Catégorie: Histoire
-
DARPA Grand Challenge 2005 : Stanley traverse le désert (2005)
Le 8 octobre 2005 le véhicule autonome Stanley de Stanford a remporté le DARPA Grand Challenge, parcourant 212 km dans le désert de Mojave en 6 heures 53 minutes après qu'aucun véhicule n'ait terminé la course de 2004.
-
Forêts aléatoires : l'ensemble d'arbres de décision de Leo Breiman (2001)
En octobre 2001 Leo Breiman a publié Random Forests dans Machine Learning, combinant de nombreux arbres de décision décorrélés entraînés sur des échantillons bootstrap pour créer un classifieur polyvalent puissant.
-
Les réseaux à codes postaux de LeCun : quand la convolution a rencontré la rétropropagation (1989)
En 1989 Yann LeCun et ses collègues aux laboratoires AT&T Bell ont publié un réseau neuronal convolutionnel entraîné par rétropropagation sur des codes postaux manuscrits du service postal américain, une preuve précoce que des filtres locaux pouvaient passer à l'échelle pour le tri du courrier.
-
Machines à vecteurs de support : classifieurs à marge maximale avec noyaux (1995)
En 1995 Corinna Cortes et Vladimir Vapnik ont publié les réseaux à vecteurs de support dans Machine Learning, combinant une séparation linéaire à marge maximale avec l'astuce du noyau pour des frontières non linéaires.
-
Modèles de langage neuronaux : Bengio contre la malédiction de la dimensionnalité (2003)
En 2003 Yoshua Bengio et ses collègues ont publié A Neural Probabilistic Language Model dans le Journal of Machine Learning Research, apprenant des représentations distribuées de mots pour échapper aux limites des immenses tables de n-grammes.
-
TD-Gammon : apprendre le backgammon en jouant contre soi (1992)
Gerald Tesauro chez IBM a construit TD-Gammon, un réseau de neurones qui a appris un backgammon solide par apprentissage par renforcement à différence temporelle et auto-apprentissage, atteignant un niveau proche de l'expert.
-
Machines de Boltzmann : quand les réseaux de neurones ont emprunté la physique statistique (1985)
En 1985 David Ackley, Geoffrey Hinton et Terrence Sejnowski ont publié un algorithme d'apprentissage pour les machines de Boltzmann : unités binaires stochastiques, fonction d'énergie issue de la physique et échantillonnage lent que des méthodes ultérieures ont cherché à éviter.
-
Réseaux de croyances profonds : quand les réseaux profonds sont redevenus entraînables (2006)
En juillet 2006 Geoffrey Hinton et ses collègues ont montré qu'empiler des machines de Boltzmann restreintes couche par couche puis affiner le résultat par rétropropagation permettait d'entraîner des réseaux profonds. Le résultat a aidé à relancer la renaissance de l'apprentissage profond.
-
Rétropropagation : comment les réseaux de neurones ont appris de leurs erreurs (1986)
En 1986, David Rumelhart, Geoffrey Hinton et Ronald Williams ont montré que des réseaux de neurones multicouches entraînés par rétropropagation apprennent leurs propres représentations internes. La méthode reste la norme pour entraîner la plupart des réseaux de neurones.
-
GAN : quand les réseaux de neurones ont appris à inventer des images (2014)
En juin 2014, Ian Goodfellow et ses collègues ont présenté les réseaux antagonistes génératifs : deux réseaux de neurones entraînés l'un contre l'autre. L'idée a rendu possible la synthèse d'images réalistes et a très tôt soulevé la question des faux.
-
Watson à Jeopardy! : quand une machine a gagné le jeu (2011)
En février 2011, Watson d'IBM a battu à Jeopardy! les deux champions les plus titrés de l'émission. Le système a montré les progrès du traitement automatique des langues, puis IBM a voulu vendre la technologie à la médecine et aux entreprises.
