The Evolution of Computers

Le débat actuel sur l'IA et les mathématiques révèle une tension entre l'enthousiasme pour les avancées et les inquiétudes quant à leurs implications économiques et existentielles. Certains estiment que l'IA, en résolvant des problèmes mathématiques complexes, marque un moment charnière, divisant le monde en deux camps : ceux qui sont excités par ces résolutions, souvent des mathématiciens eux-mêmes, et ceux qui craignent la perte d'emplois et un affaiblissement intellectuel. D'un point de vue économique, la résolution de problèmes mathématiques par l'IA soulève des questions sur la valeur ajoutée réelle. Si de nombreux problèmes mathématiques sont restés non résolus pendant des années, ce n'est pas toujours par manque de capacités intellectuelles, mais parfois par absence d'incitation économique significative. L'IA excelle dans les domaines axiomatiques, où elle peut assembler des solutions à partir de connaissances disparates, ce qui est une forme de "méta-apprentissage" pour des problèmes trop vastes pour la plupart des humains. Cependant, il n'est pas certain que ces solutions débloquent une valeur économique massive. Les mathématiques sont souvent un indicateur précurseur des intérêts du marché. Par exemple, des avancées en algèbre linéaire, initialement motivées par des calculs comme ceux des cartes de vol des compagnies aériennes, sont aujourd'hui cruciales pour l'IA. Mais la question demeure : les problèmes mathématiques résolus par l'IA sont-ils des obstacles majeurs à des tâches déjà économiquement utiles ? Si c'était le cas, n'auraient-ils pas déjà été résolus par le marché ? Certains voient les mathématiques comme le fondement de l'AGI (Intelligence Artificielle Générale) et du raisonnement, permettant de comprendre l'univers. D'autres estiment que cette approche ne dit rien de la réalité concrète et que l'IA a encore beaucoup à faire au-delà des mathématiques pures. L'enthousiasme des mathématiciens s'explique par la nature de leur discipline, qui superpose des couches d'abstraction. L'IA offre une nouvelle couche d'abstraction, résolvant des problèmes qui, pour certains, représentent la partie la moins appréciée de leur travail, leur permettant d'explorer de nouvelles frontières. Cependant, d'autres sont en "crise existentielle", se demandant si la résolution de problèmes qui constituaient leur raison d'être ne rend pas leur travail inutile. L'histoire de l'informatique offre un parallèle intéressant. Le théorème des quatre couleurs, prouvé par des ordinateurs en énumérant un nombre fini de solutions, a montré la puissance du calcul pour résoudre des problèmes complexes. Cela a ouvert la voie à de nouveaux outils et niveaux d'abstraction, permettant de résoudre des problèmes auparavant inaccessibles. Cependant, la question se pose de savoir si les mathématiques produites par l'IA pourront un jour prédire des phénomènes physiques, ou si la simulation restera irréductible au calcul, nécessitant des données empiriques. Les grandes simulations actuelles, comme celles des explosions stellaires ou des souffleries, sont basées sur des équations d'état dérivées de résultats empiriques. L'idée que la résolution de toutes les mathématiques permettrait de prédire n'importe quoi est un saut logique majeur. L'IA pourrait être un nouvel outil pour créer de nouveaux niveaux de modèles et d'abstractions. L'histoire des outils mathématiques, de l'abaque à la règle à calcul, puis aux calculatrices, montre comment chaque nouvelle abstraction a permis de résoudre des problèmes inédits. L'arrivée des calculatrices graphiques a suscité des craintes similaires chez les professeurs de mathématiques, qui ont vu leur domaine "mourir", mais cela a finalement conduit à de nouvelles façons d'enseigner et d'apprendre. Le calcul, par exemple, a été une base qui a permis des avancées en mécanique des fluides et en transformations de Fourier, souvent motivées par des besoins pratiques, comme le calcul des trajectoires de missiles. L'informatique elle-même est née de la nécessité de calculer des intégrales pour l'artillerie, puis pour la prédiction des marées, démontrant une utilité économique concrète. La question est de savoir si l'IA, excellente dans un certain type de mathématiques, débloque des goulots d'étranglement économiques similaires. Les avancées en calcul pour la guerre ont débloqué la course à l'espace, les moteurs à réaction et l'automatisation. Ces progrès étaient célébrés et encouragés. L'évolution des ordinateurs, des premiers calculateurs aux machines modernes, a toujours reposé sur des abstractions : entrée, stockage, arithmétique, contrôle et sortie. Ces abstractions ont structuré les départements d'informatique, qui sont eux-mêmes issus des départements de mathématiques. Mais l'IA semble introduire un niveau d'abstraction différent, où l'on délègue non seulement le calcul, mais aussi une part du raisonnement et de la logique à la machine. Historiquement, l'informatique a toujours été une ressource (calcul, réseau, stockage) mise au service de la logique humaine. L'IA actuelle, en demandant à la machine de "dire la réponse" sans même être sûr de la question, semble abdiquer une partie de la pensée. Cela diffère des systèmes déterministes des abstractions précédentes. Les "systèmes experts" des années 