Types d'intelligence artificielle : ANI, AGI, ASI et autres classifications

L’intelligence artificielle peut être classée de différentes manières. ANI, AGI et ASI décrivent les niveaux de capacité, mais ils n’expliquent pas par eux-mêmes comment un système apprend, quel type de résultat il produit ou dans quelle mesure il peut agir sans intervention humaine.

Une IA peut également être prédictive, générative, conversationnelle, basée sur des règles, formée par apprentissage supervisé ou fonctionner comme un agent capable d’utiliser des outils.

Par conséquent, lorsque l’on se demande combien de types d’intelligence artificielle existent, la réponse dépend des critères utilisés.

Dans ce guide, vous découvrirez les principales classifications, leurs différences et celles qui correspondent à des technologies existantes ou à des concepts qui restent hypothétiques.

Pour un aperçu de son fonctionnement, de ses applications, de ses avantages et de ses risques, vous pouvez consulter notre guide complet de l'intelligence artificielle.

Comment l'intelligence artificielle est classée

Il n’existe pas de classification unique capable de décrire tous les systèmes d’IA.

Nous pouvons les regrouper selon :

• Leur capacité à travailler dans un ou plusieurs domaines.
• La technologie ou l'approche utilisée.
• La façon dont ils apprennent.
• Le type de résultat qu’ils produisent.
• Le format d’information qu’ils traitent.
• Leur capacité à agir de manière autonome.
• La fonction pour laquelle ils ont été conçus.

Un même système peut appartenir à plusieurs catégories.

Par exemple, un assistant peut être :

• Intelligence artificielle spécialisée.
• Modèle basé sur le Deep Learning.
• IA générative.
• IA conversationnelle.
• Système multimodal.
• Agent avec accès aux outils.

Chaque terme décrit un aspect différent.

Types d'IA selon leurs capacités

Les classifications ANI, AGI et ASI comparent l’étendue des capacités d’une IA avec la flexibilité de l’intelligence humaine.

Il s’agit d’un cadre conceptuel utile, mais ses limites ne reposent pas sur des preuves universellement acceptées.

ANI ou intelligence artificielle étroite

ANI signifie Intelligence étroite artificielle, traduit par intelligence artificielle étroite, spécialisée ou limitée.

Décrivez les systèmes conçus pour effectuer des tâches spécifiques dans des contextes spécifiques.

Parmi ses fonctions possibles on retrouve :

• Classer les images.
• Recommander des produits.
• Traduire des textes.
• Détecter les opérations anormales.
• Générer du contenu.
• Calculer les itinéraires.
• Reconnaître la voix.
• Prédire une demande.

Le mot “étroit” ne signifie pas nécessairement que le système ne peut exécuter qu’une seule action.

Un modèle multimodal peut fonctionner avec du texte, des images, des documents, de l’audio, de la programmation et des outils. Cependant, cela dépend toujours d’une architecture, de données, d’instructions et d’un environnement définis.

Caractéristiques de l'ANI

• Il est conçu ou formé pour des objectifs spécifiques.
• Leurs performances varient en fonction de la tâche.
• Il ne possède pas automatiquement toutes les capacités humaines.
• Il peut surpasser les spécialistes dans des activités spécifiques.
• Elle ne se généralise pas de manière illimitée à aucune situation.
• Évaluation et supervision des besoins.

Selon cette classification, les systèmes actuellement déployés sont généralement inclus dans l’IA spécialisée, même si certains sont très polyvalents.

AGI ou intelligence générale artificielle

AGI signifie Intelligence générale artificielle ou intelligence générale artificielle.

Il est utilisé pour décrire un système capable d’apprendre, de raisonner et d’appliquer des connaissances dans une grande variété de tâches et de domaines, y compris de nouvelles situations.

