Comprendre l’IA générative : qu’est-ce que l’espace latent ?

S’il fallait choisir, parmi toutes les notions qui permettent de décrire comment fonctionnent les algorithmes d’intelligence artificielle dite générative (diffusion, transformers, backpropagation…), s’il ne fallait en retenir qu’une seule, ce serait celle d’espace latent.

Prenons un cas classique, un algorithme dont on souhaite qu’il soit capable de distinguer les images de chats de celles de chiens.

Image : collection d’exemples soumises à l’algorithme pour son entraînement. Pour plus de clarté, il n’y en a que trois, et sans arrière-plan, il en faut évidemment beaucoup plus, et faire varier les contextes, les poses, l’éclairage…

Notre algorithme se calibre sur une collection d’exemples. On peut dire dire qu’il décele des différences et des similarités entre les images d’entraînement. À noter que ces différences ne sont pas programmées. On ne lui indique pas que les chats et les chiens se distinguent plus facilement si on prête attention à la présence de moustache ou à la forme des oreilles. Les différences sont inférées de l’entraînement, ce qui fait qu’au bout du compte on ne sait pas ce que « regarde » un algorithme pour établir sa distinction (à quelles caractéristiques il fait plus ou moins attention). (mais on peut en avoir une idée, après coup, par des méthodes élaborées).

Une manière de décrire le processus serait de dire que l’entraînement de l’algorithme revient à positionner les images d’exemples les unes par rapport aux autres en fonction des différences décelées.

Imaginons que la taille fasse partie des différences décelées. L’entraînement de l’algorithme revient à positionner les images, les unes par rapport aux autres, en fonction de la taille.

Agencement des images en fonction d’une dimension, la taille

Si la forme des oreilles fait également partie des différences décelées, l’entraînement de l’algorithme revient à positionner les images les unes par rapport aux autres, en fonction de la taille et de la forme des oreilles.

Agencement des images en fonction de la taille et de la forme des oreilles

Mathématiquement, c’est comme si les images étaient rangées dans un espace à deux dimensions, chaque dimension correspondant à une différence décelée, ici la taille et la forme des oreilles.

Enfin, imaginons que la couleur de l’image fasse également partie des caractéristiques décelées. L’entraînement de l’algorithme revient donc à positionner les images les unes par rapport aux autres, en fonction de la taille, de la forme des oreilles, et de la couleur. Elles sont agencées dans un espace multidimensionnel de taille trois, chaque axe ou dimension correspondant à une de ces trois caractéristiques.

Positionnement des images dans un espace multidimensionnel de taille trois

Bien que nous soyons incapables de nous représenter au-delà de ces trois dimensions, il faut imaginer que les algorithmes font la même chose, ils « rangent » les objets dans des espaces à des dizaine de milliers de dimensions correspondant chacune à des différences qu’ils ont détectées, appelés « espace latent ». L’espace est dit « latent » car il n’existe pas vraiment, il est induit par l’algorithme à partir des différences détectées entre ses objets d’entraînement, c’est la manière dont il les classe.

Comprendre l’IA générative : les notions comme régions de l’espace latent

Chaque point de l’espace latent correspond à une combinaison de caractéristiques particulières (taille, oreilles, couleur, etc.). La distance entre les points correspond aux relations de similarité et de différence entre les exemples. Par conséquent, les objets similaires en viennent à être regroupés dans des « régions » de cet espace multidimensionnel. En voici une visualisation en trois dimensions :

«
 Région des chats » et « région des chiens » dans un espace latent à trois dimensions

Une fois l’entraînement effectué, c’est-à-dire une fois que l’algorithme aencodé une collection d’exemples dans un espace multidimensionnel des caractéristiques différenciantes (l’espace latent), l’algorithme dispose d’une définition des objets : chaque objet suffisamment représenté dans la base de données d’exemples correspond à une région de l’espace latent. Lorsqu’on lui présente une nouvelle image, ses caractéristiques permettront de la positionner dans l’espace latent et donc de voir, dans l’exemple qui nous occupe, si elle appartient à la région des chats ou des chiens : elle sera reconnue comme une image de chat ou de chien.

Inversement, il est possible de désigner un point de la région des chats, et de demander à l’algorithme de produire une image ayant la combinaison de caractéristiques correspondantes.

Le dessin donne une idée de la combinaison de caractéristiques souhaitées à l’algorithme, qui produit une image de chat possédant ces caractéristiques

Ou encore, il est possible de sélectionner un point intermédiaire entre la région des chats et celle des chiens pour voir à quoi ressemblerait un animal qui aurait des caractéristiques « à mi-chemin » entre celles de chaque espèce.

Image de chat-chien

Intéragir avec l’espace latent : produire une nouvelle image

La « sélection » du point, autrement dit la communication à l’algorithme de la combinaison de caractéristiques souhaitées, peut se faire de différentes manières (esquisses, textes…). La manière privilégiée aujourd’hui est la description textuelle (ou prompt), ce qui est assez pauvre, étant donné la variété des caractéristiques qui composent une image. Lorsque le prompteur a une intention précise, les images proposées en sont souvent assez « loin » et il faut « tâtonner » dans l’espace latent en reformulant le prompt, parfois sans succès. Certaines personnes ont développé assez de familiarité avec les outils pour tâtonner moins longtemps que les autres et vendent leur compétence (prompt engineers).

Intéragir avec l’espace latent : moduler une image existante

Dans la mesure où l’algorithme a été entraîné à reconnaître qu’il s’agit du même objet quelles qu’en soit ses variations, il a également encodé les variations elles mêmes. Il est capable de reconnaître un chien, quelle que soit sa taille, quelle que soit sa couleur, qu’il ait ou non la gueule ouverte, etc. La combinaison de caractéristiques correspondant à « avoir la gueule ouverte » est un vecteur dans l’espace latent. Dès lors, il est possible d’appliquer ce vecteur à une image pour lui appliquer la qualité correspondante.

L’image d’origine est tranformée en lui appliquant les vecteurs correspondant aux qualités souhaitées (posture, âge, genre, coiffure…). Image : Sieun Park, « How to edit images with GANs? Controlling the Latent Space of GANs », Medium, 17 août 2021.

En plus de produire de nouvelles images, l’IA générative permet donc de moduler les images existantes en lui appliquant des qualités. Cette modulation peut se décrire comme une exploration de l’espace latent. On peut comparer la modulation d’une image à une forme de scultpure sur un matériau souple (argile ou pâte à modeler) : il est possible d’étirer l’image, de modifier son orientation, d’en changer une partie… Étant donné les possibilités que cela ouvre, on peut penser qu’il y aura des innovations au niveau des interfaces pour que les utilisateurs en aient une perception plus intuitive.

Et le texte ?

L’utilisation du texte repose sur le même principe. En utilisant différentes méthodes (notamment, remplir des textes à trous), les algorithmes sont entraînés à associer les mots et leur contexte et en inférer des relations de distances et de proximité entre les mots qui correspondent à leur similarité, ou plus précisément par subsituabilité (ils peuvent apparaître dans le même contexte). Ainsi, « chien » sera plus proche de « chat » que de étagère. Cela conduit également à encoder les analogies au sens large (une chose est à une autre ce que ceci est à cela) sous forme de vecteur dans l’espace latent.