80, qui visaient à déléguer la prise de décision, n'ont pas fonctionné à l'époque. La différence aujourd'hui est que l'IA "fonctionne" et que nous déléguons réellement la logique. La conversation sur l'IA est également façonnée par le contexte. Il y a deux ans, on se battait pour construire des centres de données ; aujourd'hui, les gens ne veulent plus en construire. Le contexte socio-économique influence la perception de ces technologies. L'IA pourrait représenter une nouvelle couche de la pile technologique, une abstraction de niveau humain qui ne se mappe pas directement aux couches informatiques traditionnelles. Cela pourrait nous obliger à repenser les fondamentaux. Nous sommes passés de la programmation impérative (où l'on connaît toutes les étapes) à la programmation déclarative (où l'on connaît l'état final, comme avec Prolog ou SQL), et maintenant à une nouvelle forme où l'on ne connaît pas spécifiquement l'état final, mais on "prie le dieu du modèle" avec les bons mots pour obtenir une réponse utile. C'est un processus stochastique, et la question est de savoir si cela constitue la prochaine couche d'abstraction dans notre conception de l'informatique. Les intuitions sur le fonctionnement des systèmes et leur impact sur l'industrie, développées sur 40-50 ans, pourraient être remises en question. Des questions comme "la valeur ira-t-elle au modèle ou à l'application ?", "combien de capital peut-on y investir ?", "quelles classes de problèmes peuvent être résolues ?" ou "quelles garanties peut-on fournir ?" nécessitent une réévaluation. Un exemple frappant est l'évolution de la contrainte principale dans l'industrie. Il y a 20 ans, donner un milliard de dollars à une startup de 10 personnes n'aurait pas été utile, car l'argent aurait été dépensé en ordinateurs et en recrutement, sans savoir comment l'utiliser efficacement. Il y a 10 ans, on aurait recruté des ingénieurs pour écrire du code. Mais aujourd'hui, avec l'IA, si l'on donne un milliard de dollars à 20 personnes, elles peuvent l'utiliser de manière productive. L'industrie est passée d'un problème contraint par l'ingénierie à un problème contraint par le capital, ce qui est fondamentalement différent. L'informatique a été contrainte par le capital pendant les 30 ou 40 premières années, puis par l'ingénierie, et maintenant elle est de nouveau contrainte par le capital. Cela change la dynamique du capital-risque. L'idée qu'il y a trop de capital pour trop peu d'opportunités est remise en question. Plus de capital dans les marchés privés permet aux entreprises de rester privées plus longtemps, augmentant ainsi la valeur accumulée du côté privé. L'IA, en tant que vague technologique, est capable de consommer ce capital. Cette inversion du capital ouvre la voie à une vague d'applications. Le fait que l'on puisse désormais appliquer du capital sans avoir à recruter pendant 10 ans permet aux personnes ayant une expertise dans un domaine (médecine, droit, immobilier) de créer des entreprises logicielles, même sans savoir coder. C'est le retour du "no-code" ou "low-code", où l'abstraction est si élevée que l'on peut se concentrer sur le problème métier. En ce qui concerne la concurrence entre les entreprises établies (incumbents) et les startups, l'IA change les règles du jeu. Les startups traditionnellement faibles en capital et en distribution peuvent désormais lever des fonds colossaux et résoudre le problème de la distribution grâce à la demande illimitée de "tokens" et de GPU. Cela les place sur un pied d'égalité avec les géants comme Microsoft ou Google. Les entreprises établies, souvent préoccupées par leurs concurrents directs, sous-estiment les startups qui ne les visent pas frontalement. Les éléments culturels des grandes entreprises (structures organisationnelles, systèmes de rémunération, héritage clients) les rendent rigides et difficiles à adapter, créant ainsi des opportunités pour la disruption. La capacité de l'IA à consommer d'énormes quantités de capital permet de transformer des problèmes "infinis" en problèmes "finis", où la solution est une question d'investissement plutôt que d'ingénierie pure. Cela est très nouveau et les implications ne sont pas encore entièrement comprises. La capacité de concentrer des ressources massives de manière utile est sans précédent. Nous ne pouvons pas prédire ce qu'un artefact créé avec 20 ou 100 milliards de dollars sera capable de faire. Les lois de mise à l'échelle semblent tenir, et cela ouvre des possibilités immenses, mais aussi des dangers si ces ressources sont mal utilisées. En biomédecine, l'IA est déjà utilisée pour analyser d'énormes volumes de données et identifier des schémas que seule l'expérience humaine pourrait déceler, ouvrant de nouvelles pistes de recherche. Cependant, la découverte de médicaments reste difficile en raison des défis liés à l'efficacité et à la sécurité des candidats, qui nécessitent des tests sur des patients humains. En somme, l'IA est en train de transformer en profondeur la façon dont nous abordons les problèmes, non seulement en augmentant nos capacités de calcul, mais aussi en modifiant les dynamiques économiques, les structures d'innovation et la nature même de la pensée et de la logique. C'est un changement de paradigme qui nous oblige à réévaluer nos hypothèses fondamentales.