Investir dans les réalisations du prix Nobel – Réseaux neuronaux artificiels, la base de l’IA

Histoire du prix Nobel

Le prix Nobel est la récompense la plus prestigieuse du monde scientifique. Il a été créé conformément au testament de M. Alfred Nobel pour décerner un prix « à ceux qui, au cours de l’année précédente, ont apporté le plus grand bénéfice à l’humanité » en physique, chimie, physiologie ou médecine, littérature et paix.

Un sixième prix a été créé plus tard pour les sciences économiques par la banque centrale suédoise, officiellement appelé le Prix en sciences économiques, souvent mieux connu sous le nom de Prix Nobel d’économie.

La décision de qui attribuer le prix appartient à plusieurs institutions académiques suédoises.

Préoccupations d’héritage

La décision de créer le prix Nobel est venue à Alfred Nobel après qu’il ait lu sa propre nécrologie, suite à une erreur d’un journal français qui avait mal compris la nouvelle du décès de son frère. Intitulé « Le marchand de la mort est mort », l’article français critiquait Nobel pour son invention d’explosifs sans fumée, dont la dynamite était la plus célèbre.

Ses inventions ont grandement influencé la guerre moderne, et Nobel a acheté une immense aciérie pour en faire un important fabricant d’armements. En tant que chimiste, ingénieur et inventeur, Nobel a réalisé qu’il ne voulait pas que son héritage soit celui d’un homme rappelé pour avoir fait fortune grâce à la guerre et à la mort d’autrui.

Prix Nobel

De nos jours, la fortune de Nobel est placée dans un fonds investi pour générer des revenus afin de financer la Fondation Nobel ainsi que la médaille verte plaquée or, le diplôme et la récompense monétaire de 11 millions de SEK (environ 1 million de dollars) attribués aux lauréats.

Source: Britannica

Souvent, l’argent du prix Nobel est partagé entre plusieurs lauréats, surtout dans les domaines scientifiques où il est courant que 2 ou 3 figures majeures contribuent ensemble ou en parallèle à une découverte révolutionnaire.

Le prix Nobel en informatique ?

Habituellement, les prix Nobel de physique sont attribués à des découvertes sur la nature fondamentale de l’Univers, comme les trous noirs (2020) ou les exoplanètes (2019). Il peut également être remporté pour d’importantes avancées en sciences des matériaux, comme les points quantiques (2023), les lasers (2018), ou les LED (2014).

Mais les lauréats de cette année sont un peu plus inhabituels, avec un accent sur l’analyse de données. Plus précisément, il a été attribué à Geoffrey Hinton et John Hopfield pour leur contribution à la création de réseaux neuronaux artificiels.

Source: Nobel Prize

C’est un prix Nobel très récent, les réseaux neuronaux étant la technologie centrale responsable de la plupart des avancées récentes en IA, y compris les LLM, mais aussi la vision machine (y compris pour les véhicules autonomes) et les IA techniques utilisées dans la découverte de nouveaux médicaments, les sciences des matériaux, etc.

Qu’est-ce que les réseaux neuronaux ?

Puces contre neurones

Lorsque les ordinateurs ont été inventés, l’espoir grandissait rapidement qu’ils puissent augmenter leur capacité jusqu’à développer des capacités intellectuelles semblables à celles de l’homme. Mais en pratique, bien que les ordinateurs soient devenus de plus en plus impressionnants en calcul, puis en génération d’images, ils restent « stupides » lorsqu’il s’agit de raisonnement réel.

En grande partie, c’est parce qu’une puce informatique est très différente des neurones qui forment le cerveau. Alors qu’une puce en silicium peut effectuer très rapidement des millions de calculs binaires (0 ou 1), les neurones sont davantage un signal analogique, avec beaucoup de complexité et de « bruit » dans le signal.

Donc les ordinateurs ont besoin d’une programmation précise pour effectuer un calcul, ils ne peuvent pas vraiment « apprendre » quoi que ce soit et se contentent de suivre les instructions codées à la lettre.