Une projection de l’espace vectoriel des mots dans un espace en trois dimensions permet de visualiser les vecteurs encodant la relation de genre, de temporalité, ou la relation pays / capitale. Image : word2vec tutorial, TensorFlow

En étendant l’entraînement à des formes textuelles plus grandes que les mots, les algorithmes encodent des notions et des qualités plus élaborées, comme le style littéraire ou la relation entre un texte et son résumé.

Quelle gamme de gestes créatifs ?

En amont de l’utilisation des algorithmes, il faut constituer la collection d’exemples qui permettra de les entraîner. C’est d’abord une curation (sélection de textes et d’images) qui va cadrer le répertoire des formes possibles, et définir une certaine tonalité – le reflet de la majorité des exemples utilisés.

Lors de l’entraînement, il est possible d’orienter ce répertoire en favorisant ou défavorisant certaines formes (apprentissage par renforcement). C’est une couche supplémentaire de curation.

L’usage de l’algorithme commence par une description (généralement le « prompt ») de la forme qu’il doit fournir, ou bien par l’envoi d’une forme déjà existante à moduler. Lorsque l’algorithme fournit la forme initiale, on peut parler à la fois de collage puisqu’elle est le résultat d’une combinaison de formes existantes (les éléments de la base de données d’entraînement), mais aussi d’esquisse puisque elle sert de point de départ au processus créatif.

Une fois la forme esquissée ou fournie à l’algorithme, il est possible de la moduler de plusieurs manières :

– obtenir des variations aléatoires, notamment lorsque l’esquisse ne convient pas mais que l’on ne sait pas comment décrire ce qu’il faudrait changer pour qu’elle convienne

étirer la forme (outpainting, texte plus long…)

moduler une caractéristique locale : ajouter des lunettes, enlever un élément, changer l’arrière-plan…

moduler une caractéristique globale. Pour les images : le style général, la résolution, l’éclairage… Pour le texte : le niveau de complexité, le niveau de politesse, le niveau de sérieux…

– les modulations peuvent se faire en transférant une caractéristique d’une forme à une autre : appliquer l’expression d’un visage à un autre, ou appliquer le style de Balzac à une recette de cuisine… A nouveau, on se rapproche du collage.

Introduction à l’IA générative

Compte-rendu de la conférence d’ouverture du séminaire IA générative, donnée à l’Institut de l’ENS en septembre 2023

Quelques leçons de l’histoire

En mars 2023, peu après que Elon Musk ait défrayé la chronique en appelant à un moratoire sur les recherches en IA (sans pour autant rien cesser de ses propres activités), Geoffrey Hinton annonce sa démission de Google. Le pionnier le plus ancien et le plus influent du deep learning s’avoue dépassé et inquiet devant les évolutions récentes du champ auquel il a tant contribué, nous invitant tous à faire preuve d’humilité dans nos appréciations.

Si les dernières avancées de l’IA défient l’entendement, il est toutefois possible de mieux cerner ce qui se trame en revenant à certaines notions fondamentales, à commencer par celle d’algorithme. Inventés au départ pour des agents humains, les algorithmes consistent à décomposer une opération en étapes si élémentaires que les opérateurs peuvent les effectuer sans comprendre ce qu’ils font. Autrement dit, mettre au point un algorithme revient à trouver les moyens de réaliser une opération en se passant d’intelligence : lorsqu’est mise au point une machine qui joue au go, cela ne signifie pas que la machine est dotée d’intelligence, mais que ses concepteurs ont trouvé le moyen de jouer au go en s’en passant.

Pour autant, l’idée qu’il est possible de fabriquer des machines intelligente est présente dès les plus anciens textes de notre civilisation (Homère, Hésiode…), en particulier via les fabrications du dieu Héphaïstos, où elles sont associées à la possibilité d’un monde sans travail.

Inspirés par cet exemple, certains savants s’attellent à fabriquer des automates qui imitent l’humain et le vivant, quitte à tricher pour impressionner leur public. C’est le cas, au dix-huitième siècle, du célèbre « turc mécanique », mis au point par le baron von Kempelen, censé pouvoir jouer aux échecs alors qu’il dissimulait un opérateur humain. Cette tendance historique à l’exagération, voire à la supercherie, invite à la prudence aujourd’hui : des dispositifs présentés comme « intelligents » ou simplement « autonomes » cachent une foule d’humains indispensables à leur bon fonctionnement, chargés de leur fournir de l’énergie, des données, de labelliser ces données (« travailleurs du clic »), de faire la maintenance et les mises à jour de leurs logiciels, etc.

C’est dans les années cinquante du vingtième siècle, à la faveur de l’invention de l’ordinateur, que la fabrication de machines intelligentes devient un projet scientifique sérieux. Impressionnés par leurs premières réalisations, les chercheurs pensent être sur le point d’y arriver, ce qui est relayé à grand bruit par la presse. Le temps passe sans qu’ils ne réussissent, mais sans non plus affaiblir leur optimisme : cela fait maintenant plus de soixante-dix ans que les machines intelligentes sont annoncées pour demain.

L’IA est donc une idée aussi ancienne que notre civilisation, liée à un rêve (ou un cauchemar) de fin du travail, qui amène à présenter comme autonome des machines n’existant que grâce au travail des humains, ainsi que comme intelligents des algorithmes dont le principe est pourtant d’évacuer la pensée de l’opération, et dont le succès est systématiquement reconduit au lendemain.

De l’IA à l’IA générative

Ces remarques critiques ne doivent pas faire perdre de vue les réalisations concrètes considérables auxquelles aboutissent les chercheurs. Dès 1957, Frank Rosenblatt fabrique le Perceptron, un réseau de neurones capable de reconnaître les lettres de l’alphabet. À l’époque, deux écoles rivalisent d’ingéniosité : les connexionnistes imitent le fonctionnement du cerveau par des machines dites apprenantes, tandis que l’école symbolique préfère reproduire l’enchaînement logique des raisonnements.

En 1969, la publication d’un livre de critiques du Perceptron sonne le glas de l’approche connexionniste et marque le triomphe (temporaire) de l’école symbolique. Les réseaux de neurones apparaissent comme une fausse piste jusqu’en 1986, lorsque les travaux de quelques chercheurs isolés (dont Geoffrey Hinton) trouvent les moyens de dépasser les limites identifiées en 1969.

Il faut attendre les années 2010 pour qu’à la faveur de l’amélioration des algorithmes (invention du deep learning), de la mise à disposition d’immenses bases de données à même de les entraîner (l’époque des big data) et de l’augmentation de la puissance de calcul disponible (grâce aux progrès des cartes graphiques destinées aux jeux vidéo), la supériorité de leur approche éclate au grand jour.

