{"id":108368,"date":"2019-01-03T12:09:32","date_gmt":"2019-01-03T11:09:32","guid":{"rendered":"https:\/\/www.pauljorion.com\/blog\/?p=108368"},"modified":"2019-01-03T12:09:32","modified_gmt":"2019-01-03T11:09:32","slug":"un-pas-de-geant-pour-une-machine-a-jouer-aux-echecs-par-steven-strogatz","status":"publish","type":"post","link":"https:\/\/www.pauljorion.com\/blog\/2019\/01\/03\/un-pas-de-geant-pour-une-machine-a-jouer-aux-echecs-par-steven-strogatz\/","title":{"rendered":"Un pas de g\u00e9ant pour une machine \u00e0 jouer aux \u00e9checs, par Steven Strogatz"},"content":{"rendered":"

Un pas de g\u00e9ant pour une machine \u00e0 jouer aux \u00e9checs<\/a><\/strong><\/p>\n

Par Steven Strogatz (Dec. 26, 2018) \u00a9 The New York Times (Merci \u00e0 Timiota et DeepL pour la traduction !)<\/p>\n

Le succ\u00e8s stup\u00e9fiant d’AlphaZero, un algorithme d’apprentissage profond, annonce une nouvelle \u00e8re de la compr\u00e9hension – une \u00e8re qui, en ce qui concerne les humains, pourrait ne pas durer longtemps.<\/em><\/p>\n

T\u00e9l\u00e9visions diffusant le Google DeepMind Challenge Match entre le programme d’intelligence artificielle de Google, AlphaGo, un pr\u00e9d\u00e9cesseur d’AlphaZero, et le joueur de go professionnel sud-cor\u00e9en, Lee Sedol, dans un magasin d\u2019appareils \u00e9lectroniques \u00e0 S\u00e9oul en 2016. L’ordinateur a remport\u00e9 le match. Credit Ahn Young-joon\/Associated<\/p>\n

D\u00e9but d\u00e9cembre, des chercheurs de DeepMind, la soci\u00e9t\u00e9 d’intelligence artificielle appartenant \u00e0 la soci\u00e9t\u00e9 m\u00e8re de Google, Alphabet Inc. ont diffus\u00e9 une d\u00e9p\u00eache depuis les zones avanc\u00e9es du monde des \u00e9checs.<\/p>\n

<\/p>\n

Un an plus t\u00f4t, le 5 d\u00e9cembre 2017, l’\u00e9quipe avait stup\u00e9fi\u00e9 ce monde des \u00e9checs en annon\u00e7ant AlphaZero, un algorithme d’apprentissage machine qui ma\u00eetrisait non seulement les \u00e9checs mais aussi le shogi, ou \u00e9checs japonais, et le Go. L’algorithme a commenc\u00e9 sans aucune connaissance des jeux hormis leurs r\u00e8gles de base. Il a ensuite jou\u00e9 contre lui-m\u00eame des millions de fois et a appris par essais et erreurs. Il a suffi de quelques heures pour que l’algorithme devienne le meilleur joueur, humain ou ordinateur, que le monde ait jamais vu.<\/p>\n

Les d\u00e9tails des capacit\u00e9s d’AlphaZero et de son fonctionnement interne ont maintenant \u00e9t\u00e9 officiellement examin\u00e9s par des pairs et publi\u00e9s dans la revue Science ce mois-ci. Le nouvel article aborde plusieurs critiques graves \u00e0 l’\u00e9gard de l’all\u00e9gation initiale (entre autres choses, il \u00e9tait difficile de dire si AlphaZero jouait l\u2019adversaire qu\u2019il s\u2019\u00e9tait choisi, une entit\u00e9 computationnelle nomm\u00e9e Stockfish, en toute \u00e9quit\u00e9). Consid\u00e9rez que ces soucis sont maintenant dissip\u00e9s. AlphaZero ne s’est pas am\u00e9lior\u00e9 davantage au cours des douze derniers mois, mais la preuve de sa sup\u00e9riorit\u00e9 s\u2019est bien renforc\u00e9e. Il fait clairement montre d\u2019un type d’intellect que les humains n’ont jamais vue auparavant, et que nous allons avoir \u00e0 m\u00e9diter encore longtemps.<\/p>\n