-
GPT-5 fait du raisonnement la norme (2025)
Le 7 août 2025, OpenAI publie GPT-5 comme système unifié qui décide quand répondre vite et quand réfléchir plus longtemps, et le déploie pour tous les utilisateurs de ChatGPT ; un lancement difficile montre à quel point les gens s'attachent à des modèles précis.
-
L'IA atteint l'or à l'Olympiade internationale de mathématiques (2025)
En juillet 2025, des modèles de langage de Google DeepMind et d'OpenAI résolvent cinq des six problèmes de l'IMO et atteignent 35 points sur 42, niveau or, en rédigeant des preuves en langage naturel dans le temps d'examen.
-
Le Sommet sur l'impact de l'IA à New Delhi ramène les États-Unis à la table (2026)
Lors du premier sommet mondial sur l'IA tenu dans le Sud global, plus de 80 pays, dont les États-Unis, la Chine et le Royaume-Uni, approuvent une déclaration non contraignante sur la démocratisation de l'IA, tandis que Washington rejette ouvertement toute gouvernance mondiale de la technologie.
-
AlphaFold remporte le prix Nobel de chimie 2024
Un jour après que l'IA a remporté le prix de physique, le Nobel de chimie 2024 a honoré AlphaFold, le modèle de DeepMind qui prédit la structure des protéines, et la conception computationnelle de protéines.
-
DeepSeek-R1 et le choc d'efficacité (2025)
Une start-up chinoise a publié un modèle de raisonnement à poids ouverts rivalisant avec les meilleurs pour une fraction du coût annoncé, et le 27 janvier 2025 il a effacé une somme record de la valeur de Nvidia.
-
Gemini 2.0 et le début de l'ère des agents (2024)
Gemini 2.0 de Google, sorti en décembre 2024, a été présenté comme un modèle pour l'ère des agents : des systèmes qui ne se contentent pas de répondre, mais accomplissent des actions en plusieurs étapes pour vous.
-
Le prix Nobel de physique 2024 récompense les réseaux de neurones
John Hopfield et Geoffrey Hinton ont reçu le prix Nobel de physique 2024 pour des travaux fondateurs sur les réseaux de neurones artificiels, la mécanique derrière l'IA actuelle.
-
Le projet Stargate : un pari à 500 milliards de dollars sur l'infrastructure d'IA (2025)
En janvier 2025, OpenAI, SoftBank, Oracle et MGX ont annoncé Stargate, un plan pour investir jusqu'à 500 milliards de dollars dans des centres de données d'IA aux États-Unis, juste au moment où DeepSeek remettait en cause le coût du calcul.
-
Le Sommet pour l'action sur l'IA de Paris et une fracture de gouvernance (2025)
En février 2025, Paris a accueilli le Sommet pour l'action sur l'IA. Une soixantaine de pays ont signé une déclaration sur une IA inclusive et durable, mais les États-Unis et le Royaume-Uni ont refusé, révélant une faille sur la manière de gouverner la technologie.
-
"Attention is all you need" : le Transformer arrive (2017)
Un article de 2017 a remplacé la mécanique séquentielle des réseaux précédents par de la pure attention. Le Transformer est devenu l'architecture derrière presque tous les grands modèles de langage depuis.
-
AlexNet : la nuit où l'apprentissage profond est revenu (2012)
Un réseau de neurones profond entraîné sur deux <abbr title="Unité de traitement graphique">GPU</abbr> de jeu a écrasé la référence ImageNet et mis fin, presque du jour au lendemain, à un long hiver des réseaux de neurones.
-
AlphaGo contre Lee Sedol : la machine qui a appris à jouer (2016)
AlphaGo de DeepMind a battu 4–1 l'un des plus grands joueurs de Go, non par recherche en force brute comme Deep Blue, mais par une intuition apprise des données et du jeu contre lui-même.
-
ChatGPT : la semaine où l'IA est devenue grand public (2022)
Une démo de conversation gratuite bâtie sur un modèle de langage affiné a atteint cent millions d'utilisateurs en environ deux mois et a transformé l'IA d'un sujet de recherche en obsession publique.
