Introduction générale

Depuis que l'humanité raconte des histoires, elle rêve d'insuffler la pensée à la matière inerte : statues qui s'animent, golems d'argile, automates de cuivre. Ce rêve a longtemps appartenu au mythe. Puis, au milieu du XXᵉ siècle, il est devenu une discipline scientifique. Et depuis le tournant des années 2020, il est devenu une réalité industrielle qui transforme, semaine après semaine, la manière dont nous travaillons, soignons, créons et faisons la guerre.

L'intelligence artificielle désigne l'ensemble des techniques permettant à des machines d'accomplir des tâches qui, réalisées par des humains, requerraient de l'« intelligence » : comprendre un texte, reconnaître un visage, conduire une voiture, démontrer un théorème, tenir une conversation. C'est une définition volontairement floue, et ce flou n'est pas un défaut, c'est une caractéristique du sujet. Ce que nous appelons « intelligent » se déplace sans cesse : hier, jouer aux échecs au plus haut niveau semblait le sommet de l'intelligence ; aujourd'hui, c'est une fonctionnalité que l'on télécharge gratuitement. Les chercheurs appellent cela l'« effet IA » : dès qu'une machine sait faire quelque chose, on cesse de considérer cette chose comme de l'intelligence.

Ce cours s'organise autour d'une charnière historique. Pendant soixante ans (1956–2017), l'IA a progressé par à-coups, alternant promesses exaltées et « hivers » de désillusion. Deux grandes familles d'approches se sont succédé et affrontées : l'IA symbolique, qui voulait reproduire le raisonnement par des règles explicites, et l'IA connexionniste, qui voulait l'imiter en s'inspirant du cerveau, à coups de réseaux de neurones nourris de données.

En 2017, une publication scientifique au titre provocateur (« L'attention est tout ce qu'il vous faut ») introduit une nouvelle architecture, le Transformer. Personne, à l'époque, n'en mesure la portée. Cinq ans plus tard, en novembre 2022, un produit construit sur cette architecture, ChatGPT, atteint cent millions d'utilisateurs en deux mois, l'adoption la plus rapide de l'histoire d'une technologie grand public. Le monde découvre les grands modèles de langage (en anglais Large Language Models, ou LLM) : des systèmes capables d'écrire, de coder, de traduire, de raisonner, à un niveau qui force le respect et inquiète à la fois.

Tout ce cours peut se lire comme le récit de ce basculement et de ses conséquences :

Comment une idée simple (prédire le mot suivant) a-t-elle pu produire des machines qui semblent comprendre ? Et qu'est-ce que cela change pour la science, le travail, la guerre, la planète et, peut-être, l'avenir de notre espèce ?

Un fil rouge traverse l'ensemble du document. À mesure que ces systèmes deviennent plus capables, la question de leur contrôle devient plus aiguë. Ce sont les deux faces d'une même médaille :

• Du côté lumineux : des protéines repliées par ordinateur ouvrant la voie à de nouveaux médicaments ; des diagnostics médicaux plus précoces ; des découvertes mathématiques inédites ; une productivité décuplée.
• Du côté sombre : des emplois menacés ; une facture énergétique colossale ; des armes autonomes ; une désinformation industrialisée ; et, à l'horizon, la question vertigineuse de savoir si des systèmes plus intelligents que nous resteront alignés sur nos intentions.

Ni le récit purement enthousiaste (« l'IA va tout résoudre ») ni le récit purement catastrophiste (« l'IA va nous détruire ») ne rendent justice à la réalité. Ce cours s'efforce de tenir les deux bouts.

Pour planter le décor (chaque point est développé en détail dans les chapitres concernés) :

• Le sommet de l'art est tenu par une poignée de laboratoires. Côté américain, Anthropic (modèles Claude), OpenAI (GPT), Google DeepMind (Gemini) et xAI (Grok) ; côté chinois, DeepSeek, Qwen (Alibaba), Moonshot et d'autres, souvent en poids ouverts et à très bas coût ; côté européen, le français Mistral porte le drapeau de la souveraineté. Le classement change tous les mois, et la leçon de 2026 est qu'il n'existe plus un meilleur modèle, mais un meilleur modèle pour chaque tâche.
• L'IA est devenue agentique. On ne se contente plus de discuter avec un modèle : on lui confie des objectifs, et il agit : il écrit du code, navigue sur le web, manipule des logiciels. C'est le passage du « copilote » à l'« employé numérique ».
• La robotique a quitté le laboratoire. En 2026, des robots humanoïdes travaillent réellement dans des usines (Figure chez BMW, Atlas de Boston Dynamics chez Hyundai), tandis que des plateformes chinoises comme Unitree en vendent à 16 000 dollars. Ce n'est plus une démonstration : c'est un marché naissant.
• La régulation se met en place. Le règlement européen sur l'IA (AI Act) franchit une étape décisive le 2 août 2026, date à laquelle l'essentiel de ses obligations entre en application.
• Le débat sur l'AGI s'est intensifié. Les dirigeants des grands laboratoires affirment publiquement viser une « intelligence artificielle générale » dans les prochaines années. Des scénarios prospectifs détaillés, comme AI 2027, décrivent une possible accélération vertigineuse, que d'autres jugent exagérée. Nous y reviendrons sans complaisance ni catastrophisme.

Nous partirons des fondations (Partie I) : l'histoire d'avant les LLM, puis la mécanique de l'apprentissage automatique, jusqu'à la révolution Transformer. Nous entrerons ensuite dans l'ère des grands modèles (Partie II) : LLM, modèles du monde, agents, et la carte des acteurs. Nous descendrons dans la salle des machines avec le matériel et l'infrastructure (Partie III) : puces, datacenters, IA locale, énergie. Nous explorerons les grandes convergences (Partie IV) : blockchain, quantique, robotique. Nous verrons l'IA à l'œuvre dans le monde réel (Partie V) : santé, travail, droit, défense. Enfin, nous affronterons les enjeux existentiels (Partie VI) : alignement, sécurité, gouvernance et futurs possibles.

Bonne lecture.

---