Une AGI potentielle devrait présenter des capacités telles que :

• Apprenez de nouvelles tâches avec peu d’informations.
• Transférer des connaissances entre domaines.
• S'adapter à des situations inconnues.
• Planifier des objectifs complexes.
• Résoudre divers problèmes.
• Utiliser des outils.
• Corriger les erreurs.
• Maintenir de bonnes performances dans de nombreux contextes.

Il n’existe pas de définition ou de test universel pour certifier qu’un système est AGI.

Par conséquent, différents chercheurs, entreprises et organisations peuvent utiliser le terme différemment.

Certains se concentrent sur l’obtention de performances comparables à celles de l’homme dans de nombreux tests. D’autres nécessitent une adaptation, une mémoire, une autonomie, un apprentissage continu ou la capacité de fonctionner dans des environnements réels.

AGI ne signifie pas nécessairement sensibilisation

L’intelligence générale et la conscience ne sont pas des concepts équivalents.

Un système pourrait montrer une grande capacité à résoudre des tâches sans démontrer qu’il possède des émotions, une expérience subjective ou une conscience.

Par conséquent, un tableau sur l’ANI et l’AGI ne devrait pas utiliser la sensibilisation comme exigence technique principale.

Existe-t-il actuellement un AGI ?

Il n’existe pas de consensus largement accepté selon lequel un système aurait atteint l’intelligence artificielle générale.

Les modèles actuels peuvent offrir des capacités très larges, mais ils continuent à présenter des profils irréguliers : ils excellent dans certaines tâches et échouent dans d’autres qu’une personne pourrait considérer comme simples.

C’est pourquoi il est plus précis d’évaluer des capacités concrètes que d’indiquer de manière absolue si un outil est “intelligent comme un humain” ou non.

ASI ou superintelligence artificielle

ASI signifie Superintelligence artificielle ou superintelligence artificielle.

Décrivez un scénario hypothétique dans lequel un système dépasserait de loin les capacités humaines dans une grande variété de disciplines.

Cela pourrait inclure des performances supérieures dans :

• Recherche scientifique.
• Ingénierie.
• Planification.
• Mathématiques.
• Développement technologique.
• Stratégie.
• Résolution de problèmes.
• Création de connaissances.

ASI ne représente pas une technologie actuellement disponible.

Il n’existe pas non plus de moyen établi de savoir comment cela se développerait, quelles capacités il aurait ou si cela résulterait d’une AGI.

Son étude est principalement liée aux débats sur :

• Sécurité.
• Contrôle.
• Alignement objectif.
• Concentration du pouvoir.
• Gouvernance.
• Risques systémiques.

Il est important de différencier ces débats des limites et des risques réels des systèmes déjà utilisés.

Comparaison entre ANI, AGI et ASI

Le tableau ne doit pas être interprété comme une échelle automatique par laquelle chaque système doit avancer.

ANI, AGI et ASI sont des catégories conceptuelles basées sur l’étendue des capacités.

Types d'IA selon leur approche technique

Nous pouvons également classer l’intelligence artificielle en fonction de la technologie utilisée pour produire ses résultats.

IA basée sur des règles et des connaissances

Ces systèmes utilisent des règles, des représentations logiques ou des connaissances introduites par des spécialistes.

Un exemple simple serait :

Si les conditions A et B sont remplies, il recommande l’option C.

Ils peuvent être utilisés dans :

• Systèmes experts.
• Diagnostic basé sur des règles.
• Configurateurs.
• Moteurs de décision.
• Validations.
• Planification.

Ses avantages sont la traçabilité et le contrôle.

Cependant, maintenir des milliers de règles peut s’avérer difficile lorsque le problème change ou contient trop d’exceptions.

Apprentissage automatique

L'apprentissage automatique vous permet de créer des modèles qui apprennent les relations à partir des données.

Au lieu d’écrire manuellement toutes les règles, des exemples sont utilisés pour ajuster un modèle.

Cela peut s'appliquer à :

• Classification.
• Régression.
• Détection d'anomalies.
• Segmentation.
• Recommandation.
• Traitement du langage.
• Vision artificielle.