Les réseaux neuronaux sont différents. Ils peuvent résoudre des problèmes trop vagues et compliqués pour être gérés par des instructions pas à pas. Un exemple est l’interprétation d’une image pour identifier les objets qu’elle contient, ce que les ordinateurs font notoirement mal, d’où le test « Êtes-vous un humain » sur certaines pages web.

Source: Google

Comment fonctionnent les neurones

Les neurones ne suivent pas, pour la plupart, une programmation stricte préétablie. Au lieu de cela, ils fonctionnent via une boucle de rétroaction renforçant les schémas de connexion.

Le principe est que les neurones renforcent la connexion avec d’autres neurones lorsqu’ils travaillent ensemble. Cela a conduit à l’idée de simuler dans un ordinateur le fonctionnement des neurones, avec de multiples nœuds interconnectés.

Les connexions entre ces nœuds peuvent être rendues plus fortes ou plus faibles, formant un processus appelé « entraînement », qui reste aujourd’hui au cœur de la création des dernières IA.

Source: Nobel Prize

L’idée semblait prometteuse, mais pendant un certain temps, la puissance de calcul requise semblait prohibitive, surtout pour les ordinateurs relativement primitifs des années 1960 et 1970.

Comment fonctionne la mémoire humaine

Lorsque nous nous souvenons ou reconnaissons quelque chose, nous ne réalisons pas un calcul mathématiquement parfait de la couleur de chaque pixel d’une image. Au lieu de cela, nous itérons à partir de données partielles, essayons d’établir une association avec quelque chose déjà connu, et identifions un motif reconnaissable.

Le physicien John Hopfield a inventé en 1982 le réseau de Hopfield, une méthode pour stocker et recréer des motifs.

Commencer par la physique

Il a commencé par remarquer que les propriétés collectives de nombreux systèmes physiques sont robustes aux changements de détails du modèle. Notamment, les matériaux magnétiques tirent leurs caractéristiques spéciales de leur spin atomique – une propriété qui fait de chaque atome un petit aimant.

La propriété du matériau plus grand provient du spin de chaque atome modifiant ceux qui l’entourent, conduisant tous les spins à s’aligner dans la même direction. Son modèle décrit le phénomène en utilisant différents nœuds qui s’influencent mutuellement.

De même, une image peut être enregistrée comme une grille de nœuds, chacun avec une valeur 0 ou 1 (noir ou blanc).

Si vous comparez une image déformée à cette grille originale, vous pouvez calculer à quel point chaque nœud de l’image déformée diffère. Mais en « poussant » le nœud déformé plus près de l’endroit qui a du sens, comme la pente dans un paysage préétabli, vous pouvez souvent recréer l’image originale malgré les distorsions.

Ainsi, Hopfield avait créé un système primitif, mais fonctionnel pour la correction d’erreurs ou le remplissage de motifs, quelque chose que les ordinateurs sont normalement incapables de faire, car ils sont bloqués par leur programmation stricte.

Source: Nobel Prize

Avec suffisamment de puissance de calcul, chaque nœud peut stocker n’importe quelle valeur, pas seulement noir et blanc. Par exemple, il peut s’agir d’un nombre reflétant une couleur exacte, de la même manière que les images sont créées numériquement.

Il peut également refléter toutes sortes de données, pas seulement des images, créant un modèle fonctionnel pour une mémoire associative artificielle.

Utiliser l’association pour comprendre

Même les animaux simples ou les petits enfants peuvent performer extraordinairement mieux que les ordinateurs avancés dans la reconnaissance de motifs, comme identifier quelle image contient un chien, un chat ou un écureuil. Cela se fait également sans aucune compréhension de haut niveau de concepts comme animaux, mammifères ou espèces.

Et peut-être plus important encore, cela peut être réalisé avec très peu de données initiales et d’expérience, au lieu d’un catalogue de milliards d’images de ces animaux couvrant chaque posture, couleur, forme ou forme possible.

Analogique au lieu de binaire

Parce que les nœuds peuvent contenir n’importe quelles données, ils peuvent être utilisés pour des données continues, comme des phénomènes au fil du temps.

Cela permet également un calcul efficace des interactions entre systèmes complexes, où la réponse à un stimulus est plus statistique que binaire oui/non. Cela économise à la fois la consommation d’énergie et la puissance de calcul comparé à l’informatique traditionnelle pour ce type de problème.

