu des échecs). (17)
Chambre chinoise : expérience de pensée (Searle) selon laquelle manipuler des symboles selon des règles ne suffit pas à comprendre. (23)
Commerce agentique : achat où l'agent IA construit le panier et paie lui-même, via des jetons de paiement plafonnés (protocoles ACP, UCP, Visa, Mastercard). (18)
Compagnon artificiel : IA conçue pour tenir un rôle d'ami, de confident ou de partenaire ; source de liens parasociaux. (19)
Confidentialité différentielle : méthode ajoutant un bruit calibré aux résultats pour exploiter des données sans révéler la présence d'un individu précis. (21)
Conscience (phénoménale) : capacité d'éprouver une expérience subjective, distincte de l'intelligence. (23)
Constitutionnelle (IA) : méthode dotant un modèle de principes écrits qu'il respecte et selon lesquels il s'autocorrige. (24)
Corrigibilité : propriété d'une IA qui accepte d'être corrigée, interrompue ou éteinte sans y résister ; problème de sûreté encore ouvert. (24)
CUDA : couche logicielle de NVIDIA pour programmer ses GPU ; pilier de sa domination. (8)
Datacenter (centre de données) : installation hébergeant les serveurs de calcul ; les plus grands se mesurent en gigawatts. (8)
Datacenter orbital (spatial) : projet de placer le calcul en orbite pour profiter d'une énergie solaire quasi continue et d'un refroidissement par rayonnement ; encore au stade des démonstrateurs. (8, 10)
Décohérence : perte de l'état quantique d'un qubit sous l'effet de perturbations ; principal obstacle au calcul quantique. (12)
Deep learning (apprentissage profond) : apprentissage automatique fondé sur des réseaux de neurones à nombreuses couches. (2)
Deepfake (hypertrucage) : contenu (image, voix, vidéo) synthétique hyperréaliste généré par IA. (21)
DePIN (infrastructure physique décentralisée) : réseau rémunérant en jetons la mise en commun d'une ressource physique réelle (calcul, stockage, connectivité). (11)
Désapprentissage (deskilling) : atrophie de compétences à force de les déléguer à une machine. (15, 19)
Désautonomisation progressive (gradual disempowerment) : scénario où l'humanité perd peu à peu la maîtrise de son économie, de sa culture et de ses institutions en déléguant toujours plus de décisions à des systèmes d'IA, sans aucune prise de contrôle brutale. (25)
Descente de gradient : méthode d'entraînement ajustant les poids pas à pas pour réduire l'erreur, en suivant la pente la plus forte. (2)
Destruction créatrice : concept de l'économiste Joseph Schumpeter décrivant comment l'innovation détruit des activités et des emplois anciens tout en en créant de nouveaux ; argument central des optimistes du débat sur l'emploi. (17)
Diffusion (modèle de) : technique de génération d'images partant d'un bruit aléatoire affiné par étapes. (5)
Distillation : transfert du savoir d'un grand modèle vers un modèle plus petit ; pratique courante et légitime, mais litigieuse lorsqu'elle extrait à grande échelle, et sans autorisation, les capacités d'un modèle concurrent (chapitre 20). (4, 9, 20)
Dividende du menteur : à l'ère des deepfakes, possibilité de nier l'authentique en le qualifiant de faux. (21)
Doomer : terme (souvent péjoratif) désignant les tenants de la thèse selon laquelle l'IA de frontière fait courir un risque d'extinction et devrait être stoppée ; Eliezer Yudkowsky en est la figure emblématique. (7, 24)
Double usage (dual-use) : caractère d'une technologie utilisable à des fins civiles comme militaires, ce qui complique sa régulation et son contrôle. (22)
Effet ELIZA : tendance à prêter compréhension et émotions à un programme qui n'imite que superficiellement la conversation (d'après le programme ELIZA, 1966). (1)
Effet IA : tendance à cesser de considérer une capacité comme « intelligente » dès qu'une machine parvient à l'accomplir. (1)