Apprentissage profond

Le Deep Learning est un sous-domaine du Machine Learning basé sur des réseaux neuronaux multicouches.

Il est fréquemment utilisé dans des tâches liées à :

• Langue.
• Images.
• Audio.
• Vidéo.
• Modèles multimodaux.
• Génération de contenu.
• Reconnaissance de modèles complexes.

Il ne remplace pas tous les modèles d’apprentissage automatique. Pour certains problèmes, une technique plus simple peut être plus rapide, plus interprétable et plus efficace.

La relation entre ces concepts est expliquée dans le guide sur Comment fonctionne l'intelligence artificielle.

Types d'IA selon leur méthode d'apprentissage

Au sein du Machine Learning, nous pouvons différencier plusieurs méthodes.

Apprentissage supervisé

Le modèle apprend à l’aide d’exemples qui incluent une réponse ou une étiquette correcte.

Par exemple:

• E-mails classés comme spam ou légitimes.
• Images étiquetées.
• Opérations marquées comme frauduleuses.
• Maisons accompagnées de leur prix.

Il est principalement utilisé pour :

• Classification.
• Régression.
• Prédiction.

Apprentissage non supervisé

Le modèle reçoit des données sans réponses préalablement étiquetées et recherche des structures ou des groupements.

Il peut être utilisé pour :

• Segmenter les clients.
• Documents de groupe.
• Détecter les modèles.
• Explorez les ensembles de données.
• Réduire les dimensions.
• Identifier les comportements atypiques.

Le système trouve des relations, mais une personne doit interpréter ce que signifient les groupes obtenus.

Apprentissage par renforcement

Un agent apprend en interagissant avec un environnement.

Chaque action peut produire une récompense ou une pénalité. L’objectif est de trouver une stratégie qui maximise la récompense accumulée.

Il est utilisé dans :

• Robotique.
• Jeux.
• Contrôle des systèmes.
• Planification.
• Optimisation.
• Recherche sur les agents.

Apprentissage auto-supervisé

L'apprentissage auto-supervisé vous permet de créer des signaux d'entraînement à partir de vos propres données sans avoir à étiqueter manuellement chaque exemple.

Par exemple, un modèle peut apprendre en essayant de :

• Prédire une partie cachée d'un texte.
• Reconstruire une image incomplète.
• Relier les représentations de contenu.
• Identifiez la partie suivante d’une séquence.

Cette approche a joué un rôle important dans le développement de grands modèles linguistiques et de modèles fondamentaux.

Types d'IA selon le résultat qu'ils produisent

Une autre classification particulièrement utile différencie les systèmes en fonction du résultat qu’ils génèrent.

IA prédictive

L’IA prédictive calcule quel résultat pourrait être produit à partir de certaines données.

Il peut générer:

• Une probabilité.
• Une valeur numérique.
• Une prévision.
• Une estimation du risque.
• Une demande attendue.
• Une alerte.

Exemples :

• Prévision des ventes.
• Estimation du délai de livraison.
• Risque de non-paiement.
• Prévision de panne.
• Probabilité d'abandon de client.

Leurs résultats peuvent généralement être comparés ultérieurement à ce qui s’est réellement passé.

IA générative

L’IA générative produit du nouveau contenu à partir d’une entrée.

Il peut générer:

• Texte.
• Images.
• Audio.
• Musique.
• Vidéo.
• Code.
• Présentations.
• Modèles tridimensionnels.

Il ne faut pas le confondre avec l'AGI.

Un système génératif peut créer du contenu dans divers formats et continuer à être une intelligence artificielle spécialisée.

Consultez notre guide sur qu'est-ce que l'intelligence artificielle générative pour en savoir plus sur ses modèles, son fonctionnement et ses limites.

IA discriminante ou classificatrice

Les modèles discriminants séparent les exemples, calculent les catégories ou estiment les relations entre une entrée et une sortie.