Les \u00e9checs par ordinateur ont fait beaucoup de chemin au cours des vingt derni\u00e8res ann\u00e9es. En 1997, le programme de jeu d’\u00e9checs d’I.B.M., Deep Blue, a r\u00e9ussi \u00e0 battre le champion du monde humain en titre, Garry Kasparov, dans un match en six parties. R\u00e9trospectivement, il y avait peu de myst\u00e8re dans cette r\u00e9alisation. Deep Blue pouvait \u00e9valuer 200 millions de positions par seconde. Il ne s’est jamais senti fatigu\u00e9, n’a jamais fait d’erreur de calcul et n’a jamais oubli\u00e9 ce qu’il pensait un instant auparavant.<\/p>\n

Pour le meilleur et pour le pire, il a jou\u00e9 comme une machine, brutalement et mat\u00e9riellement. Il pouvait d\u00e9passer M. Kasparov par le calcul, mais il ne pouvait pas le d\u00e9passer sur le plan de la pens\u00e9e elle-m\u00eame. Dans la premi\u00e8re partie de leur match, Deep Blue a accept\u00e9 avec avidit\u00e9 le sacrifice d’une tour par M. Kasparov pour un fou, mais a perdu la partie 16 coups plus tard. La g\u00e9n\u00e9ration actuelle des programmes d’\u00e9checs les plus forts du monde, tels que Stockfish et Komodo, joue toujours dans ce style inhumain. Ils aiment \u00e0 capturer les pi\u00e8ces de l’adversaire. Ils ont une d\u00e9fense d\u2019acier. Mais bien qu’ils soient beaucoup plus forts que n’importe quel joueur humain, ces \u00ab\u00a0moteurs\u00a0\u00bb d’\u00e9checs n’ont aucune r\u00e9elle compr\u00e9hension du jeu. Ils doivent \u00eatre instruits explicitement pour ce qui touche aux principes de base des \u00e9checs.<\/p>\n

Ces principes, qui ont \u00e9t\u00e9 raffin\u00e9s au fil de d\u00e9cennies d’exp\u00e9rience de grands ma\u00eetres humains, sont programm\u00e9s dans les moteurs comme des fonctions d’\u00e9valuation complexes qui indiquent ce qu’il faut rechercher dans une position et ce qu’il faut \u00e9viter : comment \u00e9valuer le degr\u00e9 de s\u00e9curit\u00e9 du roi, l’activit\u00e9 des pi\u00e8ces, la structure dessin\u00e9e par les pions, le contr\u00f4le du centre de l\u2019\u00e9chiquier, et plus encore, comment trouver le meilleur compromis entre tous ces facteurs. Les moteurs d’\u00e9checs d’aujourd’hui, inconscients de fa\u00e7on inn\u00e9e de ces principes, apparaissent comme des brutes : extr\u00eamement rapides et forts, mais sans aucune perspicacit\u00e9.<\/p>\n

Tout cela a chang\u00e9 avec l’essor du machine-learning. En jouant contre lui-m\u00eame et en mettant \u00e0 jour son r\u00e9seau neuronal au fil de son apprentissage, AlphaZero a d\u00e9couvert les principes des \u00e9checs par lui-m\u00eame et est rapidement devenu le meilleur joueur connu. Non seulement il aurait pu facilement vaincre tous les ma\u00eetres humains les plus forts – il n’a m\u00eame pas pris la peine d’essayer – mais il a \u00e9cras\u00e9 Stockfish, le champion du monde d’\u00e9checs en titre par ordinateur. Dans un match de cent parties contre un moteur v\u00e9ritablement impressionnant, AlphaZero a remport\u00e9 vingt-huit victoires et fait soixante-douze matchs nuls. Il n’a pas perdu une seule partie.<\/p>\n