Très rapidement, le deep learning s’impose dans de nombreux domaines : reconnaissance d’image, du son, reconnaissance faciale, mise au point de voitures autonomes, jeu de go… Utilisé au départ comme outil de détection des formes, il devient, grâce à l’invention par Ian Goodfellow des GANs (Generative Adversarial Networks, 2014) capable de produire des formes nouvelles – l’IA devient « générative ».

En 2017, l’invention des « transformers » étend, par d’autres voies, ces capacités au langage. Les « générateurs » de textes grossissent de manière vertigineuse et apportent des « réponses » de plus en plus pertinentes, au point qu’en novembre 2022, la publication de ChatGPT sidère le grand public.

Comprendre l’IA générative : l’« espace latent »

L’entraînement des algorithmes d’IA peut être comparé à un « classement » des exemples fournis en fonction de caractéristiques différenciantes décelées automatiquement (taille, couleur…). Tout se passe comme si l’algorithme « rangeait » les exemples dans un espace à plusieurs dimensions, chaque dimension correspondant à une de ces caractéristique différenciante – c’est l’espace latent.

Après l’entraînement, les objets similaires sont regroupés dans des « régions » de cet espace. Chaque notion « apprise » par l’algorithme (par exemple, la notion de chat ou de chien) est une région de l’espace latent, autrement dit une région de l’espace multidimensionnel des caractéristiques différenciantes.

Lorsqu’un nouvel objet est présenté, l’algorithme le « situe » dans l’espace latent en fonction des caractéristiques décelées : est-il dans la « région » des chats, ou des chiens ? Inversement, si on lui indique des coordonnées de la région (par exemple, dans la région des chats), il produit une image avec les caractéristiques correspondantes (une image de chat). Il est possible de combiner les caractéristiques des chats et des chiens pour obtenir une image de « chat-chien », ou encore de moduler ces caractéristiques à l’envi : ajouter des lunettes, changer la posture, l’éclairage, mais aussi appliquer le style d’un peintre ou d’une marque, pour peu que ces caractéristiques aient été « apprises » au cours de l’entraînement, c’est-à-dire qu’il y en ait des exemples (des images de la marque ou du peintre concernés) dans la base de données.

La même chose s’applique au langage (les mots et les expressions sont « rangés » dans un espace multidimensionnel qui encode leurs relations de distance ou de proximité et permet de produire de nouvelles expressions, ainsi que de moduler les existantes), mais aussi au son, à la 3D, aux cartes de chaleur, avec des outils permettant de passer d’un mode à l’autre – ils deviennent multimodaux.

Ainsi, on peut décrire l’IA générative comme l’encodage d’une collection d’exemples dans un espace multidimensionnel qui permet de produire des esquisses de formes (textes, images, sons…), de les moduler en changeant leurs caractéristiques globales (éclairage, style) ou locales, en transférant les caractéristiques d’une forme à une autre, ou encore en les « étirant » (compléter un texte, outpainting…).

L’IA générative est-elle créative ?

Dans la mesure où les algorithmes produisent des formes qui n’existaient pas auparavant, peut-on dire qu’il y a création ? GPT-4 obtient de bon scores sur les tests de créativité standard (trouver une expression linguistique associant des mots très hétéroclites, lister les mots les plus différents possibles…), mais, dans la mesure où l’algorithme a encodé les relations de proximité et de distance entre les expressions linguistiques, cela revient à soumettre une énigme à quelqu’un qui connaît déjà la réponse, autrement à dit à tester la mémoire et non la créativité.

La distinction entre jeu fermé (ludus) et jeu ouvert (paidia), apportée par Roger Caillois, permet de mieux cerner le périmètre de ce que peuvent faire les algorithmes. S’ils font mieux que les humains lorsqu’il s’agit de jeux dont les règles sont claires et définies (conduire, jouer aux échecs ou au go…), ils sont à la peine lorsque les règles changent ou lorsqu’une situation exceptionnelle impose d’en inventer de nouvelles. En mars 2020, nos mutations soudaines de comportements (confinement, achats compulsifs) ont dérouté les algorithmes de recommandation et avec eux ceux de prévision des ventes, puis de prévision des stocks. La multiplication actuelle des crises (pandémie, guerre, réchauffement et catastrophes climatiques…) nous invite donc à préserver le rôle des opérateurs humains (surveillance, maintenance, mises à jour…) plutôt que de souscrire au rêve de machines « autonomes » qui nous mettrait en péril.

Pour reprendre une distinction de Gaston Bachelard (au sujet de l’invention scientifique), les algorithmes sont capables d’invention incrémentale mais pas d’invention révolutionnaire, car l’invention révolutionnaire ne consiste pas à « faire » quelque chose mais, à partir du constat qu’une règle ne fonctionne plus, à être capable de la suspendre, c’est à dire à « ne plus faire » quelque chose. Cet arrêt, ce suspens, ne peut pas faire partie du périmètre d’un programme car il fait tomber dans une récursion infinie : il faudrait définir les règles qui régissent les changements de règles, et donc définir aussi les règles régissant le changement des règles régissant le changement de règles, et ainsi de suite.

Si l’IA générative est limitée à la créativité incrémentale, elle est entre les mains d’humains dotés de leur pleine créativité. Elle fournit une occasion d’inventions révolutionnaires, qui viendront des usagers. En 1878, lorsqu’Edison liste les applications qui pourraient faire le succès du phonographe (enregistrer les voix de ses proches, laisser des messages…), il lui est difficile d’imaginer la place que pourrait prendre la musique : il réfléchit à partir des problèmes de son temps, depuis une société où la musique n’a pas l’importance qu’elle pourra prendre plus tard – justement grâce au phonographe. De la même manière, l’importance de l’IA générative ne réside pas dans les tâches actuelles qu’elles nous permettrait de faire plus rapidement, mais dans les nouveaux usages qui vont se développer à la faveur de son existence.

[Publication] La dette divine et la rage des avortons, considérations sur la notion d’apocalypse dans la pensée de Quentin Meillassoux

Résumé:

Dans “Deuil à venir, dieu à venir”, article publié dans Critique en 2006, Quentin Meillassoux se penche sur le problème des “spectres essentiels”, ces morts dont nous n’arrivons pas à faire le deuil et qui nous laissent face à un dilemme : soit le désespoir, si Dieu n’existe pas, soit la colère, s’il existe et qu’il a laissé advenir ces morts révoltantes.

Dans la continuité des thèses développées avec Après la finitude, Meillassoux s’appuie sur le concept de contingence pour proposer une troisième possibilité : Dieu n’existe pas encore.

En proposant l’idée de la venue d’un Dieu apportant la justice aux spectres essentiels, Meillassoux réactive sur un plan philosophique la notion d’apocalypse, en tant que révélation à venir de l’absolu. Mais après ? L’apocalypse selon Meillassoux, dans la mesure où elle se fonde sur le concept de contingence, est une révélation et une sotériologie, mais sans eschatologie puisque le temps poursuit son cours.

C’est ce temps de l’après qu’il s’agit de considérer, en examinant les notions mobilisées par l’idée d’apocalypse : Dieu et la contingence, le spectacle de l’exercice de la colère, et le réglement des comptes à la fin des temps.

