Avec la maturation constante de la technologie de l'intelligence artificielle (IA), les experts du secteur soulignent un changement significatif dans l'orientation du développement de l'IA. On passe d'une concentration initiale sur l'entraînement des modèles et l'innovation algorithmique à une attention accrue sur la définition et l'optimisation de l'évaluation des tâches. Ce point de vue, émis par le chercheur d'OpenAI Yao Shunyu, met l'accent sur le rôle crucial de la mentalité produit dans la promotion de l'application et de la commercialisation de la technologie dans la seconde phase du développement de l'IA.
Dans la première phase du développement de l'IA, les chercheurs se sont concentrés sur la construction de modèles puissants, tels que Transformer et GPT-3, qui ont excellé dans diverses tâches de référence. Cette phase était axée sur la méthodologie, les chercheurs se concentrant principalement sur la conception et l'optimisation des algorithmes, la définition des tâches étant souvent considérée comme secondaire. Par conséquent, malgré des percées majeures, nous avons négligé la manière d'appliquer ces technologies à des tâches concrètes dans des contextes réels.
Source : Image générée par IA, fournisseur de services d'autorisation d'images Midjourney
Aujourd'hui, Yao Shunyu souligne que les chercheurs doivent changer de paradigme, passant de « nous pouvons entraîner un modèle pour résoudre le problème X » à « que devons-nous apprendre à l'IA à faire ? Comment mesurer ses progrès réels ? » Ce changement est crucial car le véritable défi réside dans la définition des tâches réelles et l'évaluation efficace des performances des systèmes d'IA.
Yao Shunyu mentionne que le succès de l'apprentissage par renforcement réside dans la combinaison des connaissances a priori linguistiques et des capacités de raisonnement, permettant à l'IA de mieux généraliser dans des environnements complexes. Il estime qu'un système d'IA performant doit posséder trois éléments clés : un entraînement linguistique à grande échelle, une mise à l'échelle du calcul et des données, et la combinaison du raisonnement et de l'action. Ces trois éléments contribuent collectivement aux performances de l'IA dans les applications concrètes.
Ce changement de perspective implique également que les chercheurs en IA doivent se comporter davantage comme des chefs de produit, en se concentrant sur la transformation de la technologie en produits à valeur commerciale. Avec les nouveaux critères d'évaluation, les chercheurs doivent non seulement concevoir des modèles, mais aussi prendre en compte l'interaction homme-machine et l'adaptabilité à long terme, ce qui constituera une étape importante pour la concrétisation de l'IA.
