Aller au contenu
Encyclopédie informatique Édition 2026

L'intelligence artificielle

En quelques années, l’intelligence artificielle est passée des laboratoires à la vie quotidienne : assistants qui répondent aux questions, traduction instantanée, reconnaissance des visages, voitures qui se garent seules. Pourtant, l’expression a soixante-dix ans, et le domaine a connu des espoirs démesurés, des hivers et des renaissances. Cet article explique ce que recouvre l’intelligence artificielle, retrace son histoire, présente ses grandes approches, ce qu’elle sait faire et ce qu’elle ne sait pas faire, les enjeux qu’elle soulève et le cadre que l’Europe lui impose. Il montre aussi qu’elle est devenue un outil, une arme et une cible pour la cybersécurité.

Rubrique
Données et IA
Niveau
Débutant à intermédiaire
Lecture
20 min (essentiel)
23 min (complet)
Révision
26 octobre 2026
Niveau de lecture :

En bref

  • L’intelligence artificielle (IA) cherche à faire réaliser par des machines des tâches qui demandent de l’intelligence chez l’être humain : comprendre, reconnaître, raisonner, décider, créer.
  • Deux grandes approches se sont succédé : l’IA symbolique, où l’on écrit des règles, et l’apprentissage automatique, où la machine apprend à partir d’exemples ; l’apprentissage profond et l’IA générative en sont les formes récentes.
  • L’histoire de l’IA alterne enthousiasmes et déceptions, depuis 1956 ; la vague actuelle, lancée vers 2012, a pris une ampleur inédite avec les assistants conversationnels à partir de 2022.
  • Les systèmes actuels sont puissants mais spécialisés et faillibles : ils peuvent se tromper avec assurance, reproduire des biais, et coûtent beaucoup d’énergie.
  • L’Union européenne encadre l’IA selon son niveau de risque ; pour la cybersécurité, l’IA est à la fois une aide aux défenseurs, un outil pour les attaquants et une nouvelle cible.

Prérequis conseillés : Qu'est-ce que l'informatique ? · L'algorithmique

1Définition

L’intelligence artificielle (IA ; en anglais Artificial Intelligence, AI) est le domaine de l’informatique qui cherche à faire réaliser par des machines des tâches qui, chez l’être humain, demandent de l’intelligence : comprendre et produire du langage, reconnaître des images ou des sons, raisonner, planifier, apprendre, décider, créer. Le terme désigne à la fois une discipline scientifique, un ensemble de techniques et, dans le langage courant, les systèmes qui en résultent : « une IA ».

Il n’existe pas de définition unique, car l’intelligence elle-même est difficile à définir. Le règlement européen sur l’intelligence artificielle retient une définition pratique : un système automatisé, qui fonctionne avec un certain degré d’autonomie et qui, à partir des données qu’il reçoit, produit des prédictions, des contenus, des recommandations ou des décisions qui peuvent influencer son environnement (voir le règlement européen sur l’IA).

On distingue souvent deux ambitions :

  • l’IA spécialisée, parfois appelée IA faible, qui excelle dans une tâche ou une famille de tâches : jouer aux échecs, traduire, détecter une tumeur sur une radiographie. Tous les systèmes actuels relèvent de cette catégorie, même si les plus récents couvrent un éventail de tâches de plus en plus large ;
  • l’IA générale, ou IA forte, en anglais AGI (Artificial General Intelligence), qui égalerait ou dépasserait l’être humain dans la plupart des tâches intellectuelles. Elle reste hypothétique ; savoir si, quand et comment elle pourrait être atteinte fait l’objet de vifs débats entre chercheurs.