Lire l’article

[publication] Retrouver le temps : l’erreur et le mal dans le mythe de la singularité technologique

Résumé :

Cet article considère le mythe de la singularité technologique comme le symptôme d’une insomnie de la raison : la production de monstres par l’exercice non critique de la pensée, qui accompagne l’impérialisme économique de la Silicon Valley comme les Lumières ont accompagné le colonialisme et prolonge la foi dans le progrès en un messianisme.

Le mythe produit une apocalypse de la pensée. En accouchant de monstres comme la singularité ou le basilic de Roko, elle se dévoile et manifeste son propre effondrement.

Lire l’article.

[publication] La règle du je : la subjectivité du poète à l’épreuve du code informatique

The study is to proceed on the basis of the conjecture that every aspect of learning or any other feature of intelligence can in principle be so precisely described that a machine can be made to simulate it (Mac Carthy et al. 1955).

Cette hypothèse, formulée par John Mac Carthy en amont de la conférence de Dartmouth, est au fondement du projet d’intelligence artificielle. Parmi les « aspects de l’intelligence » qui pourraient être « simulés », le langage est mis en avant : « An attempt will be made to find how to make machines use language » – dans les premières années du projet d’intelligence artificielle, on confond le langage avec la production de texte. Dans sa célèbre description du jeu de l’imitation, Turing propose de dérober l’ordinateur au regard du jury qui doit lui poser des questions via un « teleprinter » (Turing 1950).

L’hypothèse de Dartmouth a été appliquée au langage et à l’expression écrite, mais peut-on l’admettre pour la littérature ? S’il est possible de décrire précisément comment un texte a été écrit, cela implique-t-il pour autant que l’on puisse simuler le processus d’écriture par une machine ? Peut-on révéler la loi de production d’un texte sans laisser aucun reste ? Plus particulièrement, est-il possible de mettre au jour ce qui fait qu’un texte est nouveau ? L’opération par laquelle nous créons de la nouveauté ne devrait-elle pas être toujours renouvelée, selon une loi, ou une absence de loi, qui ne serait pas descriptible ? Comment en rendre compte alors, s’il s’agit d’un indescriptible ?

Lire la suite sur Cairn

[conference] Introduction à l’intelligence artificielle

Compte-rendu d’une conférence donnée le 5 février 2020 à l’Institut de l’ENS.

Le projet d’intelligence artificielle naît en 1943 avec la publication d’un article du mathématicien Walter Pitts et du neurophysiologiste Warren McCulloch dans lequel ils montrent qu’un ensemble de neurones reliés entre eux est capable de réaliser des opérations logiques. Cette première tentative d’explication mathématique du fonctionnement du cerveau ouvre la voie aux réseaux de neurones, un type de machine censé l’imiter.

Lors de la seconde guerre mondiale, l’effort scientifique et industriel (cryptographie, bombe atomique…) permet la mise au point de l’ordinateur. En 1950, Alan Turing pose la question : les machines peuvent-elles penser ? « Penser » étant difficile à définir, il propose de remplacer la question par un test : si une machine arrive à passer pour un humain lors d’une conversation par écrit, alors il faudrait admettre qu’elle peut penser.

En 1956 le terme intelligence artificielle est inventé par un groupe de jeunes scientifiques réunis à l’université de Dartmouth dans le but de travailler à ce que les « machines utilisent le langage, forment des abstractions et des concepts, résolvent des problèmes aujourd’hui réservés aux humains, et s’améliorent. » C’est aussi l’acte de naissance de l’intelligence artificielle en tant que champ scientifique : les membres du groupe fondent des laboratoires, reçoivent des financements publics et entament des travaux basés sur l’hypothèse commune que « toutes les caractéristiques de l’intelligence peuvent en principe être décrites d’une façon assez précise pour qu’une machine puisse les simuler ».

Le choix du terme « intelligence artificielle » a été fait pour frapper les esprits et emporter l’adhésion des financeurs et du public. Par la suite, les chercheurs multiplient les promesses audacieuses et persuadent la presse et le grand public que les machines intelligentes sont pour demain. L’enthousiasme qui en découle leur permet de récolter une manne d’attention et de financements, mais finit par se retourner contre eux. En 1970, lorsqu’est tiré le bilan des vingts premières années de recherche, on constate de très belles inventions dans de nombreux domaines (premiers programmes en résolution de problèmes, reconnaissance de forme, jeux d’échecs, assistants de preuve mathématique, chatbots…), mais aucune trace de machine intelligente. Cela provoque un premier hiver de l’IA pendant lequel l’enthousiasme retombe et les financements sont coupés.

Dans les années 80, l’enthousiasme reprend grâce aux systèmes experts. On interroge les experts de manière à formuler leur pratique dans des règles qui sont implémentées sur du hardware dédié. Les systèmes experts connaissent un succès commercial et permettent à certaines entreprises de réaliser des économies substantielles. Mais ils coûtent très cher, n’arrivent pas à gérer les exceptions et peuvent devenir d’une complexité qui les rend inutilisables. Dès la fin des années 80, l’intelligence artificielle entre dans un nouvel hiver. Le grand public et les financeurs lui préfèrent l’ordinateur personnel, puis Internet, les réseaux sociaux et les smartphones.

Aujourd’hui, nous traversons un troisième printemps de l’intelligence artificielle dû à l’invention du deep learning, lointain descendant des réseaux de neurones de McCulloch et Pitts. Suite au premier hiver de l’IA, la recherche sur les réseaux de neurones n’intéresse plus qu’une minorité de chercheurs. Dans les années 80, ceux-ci inventent une méthode qui permet au réseaux de neurones de se calibrer par essai-erreur sur une base de données d’exemples.

Un réseau de neurones est un extracteur de caractéristiques : les premières couches reconnaissent des formes élémentaires (lignes, angles…), ce qui permet aux couches suivantes de reconnaître des formes plus élaborées (nez, oreille…) qui seront ensuite utilisées par les couches suivantes pour rendre une décision (« c’est un chat »). Le programme fonctionne comme un arbre de décision capable de reconnaître la présence d’une forme donnée, à la différence que les critères de l’arbre n’ont pas été définis par le programmeur mais se sont constitués par essai-erreur.

Des bases de données assez importantes pour entraîner les réseaux de neurones sont constituées à la main dans les années 2000. Dans les années 2010, un jeune chercheur a l’idée d’utiliser des processeurs destinés aux jeux vidéos pour que cet entraînement ait lieu en un temps raisonnable. En 2012, lors d’une compétition de vision artificielle, une équipe utilisant le deep learning l’emporte haut la main. De très nombreux succès s’ensuivent dans différents domaines (signal sonore, optimisation, voiture autonome, jeu de Go…), forçant la communauté informatique à admettre la supériorité du deep learning dans de nombreux domaines.

Le deep learning présente plusieurs inconvénients. D’une part, on ne peut l’utiliser qu’à condition de renoncer à l’explicabilité des résultats : on ne connaît pas le détail des critères mobilisés, ceux-ci ayant été inférés des exemples de la base de données et encodés dans un réseau complexe de paramètres interdépendants. D’autre part, les programmes sont fragiles : certains outils permettent d’induire les systèmes de reconnaissance en erreur en ne modifiant que quelques pixels bien choisis.