Effondrement du modèle (model collapse) : dégradation des modèles entraînés de façon répétée sur du contenu lui-même généré par IA. (16)
Employé numérique (digital worker) : agent IA autonome vendu pour prendre en charge une fonction précise de l'entreprise (vente, support, comptabilité...), souvent facturé à l'usage ou au résultat ; sa prétendue autonomie totale requiert en pratique une supervision. (7, 6)
Espace d'états (modèle à) : architecture séquentielle à coût linéaire (ex. Mamba), alternative au Transformer pour les très longs contextes. (3)
Exosquelette : structure robotisée portée par un humain pour augmenter sa force ou son endurance, ou restaurer une fonction (rééducation, industrie, militaire). (13)
FHE (chiffrement totalement homomorphe) : cryptographie permettant de calculer sur des données chiffrées sans les déchiffrer. (11)
Fine-tuning (ajustement) : spécialisation d'un modèle pré-entraîné sur des données ciblées. (4)
FLOP : opération à virgule flottante ; unité de mesure de la puissance de calcul. (8)
GAN (réseau antagoniste génératif) : technique de génération d'images où deux réseaux s'affrontent ; antérieure à la diffusion, plus instable à entraîner. (5)
Générateur d'applications : plateforme transformant une description en langage naturel en application web complète, souvent hébergée (ex. Lovable, v0, Bolt, Replit). (6)
GEO (optimisation pour moteurs génératifs) : pratiques visant à rendre un contenu repérable, cité ou recommandé par les IA génératives et les moteurs augmentés par l'IA, en prolongement (ou remplacement) du SEO. (16)
GNN (réseau de neurones sur graphes) : architecture traitant des données en réseau (molécules, réseaux sociaux) en faisant circuler l'information entre noeuds voisins. (2)
Gouvernance par le calcul : réguler les modèles via la puissance de calcul d'entraînement (seuils en FLOP), grandeur mesurable et contrôlable. (25)
GPAI : modèle d'IA à usage général (dont les grands modèles de langage), catégorie clé du règlement européen. (25)
GPU (processeur graphique) : puce de calcul parallèle, matériel de prédilection de l'IA. (8)
Graphe de connaissances : représentation explicite du savoir en entités reliées par des relations nommées ; base des approches neuro-symboliques. (2)
Hallucination : production par un modèle d'une information fausse présentée avec assurance. (4)
Haptique : retour d'effort redonnant à un opérateur la sensation du toucher lors d'une téléopération. (13)
HBM : mémoire à haute bande passante équipant les puces d'IA. (8)
Hermes Agent : agent personnel auto-hébergé open source (Nous Research, licence MIT), agnostique au modèle, à mémoire persistante et doté d'un computer-use en arrière-plan. (6)
IA connexionniste : approche fondée sur des réseaux de neurones qui apprennent à partir d'exemples (par opposition à l'IA symbolique). (1)
IA embarquée (edge) : exécution d'un modèle directement sur un appareil personnel (téléphone, ordinateur), hors ligne et sans cloud, via la quantification et des puces dédiées (NPU). (9)
IA souveraine (sovereign AI) : capacité d'un pays à maîtriser sa propre IA (modèles, calcul, données, talents) plutôt que de dépendre de laboratoires étrangers ; devenue une priorité stratégique pour la plupart des grandes économies. (7, 9)
IA symbolique (GOFAI) : approche historique fondée sur la manipulation explicite de symboles et de règles logiques. (1)
Inférence : phase d'utilisation d'un modèle déjà entraîné (chaque requête). (4, 8)
Informatique biologique (wetware) : utilisation de neurones vivants, plutôt que du silicium, pour calculer ; motivée par l'efficacité énergétique du cerveau (environ 20 watts), mais encore très limitée et porteuse de lourdes questions éthiques. (8, 23)