2Une histoire en dents de scie

2.1Les pionniers

En 1950, le mathématicien britannique Alan Turing, l’un des pères de l’informatique, publie un article, « Computing Machinery and Intelligence », qui s’ouvre sur une question : « Les machines peuvent-elles penser ? ». Plutôt que de définir la pensée, il propose un critère : si un interrogateur, dialoguant par écrit avec une machine et un humain, ne parvient pas à les distinguer, on pourra dire que la machine pense. C’est le test de Turing. En 1956, une réunion de chercheurs organisée au Dartmouth College, aux États-Unis, adopte l’expression artificial intelligence, proposée l’année précédente par John McCarthy (figure 1). Les débuts sont prometteurs : programmes qui démontrent des théorèmes, jouent aux dames, résolvent des problèmes d’algèbre. En 1958, Frank Rosenblatt construit le perceptron, une machine inspirée des neurones, capable d’apprendre à reconnaître des formes simples.

SOIXANTE-DIX ANS D’INTELLIGENCE ARTIFICIELLE hiver hiver 1950 1960 1970 1980 1990 2000 2010 2020 Test de Turing Dartmouth : le mot « IA » Perceptron ELIZA Systèmes experts Deep Blue bat Kasparov Apprentissage profond AlphaGo Transformers ChatGPT Prix Nobel Agents
Figure 1. Soixante-dix ans d’intelligence artificielle, entre espoirs et « hivers ».

2.2Les hivers

Les promesses des années 1960, une machine aussi intelligente qu’un homme « d’ici vingt ans », ne se réalisent pas. Les ordinateurs sont trop lents, les problèmes réels trop complexes, et les limites des premiers réseaux de neurones sont démontrées en 1969. Les financements s’effondrent au milieu des années 1970 : c’est le premier hiver de l’IA. Les années 1980 voient le succès des systèmes experts, qui codent sous forme de règles le savoir de spécialistes, pour diagnostiquer des infections ou configurer des ordinateurs. Mais ils sont coûteux à construire, fragiles hors de leur domaine, et la déception provoque un second hiver à la fin des années 1980.

2.3Le retour par les données

Dans les années 1990 et 2000, l’IA progresse plus discrètement, en s’appuyant sur les statistiques et l’apprentissage automatique (voir l’apprentissage automatique). En 1997, l’ordinateur Deep Blue d’IBM bat le champion du monde d’échecs Garry Kasparov, à force de calcul. Les filtres anti-spam, la reconnaissance de l’écriture, les moteurs de recherche et les systèmes de recommandation utilisent l’apprentissage sans qu’on parle encore d’« IA ».

Le tournant survient en 2012 : un réseau de neurones profond, entraîné sur des processeurs graphiques, pulvérise les records de reconnaissance d’images. Trois ingrédients se sont réunis : des algorithmes connus depuis les années 1980, des quantités massives de données issues d’Internet, et la puissance de calcul des cartes graphiques (voir le processeur graphique). C’est l’essor de l’apprentissage profond. En 2016, AlphaGo, de la société DeepMind, bat l’un des meilleurs joueurs du monde au jeu de go, réputé hors de portée des machines. En 2017, des chercheurs de Google publient l’architecture des Transformers, base de tous les grands modèles de langage actuels.

2.4L’explosion générative

Le 30 novembre 2022, la société OpenAI ouvre au public ChatGPT, un assistant conversationnel. Il atteint, selon les estimations, cent millions d’utilisateurs en deux mois, du jamais-vu pour une application. L’IA générative, capable de produire du texte, des images, du son, de la vidéo ou du code, entre dans la vie quotidienne (voir l’IA générative). En 2024, deux prix Nobel couronnent des travaux liés à l’IA : en physique, John Hopfield et Geoffrey Hinton pour les fondements des réseaux de neurones ; en chimie, Demis Hassabis et John Jumper, de DeepMind, pour AlphaFold, qui prédit la forme des protéines, avec David Baker. Depuis 2025, les systèmes les plus récents ne se contentent plus de répondre : ils enchaînent des actions, utilisent des outils et mènent des tâches de bout en bout ; on parle d’agents (voir les agents d’IA).