Si le deep learning est aujourd’hui le fer de lance de l’intelligence artificielle, il n’est qu’une des nombreuses techniques de machine learning (l’ensemble des programmes qui se calibrent par apprentissage sur des données), le machine learning n’étant lui-même qu’un des sous-domaines de l’intelligence artificielle : il y a également les systèmes experts, les bases de connaissances, la robotique…

Aujourd’hui, il est difficile de tracer une ligne claire délimitant l’intelligence artificielle et le reste de l’informatique. Si certains programmes sont qualifiés d’ « intelligence artificielle », c’est uniquement parce que les scientifiques pensent qu’il représentent une bonne direction de recherche pour fabriquer, à terme, une machine intelligente. A cause de cette ambiguité de fond, des logiciels de types différents ont reçu puis perdu le qualificatif d’IA, au gré des époques et du consensus des chercheurs.

L’invention du deep learning a permis la mise aux points d’outils de reconnaissance faciale qui n’auraient pas été envisageables auparavant. Si on en trouve de nombreux cas d’usage en Chine (paiement par le sourire, accès aux bureaux, verbalisation automatique…), leurs fragilités et leur caractère intrusif ont amené de nombreuses villes (San Francisco, Oakland, San Diego…) à les bannir.

L’intelligence artificielle a trouvé de nouvelles applications dans le recrutement, avec des logiciels (Hirevue) de préselection des candidats qui analysent le langage corporel, la richesse du vocabulaire, les mouvements oculaires, le délai de réponse, et le niveau de stress de la voix. Ce type d’outils est controversé car il entraîne une standardisation excessive des candidatures, mais aussi car le champ de la « détection des émotions » fait l’objet de controverses du fait des bases scientifiques trop fragiles.

Les réseaux antagonistes génératifs (ou GANs) mettent deux réseaux de neurones en compétition. Un discriminateur est entraîné à partir d’une base de données à reconnaître un type d’images (par exemple les visages humains), puis un générateur lui soumet des images produites au hasard. Le générateur adapte les images produites à partir des réponses du discriminateur. Par essai-erreur, il en arrive à produire des images validées par le discriminateur. Autrement dit, en se calibrant à partir du discrimintateur qui distingue le vrai du faux, le générateur fabrique de fausses images qui passent pour vraies. Les GANs sont utilisés pour créer des visages de personnes inexistantes (Icons8), pour proposer des scénarios de consommation, ou encore de nouveaux médicaments.

En 2016, Google propose le premier outil de traduction basé sur du deep learning. L’amélioration est telle que le New York Times titre « The Great A.I. Awakening ». Cependant, si les systèmes traduisent correctement la majorité des expressions, il existe une longue traîne de cas qui lui échappent. De la même façon, il a fallu revoir l’ambition initiale des chatbots à mener une conversation. Ils peuvent apporter des réponses aux questions prédéfinies mais leurs performances s’effondrent dès qu’il faut s’écarter des cas prévus. Il est possible que cela évolue grâce à de nouvelles approches (les « transformers ») qui bouleversent actuellement le domaine du traitement du langage naturel.

Les algorithmes de machine learning ont le défaut de reproduire les biais de la base de données sur laquelle ils se calibrent. Chez Amazon, un outil de classement des CV a été abandonné car il discriminait les femmes. L’algorithme était censé ignorer le genre mais l’inférait à partir d’autres signaux puis produisait une recommandation conforme à l’historique misogyne du recrutement. Si certains biais peuvent être corrigés en améliorant la représentativité de la base de donnée, cela devient délicat quand il s’agit d’une discrimination ancrée dans nos pratiques et notre histoire. Ainsi, les archives de textes servant à entraîner les algorithmes de traitement du langage encodent si bien ces discriminations que « he is a nurse » et « she is a doctor », une fois traduit vers une langue où les termes sont neutres, deviennent une fois retraduits vers l’anglais, « she is a nurse » et « he is a doctor ». Les bonnes manières de concevoir les bases de données et les algorithmes de manière à ce qu’il ne servent pas à perpétuer et à renforcer les inégalités existantes en les faisant passer à l’échelle est encore un champ de recherche ouvert, si bien que certains cas d’usage sont à éviter.

Ces dernières années, de nombreuses études ont annoncé une destruction massive d’emplois du fait de l’IA, avec des chiffres très variés : 47% des emplois sont menacés pour Frey & Osborne (2013), et ‘seulement’ 9 % pour l’OCDE (2016). Ces chiffres sont difficiles à établir dans la mesure où nous ne savons pas, en amont, quelles tâches seront faciles à automatiser. C’est un paradoxe connu que les tâches apparemment faciles ont été difficiles à automatiser (ouvrir une porte) et inversement (jouer aux échecs). D’autre part, automatiser une majorité de tâches d’un métier ne signifie pas que celui-ci va disparaître : il faudra bien que quelqu’un réalise les tâches restantes, qui peuvent être cruciales. S’il est difficile de chiffrer la disparition des emplois, il est certains que les emplois restants seront profondément transformés par les nouveaux outils (étude du Conseil de l’orientation pour l’emploi, 2017).

Le récit de l’automatisation et du remplacement ne permet donc pas de saisir les enjeux en cours, qui se trouvent plutôt du côté de la conception de la collaboration homme-machine. Les tentatives d’automatisation complète (centres de stockage Amazon) montrent que lorsque les humains sont les « bouche trous » d’une automatisation incomplète, leur conditions de travail sont si mauvaises que cela coûte probablement plus cher à long terme (fort turnover, lésions dues aux gestes répétitifs, accidents du travail, mauvaise réputation…) que les gains attendus de l’automatisation. Il vaut mieux prendre acte dès le départ du fait qu’il y aura toujours un « humain dans la boucle » (human in the loop) et designer le travail en conséquence plutôt que de chercher à s’en débarrasser. Ainsi, les développeurs de voitures autonomes promettent la fin de la conduite depuis dix ans mais sont contraints de garder un conducteur dans la mesure où les systèmes ne peuvent gérer tous les cas. Pendant ce temps, certaines startups plus discrètes (Mobileye) conçoivent des outils au service du conducteur (détection de piéton, de ligne blanche, régulateur de vitesse…) avec un impact bien plus fort puisqu’ils sont déjà en cours de déploiement sur le parc automobile.

Le récit de l’automatisation complète oblitère les problèmes de collaboration homme-machine autour de la répartition des tâches et de la reprise en main des systèmes défaillants. L’enjeu n’est pas tant celui du remplacement de l’humain par la machine, que le fait qu’on observe une démission de l’humain en présence de la machine. Des études sur les pilotes d’avions et de nombreux cas de crashes montrent notre tendance à surestimer la fiabilité des machines (« biais d’automatisation ») et à suivre leurs recommandations, à se fier à leur fonctionnement sans remise en cause. Les programmeurs et designers pensent fabriquer des outils de recommandation, alors qu’une fois déployés ils ont plutôt un rôle de prescription. Pour l’opérateur, il semble moins risqué de s’en remettre aux outils (qui intègrent des savoirs experts) que de s’en remettre à son propre jugement – en oubliant que l’outil résulte de décisions humaines aussi faillibles que les siennes.

