(Source : Intelligence artificielle Turing)
En 2026, l’IA semble être capable de tout : jouer au Go, prédire la structure des protéines, écrire du code, faire de la recherche scientifique et même commencer à « faire des mathématiques par elle-même ».
Mais il y a une question plus fondamentale à laquelle peu de gens ont répondu directement : existe-t-il une limite théorique aux capacités de l’IA ? Et au-delà des frontières, quel est le « prochain niveau » de l’IA ?
En juillet 2026, lors de la Conférence mondiale sur l'intelligence artificielle (WAIC) 2026, Yao Qizhi, lauréat du prix Turing, académicien de l'Académie chinoise des sciences, doyen de l'Institut d'information interdisciplinaire de l'Université Tsinghua, doyen de l'École d'intelligence artificielle et doyen de l'Institut de recherche Qizhi de Shanghai, a prononcé un discours intitulé « La puissance et les limites de l'intelligence artificielle : du point de vue de l'informatique théorique ».
Sur la base de l'origine de l'informatique théorique, il a émis trois jugements : l'essence de l'IA est « machine de Turing + données », donc certains problèmes sont voués à ne pas pouvoir être résolus ; les limites de l’IA ne sont pas une mauvaise nouvelle, mais constituent la pierre angulaire théorique de la sécurité de l’IA ; le prochain niveau de l’IA ne réside pas dans « l’IA pour la science » mais dans la « Science pour l’IA », et l’IA quantique est en train d’émerger.
Ce qui suit est le contenu du discours de Yao Qizhi, qui a été édité et édité avec quelques suppressions.
1. L’essence de l’IA : l’apprentissage automatique dote les algorithmes de l’arme des « données »
Réfléchissons d’abord à la nature de l’IA. L’IA s’appuie sur un outil très puissant : le machine learning. Le paradigme algorithmique de l’apprentissage automatique existe depuis de nombreuses années, mais a longtemps été ignoré par la communauté informatique dominante, alors que la qualité de la résolution des problèmes continue de s’améliorer.
Le cadre de base de l'apprentissage automatique est le suivant : étant donné une tâche, puis un modèle d'algorithme, qui dépend d'un paramètre θ. Autrement dit, il existe toute une classe d’algorithmes, et on ne sait pas à l’avance lequel utiliser. Il y a ici deux questions fondamentales : la première est le « problème de représentation ». Dans ce modèle, existe-t-il vraiment un bon algorithme, c'est-à-dire existe-t-il un ensemble de paramètres permettant d'accomplir la tâche ? Le deuxième est le « problème d’apprentissage ». S’il existe, cet ensemble de paramètres peut-il être appris à partir des données dans un temps et un espace raisonnables ?
Ceci est très différent du paradigme informatique classique établi par Turing. En informatique classique, ces deux problèmes sont combinés en un seul et résolus par l’analyse mathématique des chercheurs sans avoir besoin de données externes. Le « grand tueur » de l’apprentissage automatique est d’ajouter « l’apprentissage à partir des données » à l’arsenal de l’algorithme. C’est pour cette raison que nous pouvons constater aujourd’hui ces résultats choquants : l’IA peut jouer au Go à un niveau de championnat et prédire le ...
[Courte citation de 8% de l'article original]