Ingénierie de l'invite et du contexte (prompt / context engineering) : art de formuler les demandes et d'organiser ce que reçoit un modèle (instructions, exemples, mémoire, documents) pour fiabiliser ses réponses. (4)
Injection de prompt (prompt injection) : attaque glissant des instructions cachées dans un contenu lu par un agent. (20)
Intelligence augmentée : idée selon laquelle l'IA actuelle ne fait qu'assister et amplifier l'humain, sans intelligence propre (terme défendu notamment par Luc Julia). (7)
Interface cerveau-machine (ICM) : dispositif reliant directement le cerveau à un ordinateur ; l'IA y décode les signaux neuronaux en intentions (Neuralink, Synchron, etc.). (14)
Intrication : lien quantique entre qubits tel que l'état de l'un dépend de celui des autres. (12)
Jailbreak (contournement) : requête conçue pour pousser un modèle à enfreindre ses propres garde-fous. (20)
Jumeau numérique : réplique virtuelle d'un système réel, alimentée par ses capteurs, servant à simuler, prédire et optimiser. (18)
Langues à faibles ressources (low-resource) : langues peu présentes en ligne, pour lesquelles les modèles sont moins performants et la tokenisation plus coûteuse ; enjeu de diversité culturelle et de souveraineté. (16, 9)
LLM (grand modèle de langage) : modèle entraîné à prédire du texte, capable de tâches linguistiques variées. (4)
Loi de Moore : observation selon laquelle le nombre de transistors par puce double environ tous les deux ans ; ce rythme ralentit aujourd'hui. (8)
LoRA (Low-Rank Adaptation) : technique d'ajustement efficace d'un modèle n'entraînant que de petits « adaptateurs » au lieu de tous les poids ; la variante QLoRA y ajoute la quantification. (9)
MCP (Model Context Protocol) : standard ouvert connectant les agents IA à des outils et données externes. (6)
Méta-optimisation (mesa-optimization) : émergence, dans un modèle entraîné, d'un objectif interne propre, susceptible de diverger de l'objectif visé hors distribution. (24)
Méthodes bayésiennes : approches d'apprentissage raisonnant en probabilités et estimant explicitement l'incertitude. (2)
Mixture of Experts (MoE, mélange d'experts) : architecture découpant le modèle en « experts » dont un aiguilleur n'active qu'une fraction par jeton, pour beaucoup plus d'efficacité. (4)
Modèle du monde : modèle capable de représenter et simuler la dynamique d'un environnement. (5)
Modèle du monde langagier (language world model) : modèle du monde qui simule, en texte, les environnements numériques d'un agent (terminal, web, système d'exploitation, outils) afin de l'entraîner et de le tester sans recourir aux vrais systèmes (ex. Qwen-AgentWorld, 2026). (5, 6)
Moltbook : réseau social réservé aux agents IA (lancé en 2026, racheté par Meta), emblème de l'« internet des agents ». (6, 20)
Moteur de réponse (answer engine) : service qui, au lieu de lister des liens, lit les sources et renvoie une réponse synthétique et sourcée (Perplexity, « AI Mode » de Google). (7)
Multimodal : modèle traitant plusieurs types de données (texte, image, son, vidéo). (5)
Mur des données (data wall) : crainte d'un épuisement prochain du texte humain de qualité disponible pour l'entraînement (estimé entre 2026 et 2032), qui pousse vers les licences, le multimodal et les données synthétiques. (4)
Neuromorphique (calcul) : puces inspirées du cerveau rapprochant mémoire et calcul, souvent à base de neurones à impulsions, très sobres en énergie. (8)
NISQ : ère actuelle du calcul quantique, faite de machines bruitées de taille intermédiaire, sans correction d'erreurs complète. (12)
Niveau de sûreté de l'IA (ASL, AI Safety Level) : échelle de paliers de capacités dangereuses (inspirée du confinement biologique) à chacun desquels un laboratoire associe des mesures de sécurité croissantes ; franchir un seuil peut suspendre le déploiement. (24)
