Chronologie
Chronologie générale des moments clés dans l'histoire de l'intelligence artificielle.
Premières idées et fondations
-
Le « jeu d'imitation » de Turing
L'article d'Alan Turing dans Mind reformule l'intelligence des machines comme un comportement indiscernable de celui d'un humain dans un dialogue, plus tard popularisé sous le nom de test de Turing.
-
L'atelier IA de Dartmouth se réunit
Atelier de recherche estival où John McCarthy a proposé le nom « intelligence artificielle » et un programme de recherche commun, largement considéré comme le début public du domaine.
-
Le perceptron de Rosenblatt attire l'attention
Le classifieur à couche unique entraînable de Frank Rosenblatt suscite l'optimisme, puis le débat, sur la capacité des réseaux de neurones à évoluer vers l'intelligence générale.
-
ELIZA montre la correspondance de motifs conversationnelle
Le script ELIZA de Joseph Weizenbaum démontre comment des règles simples peuvent sembler empathiques, soulevant des questions précoces sur l'illusion, la confiance et la « compréhension » dans le logiciel.
IA commerciale et hivers
-
Début du premier hiver de l'IA
Après des années de promesses audacieuses, le rapport Lighthill et les coupes budgétaires de la DARPA refroidissent les attentes ; les réseaux neuronaux et les grands projets d'IA perdent leur financement au milieu des années 1970.
-
Les systèmes experts passent à l'industrie
Les « systèmes experts » à base de règles quittent les laboratoires pour devenir des produits commerciaux, promettant la capture de domaines sans apprentissage complet, et façonnant la vague business de l'IA des années 1980.
Commercial AI & winters
-
Les machines de Boltzmann apportent la physique statistique aux réseaux de neurones
Ackley, Hinton et Sejnowski publient dans Cognitive Science un algorithme d'apprentissage pour les machines de Boltzmann ; des unités binaires stochastiques et une fonction d'énergie permettent d'apprendre une structure cachée, mais l'entraînement exige un échantillonnage lent par chaînes de Markov.
IA commerciale et hivers
-
La rétropropagation rend les réseaux multicouches entraînables
Rumelhart, Hinton et Williams montrent dans Nature comment un réseau peut propager ses erreurs vers l'arrière à travers ses couches, afin que des unités cachées apprennent leurs propres caractéristiques ; la méthode devient la façon standard d'entraîner les réseaux de neurones.
-
Le deuxième hiver de l'IA commence
Après un boom des outils d'IA spécialisés, les attentes du marché refroidissent ; les financements se resserrent et de nombreux projets commerciaux stagnent, souvent daté de l'« hiver » de la fin des années 1980.
-
Des réseaux convolutifs lisent des codes postaux manuscrits
LeCun et ses collègues chez Bell Labs entraînent un réseau neuronal convolutionnel par rétropropagation sur des chiffres du service postal américain, une victoire pratique précoce pour les filtres locaux en vision.
-
TD-Gammon apprend le backgammon par auto-apprentissage
Gerald Tesauro chez IBM entraîne TD-Gammon par apprentissage à différence temporelle et auto-apprentissage, atteignant un niveau de backgammon solide pendant le second hiver de l'IA.
-
Les machines à vecteurs de support formalisent l'apprentissage à marge maximale
Cortes et Vapnik publient les réseaux à vecteurs de support dans Machine Learning, combinant la maximisation de marge avec des noyaux pour la classification non linéaire.
-
Deep Blue bat Kasparov
Le spécialiste d'échecs d'IBM bat le champion du monde Garry Kasparov dans un match, un moment public iconique pour la recherche par force brute combinée au matériel, même si l'IA au sens large restait modeste.
-
Les forêts aléatoires combinent des arbres de décision par bagging
Leo Breiman publie Random Forests dans Machine Learning, définissant un ensemble d'arbres décorrélés qui devient un classifieur standard avant la reprise de l'apprentissage profond.
-
Les modèles de langage probabilistes neuronaux apprennent des plongements lexicaux
Bengio, Ducharme, Vincent et Jauvin publient A Neural Probabilistic Language Model dans JMLR, apprenant des vecteurs de mots distribués pour échapper aux limites de dimensionnalité des n-grammes.
-
Stanley remporte le DARPA Grand Challenge
Stanley de Stanford complète le parcours de 212 km dans le désert de Mojave en 6 heures 53 minutes, premier vainqueur du Grand Challenge après une course 2004 sans arrivée.
Deep learning at scale
-
Les deep belief networks rendent à nouveau la profondeur entraînable
Hinton, Osindero et Teh montrent comment empiler des machines de Boltzmann restreintes en deep belief nets et les affiner par rétropropagation ; un article de Science la même été démontre une puissante réduction de dimensionnalité.
Apprentissage profond à grande échelle
-
ImageNet amorce la vision à grande échelle
L'équipe de Fei-Fei Li lance un vaste jeu de données d'images étiquetées, plus tard le benchmark qui rend les réseaux convolutifs modernes mesurables et compétitifs.