Ils peuvent être utilisés pour :

• Identifier les objets.
• Classer les emails.
• Détection de maladies dans les images.
• Reconnaître les intentions.
• Faire la différence entre les opérations normales et anormales.

“Génératif” et “discriminatif” décrivent des approches différentes, bien qu'un même produit puisse combiner les deux.

Systèmes de recommandation

Ils analysent les informations sur les utilisateurs, les produits ou le contenu pour trier les options qui pourraient être pertinentes.

Ils sont utilisés dans :

• Commerce électronique.
• Plateformes audiovisuelles.
• Musique.
• Réseaux sociaux.
• Publicité.
• Nouvelles.
• Entraînement.

Ils peuvent combiner filtrage collaboratif, modèles prédictifs, contenu et contexte.

IA conversationnelle

L'IA conversationnelle traite le langage pour maintenir les interactions via du texte ou de la voix.

Peut inclure :

• Chatbots.
• Assistants.
• Systèmes de soins.
• Interfaces vocales.
• Agents avec outils.

Toutes les IA conversationnelles ne sont pas génératives. Certains systèmes suivent des flux, des intentions et des réponses prédéterminés.

Vision artificielle

La vision artificielle analyse des images ou des vidéos.

Vous pouvez effectuer des tâches telles que :

• Classification des images.
• Détection d'objets.
• Segmentation.
• Reconnaissance optique de caractères.
• Suivi.
• Contrôle qualité.
• Interprétation de scène.

Robotique et systèmes autonomes

Ces systèmes combinent perception, planification et action au sein d’un environnement physique.

Ils peuvent intégrer :

• Caméras.
• Capteurs.
• Modèles prédictifs.
• Localisation.
• Planification d'itinéraire.
• Contrôle de mouvement.
• Apprentissage par renforcement.

Son autonomie dépend de la conception, des restrictions et du niveau de supervision.

Le guide sur applications de l'intelligence artificielle Il explique dans quels secteurs ces catégories sont utilisées.

Types d'IA selon leur niveau d'autonomie

L'autonomie décrit la mesure dans laquelle le système peut sélectionner et exécuter des actions sans qu'une personne confirme chaque étape.

Outils d'assistance et copilotes

Ils aident une personne à accomplir une tâche, mais l’utilisateur conserve le contrôle principal.

Ils peuvent:

• Suggérer du texte.
• Résumer l'information.
• Recommander des actions.
• Générer des brouillons.
• Proposer du code.
• Analyser des documents.

La personne examine et décide quel résultat utiliser.

Agents d'intelligence artificielle

Un agent peut recevoir un objectif, planifier plusieurs étapes, utiliser des outils et agir sur un environnement numérique ou physique.

Vous pouvez effectuer des actions telles que :

• Interroger une base de données.
• Parcourir une application.
• Exécuter le code.
• Créer des fichiers.
• Envoyer des informations.
• Vérifiez les résultats.
• Modifiez votre plan.

Cela ne veut pas dire qu’il a sa propre volonté. Leur comportement continue d’être conditionné par des objectifs, des autorisations, des instructions, des outils et des systèmes de contrôle.

Systèmes d'IA agentiques

L'IA des agents peut coordonner plusieurs agents ou processus pour atteindre des objectifs plus larges sur des périodes prolongées.

Peut inclure :

• Division d'une tâche en sous-tâches.
• Délégation entre agents.
• Utilisation coordonnée des outils.
• Suivi des résultats.
• Adaptation du plan.
• Intervention humaine aux points de contrôle.

Plus le système dispose d’autonomie, plus les autorisations, la surveillance, les journaux d’activité et les mécanismes permettant de l’arrêter deviennent importants.

Ce type de système peut être utilisé dans des processus de automatisation avec intelligence artificielle.

Machines réactives, mémoire limitée et théorie de l'esprit

Une autre classification populaire distingue quatre niveaux fonctionnels :

• Machines réactives.
• IA avec mémoire limitée.
• Théorie de l'esprit.
• IA consciente d'elle-même.