Le plus troublant, c’est qu’AlphaZero semblait \u00eatre perspicace. Il a jou\u00e9 comme aucun ordinateur ne l’a jamais fait, intuitivement et magnifiquement, avec un style romantique et offensif. Il acceptait de sacrifier des pions et prenait des risques. Dans certaines parties, cela paralysait Stockfish et il s\u2019est jou\u00e9 de lui. Lors de son attaque dans la partie n\u00b010, AlphaZero a replac\u00e9 sa reine dans le coin du plateau de jeu de son propre c\u00f4t\u00e9, loin du roi de Stockfish, pas l\u00e0 o\u00f9 une reine \u00e0 l\u2019offensive devrait normalement \u00eatre plac\u00e9e.<\/p>\n

Et cependant, cette retraite inattendue s\u2019av\u00e9ra venimeuse : peu importe comment Stockfish y r\u00e9pondait, ses tentatives \u00e9taient vou\u00e9es \u00e0 l’\u00e9chec. C’\u00e9tait presque comme si AlphaZero attendait que Stockfish se rende compte, apr\u00e8s des milliards de calculs intensifs bruts, \u00e0 quel point sa position \u00e9tait vraiment d\u00e9sesp\u00e9r\u00e9e, pour que la b\u00eate abandonne toute r\u00e9sistance et expire paisiblement, comme un taureau vaincu devant un matador. Les grands ma\u00eetres n’avaient jamais rien vu de tel. AlphaZero avait la finesse d’un virtuose et la puissance d’une machine. Il s\u2019agissait du premier regard pos\u00e9 par l’humanit\u00e9 sur un nouveau type prodigieux d’intelligence.<\/p>\n

Garry Kasparov, \u00e0 gauche, jouant contre l’ordinateur I.B.M. Deep Blue dans la sixi\u00e8me et derni\u00e8re partie d’un match \u00e0 New York en mai 1997. Les pi\u00e8ces de l’ordinateur ont \u00e9t\u00e9 d\u00e9plac\u00e9es par Joseph Hoane, \u00e0 droite, un scientifique de l’I.B.M. Credit Stan Honda\/Agence France-Presse – Getty Images<\/p>\n

Lorsque AlphaZero fut d\u00e9voil\u00e9 pour la premi\u00e8re fois, certains observateurs se sont plaints que Stockfish avait \u00e9t\u00e9 lobotomis\u00e9 en ne lui donnant pas acc\u00e8s \u00e0 son livre des ouvertures m\u00e9moris\u00e9es. Cette fois-ci, m\u00eame avec son livre, il a encore \u00e9t\u00e9 \u00e9cras\u00e9. Et quand AlphaZero s’est handicap\u00e9 en donnant dix fois plus de temps \u00e0 Stockfish qu\u2019\u00e0 lui pour r\u00e9fl\u00e9chir, il a quand m\u00eame d\u00e9moli la b\u00eate.<\/p>\n

Ce qui est r\u00e9v\u00e9lateur, c’est qu’AlphaZero a gagn\u00e9 en pensant plus intelligemment, pas plus vite ; il n’a examin\u00e9 que 60 000 positions par seconde, contre 60 millions pour Stockfish. Il \u00e9tait plus avis\u00e9, sachant ce \u00e0 quoi on devait penser et ce qu\u2019on pouvait ignorer. En d\u00e9couvrant les principes des \u00e9checs par lui-m\u00eame, AlphaZero a d\u00e9velopp\u00e9 un style de jeu qui \u00ab\u00a0refl\u00e8te la v\u00e9rit\u00e9 profonde\u00a0\u00bb du jeu plut\u00f4t que \u00ab\u00a0les priorit\u00e9s et les pr\u00e9jug\u00e9s des programmeurs\u00a0\u00bb, a expliqu\u00e9 M. Kasparov dans un commentaire qui accompagne et introduit l’article dans Science<\/em>.<\/p>\n