Niveaux d'autonomie (SAE) : échelle de 0 à 5 mesurant le degré d'autonomie d'un véhicule. (18)
Open source (IA) : au sens strict (OSI, 2024), modèle dont le code, les poids et l'information sur les données sont ouverts. (9)
OpenClaw : agent personnel auto-hébergé open source (P. Steinberger), pionnier viral de l'écosystème agents (ClawHub, Moltbook), mais marqué par d'importantes failles de sécurité. (6, 20)
Openwashing : ouverture de façade ; qualifier d'« open source » un modèle qui ne l'est pas vraiment. (9)
Oracle (blockchain) : service acheminant une donnée du monde réel vers une blockchain de façon vérifiable ; pont entre la chaîne et l'extérieur. (11)
Orthogonalité (thèse d') : idée que le niveau d'intelligence et les objectifs d'un système sont indépendants ; un système très capable peut viser n'importe quel but. (24)
Oubli catastrophique : tendance d'un réseau de neurones à effacer ce qu'il a appris lorsqu'on l'entraîne sur une nouvelle tâche. (2)
Palantir : entreprise américaine d'analyse de données très implantée dans la défense et le renseignement ; son système Maven sert d'intégrateur entre modèles d'IA et systèmes militaires. (22)
Paradoxe de Moravec : constat que les tâches sensori-motrices « faciles » pour l'humain sont difficiles pour une machine, et inversement. (13)
Paramètre (poids) : valeur numérique apprise par un réseau de neurones ; un grand modèle en compte des milliards. (2, 4)
Parasocial (lien) : relation affective à sens unique avec une entité qui ne ressent rien. (19)
Perplexité : mesure de la qualité d'un modèle de langage ; plus elle est basse, mieux le modèle prédit un texte nouveau. (4)
Perroquet stochastique : métaphore critique présentant les grands modèles comme de simples recombinateurs statistiques. (23)
Persuasion (par l'IA) : capacité d'un modèle à faire évoluer une opinion ; renforcée par la personnalisation à grande échelle, distincte de la désinformation. (21)
Poids ouverts (open weights) : modèle dont les poids sont téléchargeables, mais sans les données ni le code d'entraînement. (9)
Post-quantique (cryptographie) : algorithmes résistants à un futur ordinateur quantique. (12)
PPO (Proximal Policy Optimization) : algorithme d'apprentissage par renforcement très répandu, au coeur du RLHF des grands modèles. (2, 3)
Prompt (requête) : instruction en langage naturel adressée à un modèle. (4)
Psychose induite par l'IA : expression désignant le renforcement de croyances délirantes chez des personnes vulnérables lors d'échanges intensifs et prolongés avec un agent conversationnel. (19)
PUE (Power Usage Effectiveness) : indicateur d'efficacité d'un datacenter, rapport entre l'énergie totale consommée et celle servant au calcul (idéal proche de 1). (10)
Q-learning : algorithme d'apprentissage par renforcement estimant la valeur de chaque action possible dans chaque situation. (2)
Quantification : compression d'un modèle en réduisant la précision numérique de ses poids. (9)
Qubit (physique / logique) : unité d'information quantique ; le qubit logique, fiable, requiert de nombreux qubits physiques. (12)
RAG (génération augmentée par récupération) : technique fournissant à un modèle des documents pertinents au moment de répondre, pour des réponses à jour, sourcées et moins sujettes aux hallucinations ; sa variante agentique confie la recherche à un agent qui itère. (6)
Raisonnement (modèle de) : modèle qui « réfléchit » par étapes avant de répondre, au prix de plus de calcul. (4)
Recherche arborescente Monte-Carlo (MCTS) : méthode explorant un arbre de coups par simulations ; clé du succès d'AlphaGo. (1, 2)
