Pourquoi les LLMs ne comprennent pas vraiment le monde selon Yann LeCun

Malgré leurs performances, les LLMs restent limités à la prédiction de texte. Pour Yann LeCun, une véritable IA devra apprendre à comprendre, anticiper et interagir avec le monde réel.

Au-delà du langage : repenser la véritable intelligence artificielle

La course effrénée autour des modèles génératifs, tels que les LLMs, a sans doute marqué un tournant dans la perception populaire de l’intelligence artificielle. Mais à écouter les voix influentes du domaine, dont celle de Yann LeCun, il devient manifeste que ces systèmes, fascinants sur le plan linguistique, demeurent en réalité à la surface d’un problème bien plus profond. Leur capacité à générer du texte impressionne, certes ; pour autant, la compréhension réelle du monde leur échappe.

Les limites actuelles des IA linguistiques

Le cœur de la critique réside dans le constat suivant : ces intelligences sont bâties sur la prédiction de tokens issus de vastes corpus textuels. Or, elles peinent à franchir le seuil du langage pour appréhender la réalité physique. Comme le souligne Yann LeCun, si l’on compare un enfant ou même un chat qui saisissent instinctivement leur environnement et adaptent leurs comportements face à l’inédit, on réalise combien les IA contemporaines restent figées dans un carcan symbolique.

Ainsi, malgré des prouesses dans la génération automatique ou la résolution de tâches linguistiques, les applications concrètes, tels que des robots domestiques capables d’autonomie – se font attendre. La frontière entre génération textuelle et compréhension authentique s’avère plus large qu’il n’y paraît, alimentant parfois une forme d’illusion d’intelligence.

Vers une IA incarnée et auto-organisée

Pour sortir de cette impasse partielle, il faudrait réorienter la recherche vers des systèmes inspirés non par le seul langage mais par l’apprentissage autonome, capables de bâtir des modèles mentaux du monde. Ce changement implique que les machines puissent non seulement prévoir les conséquences de leurs actions mais aussi apprendre en interagissant avec leur environnement. Autrement dit, viser une intelligence équivalente à celle d’un animal avant d’ambitionner rivaliser avec l’humain.

Quelques pistes émergent, souvent au croisement entre différentes disciplines. Les collaborations entre chercheurs en neurosciences, en physique, ou encore en psychologie cognitive, citons ici des noms comme Geoffrey Hinton, Terrence Sejnowski, ou les débats entre Noam Chomsky et Jean Piaget ont régulièrement ouvert des horizons inattendus pour comprendre les mécanismes fondamentaux de l’intelligence.

Nouveaux défis et prochaines étapes pour l’IA

Concrètement, quels objectifs peut-on espérer à court terme ? Si la perspective d’une machine dotée d’un raisonnement humain reste hors d’atteinte, viser le niveau cognitif d’un chat constituerait déjà un jalon décisif. Ce type de systèmes hybrides, intégrant perception sensorielle, action autonome et modélisation complexe du monde réel, nécessitera sans doute une rupture franche avec les paradigmes actuels.

In fine, comme le résume sobrement cette réflexion : « Nous n’avons pas encore commencé à résoudre le problème fondamental de l’intelligence. » Le prochain grand bouleversement ne viendra pas simplement d’une inflation de paramètres mais bien d’un nouveau regard porté sur ce que signifie comprendre et agir  dans notre univers physique.