La question est maintenant de savoir si l’apprentissage automatique peut aider les humains \u00e0 d\u00e9couvrir des v\u00e9rit\u00e9s similaires sur les choses qui nous tiennent vraiment \u00e0 c\u0153ur : les grands probl\u00e8mes non r\u00e9solus de la science et de la m\u00e9decine, comme le cancer et la conscience ; les \u00e9nigmes du syst\u00e8me immunitaire, les myst\u00e8res du g\u00e9nome.<\/p>\n

Les premiers signes sont encourageants. En ao\u00fbt dernier, deux articles parus dans Nature Medicine<\/em> ont explor\u00e9 comment l’apprentissage automatique pouvait \u00eatre appliqu\u00e9 au diagnostic m\u00e9dical. Dans l’un d’entre eux, des chercheurs de DeepMind se sont associ\u00e9s \u00e0 des cliniciens du Moorfields Eye Hospital de Londres pour mettre au point un algorithme d’apprentissage profond qui pourrait classer un large \u00e9ventail de pathologies de la r\u00e9tine aussi pr\u00e9cis\u00e9ment que le font les experts humains (l’ophtalmologie souffre en effet d’une grave p\u00e9nurie d’experts \u00e0 m\u00eame d’interpr\u00e9ter les millions de scans ophtalmologiques effectu\u00e9s chaque ann\u00e9e en vue d\u2019un diagnostic ; des assistants num\u00e9riques intelligents pourraient apporter une aide \u00e9norme).<\/p>\n

L’autre article concernait un algorithme d’apprentissage machine qui d\u00e9cide si un tomodensitogramme (CT scan) d’un patient admis en urgence montre des signes d’un accident vasculaire c\u00e9r\u00e9bral (AVC), ou d’une h\u00e9morragie intracr\u00e2nienne ou encore d’un autre \u00e9v\u00e9nement neurologique critique. Pour les victimes d’AVC, chaque minute compte ; plus le traitement tarde, plus le r\u00e9sultat clinique se d\u00e9grade. (Les neurologistes ont ce sombre dicton: \u00ab\u00a0time is brain\u00a0\u00bb). Le nouvel algorithme a \u00e9tiquet\u00e9 ces diagnostics et d’autres diagnostics critiques avec une pr\u00e9cision comparable \u00e0 celle des experts humains – mais il l’a fait 150 fois plus rapidement. Un diagnostic plus rapide pourrait permettre aux cas les plus urgents d’\u00eatre aiguill\u00e9s plus t\u00f4t, avec une v\u00e9rification par un radiologiste humain.<\/p>\n

Ce qui est frustrant \u00e0 propos de l’apprentissage machine, cependant, c’est que les algorithmes ne peuvent pas exprimer ce qu’ils pensent. Nous ne savons pas pourquoi ils marchent, donc nous ne savons pas si on peut leur faire confiance. AlphaZero donne l’impression d’avoir d\u00e9couvert quelques principes importants sur les \u00e9checs, mais il ne peut pas partager cette compr\u00e9hension avec nous. Pas encore, en tout cas. En tant qu’\u00eatres humains, nous voulons plus que des r\u00e9ponses. Nous voulons de la perspicacit\u00e9. Voil\u00e0 qui va cr\u00e9er \u00e0 partir de maintenant une source de tension dans nos interactions avec ces ordinateurs.<\/p>\n