3Les grandes approches

3.1L’IA symbolique

La première approche, dominante jusqu’aux années 1980, est l’IA symbolique : on représente les connaissances sous forme de symboles, de règles et de relations logiques, et l’on programme des mécanismes de raisonnement qui les combinent. Un système expert médical contient ainsi des centaines de règles du type « si le patient a de la fièvre et telle bactérie dans le sang, alors… ». Cette approche a des qualités précieuses : son raisonnement est explicable, vérifiable et ne demande pas de données. Elle bute sur le « bon sens » et sur les tâches de perception : personne ne sait écrire les règles qui permettent de reconnaître un chat sur une photo.

L’IA symbolique reste très présente sous d’autres noms : les algorithmes de recherche et de planification, qui calculent un itinéraire ou un emploi du temps (voir l’algorithmique), les moteurs de règles des banques et des assurances, les démonstrateurs automatiques qui vérifient des programmes critiques.

3.2L’apprentissage automatique

La seconde approche renverse la logique : au lieu d’écrire les règles, on fournit à la machine de nombreux exemples, et un algorithme ajuste un modèle mathématique pour qu’il reproduise les bonnes réponses. Pour reconnaître les courriels indésirables, on ne décrit pas ce qu’est un spam : on montre des milliers de courriels étiquetés « spam » ou « légitime », et le système apprend à les distinguer. C’est l’apprentissage automatique (en anglais machine learning), qui domine aujourd’hui (voir l’apprentissage automatique).

3.3Les réseaux de neurones et l’apprentissage profond

Parmi les modèles qu’on peut entraîner, les réseaux de neurones artificiels, vaguement inspirés du cerveau, se sont imposés. Ils sont faits de couches de petites unités de calcul reliées entre elles par des connexions pondérées ; l’apprentissage consiste à ajuster ces pondérations, appelées paramètres, souvent des milliards. Quand le réseau comporte de nombreuses couches, on parle d’apprentissage profond (en anglais deep learning) : les premières couches apprennent des motifs simples, comme des contours, les suivantes des formes, puis des objets entiers. Cette approche, dite connexionniste, excelle là où l’IA symbolique échouait : perception, langage, jeux complexes.

3.4Des cercles imbriqués

Ces notions s’emboîtent comme des poupées russes (figure 2) : l’IA générative est une application de l’apprentissage profond, qui est une branche de l’apprentissage automatique, qui est une partie de l’intelligence artificielle. Les systèmes les plus avancés combinent d’ailleurs les approches : un assistant moderne, fondé sur un réseau de neurones, peut appeler une calculatrice, un moteur de recherche ou un programme de vérification logique, retrouvant ainsi certaines qualités de l’IA symbolique.

Intelligence artificielle règles, logique, recherche, planification Apprentissage automatique apprendre à partir d’exemples Apprentissage profond réseaux de neurones à nombreuses couches IA générative produire du contenu EXEMPLES IA jeu d’échecs classique apprentissage filtre anti-spam profond reconnaissance d’images générative assistant conversationnel
Figure 2. L’IA générative est un cas particulier de l’apprentissage profond, lui-même branche de l’apprentissage automatique.

Pour s’exercer

Exercice 1 : symbolique ou apprentissage ?

Pour chaque système, indiquez s’il relève plutôt de l’IA symbolique ou de l’apprentissage automatique : a) un calculateur d’itinéraire qui cherche le plus court chemin dans un réseau routier ; b) un filtre anti-spam entraîné sur des courriels étiquetés ; c) un système qui applique les règles fiscales pour calculer un impôt ; d) une application qui reconnaît les espèces de plantes sur une photo ; e) un assistant conversationnel.

Voir la réponse

a) Symbolique : un algorithme de recherche de chemin explore un graphe selon des règles précises, sans apprentissage. b) Apprentissage automatique. c) Symbolique : les règles fiscales sont écrites et appliquées telles quelles ; on veut d’ailleurs un résultat exact et justifiable. d) Apprentissage profond, sur des millions de photos étiquetées. e) Apprentissage profond et IA générative, souvent complétés par des outils symboliques, comme une calculatrice ou un moteur de recherche. Les systèmes réels combinent souvent les deux approches.