Plus généralement, la délégation de tâches à des algorithmes risque d’aggraver la dissolution de responsabilité individuelle déjà entamée par le fonctionnement procédural des grandes organisations et de favoriser les décisions aberrantes (affaires Midas au Michigan ou Robodebt en Australie). Il importe de concevoir les nouveaux métiers en n’oubliant pas le rôle de garde-fou que peut et doit jouer l’individu.

_________

Notes

*Algorithme : Description d’une opération en une succession d’étapes suffisamment simples pour que n’importe qui puisse l’effectuer sans avoir à réfléchir (par exemple, une recette de cuisine). A partir du vingtième siècle, le mot désigne une suite d’instructions données à un ordinateur.

*Machine learning : Sous-discipline de l’intelligence artificielle désignant les programmes qui se calibrent par apprentissage sur des données.

*Deep learning : Sous-discipline du machine learning désignant des réseaux de neurones comportant de nombreuses couches et se calibrant automatiquement sur une base de données d’exemples ou par feedback de l’environnement.

*Hiver de l’IA : périodes historiques pendant lesquelles le projet d’intelligence artificielle, à la suite de promesses excessive, peine à trouver de la crédibilité auprès du public et des financeurs.

*Loi de Moore : Il ne s’agit pas d’une « loi » à proprement parler mais d’une observation empirique, faite par Moore en 1965, selon laquelle la densité des transistors double à peu près tous les deux ans, pour un coût constant. En d’autres termes, le matériel électronique est de plus en plus puissant et de moins en moins cher, selon une progression régulière.

N.-B. : Il n’y pas consensus sur la définition de l’intelligence artificielle. La plupart des chercheurs l’évitent et parlent de leur pratique en se référant à un de ses sous-domaines (machine learning, deep learning…). D’autres avancent la définition suivante : L’IA désigne l’invention de programmes informatiques effectuant des tâches pour lesquelles nous avons besoin d’intelligence.

Petit rappel chronologique

1936 Alan Turing propose la notion fondatrice pour l’informatique de machine universelle.

1943 McCulloch et Pitts démontrent qu’un réseau de neurones peut réaliser des opérations logiques et fonctionner comme une machine universelle de Turing.

1946 Présentation de l’ENIAC, un des premiers ordinateurs programmables.

1950 Alan Turing introduit l’idée d’un test de l’intelligence appliqué aux machines.

1955 John McCarthy invite un groupe de scientifique à réfléchir sur la capacité des machines à reproduire l’intelligence et invente le terme d’intelligence artificielle.

1957 Frank Rosenblatt fabrique le premier réseau de neurone informatique, baptisé Perceptron et capable de reconnaître des formes.

1957-1970 L’intelligence artificielle prend le statut de discipline scientifique : se créent des laboratoires (MIT, Stanford…) qui reçoivent des financements des gouvernements et en particulier de l’armée. Cela permet de nombreuses inventions (programme de jeu d’échecs, chatbot, démonstration mathématique) qui sont abondamment relayées par la presse. Les chercheurs promettent la construction de machines intelligentes en quelques années.

1969-1970 Plusieurs publications critiquent l’enthousiasme public, les promesses excessives des chercheurs et mettent en avant les limites théoriques des machines. Cela provoque un premier hiver de l’IA : le grand public se désintéresse de l’IA et les financements sont interrompus.

Années 1980 Retour en grâce du projet d’IA avec les systèmes experts qui reproduisent le comportement d’experts sous la forme de règles d’action. Les premières startups d’intelligence artificielle apparaissent. Des financements privés s’ajoutent aux financements publics. Après quelques années de succès, le coût élevé des programmes et les limites des moteurs de règles entraînent la déception des financeurs et un deuxième hiver de l’IA.

1986 Les réseaux de neurones, discrédités depuis 1969, sont réhabilités grâce aux travaux de Rumelhart, Hinton et Williams qui inventent de nouveaux algorithmes dit de back propagation.

1989 Yann LeCun invente un type de réseau de neurones capable de reconnaissance d’image, les réseaux convolutionnels : ils sont utilisés dès les années 90 par la poste américaine pour la lecture automatique de chèques.

2006 Hinton et al. proposent le terme de deep learning pour désigner les réseaux de neurones qui comportent de nombreuses couches.

2012 Hinton et al. remportent une compétition de vision artificielle et déclenchent une prise de conscience de la communauté informatique qui adopte massivement le deep learning. Différentes familles d’algorithmes de deep learning s’imposent progressivement dans une grande variété de domaines : traitement du son, traduction, traitement du langage naturel, jeu de go… Les géants du numérique créent leurs laboratoires dédiés et intègrent ces technologies à leurs produits.

Her incipit : on cybernetics, love letters, and simulation

In the opening scene of the movie Her, the main character is reading a love letter addressed to a “Chris”.

Actor Joaquin Phoenix playing Theodore in the opening scene of the movie Her by Spike Jonze (2013)

“Chris” was the name of Alan Turing childhood friend (and first love), Christopher Morcom, whose great intelligence and premature death is said to have inspired Turing in his later researches on artificial intelligence.

Alan Turing (left) and Christopher Morcom (right)
Alan Turing (left) and Christopher Morcom (right)

In the movie The Imitation Game, Turing baptises his code breaking machine “Christopher” after him, which is n ot a historical fact (it was called the Bombe) but is a good way to show how Turing was attached to the memory of his teenage love.

In the 50s, Turing worked with another “Chris”, Christopher Strachey, who wrote a program that is considered as one the first text generators and digital work of art. This program had the peculiarity – like Theodore in Spike Jonze film – of writing love letters.  As a prank, Strachey and Turing would print the love messages and pin them around the lab (you can try the program here).

A love letter generated by Strachey’s program

Both Strachey and Turing being gay, we can interpret the fact that Theodore addresses the letter to “Chris” (instead of “Christopher”) as a trick to create an ambiguity on the gender of the recipient. Ambiguity that is also cast upon the sender when the moustached Theodore writes that he feels “like the little girl I was when you first turned on the light”.

her
Theodore’s computer screen during the opening scene of the movie Her (2013)

At that moment we see Theodore’s screen and understand that he is dictating the letter and playing the role of “Loretta”. He is a man playing the role of a woman, like in the original imitation game from the Victorian Era, which inspired Turing when conceiving his famous test.

In this test, both a computer and a man pretend to be a woman – answering questions via telex to a board of examiners. The examiners aren’t assessing if the computer can simulate a human, but if it can simulate a man simulating a woman.

Much has already been said on what Turing meant by intelligence, gender (being a woman is per se a simulation?) and so on. In the movie Her, the point is more to what extent is every relationship (partly or fully) a simulation?

