CENT ANS D’INTELLIGENCE ARTIFICIELLE, 1950-2050
L’article retrace l’évolution de l’intelligence artificielle depuis 1950, marquée par des transformations successives et cumulatives, de la formalisation symbolique à l’émergence d’agents multimodaux. Il souligne que cette évolution résulte de la convergence entre architectures mathématiques, données, puissance de calcul et usages, et explore quatre scénarios pour 2027-2050. L’article conclut que les progrès futurs dépendront de l’intégration de multimodalité, calcul à l’inférence, mémoires externes et agents.
Histoire technologique, transformations sociotechniques et scénarios d’évolution
Michel Saloff-Coste
Article élaboré avec l’assistance de Microsoft 365 Copilot — version finale, novembre 2026
Résumé
Cet article retrace l’évolution technologique de l’intelligence artificielle depuis l’article fondateur d’Alan Turing en 1950 jusqu’à l’émergence, en 2026, de systèmes génératifs, multimodaux et agentiques. Cette histoire peut être comprise comme une succession de transformations qui ne s’effacent pas, mais se superposent : formalisation symbolique du raisonnement, apprentissage statistique à partir des données, développement des réseaux neuronaux profonds, constitution de modèles fondamentaux et apparition d’agents capables d’utiliser des outils et d’exécuter des opérations en plusieurs étapes.
Cette évolution ne résulte pas des seuls algorithmes. Elle procède de la convergence entre architectures mathématiques, données, puissance de calcul, semi-conducteurs, infrastructures industrielles, investissements et usages. La période 1950-2026 relève d’une histoire documentée, tandis que les années 2027-2050 sont abordées au moyen de quatre scénarios : coopération humain-machine maîtrisée, concentration oligopolistique, fragmentation géopolitique et intelligence collective hybride.
L’article soutient que les progrès futurs dépendront moins d’une architecture miraculeuse que de l’intégration entre multimodalité, calcul à l’inférence, mémoires externes, agents, robotique et mécanismes de vérification. L’expérience de rédaction avec Microsoft 365 Copilot confirme l’intérêt de l’IA pour organiser et comparer des informations, mais aussi la nécessité d’un contrôle indépendant des références et des interprétations. À l’horizon 2050, la question déterminante concernera moins la seule puissance des machines que les architectures techniques, économiques et institutionnelles dans lesquelles cette puissance sera inscrite.
Mots-clés : intelligence artificielle ; apprentissage automatique ; apprentissage profond ; modèles fondamentaux ; IA générative ; agents ; multimodalité ; robotique ; prospective ; gouvernance.
Abstract
One Hundred Years of Artificial Intelligence, 1950–2050: Technological History, Sociotechnical Transformations, and Development Scenarios
This article traces the technological evolution of artificial intelligence from Alan Turing’s foundational 1950 paper to the emergence, by 2026, of generative, multimodal, and agentic systems. This history can be understood as a succession of transformations that do not replace one another but become layered and combined: symbolic formalization of reasoning, statistical learning from data, deep neural networks, foundation models, and agents capable of using tools and carrying out multistep operations.
This evolution cannot be explained by algorithms alone. It has emerged from the convergence of mathematical architectures, data, computing power, semiconductors, industrial infrastructures, investment, and use cases. The period from 1950 to 2026 is treated as documented history, whereas 2027–2050 is explored through four scenarios: controlled human-machine cooperation, oligopolistic concentration, geopolitical fragmentation, and hybrid collective intelligence.
The article argues that future progress may depend less on a single breakthrough architecture than on the integration of multimodality, inference-time computation, external memory, agents, robotics, and verification mechanisms. The use of Microsoft 365 Copilot in preparing this article confirms the value of AI for organizing and comparing information while also demonstrating the need for independent verification of references and interpretations. By 2050, the decisive issue may concern not only machine capabilities but also the technical, economic, and institutional architectures within which these capabilities are embedded.
Keywords: artificial intelligence; machine learning; deep learning; foundation models; generative AI; AI agents; multimodality; robotics; foresight; governance.