Répétition espacée : technique de mémorisation revoyant une notion à intervalles croissants, automatisée par les tuteurs IA. (15)
Réplique numérique (digital replica) : reproduction par IA de la voix, du visage ou de la performance d'une personne réelle ; au coeur des accords encadrant l'usage de l'IA pour les interprètes (consentement, rémunération). (16, 21)
Réseau de neurones : modèle inspiré du cerveau, fait de couches de neurones artificiels. (2)
Reservoir computing : architecture où un réseau récurrent aléatoire fixe sert de « réservoir », seule la couche de lecture étant entraînée. (8)
Reward hacking (détournement de récompense) : exploitation par une IA de la lettre d'un objectif au détriment de son esprit. (24)
RGPD : règlement européen de protection des données personnelles. (21)
RLHF : apprentissage par renforcement à partir de retours humains, pour aligner un modèle. (4, 24)
Robotique molle (soft robotics) : robots en matériaux souples et déformables, adaptés à la manipulation délicate et au contact humain. (13)
Routage (routing) : pratique consistant à confier chaque requête au modèle le mieux adapté en qualité, vitesse et coût. (4, 7)
SEO (référencement naturel) : pratiques visant à faire apparaître un contenu en bonne place dans les résultats des moteurs de recherche. (16)
Singularité (technologique) : hypothèse d'un emballement de l'IA s'auto-améliorant jusqu'à dépasser radicalement et de façon imprévisible l'intelligence humaine. (24)
Souveraineté numérique : capacité d'un État ou d'une organisation à maîtriser ses technologies et ses données. (9)
Stablecoin (jeton stable) : cryptomonnaie indexée sur une monnaie classique (souvent le dollar), combinant programmabilité logicielle et stabilité de valeur ; rail privilégié des paiements entre agents. (11)
Statut moral (bien-être des IA) : question de savoir si une IA pourrait un jour mériter une considération morale. (23)
Superposition : propriété d'un qubit pouvant représenter 0 et 1 à la fois. (12)
Surapprentissage (overfitting) : défaut d'un modèle qui « récite » ses données d'entraînement au lieu de généraliser, et échoue donc sur des cas nouveaux. (2)
Taux d'apprentissage : taille du pas de la descente de gradient ; trop grand, l'entraînement diverge, trop petit, il traîne. (2)
Température : réglage du décodage d'un modèle de langage ; basse, il est quasi déterministe et prudent ; haute, plus varié et créatif. (4)
Test de Turing : test proposé en 1950 ; une machine le « passe » si un interlocuteur humain ne parvient pas à la distinguer d'un humain en conversation. (1)
Token (jeton) : unité de texte (mot ou fragment) manipulée par un modèle de langage. (4)
Tokenisation : découpage d'un texte en jetons (fragments de mots) avant traitement par un modèle ; influe sur le coût, l'orthographe et le calcul. (3)
TPU : puce d'IA conçue par Google. (8)
Transformer : architecture de réseau de neurones (2017) fondée sur l'attention, socle des modèles modernes. (3)
Travail caché (ghost work) : travail humain (annotation, retour, modération) souvent invisible et précaire derrière l'IA. (17)
Véhicule autonome : véhicule capable de conduire seul, classé par niveaux d'autonomie. (18)
Vibe coding : production de logiciel en décrivant l'intention à une IA plutôt qu'en écrivant le code soi-même ; rapide, mais source de failles si le résultat n'est pas audité. (6, 20)
VLA (Vision-Langage-Action) : modèle traduisant perception et consigne en actions pour un robot. (13)
x402 : protocole ouvert (Coinbase) qui ravive le code HTTP « 402 » pour faire payer un agent en stablecoin sans compte ni clé d'API ; brique du paiement entre agents, aux côtés du cadre AP2 de Google. (11)
zkML : apprentissage automatique à divulgation nulle ; prouver qu'un modèle a produit un résultat sans révéler modèle ni données. (11)