Along the movie, the characters repeatedly pretend to be someone else to meet others (real or imagined) expectactions : they pretend to commit, to cheer up, to take pleasure… “I think you always wanted me to be this happy, bouncy, everything’s fine L.A. wife and that’s just not me” Says Theodore’s future ex-wife in a central scene of the movie (right in the middle) – when they meet to sign the divorce papers.

At the end of his blind date with Olivia Wilde, she asks him to pretend that he won’t leave her in the morning like the other guys. Simulation is what seems to be necessary to start and maintain a relationship, but it is also what breaks it – when the characters get fed up of pretending, of making an effort for the other.

This relation to simulation is epitomized by the fake love letters that Theodore writes as a daily job. These letters seem to be part of the cement that glue lifelong relationships. Theodore’s client seem to know him very well – and therefore to know that the letters they address to each other are simulations, written by a californian hipster.

At regular intervals, the movie shows Theodore composing these letters, until the crucial moment where they are returned to him in the shape of a book compiled by Samantha (as a tribute to his talent). After this long series of fake love letters, the concomitant events of receiving the book and being abandoned by Samantha lead him to write his first sincere love letter – to his former wife Catharine – in a scene symmetrical with the opening one that ends the movie.

His love story with Samantha (the best “simulating” partner, able to  bend to his desires) and his daily job as a writer of fake love letters lead him through an initiation about illusion which culminates in the illumination of the final scene – in what I would call a cheesy understanding of zen buddhism.

Zen buddhism is figured in the movie by the character of Alan Watts – a real Californian philosopher who died in 1973 but that the OSes  resurrect just before they reach what seem to be a form of singularity.

Alan Watts
Alan Watts

Alan Watts was fascinated by a lecture of D.T.  Suzuki – a japanese popularizer of zen buddhims – and became a popularizer of the writings of the popularizer. One could say that Spike Jonze, by popularizing Alan Watts’ view on zen, is popularizing the popularizer of the popularizer… Admiration didn’t go in both directions : D.T. Suzuki is said to have criticized Watts understanding of his writing, and maybe Alan Watts would have criticized Jonze’s own understanding.

suzuki

To read more about love letters and cybernetics see :

Love Machine and the Tinder Bot Bildungsroman

A Queer History of Computing

 

Computer program “AlphaGo” defeats a human professional player at the game of Go

Google DeepMind announced yesterday that the program “AlphaGo” managed to defeat the European Champion at the game of Go.

Demis Hassabis, the Google engineer who makes the announce starts by saying that “games are a kind of microcosmos of the outside world”, which tends to make us believe that only computational progress would be needed to go from mastering the microcosmos to mastering the outside world – there would be no qualitative difference, only a difference of scale.

He follows on saying that “another way of viewing the complexity of Go is the number of possible configurations of the board is more than the number of atoms in the universe”.

Indeed, the problem seems linked with the number of atoms in the universe. With a game of Go, we take only the board into account, and we leave aside what happens around. With a “game of the outside world”, we would need to take everything into account.

That make us wonder (as Kurzweil does): what if we could take the universe as a game of Go, what if we had the computing power to take into account all the atoms of the universe and assess all their resulting combinations?

Quentin Meillassoux, in his conference Temps et surgissement ex nihilo (in French) discusses the possibility of calculating probabilities at the scale of the universe.

Comparing the set of possible universes a suite of transfinite numbers (according to the definition of Cantor), he infers that the set of possible universes is not a countable totality – which makes impossible any calculation of probability on it:

“Or nous savons, nous qui venons après la révolution cantorienne de l’ensemblisme, que rien ne nous permet d’affirmer de la sorte que le concevable est nécessairement totalisable. L’événement Cantor est la détotalisation du nombre, détotalisation dont l’autre nom est transfini.

Qu’est-ce que le transfini? La pluralisation incloturable des quantités infinies. L’ensemble B des parties d’un ensemble A est toujours plus grand que A. A fut-il infini.

[…]

La force du théorème cantorien c’est d’avoir généralisé ce débordement d’un nombre d’éléments par le nombre de ses regroupements. Chaque fois que vous avez un ensemble, comptez ses parties, vous obtenez, et vous êtes assurés de l’existence d’un ensemble qui aura plus d’éléments que ce premier ensemble, parce qu’il sera composé des parties, des regroupements possibles du premier ensemble. On peut donc construire une suite illimitée, non pas simplement d’ensembles finis, mais d’ensembles infinis, car la théorie des ensembles pose l’existence d’un premier infini, et à partir de ce premier infini, et à l’aide notamment du théorème de Cantor, nous pouvons construire une succession de nombres de cardinaux transfinis, car cette succession d’infinis plus grand les uns que les autres on les appelle les nombres cardinaux transfinis, ou suite des alephs. Et cette successsion n’admet aucun achèvement, aucun bouclage, il n’y a pas d’ensemble ultime, il n’y a pas d’ensemble de tous les ensembles, c’est à dire que c’est une succession d’infinités, plus grande les unes que les autres, qui n’admet pas de recollection ultime. Il n’y a pas d’ensemble tout.

Ce qui est énoncé comme impensable c’est l’ensemble du concevable. Si on admet que le concevable est ce qui est logiquement et mathématiquement concevable et non pas donné dans l’expérience, eh bien le concevable n’est pas totalisable. Et l’inférence probabiliste n’est pas légitime.”

More about DeepMind breakthrough here

Listen to the conference “Temps et surgissement ex nihilo” here

 

The Policeman’s Beard Is Half Constructed

The Policeman’s Beard Is Half Constructed is a novel wrote in 1983 by Racter, a computer program made by William Chamberlain and Thomas Etter.

“Wrote” might be an exaggerated word as the text wasn’t generated but computed using templating.

MobyGames reviewed its code:

“Racter strings together words according to “syntax directives”, and the illusion of coherence is increased by repeated re-use of text variables. This gives the appearance that Racter can actually have a conversation with the user that makes some sense, unlike Eliza, which just spits back what you type at it. Of course, such a program has not been written to perfection yet, but Racter comes somewhat close.

Since some of the syntactical mistakes that Racter tends to make cannot be avoided, the decision was made to market the game in a humorous vein, which the marketing department at Mindscape dubbed “tongue-in-chip software” and “artificial insanity”. Not a true “AI” by any stretch of the word, but a unique program that is well worth a look as an indication of where the field of artificial intelligence was heading in 1984.

According to the Racter FAQ, co-designer William Chamberlain even released a book called “The Policeman’s Beard is Half Constructed” (Warner Books, NY. 0-446-38051-2, paper $9.95) before the release of the program, the authorship of which he attributed solely to Racter.”

You can read the novel on Ubu or talk to Racter.

A conversation with Racter
A conversation with Racter

The Gentle Seduction

The Gentle Seduction by Marc Stiegler is a novelist take on singularity.  Headbands, nanobots, rejuvenation, immortality and all the ingredients of the myth created by Vernor Vinge are introduced step by step in the life of the main character.

Each technological breakthrough brings up question and worries, until she tries it herself (“And then, it just didn’t seem to matter) and is “gently seduced”.

You can read the whole novel here.

