L’intelligence artificielle, autrefois dans le domaine de la science-fiction, a revendiqué sa place au sommet de la réalisation scientifique lundi en Suède.
Lors d’une cérémonie historique dans l’emblématique Konserthuset de Stockholm, John Hopfield et Geoffrey Hinton ont reçu le prix Nobel de physique pour leur travail pionnier sur les réseaux neuronaux, des systèmes qui imitent l’architecture du cerveau et forment la base de l’IA moderne.
Dans le même temps, Demis Hassabis et John Jumper ont accepté le prix Nobel de chimie pour AlphaFold de Google DeepMind, un système qui a résolu le problème « impossible » de la biologie : prédire la structure des protéines, un exploit avec des implications importantes pour la médecine et la biotechnologie.
Ces réalisations vont au-delà du prestige académique. Ils marquent le début d’une ère où les systèmes d’IA alimentés par GPU abordent des problèmes autrefois jugés insolubles, en révolutionnant les industries de plusieurs milliards de dollars, des soins de santé à la finance.
L’héritage de Hopfield et les fondements des réseaux neuronaux
Dans les années 1980, Hopfield, un physicien avec un talent pour poser de grandes questions, a apporté une nouvelle perspective aux réseaux neuronaux.
Il a présenté des paysages énergétiques, empruntés à la physique, pour expliquer comment les réseaux neuronaux résolvent des problèmes en trouvant des états stables et de faible énergie. Ses idées, abstraites mais élégantes, ont jeté les bases de l’IA en montrant comment les systèmes complexes s’optimisent.
Passons rapidement au début des années 2000, lorsque Geoffrey Hinton, un psychologue cognitif britannique avec un penchant pour les idées radicales, a repris le flambeau. Hinton croyait que les réseaux neuronaux pourraient révolutionner l’IA, mais l’entraînement de ces systèmes nécessitait une énorme puissance de calcul.
En 1983, Hinton et Sejnowski se sont appuyés sur le travail de Hopfield et ont inventé la machine Boltzmann qui a utilisé des neurones binaires stochastiques pour dépasser les minima locaux. Ils ont découvert une procédure d’apprentissage élégante et très simple basée sur la mécanique statistique qui était une alternative à la rétropropagation.
En 2006, une version simplifiée de cette procédure d’apprentissage s’est avérée très efficace pour initialiser des réseaux neuronaux profonds avant de les entraîner avec de la rétropropagation. Cependant, l’entraînement de ces systèmes nécessitait toujours une énorme puissance de calcul.
AlphaFold : la révolution de l’IA en biologie
Une décennie après AlexNet, l’IA s’est intéressée à la biologie. Hassabis et Jumper ont dirigé le développement d’AlphaFold pour résoudre un problème qui avait déconcerté les scientifiques pendant des années : prédire la forme des protéines.
Les protéines sont les bases de construction du vivant. Leurs formes déterminent ce qu’ils peuvent faire. Comprendre ces formes est la clé pour lutter contre les maladies et développer de nouveaux médicaments. Les trouver était toutefois lent, coûteux et peu fiable.
AlphaFold a changé la donne. Il a utilisé les idées de Hopfield et les réseaux de Hinton pour prédire les formes des protéines avec une précision étonnante. Alimenté par des GPU, il a cartographié presque toutes les protéines connues. Maintenant, les scientifiques utilisent AlphaFold pour lutter contre la résistance aux médicaments, fabriquer de meilleurs antibiotiques et traiter des maladies autrefois considérées comme incurables.
Ce qui était autrefois le nœud gordien de la biologie a été démêlé par l’IA.
Le facteur GPU : activer les
GPU potentiels de l’IA, les moteurs indispensables de l’IA moderne, sont au cœur de ces réalisations. Conçus à l’origine pour donner un beau rendu aux jeux vidéo, les GPU étaient parfaits pour les demandes massives de traitement parallèle des réseaux neuronaux.
Les GPU NVIDIA, en particulier, sont devenus le moteur de l’innovation comme AlexNet et AlphaFold. Leur capacité à traiter de vastes ensembles de données avec une vitesse extraordinaire a permis à l’IA d’aborder des problèmes à une échelle et à une complexité jamais possibles auparavant.
Redéfinir la science et l’industrie
Les percées primées par le prix Nobel de 2024 ne se contentent pas de réécrire les manuels scolaires, elles optimisent les chaînes d’approvisionnement mondiales, accélèrent le développement de médicaments et aident les agriculteurs à s’adapter aux changements de climat.
Les principes d’optimisation basés sur l’énergie de Hopfield informent désormais les systèmes logistiques alimentés par l’IA. Les architectures de Hinton sous-tendent les voitures autonomes et les modèles de langage comme ChatGPT. Le succès d’AlphaFold inspire des approches basées sur l’IA pour la modélisation climatique, l’agriculture durable et même la science des matériaux.
La reconnaissance de l’IA en physique et en chimie signale un changement dans la manière dont nous pensons la science. Ces outils ne sont plus limités au domaine numérique. Ils remodèlent les mondes physiques et biologiques.