Et en ajoutant plus de nœuds, plus de complexité peut être progressivement ajoutée aux modèles.

La machine de Boltzmann

Geoffrey Hinton, avec Terrence Sejnowski et d’autres collègues, a travaillé à améliorer et étendre le concept du modèle de Hopfield.

Hinton a utilisé des idées de la physique statistique, un domaine décrivant des systèmes avec de nombreux éléments comme les gaz ou les liquides. Comme les composants individuels sont trop nombreux, la seule façon de modéliser leur comportement est d’utiliser des attentes statistiques de leur comportement, plutôt qu’un calcul « physique dure » à partir de la température, de la position, de la vitesse de chaque molécule, etc.

Pour ajouter une telle capacité au modèle de Hopfield, il a ajouté une couche « cachée » supplémentaire de nœuds entre la couche visible qui effectuait auparavant le calcul seul. Bien que invisibles, les nœuds cachés contribuent aux niveaux d’énergie des autres nœuds et du système dans son ensemble.

Source: Nobel Prize

Ils ont appelé ce concept la machine de Boltzmann, en l’honneur de Ludwig Boltzmann, un physicien du XIXᵉ siècle qui a développé la mécanique statistique, la base de la physique statistique.

Source: Wikipedia

Machine de Boltzmann restreinte

Dans sa conception originale, la machine de Boltzmann était trop complexe pour être d’une utilité pratique. Une version simplifiée a été développée, où il n’y a pas de connexions entre les nœuds de la même couche.

Source: Nobel Prize

Cela rendait la machine beaucoup plus efficace, tout en restant capable d’effectuer une reconnaissance de motifs complexe.

Une amélioration supplémentaire était le processus de « pré-entraînement » du réseau neuronal, avec une série de machines de Boltzmann en couches, l’une au-dessus de l’autre.

Cela a amélioré le point de départ du réseau neuronal, améliorant ses capacités de reconnaissance de motifs.

Impact sur les réseaux neuronaux modernes

Hopfield et Hinton ont tous deux construit les idées fondamentales derrière les réseaux neuronaux, ainsi que les mathématiques et les outils pour les exploiter.

Cela aurait toutefois fallu attendre les années 2010 pour que la puissance de calcul ait suffisamment augmenté pour que les réseaux neuronaux deviennent majeurs dans la conscience grand public.

Parce que la version moderne de la machine de Boltzmann utilise tant de couches interconnectées, on les appelle des réseaux neuronaux « profonds ». Pour donner une perspective sur l’évolution du domaine, Hopfield a utilisé un modèle de 30 nœuds dans sa publication de 1982, générant 435 connexions possibles. Cela conduisait à environ 500 paramètres à suivre.

À l’époque, les ordinateurs ne pouvaient pas gérer un modèle de 100 nœuds. Les LLM actuels (grands modèles de langage), base des outils comme ChatGPT, utilisent un trillion de paramètres et augmentent constamment leurs besoins en calcul.

Applications

Physique fondamentale

Comme de nombreux autres prix Nobel de physique, les réseaux neuronaux sont une découverte qui stimule d’autres nouvelles découvertes.

Par exemple, ils ont été utilisés pour filtrer et traiter les énormes quantités de données nécessaires à la découverte de la particule de Higgs (Peter Higgs a reçu le prix Nobel de physique en 2013). Ils ont également été employés par d’autres chercheurs lauréats du prix Nobel, comme les mesures des ondes gravitationnelles provenant de trous noirs en collision ou la recherche d’exoplanètes.

Physique appliquée

Les matériaux et phénomènes réels sont souvent trop complexes pour être modélisés uniquement à l’aide d’un modèle cause → effet au niveau des particules individuelles.

En comparaison, les bases de réseaux neuronaux en physique statistique leur permettent d’être beaucoup plus flexibles, et soit de donner directement la bonne réponse, soit de « pointer » les scientifiques dans la bonne direction.

Ceci est maintenant déployé de façon routinière par les principaux instituts de recherche pour, par exemple, calculer la structure et la fonction des molécules protéiques, ou déterminer quelles nouvelles versions de matériaux pourraient avoir les meilleures propriétés pour des cellules solaires ou des batteries plus efficaces.