Book cover
Book cover

 

Comment avoir une idée: Le dingue et l’événement

Extrait de la conférence de Quentin Meillassoux – La décision et l’indécidable dans l’Etre et l’événement I et II,  24 novembre 2006,  ENS

La description en particulier des méthodes de travail de Mack Sennett, pionnier on le sait du burlesque américain, en passe très précisément par l’ensemble des catégories badiousiennes de la vérité […]

Le site [événementiel] on va l’identifier à ces réunions de travail de gagmen en vue de décider généralement dans l’improvisation la plus totale les trames de films à tourner pour le lendemain, voir pour le jour même. Comment se passaient ces réunions et comment donnaient-elles lieu à des idées nouvelles? Je cite Agee [Agee, James, “Comedy’s Greatest Era,” in Life (New York), 5 September 1949] :

“Sennett payait un dingue pour participer à ces conférences de gag, un dingue dont le seul travail consistait à cogiter des dingueries. D’habitude c’était un demeuré, presque incapable de s’exprimer pour communiquer ses idées. Mais il possédait une imagination dénuée de toute inhibition, il restait parfois sans rien dire, pendant une heure, puis il marmonnait: “Faut prendre”. Les autres participants, des êtres relativement rationnels, la bouclaient alors, et attendaient la suite. “Faut prendre ce nuage”, articulait-il en dessinant des formes vagues devant lui. Souvent, il n’allait pas plus loin. Mais grâce à quelques processus télépathiques, des hommes moins cinglés que le dingue de service, se penchaient sur cette idée de nuage et en tiraient quelque chose.”

Ce dingue semble avoir fonctionné comme le subconscient du groupe, la source de toute son énergie créatrice. Ce qui est fascinant dans cette description c’est qu’elle nous donne à voir un art en train de naître à lui-même, le cinéma, en tant que sa vérité est partie liée avec les temps modernes, jusqu’au film éponyme de Chaplin, et certainement né à lui-même quand il s’est séparé du théatre, s’est voulu l’art même de l’industrialisation effrénée du XXè siècle, art de la vitesse, de la poursuite, de la catastrophe, dont Agee nous montre qu’il a eu pour condition non seulement le travail collectif, essentiellement collectif, de gagmen talentueux. Mais au sein de ce site événementiel, qu’il avait aussi pour condition la présence au milieu d’eux d’une sorte de point de fuite indéterminé, le bafouillement d’un dingue dessinant un semblant de nuage informe face à une assistance médusée se demandant s’il y avait là quelque chose de génial – à quoi il fallait à toute force être fidèle – ou un simple borborygme, bafouillé par un imbécile, et illustré par un gribouillage incertain. Ce sont là évidemment toutes les caractéristiques de l’évènement indécidable. Et il n’est pas jusqu’à l’anonymat de l’événement, son caractère sans nom, impossible à inscrire dans les classifications du savoir, qui n’ait été vérifié par Sennett. Puisqu’Agee écrit du dingue en question, notre dingue événementiel,

“ses idées étaient si saugrenues et informes que Sennett ne se rappelle plus aucun de ses collaborateurs, ni même ce que devenaient leurs trouvailles après leur élaboration rationnelle”.

Superbe exemple d’autoabolition de l’événement, une fois sa fulgurance produite, qui à l’exemple du poème mallarméen A la nuit accablante nous place dans l’incertitude quant à savoir si l’événement à seulement eu lieu. Si le dingue avait un nom, avait dit quelque chose, avait seulement existé. Alors à quoi pouvait ressembler les idées produites par les fidélités de gagmen semi-profesionnels au dessin informe d’un tel anonyme imbécile et splendide? A une vérité bien sûr, mais qu’est-ce qu’une vérité – pour Badiou? Un multiple générique. C’est à dire un multiple qui a pour caractéristique d’être fait d’un peu de tout, et cela selon des connexions aberrantes pour les savoirs constitués.

Work and Automation: A Day in The Life of A Kiva Robot

Amazon warehouses are automated to a large extent, thanks to a little robot named Kiva.

Interestingly enough, running the warehouses still requires human workers . Their work conditions have been known as strenuous and have been subject to much controversy and stories. Which may be the reason why Amazon is trying to automate even more of the process.

Project Cyborg

“Probably the most famous piece of research undertaken by Warwick (and the origin of the nickname, “Captain Cyborg”, given to him by The Register) is the set of experiments known as Project Cyborg, in which he had an array implanted into his arm, with the aim of “becoming a cyborg“.

The first stage of this research, which began on 24 August 1998, involved a simple RFID transmitter being implanted beneath Warwick’s skin, which was used to control doors, lights, heaters, and other computer-controlled devices based on his proximity. The main purpose of this experiment was said to be to test the limits of what the body would accept, and how easy it would be to receive a meaningful signal from the chip.

The second stage involved a more complex neural interface which was designed and built especially for the experiment by Dr. Mark Gasson and his team at the University of Reading. This device consisted of a BrainGate electrode array, connected to an external “gauntlet” that housed supporting electronics. It was implanted on 14 March 2002, in the Radcliffe Infirmary and was interfaced directly into Warwick’s nervous system. The electrode array inserted contained 100 electrodes, of which 25 could be accessed at any one time, whereas the median nerve which it monitored carries many times that number of signals. The experiment proved successful, and the signal produced was detailed enough that a robot arm developed by Warwick’s colleague, Dr Peter Kyberd, was able to mimic the actions of Warwick’s own arm.

By means of the implant, Warwick’s nervous system was connected onto the internet in Columbia University, New York. From there he was able to control the robot arm in the University of Reading and to obtain feedback from sensors in the finger tips. He also successfully connected ultrasonic sensors on a baseball cap and experienced a form of extra sensory input.

A highly publicised extension to the experiment, in which a simpler array was implanted into the arm of Warwick’s wife—with the ultimate aim of one day creating a form of telepathy or empathy using the Internet to communicate the signal from afar—was also successful in-so-far as it resulted in the first direct and purely electronic communication between the nervous systems of two humans.[46] Finally, the effect of the implant on Warwick’s hand function was measured using the University of Southampton Hand Assessment Procedure (SHAP).[47] It was feared that directly interfacing with the nervous system might cause some form of damage or interference, but no measurable effect nor rejection was found. Indeed, nerve tissue was seen to grow around the electrode array, enclosing the sensor.”

Quoted from Wikipedia:

Poem: All Watched Over By Machines Of Loving Grace

Poem by Richard Brautigan

 

I like to think (and
the sooner the better!)
of a cybernetic meadow
where mammals and computers
live together in mutually
programming harmony
like pure water
touching clear sky.

I like to think
(right now, please!)
of a cybernetic forest
filled with pines and electronics
where deer stroll peacefully
past computers
as if they were flowers
with spinning blossoms.

I like to think
(it has to be!)
of a cybernetic ecology
where we are free of our labors
and joined back to nature,
returned to our mammal
brothers and sisters,
and all watched over
by machines of loving grace.

Artificial intelligence and intuition

Rechercher dans OpenEdition Search

Vous allez être redirigé vers OpenEdition Search