Une étude récente suggère que l'intelligence artificielle (IA) a le potentiel de surpasser l'intelligence humaine à l'avenir. Cette étude explore la complexité de l'IA et du cerveau humain, et propose un nouveau cadre théorique : en appliquant les technologies de l'IA au niveau cellulaire des neurosciences, l'IA pourrait se rapprocher infiniment des fonctions du cerveau humain, voire finalement surpasser le niveau d'intelligence humaine. Le cerveau humain est largement considéré comme l'un des systèmes les plus complexes de l'univers, tandis que l'intelligence artificielle est considérée comme l'une des technologies les plus importantes de l'histoire de l'humanité. Une question centrale se pose : l'intelligence artificielle finira-t-elle par surpasser l'intelligence humaine ?

Vous avez entendu parler de ChatGPT et ERNIE, ces IA sophistiquées ? Leur technologie de base est le « grand modèle de langage » (LLM). Cela vous semble complexe et difficile à comprendre ? Ne vous inquiétez pas, même si vous n'avez que le niveau de mathématiques d'un élève de CE2, après avoir lu cet article, vous pourrez facilement comprendre le fonctionnement des LLM ! Réseaux neuronaux : la magie des nombres. Tout d'abord, il faut savoir qu'un réseau neuronal est comme une super-calculatrice, qui ne traite que des nombres. Que ce soit en entrée ou en sortie, tout doit être numérique. Alors, comment lui faire comprendre le texte ? Le secret...

Le prix Nobel de physique 2024 a été décerné à John J. Hopfield et Geoffrey E. Hinton pour leurs découvertes et inventions fondamentales sur l'utilisation des réseaux neuronaux artificiels pour l'apprentissage automatique. Leurs travaux ont jeté les bases de l'intelligence artificielle, rendant possible l'apprentissage automatique et l'apprentissage profond. Hopfield a créé une mémoire associative capable de stocker et de reconstruire des images et d'autres types de motifs dans les données. Hinton a quant à lui inventé une méthode permettant de rechercher de manière autonome des attributs dans les données, afin d'exécuter des tâches telles que l'identification d'éléments spécifiques dans une image. Nobel

Les départements d'ingénierie électronique et d'automatisation de l'Université Tsinghua ont conjointement mis au point avec succès la puce de formation optique « Taiji-II », qui permet un entraînement précis et efficace du calcul optique de réseaux neuronaux à grande échelle. Cette innovation révolutionnaire surmonte les limites des technologies de calcul optique existantes, éliminant le besoin de modélisation hors ligne sur GPU, simplifiant le processus de formation et améliorant considérablement les capacités d'application des systèmes de calcul optique dans les domaines de l'intelligence artificielle et du traitement de données massives. Cette puce est capable de former plusieurs systèmes optiques et affiche des performances exceptionnelles sur plusieurs tâches, marquant ainsi une amélioration des capacités de recherche et d'innovation de la Chine dans le domaine des technologies de pointe.

Les réseaux neuronaux sont vulnérables aux attaques adversariales en raison de leurs caractéristiques. Une nouvelle recherche de Google DeepMind montre que le jugement humain est également affecté par ces perturbations adversariales. Quelle est la relation entre les réseaux neuronaux humains et artificiels ? L'étude suggère que notre précédente hypothèse était peut-être erronée ! Le jugement humain est lui aussi influencé par ces perturbations adversariales.

Les réseaux neuronaux sont confrontés à des défis lorsqu'il s'agit de traiter des données tabulaires avec des colonnes hétérogènes. Une méthode de conversion des caractéristiques tabulaires en une représentation de basse fréquence est proposée pour améliorer la capacité d'analyse des réseaux neuronaux. Les expériences montrent que cette méthode améliore considérablement les performances et l'efficacité de calcul du réseau. Cette recherche fournit de nouvelles idées et méthodes pour le traitement des données tabulaires complexes par les réseaux neuronaux.

La startup du MIT, Liquid AI, a récemment bouclé un tour de table de série A de près de 40 millions de dollars pour développer une nouvelle intelligence artificielle basée sur une architecture de réseaux neuronaux liquides. Ces réseaux neuronaux liquides, une technologie innovante, se caractérisent par leur petite taille, leur explicabilité et leur capacité d'adaptation dynamique. Cette levée de fonds valorise Liquid AI à 303 millions de dollars. Liquid AI prévoit de commercialiser sa technologie des réseaux neuronaux liquides dans des domaines tels que la conduite autonome, la prévision météorologique et l'analyse de données médicales.

Pendant 35 ans, la capacité des IA à généraliser systématiquement comme les humains a fait l’objet de débats. Des chercheurs de NYU et de l’Université Pompeu Fabra ont démontré pour la première fois qu’un réseau neuronal pouvait atteindre une généralisation systématique comparable à celle des humains. Leur modèle MLC entraîne les réseaux neuronaux dans des environnements de tâches, leur permettant de développer progressivement une capacité de raisonnement systématique sur les significations combinatoires des mots. Le modèle MLC surpasse GPT-4, démontrant une étonnante capacité de pensée humaine. Cette recherche a des implications profondes pour l’intelligence artificielle et les sciences cognitives, conférant aux réseaux neuronaux une capacité de généralisation systématique.

La start-up d'intelligence artificielle Anthropic annonce une percée majeure, présentant une nouvelle méthode pour mieux comprendre le comportement des réseaux neuronaux. Cette recherche devrait améliorer la sécurité et la fiabilité de la prochaine génération d'IA, et aider les chercheurs et les développeurs à mieux contrôler le comportement des modèles d'IA. Anthropic, grâce à une étude approfondie des caractéristiques des réseaux neuronaux, a décrypté leur fonctionnement interne, offrant de nouvelles méthodes pour prédire leurs résultats. Cette avancée pourrait contribuer à surmonter les défis liés à la compréhension du comportement des modèles linguistiques, et représente une avancée significative pour le domaine de l'intelligence artificielle.