LLM

Bien sûr, aucune discussion sur les applications des réseaux neuronaux ne serait complète sans parler des LLM, le cœur de la frénésie IA des dernières années depuis le lancement de ChatGPT en 2022.

En grande partie, c’est parce que la génération de langage proche de celui des humains, « ressentant » comme une vraie personne, était longtemps considérée comme le test sur lequel on pouvait juger qu’une IA était réellement intelligente (le test de Turing).

L’intelligence réelle des LLM fait l’objet de vifs débats, entre les enthousiastes de l’IA (ou les prophètes de l’apocalypse) qui attendent une véritable intelligence et une singularité technologique bientôt, et ceux qui la voient comme un simple tour de passe-passe incapable de fournir des résultats utiles.

Néanmoins, ils ont un large éventail d’applications, surtout là où ils peuvent exécuter des tâches bon marché qui sont aujourd’hui réservées à des humains beaucoup plus coûteux. Cela est particulièrement vrai pour les tâches majoritairement verbales, comme :

• Chatbots et service client.
• Développement et vérification de code.
• Traduction et localisation.
• Études de marché.
• Recherche et réponses aux questions.
• Analyse de grands documents et ensembles de données.
• Éducation

À côté des LLM, la génération d’images pourrait également créer un nouveau flot d’images dans notre ère numérique, tant pour des usages utiles que potentiellement néfastes (désinformation, chantage, etc.).

Vision machine & informatique

Comme l’application originale des réseaux neuronaux remontant à Hopfield, il est logique que la reconnaissance d’images soit maintenant une application potentielle centrale des réseaux neuronaux.

Parfois, la vision machine est utilisée pour décrire une identification limitée dans un environnement industriel plus contrôlé, tandis que la vision informatique vise une vision plus proche de celle de l’homme.

Source: Solomon

Conduite autonome

Un sous-segment majeur de ce domaine est les véhicules autonomes, car finalement, les conducteurs humains utilisent leur reconnaissance de motifs visuels pour piloter en toute sécurité leurs véhicules de plusieurs tonnes.

Pour l’instant, la plupart des systèmes de conduite autonome reposent sur un mélange de caméras et d’autres capteurs pour rester sûrs (comme le radar et le LIDAR), à l’exception de Tesla (TSLA ) qui se concentre exclusivement sur la vision machine semblable à celle de l’homme (grâce à un jeu de données beaucoup plus grand, fourni par la flotte de voitures Tesla).

Des données d’entraînement suffisantes, l’annotation manuelle de millions de situations réelles complexes, ainsi que du matériel personnalisé réduisant la consommation et accélérant les temps de réaction, seront probablement la combinaison gagnante pour la première entreprise à remporter le prix de plusieurs billions de dollars pour le développement de la première véritable automatisation de conduite de niveau 5.

Médical

De nombreux diagnostics en médecine ne dépendent pas des tests de laboratoire mais de l’interprétation manuelle par un spécialiste formé d’images produites par des rayons X, IRM, scanners, etc.

Cela peut prendre des années à un expert pour devenir vraiment compétent dans cette tâche, qui est autant un art qu’une science. À la place, l’IA peut analyser à moindre coût et de façon cohérente des millions d’images médicales avec des résultats prévisibles.

Elle pourrait même être utilisée pour diagnostiquer des conditions auparavant jugées impossibles à détecter avec des scanners, comme le TDAH.

Et peut-être moins évident, l’IA utilisant des réseaux neuronaux peut également assister les chirurgiens, comme la société française Pixee Medical, permettant le suivi 3D avec un smartphone ou des lunettes intelligentes pour la chirurgie orthopédique.

L’IA peut également automatiser la procédure cruciale d’enregistrement de la chirurgie, surtout pour les tâches répétitives et sujettes aux erreurs. Comme les chirurgiens oublient des instruments à l’intérieur du patient dans environ 1500 interventions par an aux États‑Unis, la vision informatique pourrait également aider à éliminer complètement ce problème en suivant automatiquement tout ce qui est utilisé pendant l’opération.

