Le paradoxe de Moravec : l’IA bat Kasparov, pas un enfant

|  Laissez vos commentaires

Paradoxe Moravec

Si vous suivez l’actualité de l’intelligence artificielle, de près ou de loin, vous avez forcément croisé ce genre de scènes : un robot humanoïde dernier cri, fruit de millions de dollars de R&D, qui tente de ramasser un objet tombé par terre. Il chancelle, recalcule, recommence et échoue de nouveau.
 
Ce que n’importe quel enfant règle en une demi-seconde lui prend plusieurs tentatives et une gigantesque puissance de calcul (et quelques rires dans la salle).
 
Pendant ce temps, ce même type de système est capable de battre les meilleurs joueurs humains aux échecs, de passer le barreau ou de diagnostiquer certaines pathologies avec une précision supérieure à celle d’un médecin expérimenté.
 
Comment est-ce possible ? Ce décalage vertigineux a un nom : le paradoxe de Moravec. Et il dit des choses très importantes sur ce qu’on appelle vraiment l’intelligence, et sur ce qui se passe quand on apprend (spoiler alert, ce paradoxe est différent du paradoxe de Polanyi que l’on a évoqué précédemment).
 

Paradoxe de Moravec : une idée contre-intuitive sur l’IA

 
Dans les années 1980, Hans Moravec, chercheur en robotique et en intelligence artificielle, a formulé une observation qui va à rebours de l’intuition commune : les tâches que nous considérons comme difficiles sont relativement simples à enseigner à une machine, et inversement.
 
Raisonner de manière logique, jouer aux échecs, mémoriser des volumes massifs d’informations, faire des calculs complexes : tout ça, une machine le fait très bien, souvent mieux que nous (ou en tout cas plus rapidement). En revanche, percevoir un environnement en mouvement, maintenir son équilibre, attraper un objet en déplacement, reconnaître une émotion sur un visage ou naviguer dans une rue bondée en évitant les scooters : là, les machines rament encore énormément.
 
Pourquoi ce paradoxe ? Parce que nous faisons une erreur de perspective fondamentale. Nous jugeons la « difficulté » d’une tâche à l’effort conscient qu’elle nous demande. Les échecs, ça paraît dur parce que ça demande de la réflexion. Attraper un verre, ça paraît facile parce qu’on le fait sans y penser.
 
Mais la facilité apparente d’une tâche pour un humain masque souvent une complexité technique colossale. Quand vous tendez la main pour attraper une tasse de café, votre cerveau et votre système nerveux coordonnent en temps réel des milliers de paramètres : la distance, la trajectoire, le poids estimé de la tasse, la résistance probable de votre poignet, les micro-ajustements de vos doigts, etc. Tout ça en quelques dizaines de millisecondes, sans que vous n’en ayez conscience.
 
Ce n’est pas un hasard : des millions d’années d’évolution nous ont rendus experts de notre propre corps. Les machines, elles, partent de zéro.
 

L’intelligence incarnée, cette grande oubliée

 
Ce que le paradoxe de Moravec pointe du doigt, c’est ce que les sciences cognitives appellent la cognition incarnée : l’idée que l’intelligence n’est pas uniquement dans la tête, mais dans le corps tout entier, en interaction avec l’environnement.
 
Quand un plombier expérimenté évalue d’un coup d’œil la qualité d’une soudure, quand une sage-femme pose sa main sur un ventre et détecte quelque chose qu’aucun algorithme ne lui a appris, quand un menuisier entend au son de son outil que le bois va mal réagir : ce sont des formes d’intelligence que le corps a intégrées au fil du temps. Et elles résistent, bien plus que le raisonnement abstrait, à toute tentative d’automatisation.
 
Vous aurez remarqué que ça rejoint le paradoxe de Polanyi. Polanyi s’intéressait à la verbalisation : nous savons plus que nous ne pouvons en dire. Moravec l’aborde sous un angle différent, celui de la complexité de calcul : certaines de nos compétences sont si profondément ancrées dans notre corps et dans notre expérience du monde physique qu’elles sont structurellement difficiles à reproduire pour une machine.
 
Ce n’est pas qu’on n’arrive pas à les expliquer (ce qui est expliqué par Polanyi), c’est que leur complexité réelle est d’un ordre de grandeur supérieur à ce qu’on imagine.
 