-
Watson d'IBM gagne à Jeopardy!
Le système de questions-réponses Watson d'IBM bat les champions record Ken Jennings et Brad Rutter au jeu télévisé Jeopardy!, en répondant à des indices en langage naturel sans être connecté à Internet.
-
AlexNet remporte ImageNet
Un réseau convolutif profond entraîné sur GPU réduit drastiquement les taux d'erreur sur ImageNet, souvent cité comme l'étincelle du renouveau moderne de l'apprentissage profond.
-
Les réseaux antagonistes génératifs opposent deux réseaux
Ian Goodfellow et ses collègues à Montréal présentent les GAN : un générateur produit des données, un discriminateur tente de les distinguer des vraies, et tous deux progressent en s'affrontant ; l'idée marque la synthèse d'images des années suivantes.
-
AlphaGo bat [Lee Sedol](/fr/personnes/lee-sedol/)
AlphaGo de DeepMind remporte quatre parties sur cinq contre l'un des meilleurs joueurs de Go au monde, montrant que les jeux nécessitant l'intuition ne sont pas hors de portée des systèmes d'apprentissage.
Transformers et grands modèles de langage
-
« Attention is all you need »
L'architecture Transformer remplace la récurrence par l'auto-attention, devenant l'épine dorsale des grands modèles de langage et des piles multimodales ultérieures.
-
GPT-3 met à l'échelle le prompting few-shot
L'article d'OpenAI sur un modèle de langage de 175 milliards de paramètres met en avant l'apprentissage en contexte : des tâches décrites en langage naturel sans mise à jour des poids, redéfinissant les attentes produits et recherche.
-
ChatGPT s'ouvre au public
Une interface conversationnelle autour d'un grand modèle de langage devient une démo grand public du jour au lendemain, accélérant les débats sur la sécurité, le travail, le droit d'auteur et l'accès.
-
GPT-4 est lancé comme modèle phare multimodal
OpenAI positionne GPT-4 comme un successeur plus sûr et plus puissant, les démos vision + texte redéfinissent les attentes en matière de benchmarks de capacité et de feuilles de route produits.
-
Les poids de Llama 2 deviennent (semi-)ouverts pour la recherche et les produits
Meta publie Llama 2 sous une licence communautaire, élargissant qui peut ajuster finement et déployer des modèles locaux ou hébergés, et accélérant le débat sur l'écosystème des « poids ouverts ».
-
Google lance Gemini 1.0
Google rebaptise et lance sa famille multimodale sous le nom Gemini, signalant une intégration plus étroite avec Search, les APIs cloud et les produits matériels grand public.
-
La loi européenne sur l'IA est adoptée
Le Parlement européen soutient le premier règlement large sur l'IA au monde, imposant des obligations par niveau de risque, des devoirs de transparence pour les modèles à usage général et des délais de conformité.
-
OpenAI présente les modèles de « raisonnement » (o1)
Une nouvelle gamme met l'accent sur une délibération interne plus longue avant de répondre, ravivant le débat public sur le calcul en temps de test, les benchmarks STEM et les lacunes dans l'évaluation de la sécurité.
Raisonnement, agents et le boom de l'IA
-
Les réseaux de neurones remportent le Nobel de physique
John Hopfield et Geoffrey Hinton sont honorés pour des travaux fondateurs sur les réseaux de neurones artificiels, plaçant la mécanique de l'IA moderne au cœur de la science.
-
AlphaFold remporte le Nobel de chimie
Un jour après le prix de physique, le Nobel de chimie honore la prédiction de la structure des protéines par AlphaFold et la conception computationnelle de protéines, faisant de l'IA un instrument de découverte.
-
Gemini 2.0 et l'« ère des agents »
Google lance Gemini 2.0 et place les agents d'IA au centre, en présentant des systèmes qui accomplissent des actions en plusieurs étapes dans un navigateur et au-delà, au lieu de seulement répondre.
-
DeepSeek-R1 et le choc d'efficacité
Une start-up chinoise publie un modèle de raisonnement à poids ouverts rivalisant avec les meilleurs pour une fraction du coût ; quelques jours plus tard, il provoque la plus forte perte en une journée de la valeur de Nvidia.
-
Le projet Stargate est annoncé
OpenAI, SoftBank, Oracle et MGX dévoilent un plan pour investir jusqu'à 500 milliards de dollars dans des centres de données d'IA aux États-Unis, recadrant le progrès comme une question de capital et d'infrastructure physique.
-
Le Sommet pour l'action sur l'IA de Paris révèle une fracture de gouvernance
Une soixantaine de pays signent à Paris une déclaration sur une IA inclusive et durable ; les États-Unis et le Royaume-Uni refusent, révélant une faille grandissante sur la manière de gouverner la technologie.
-
L'IA atteint l'or à l'Olympiade internationale de mathématiques
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.
-
GPT-5 fait du raisonnement la norme
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.
-
Le Sommet sur l'impact de l'IA à New Delhi ramène les États-Unis à la table
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.