Biorecherche

De la découverte de médicaments à la prédiction du repliement des protéines, les réseaux neuronaux sont des outils puissants pour les chercheurs en médecine et en biologie.

Déjà, cela révolutionne la façon dont de nouvelles thérapies sont développées, comme nous l’avons évoqué dans « Top 5 AI & Digital Biotech Companies ». Cela pourrait également contribuer à des données plus cohérentes, ce qui est souvent un problème dans les sciences biologiques, où de nombreuses données sont encore créées manuellement, comme le comptage des cellules sanguines.

Cela peut être résolu avec la vision machine IA, avec des produits comme Shonit de Sigtuple capable désormais de fournir des comptages fiables et standardisés de tous les types de cellules sanguines.

Source: Sigtuple

Industrie & production

Du contrôle qualité & inspection des composants, à l’assemblage entièrement automatisé, la vision machine/informatique peut rendre la chaîne de production plus flexible et réactive à tout changement du processus de production.

Cela peut à la fois réduire les coûts en diminuant le besoin d’intervention humaine, ainsi qu’améliorer la qualité et la vitesse de production.

Robotique

Alors que la robotique a quitté le plancher d’usine pour interagir avec des environnements quotidiens plus complexes, elle doit rapidement améliorer ses capacités de reconnaissance de motifs.

Des robodogs aux robots de livraison, et peut-être bientôt des assistants personnels humanoïdes, les robots fusionnent de plus en plus avec l’IA en utilisant des réseaux neuronaux pour nous aider dans les tâches quotidiennes.

Agriculture

Les robots agricoles utilisent de plus en plus la vision machine pour identifier les mauvaises herbes ou les fruits mûrs et remplacer le travail manuel fastidieux ou les outils de grande échelle destructeurs.

Ceci ne concernera peut-être pas seulement l’agriculture et nos systèmes alimentaires mais aussi la restauration écologique, avec de forts effets sur la santé du sol, l’émergence de nouvelles pratiques agricoles, et peut-être de meilleurs outils pour le reboisement et la gestion des espèces invasives.

Militaire

Bien que cela soulève des questions éthiques complexes, il est une règle de l’histoire que toute nouvelle technologie est également étudiée pour son potentiel à donner à l’armée un avantage sur son adversaire.

Et comme il y aura toujours une nation qui le fait, les autres doivent également suivre le rythme.

L’IA est déjà utilisée pour identifier des cibles et analyser des données sur le champ de bataille, y compris dans des guerres réelles en cours comme l’Ukraine et Gaza, comme nous l’avons évoqué dans « Top 10 Drones And Drone Warfare Stocks ».

Parmi les développements récents les plus alarmants, nous pouvons citer le développement de la dernière version du Lancet russe, un drone-suicide/missile utilisant la vision machine IA pour identifier et cibler les véhicules ennemis dans la dernière partie de son parcours.

Confier la décision de tuer à un système automatisé est évidemment une étape très dangereuse, qui ressemble vraiment à la matière d’un film de science-fiction juste avant une rébellion de l’IA contre l’humanité.

Nous ne pouvons donc qu’espérer que les forces militaires du monde entier parviendront à un consensus sur les technologies qui peuvent être déployées ou non, de façon similaire à la gestion des armes nucléaires.

Risques des réseaux neuronaux

Il convient de mentionner que Geoffrey Hinton, qui a remporté le prix Nobel de cette année est également très préoccupé par les progrès réalisés dans la technologie IA.

Après le prix Turing en 2018 et le prix Nobel en 2024, il est probable que son avertissement soit encore plus entendu qu’auparavant.

« J’ai soudainement changé d’avis sur la question de savoir si ces choses vont devenir plus intelligentes que nous.

Je pense qu’elles sont très proches maintenant et qu’elles seront beaucoup plus intelligentes que nous à l’avenir. Comment survivrons‑nous à cela ?

Geoffrey Hinton

Investir dans les réseaux neuronaux

Les réseaux neuronaux deviennent aujourd’hui presque synonymes de la technologie IA dans son ensemble, alors qu’il y a une fusion croissante des disciplines dans le secteur.