-
Gemini 1.0 : la réponse multimodale de Google (2023)
Google a regroupé ses efforts d'IA sous le nom de Gemini, une famille nativement multimodale destinée à rivaliser avec GPT-4, et a appris à quel point les démos de lancement seraient désormais scrutées.
-
GPT-3 : quand l'échelle est devenue la stratégie (2020)
Le modèle à 175 milliards de paramètres d'OpenAI a montré qu'un modèle de langage assez grand pouvait apprendre de nouvelles tâches à partir de quelques exemples dans la consigne, sans réentraînement.
-
GPT-4 : le vaisseau amiral qui a relevé la barre (2023)
GPT-4 d'OpenAI savait lire les images autant que le texte et obtenait de bons scores à des examens conçus pour les humains, scellant une course commerciale féroce et un secret qui a troublé les chercheurs.
-
ImageNet : le jeu de données qui allait apprendre aux machines à voir (2006)
Fei-Fei Li a parié que les données, et pas seulement des algorithmes plus malins, débloqueraient la vision par ordinateur. ImageNet est devenu la référence qui a allumé l'ère de l'apprentissage profond.
-
Le règlement européen sur l'IA : le premier cadre large pour l'IA (2024)
Le Parlement européen a approuvé la première loi complète sur l'IA au monde, classant les systèmes par risque et ajoutant des devoirs de transparence pour les modèles généralistes derrière les chatbots modernes.
-
Llama 2 : des poids (presque) ouverts changent la donne (2023)
Meta a publié un modèle de langage capable dont chacun pouvait télécharger les poids et bâtir dessus, plaçant le débat sur l'IA 'ouverte' au centre de l'industrie.
-
OpenAI o1 : des modèles qui réfléchissent avant de répondre (2024)
OpenAI a présenté une gamme de modèles entraînés à raisonner les problèmes étape par étape avant de répondre, échangeant la vitesse contre la précision et ravivant l'idée que réfléchir plus longtemps peut payer.
-
Le premier hiver de l'IA : quand le hype a gelé (1974–1980)
Le rapport Lighthill, les coupes de la DARPA et le retour de bâton contre le perceptron ont privé les réseaux neuronaux et l'IA trop ambitieuse de financements, ouvrant une décennie de scepticisme.
-
Deep Blue contre Kasparov : le match qui a secoué le monde (1997)
L'ordinateur d'échecs d'IBM a battu le champion du monde en six parties, un spectacle médiatique qui a prouvé que les machines pouvaient surpasser les humains.
-
Le second hiver de l'IA : quand le boom s'est transformé en crise (1987–1993)
Les systèmes experts se sont effondrés, les machines Lisp sont devenues obsolètes, les gouvernements ont coupé les financements, et l'IA est entrée dans des années de désillusion.
-
Systèmes experts : quand l'IA est devenue un business (années 80)
Les systèmes experts à base de règles promettaient de capturer l'expertise humaine en logiciel, ils ont alimenté un boom de milliards de dollars, puis se sont effondrés dans le second hiver de l'IA.
-
ELIZA : le chatbot qui n'aurait jamais dû en être un (1966)
ELIZA de Joseph Weizenbaum utilisait la reconnaissance de motifs pour simuler la thérapie, et prouva accidentellement que les humains projettent la compréhension sur les machines.
-
Le perceptron de Rosenblatt : la machine qui apprenait (1958)
Le perceptron de Frank Rosenblatt fut la première machine à apprendre de l'expérience, célébrée par la presse, attaquée par les critiques et réhabilitée des décennies plus tard.
-
Computing Machinery and Intelligence : le jeu d'imitation de Turing (1950)
L'article d'Alan Turing de 1950 a remplacé « Les machines peuvent-elles penser ? » par un test pratique, et façonne encore la façon dont nous parlons d'intelligence artificielle.
-
Le Projet de recherche d'été de Dartmouth sur l'intelligence artificielle (1956)
Un atelier de six à huit semaines qui a inventé le terme « intelligence artificielle » et l'a établi comme champ de recherche.