De fait, en math\u00e9matiques, c’est une chose qui s\u2019est d\u00e9j\u00e0 produite depuis des ann\u00e9es. Consid\u00e9rez le probl\u00e8me math\u00e9matique du \u00ab\u00a0th\u00e9or\u00e8me des quatre couleurs\u00a0\u00bb, qui d\u00e9fie de longue date les cerveaux des math\u00e9maticiens. Il \u00e9nonce que, sous certaines contraintes raisonnables, toute carte de pays contigus puisse toujours \u00eatre colori\u00e9e avec seulement quatre couleurs, en n\u2019ayant jamais deux fois la m\u00eame couleur pour des pays adjacents.<\/p>\n

Bien que le th\u00e9or\u00e8me des quatre couleurs ait \u00e9t\u00e9 prouv\u00e9 en 1977 avec l’aide d’un ordinateur, aucun humain ne pouvait v\u00e9rifier toutes les \u00e9tapes de la d\u00e9monstration. Depuis lors, la preuve a \u00e9t\u00e9 valid\u00e9e et simplifi\u00e9e, mais il y a encore des parties qui impliquent un calcul de force brute, du genre de celui employ\u00e9 par les anc\u00eatres informatiques d’AlphaZero qui jouent aux \u00e9checs. Ce d\u00e9veloppement a g\u00ean\u00e9 de nombreux math\u00e9maticiens. Ils n’avaient pas besoin d’\u00eatre rassur\u00e9s que le th\u00e9or\u00e8me des quatre couleurs \u00e9tait vrai ; ils le croyaient d\u00e9j\u00e0. Ils voulaient comprendre pourquoi c’\u00e9tait vrai, et cette d\u00e9monstration ne les y a pas aid\u00e9s.<\/p>\n

Mais imaginez un jour, peut-\u00eatre dans un avenir pas si lointain, o\u00f9 AlphaZero aura \u00e9volu\u00e9 vers un algorithme de r\u00e9solution de probl\u00e8mes plus g\u00e9n\u00e9ral ; appelez-le AlphaInfinity. Comme son anc\u00eatre, il aurait une perspicacit\u00e9 supr\u00eame : il pourrait trouver de belles d\u00e9monstrations, aussi \u00e9l\u00e9gantes que les parties d’\u00e9checs qu’AlphaZero jouait contre Stockfish. Et chaque d\u00e9monstration r\u00e9v\u00e9lerait pourquoi un th\u00e9or\u00e8me \u00e9tait vrai ; l’AlphaInfinity ne vous l\u2019enfoncerait pas juste dans la t\u00eate avec une d\u00e9monstration moche et ardue.<\/p>\n

Pour les math\u00e9maticiens et les scientifiques humains, ce jour marquerait l’aube d’une nouvelle \u00e8re de perspicacit\u00e9. Mais \u00e7a ne durera peut-\u00eatre pas. Alors que les machines deviennent de plus en plus rapides et que les humains restent en place avec leurs neurones fonctionnant \u00e0 des \u00e9chelles de temps de quelques millisecondes, un autre jour viendra o\u00f9 nous ne pourrons plus suivre. L’aube de la perspicacit\u00e9 humaine peut rapidement se transformer en cr\u00e9puscule.<\/p>\n

Supposons qu’il existe des r\u00e9gularit\u00e9s ou des mod\u00e8les plus profonds \u00e0 d\u00e9couvrir – dans la fa\u00e7on dont les g\u00e8nes sont r\u00e9gul\u00e9s ou dont le cancer progresse ; dans l’orchestration du syst\u00e8me immunitaire ; dans la danse des particules subatomiques. Et supposons que ces sch\u00e9mas puissent \u00eatre pr\u00e9dits, mais seulement par une intelligence bien sup\u00e9rieure \u00e0 la n\u00f4tre. Si AlphaInfinity pouvait les identifier et les comprendre, cela nous semblerait \u00eatre un oracle.<\/p>\n