Comme les réseaux neuronaux nécessitent de grands ensembles de données pour le pré‑entraînement et l’entraînement, ils sont actuellement le domaine de très grandes entreprises technologiques ou de startups très bien financées.

Vous pouvez investir dans des entreprises liées à l’IA via de nombreux courtiers, et vous pouvez trouver ici, sur securities.io, nos recommandations pour les meilleurs courtiers aux États‑Unis, Canada, Australie, et Royaume‑Uni, ainsi que de nombreux autres pays.

Si vous n’êtes pas intéressé à choisir des entreprises spécifiques liées à l’IA, vous pouvez également regarder les ETF comme le ARK Artificial Intelligence & Robotics UCITS ETF (ARKI), le Global X Robotics & Artificial Intelligence ETF (BOTZ), ou le WisdomTree Artificial Intelligence and Innovation Fund (WTAI) (WT ) qui offriront une exposition plus diversifiée pour capitaliser sur l’IA.

Entreprises de réseaux neuronaux

1. Microsoft

Microsoft (MSFT ) est au cœur de l’industrie technologique depuis presque sa création avec son système d’exploitation toujours dominant, Windows.

MSFT Graphique du prix

C’est désormais également un leader des logiciels d’entreprise (Office365, Teams, LinkedIn, Skype, GitHub), du jeu vidéo (Xbox et plusieurs acquisitions de studios de jeux vidéo), et du cloud (Azure).

Plus récemment, il a réalisé de bons progrès en IA. Cela inclut des IA destinées aux consommateurs comme le Bing Image Creator et des initiatives orientées business, comme Copilot pour Microsoft 365 et Microsoft Research. Copilot est maintenant déployé aux détaillants et aux petites entreprises également.

Source: Constellation Research

Microsoft s’est forgé une réputation d’entreprise technologique centrée sur l’entreprise, comparée à des sociétés plus orientées consommateur comme Apple (AAPL ) ou Facebook. Avec l’IA devenant de plus en plus importante dans les modèles commerciaux, la présence préexistante de Microsoft dans le cloud et les services d’entreprise devrait lui donner une avance pour déployer l’IA à grande échelle et dans l’acquisition de clients.

La collaboration/quasi-propriété avec des leaders du développement IA comme OpenAI (célèbre pour ChatGPT) consolidera également la position de Microsoft en tant que puissance IA.

2. NVIDIA

Nvidia (NVDA ) a initialement occupé une position dominante sur le marché des cartes graphiques (GPU), principalement utilisées pour les jeux haut de gamme et la modélisation 3D. Les GPU peuvent exécuter des calculs en parallèle et diffèrent à cet égard des processeurs (CPU).

La conception de son matériel s’est avérée très adaptée au minage de cryptomonnaies (en particulier le Bitcoin), créant une forte vague de croissance pour l’entreprise.

Maintenant, il apparaît qu’il est tout aussi puissant pour l’entraînement des IA, faisant du matériel de Nvidia l’épine dorsale de la révolution IA.

Nvidia développe désormais des systèmes informatiques personnalisés pour différentes applications IA, des voitures autonomes aux reconnaissances vocales et IA conversationnelles, IA génératives, ou cybersécurité.

Il est probable que Nvidia n’ait pas trouvé de nouveaux cas d’utilisation pour son matériel IA, comme le montre la recherche de Microsoft avec le PNNL. Par exemple, Nvidia développe maintenant une gamme complète de solutions pour la découverte de médicaments, ainsi que des dispositifs médicaux alimentés par l’IA et l’imagerie médicale assistée par IA.

Source: NVidia

Il est probable qu’à très long terme, des concurrents de Nvidia commenceront à remettre sérieusement en cause l’avance initiale de l’entreprise.

Mais pour le futur prévisible, compte tenu de l’explosion de la demande de puissance de calcul dédiée à l’IA, Nvidia restera le principal fournisseur de tous les nouveaux centres de données d’entraînement IA en construction.

Et si l’IA est une nouvelle ruée vers l’or technologique, la sagesse d’investissement consiste à privilégier les vendeurs de pioches et de pelles plutôt que de parier sur la découverte d’or.

Dans la ruée IA, les outils de choix sont pour l’instant les puces IA de Nvidia.