Il doit être traité comme un cadre conceptuel et non comme une taxonomie technique universelle.

Machines réactives

Ils répondent à une situation spécifique sans construire une mémoire persistante sur les expériences antérieures.

Ils peuvent être efficaces dans un environnement bien défini.

IA avec mémoire limitée

Il utilise des informations récentes, du contexte ou des données stockées pour produire une réponse.

De nombreux systèmes modernes pourraient correspondre partiellement à cette description, même si l’expression est trop large pour expliquer leurs différences techniques.

Théorie de l'esprit

Décrivez la capacité hypothétique d’interpréter les émotions, les croyances, les intentions et les états mentaux des autres de manière générale.

Il existe des systèmes qui détectent des signaux émotionnels ou déduisent des intentions concrètes, mais cela ne prouve pas une théorie complète de l’esprit humain.

IA consciente d'elle-même

Il représenterait un système avec sa propre conscience ou expérience subjective.

Il n’existe aucune preuve acceptée que les systèmes actuels soient conscients d’eux-mêmes.

Cette catégorie appartient principalement au débat philosophique et hypothétique et ne doit pas être confondue avec la capacité de converser ou de parler à la première personne.

Un même système peut appartenir à plusieurs catégories

Les classifications ne s’excluent pas mutuellement.

Un assistant moderne pourrait être décrit comme :

• L'IA s'est spécialisée en fonction de ses capacités.
• Deep Learning selon son architecture.
• Auto-supervisé selon une partie de sa formation.
• Génératif en fonction du résultat.
• Conversationnel selon l'interface.
• Multimodal selon les formats.
• Agent si vous pouvez utiliser des outils et exécuter des actions.

De même, un système de détection de fraude pourrait être :

• IA spécialisée.
• Apprentissage automatique supervisé.
• IA prédictive.
• Modèle discriminatif.
• Système d'aide à la décision.

C'est pourquoi il n'est pas correct de simplement demander :

De quel type d’IA s’agit-il ?

La question la plus précise serait la suivante

Selon quels critères voulons-nous le classer ?

Quels types d’intelligence artificielle existent actuellement

Actuellement, il existe de véritables systèmes de :

• IA basée sur des règles.
• Apprentissage automatique.
• Apprentissage profond.
• IA prédictive.
• IA générative.
• Vision artificielle.
• Traitement du langage.
• Systèmes de recommandation.
• Robotique.
• Agents d'IA.
• Systèmes multimodaux spécialisés.

Dans le cadre de l’ANI, de l’AGI et de l’ASI, ces systèmes sont généralement classés comme des intelligences spécialisées.

Certains ont de vastes capacités et peuvent effectuer de nombreuses tâches, mais il n’existe pas de test universellement accepté pour certifier qu’un système a atteint l’AGI.

L’ASI reste un scénario hypothétique.

Cette distinction permet d’éviter deux erreurs :

• Minimisez les capacités réelles de l’IA actuelle.
• Attribut à des capacités générales, à une conscience ou à une autonomie qui n’ont pas été démontrées.

Conclusion

Les types d’intelligence artificielle dépendent des critères utilisés.

ANI, AGI et ASI décrivent l’étendue des capacités. L’apprentissage supervisé, non supervisé, par renforcement et auto-supervisé décrit comment certains modèles sont formés. Les catégories prédictives, génératives, conversationnelles ou visuelles expliquent les résultats qu’elles produisent, tandis que les agents décrivent leur niveau d’autonomie.

Les systèmes actuels peuvent combiner plusieurs de ces catégories.

Par conséquent, pour comprendre l’IA, nous devons analyser :

• Quelle tâche effectue-t-il.
• Quelles données il utilise.
• Comment elle a été formée.
• Quel résultat cela produit.
• Quels outils pouvez-vous utiliser.
• Combien d’autonomie possède-t-il.
• De quelle supervision avez-vous besoin.

Questions fréquemment posées sur les types d'intelligence artificielle