Nous nous assi\u00e9rions \u00e0 ses pieds et \u00e9couterions attentivement. Nous ne comprendrions pas pourquoi l’oracle a toujours raison, mais nous pourrions v\u00e9rifier ses calculs et ses pr\u00e9dictions par rapport aux exp\u00e9riences et aux observations, et confirmer ses r\u00e9v\u00e9lations. La science, cette entreprise de l\u2019homme qui le caract\u00e9rise par-dessus tout, aurait r\u00e9duit notre r\u00f4le \u00e0 celui de spectateurs, bouches b\u00e9es dans l’\u00e9merveillement et la confusion.<\/p>\n

Peut-\u00eatre qu’un jour, notre manque de perspicacit\u00e9 ne nous d\u00e9rangerait plus. Apr\u00e8s tout, AlphaInfinity pourrait gu\u00e9rir toutes nos maladies, r\u00e9soudre tous nos probl\u00e8mes scientifiques et faire arriver tous nos autres trains intellectuels \u00e0 l\u2019heure avec succ\u00e8s. Nous nous sommes assez bien d\u00e9brouill\u00e9s sans trop de perspicacit\u00e9 pendant les quelque 300.000 premi\u00e8res ann\u00e9es de notre existence en tant qu’Homo sapiens. Et nous ne manquerons pas de m\u00e9moire : nous nous souviendrons avec fiert\u00e9 de l’\u00e2ge d’or de la perspicacit\u00e9 humaine, cet interm\u00e8de glorieux, long de quelques milliers d’ann\u00e9es, entre un pass\u00e9 o\u00f9 nous ne pouvions rien appr\u00e9hender et un avenir o\u00f9 nous ne pourrons rien comprendre.<\/p>\n

Steven Strogatz est professeur de math\u00e9matiques \u00e0 Cornell University et auteur de l\u2019ouvrage \u00e0 venir \u00ab\u00a0Infinite Powers : How Calculus Reveals the Secrets of the Universe \u00ab\u00a0, dont cet essai est adapt\u00e9.<\/p>\n","protected":false},"excerpt":{"rendered":"

Un pas de g\u00e9ant pour une machine \u00e0 jouer aux \u00e9checs<\/a><\/strong><\/p>\n

Par Steven Strogatz (Dec. 26, 2018) \u00a9 The New York Times (Merci \u00e0 Timiota et DeepL pour la traduction !)<\/p>\n

Le succ\u00e8s stup\u00e9fiant d’AlphaZero, un algorithme d’apprentissage profond, annonce une nouvelle \u00e8re de la compr\u00e9hension – une \u00e8re qui, en ce […]<\/em><\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_crdt_document":"","footnotes":""},"categories":[13,6213],"tags":[5616,6211,940,6214,3997,6210],"class_list":["post-108368","post","type-post","status-publish","format-standard","hentry","category-intelligence-artificielle","category-singularite","tag-alphago-zero","tag-echecs","tag-intelligence-artificielle-2","tag-kasparov","tag-singularite","tag-steven-strogatz"],"_links":{"self":[{"href":"https:\/\/www.pauljorion.com\/blog\/wp-json\/wp\/v2\/posts\/108368","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.pauljorion.com\/blog\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.pauljorion.com\/blog\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.pauljorion.com\/blog\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.pauljorion.com\/blog\/wp-json\/wp\/v2\/comments?post=108368"}],"version-history":[{"count":2,"href":"https:\/\/www.pauljorion.com\/blog\/wp-json\/wp\/v2\/posts\/108368\/revisions"}],"predecessor-version":[{"id":108370,"href":"https:\/\/www.pauljorion.com\/blog\/wp-json\/wp\/v2\/posts\/108368\/revisions\/108370"}],"wp:attachment":[{"href":"https:\/\/www.pauljorion.com\/blog\/wp-json\/wp\/v2\/media?parent=108368"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.pauljorion.com\/blog\/wp-json\/wp\/v2\/categories?post=108368"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.pauljorion.com\/blog\/wp-json\/wp\/v2\/tags?post=108368"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}