Ce n’est pas une vue de l’esprit. Aujourd’hui encore, les chercheurs en robotique se heurtent à ce mur. Un robot peut déplacer son bras d’un point A à un point B avec une précision remarquable. Mais sentir la résistance de ce qu’il touche, ajuster la pression selon que l’objet est fragile ou solide, lourd ou léger — c’est une toute autre affaire.
 
Yann LeCun, l’une des figures les plus reconnues de l’IA mondiale, l’a dit sans détour : « comprendre le monde physique est beaucoup plus difficile que comprendre le langage. Les roboticiens le savent depuis longtemps. »
 
Ce qui bloque n’est pas un manque de puissance de calcul. C’est que le monde réel, avec sa pesanteur, ses textures, ses imprévus, résiste à la formalisation. On ne peut pas apprendre à un algorithme ce qu’on ne sait pas mesurer.
 

Le paradoxe de Moravec ne minimise pas l’impact de l’IA

 
Soyons clairs : le paradoxe de Moravec ne signifie pas que l’IA ne changera rien à nos métiers, ni qu’on peut ignorer la question.
 
Ce que ce paradoxe dit, c’est que l’IA et les humains sont forts sur des terrains très différents (et que cette asymétrie est plus profonde qu’on ne le croit au premier abord).
 
Les tâches cognitives abstraites, symboliques, répétitives et fondées sur des données massives ? L’IA les gère de mieux en mieux, et souvent mieux que nous. Les tâches qui impliquent le corps, la perception fine du contexte réel, l’adaptation à l’imprévu dans un environnement physique, la lecture d’une situation humaine complexe ? Là, nous conservons une avance structurelle.
 
Ce qui se passe en ce moment, c’est une recomposition. Certaines compétences que nous pensions valorisées se retrouvent sous pression. D’autres, que nous considérions comme allant de soi ou peu « nobles » (naviguer dans un environnement complexe, improviser face à l’imprévu ou encore lire les signaux non-verbaux d’un interlocuteur), retrouvent une valeur qu’on leur avait peut-être trop vite retirée.
 
Et le tableau se complique encore un peu. Certaines compétences ne sont pas franchement dans un camp ou dans l’autre. Rédiger un rapport, structurer une argumentation, synthétiser des sources : l’IA le fait de mieux en mieux, mais un professionnel expérimenté qui connaît son secteur, son interlocuteur, le contexte implicite d’une situation, fait encore autre chose. Pas nécessairement mieux sur la forme, souvent moins vite, mais avec une lecture du réel que la machine ne possède pas.
 
C’est là que Moravec rejoint le quotidien des métiers : la frontière entre ce que l’IA remplace et ce qu’elle ne fait qu’imiter est souvent plus floue qu’un simple tableau de compétences ne le laisse croire.
 

Paradoxe de Moravec : ce que ça change, concrètement

 
Pour un formateur, un ingénieur pédagogique ou un enseignant, le paradoxe de Moravec est autre chose qu’une curiosité intellectuelle. Il pose une question très directe : est-ce qu’on forme vraiment les gens sur ce qui va compter ?
 
On y reviendra en détail dans le prochain article de cette série. Mais pour planter le décor : si les compétences les plus résistantes à l’automatisation sont précisément celles qui s’acquièrent dans le monde réel, par le corps, par l’expérience et par la pratique répétée dans des contextes variés, alors nos dispositifs de formation méritent qu’on se pose quelques questions (et ce problème précède l’IA de plusieurs décennies…).
 
 
 
 
 
 
Illustration générée par Gemini.
 
 
 


 , , , ,

Aymeric Debrun

  • Diplômé de Sciences Po Lyon – Master Coopération internationale et aide au développement

Découvrir un domaine inconnu, une nouvelle idée, une information ignorée. Se mettre à lire, étudier, analyser, comprendre. Puis approfondir, creuser, se passionner. Et enfin intriguer, intéresser, expliquer, transmettre. Et recommencer.

Un chemin maintes et maintes fois parcouru aussi bien dans ma vie personnelle qu’étudiante. Chez Sydo, j’ai trouvé un travail pour continuer à l’arpenter et faire de ce chemin… un schéma pédagogique.

Articles similaires

Brain.fm : le test

Cet article de test brain.fm fait suite à notre analyse des promesses de Brain.fm. Si vous n’avez pas lu le…


Laisser un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *

Ce site utilise Akismet pour réduire les indésirables. En savoir plus sur la façon dont les données de vos commentaires sont traitées.