Introduction
L’année 1950 constitue un point de départ commode, sinon absolu, pour retracer l’histoire contemporaine de l’intelligence artificielle. Dans « Computing Machinery and Intelligence », Alan Turing propose d’examiner la question devenue célèbre : « Can machines think? » Plutôt que de s’enfermer dans une définition métaphysique de la pensée, il déplace cependant le problème vers une situation observable : une machine peut-elle participer à une conversation de telle sorte qu’un interlocuteur ne puisse plus la distinguer avec certitude d’un être humain ? Publié dans la revue Mind, ce texte inaugure moins une réponse définitive qu’une méthode consistant à juger la machine d’après ce qu’elle est capable de faire.
L’année 2050 appartient, à l’inverse, au domaine de la prospective. Elle représente un horizon assez éloigné pour permettre d’envisager des transformations structurelles, mais encore suffisamment proche pour que les décisions industrielles, scientifiques et politiques prises aujourd’hui puissent être considérées comme des variables déterminantes. Il faut donc distinguer deux régimes de connaissance : la période 1950-2026 peut être reconstruite à partir de publications et d’événements vérifiables, tandis que la période 2027-2050 ne peut être abordée qu’à travers des hypothèses conditionnelles et des scénarios.
Cette distinction est d’autant plus nécessaire que l’expression « intelligence artificielle » recouvre des réalités profondément différentes. L’IA symbolique des années 1950, les systèmes experts des années 1980, les méthodes statistiques des années 1990, les réseaux neuronaux profonds des années 2010 et les modèles fondamentaux des années 2020 n’incarnent ni les mêmes architectures ni la même définition pratique de l’intelligence. Ils appartiennent néanmoins à une histoire commune, au cours de laquelle des fonctions longtemps considérées comme spécifiquement humaines ont été successivement transformées en problèmes techniques.
Une périodisation générale peut être résumée par cinq verbes : formaliser, apprendre, générer, agir et coopérer. Cette séquence ne constitue ni une loi historique ni une marche inévitable vers une intelligence générale. Les paradigmes se superposent et s’hybrident. Les systèmes contemporains associent modèles neuronaux, moteurs symboliques, bases documentaires, logiciels classiques et règles déterministes.
L’hypothèse centrale de cet article est que l’évolution de l’intelligence artificielle ne peut être expliquée par le seul progrès des algorithmes. Elle résulte de la convergence entre architectures mathématiques, disponibilité des données, puissance de calcul, infrastructures matérielles, investissements et usages économiques. À partir des années 2010, cette convergence change d’échelle. À partir des années 2020, elle commence à transformer l’IA en infrastructure cognitive générale, capable de traiter plusieurs formes de données et d’interagir avec des outils.
Comment l’intelligence artificielle est-elle ainsi passée, entre 1950 et 2026, d’un programme scientifique visant à formaliser certaines opérations cognitives à une infrastructure sociotechnique mondiale ? Et quelles trajectoires technologiques peut-on raisonnablement envisager jusqu’en 2050 ?
I. De la formalisation du raisonnement à l’apprentissage par les données, 1950-2010
1. Calcul, information et rétroaction
L’intelligence artificielle ne naît pas d’une invention unique. Elle se forme au croisement de la logique mathématique, de la théorie de la calculabilité, de la cybernétique, de la théorie de l’information, des neurosciences computationnelles et de l’ingénierie des premiers ordinateurs.
Turing introduit une conception opérationnelle de l’intelligence. Une machine n’a pas à révéler une intériorité pour être évaluée ; elle doit manifester des comportements susceptibles d’être reconnus comme intelligents. Cette proposition installe une ambiguïté qui accompagnera toute l’histoire du domaine : réussir une tâche associée à l’intelligence équivaut-il à comprendre cette tâche ?
Norbert Wiener inscrit cette interrogation dans un cadre plus large. Dans The Human Use of Human Beings: Cybernetics and Society, publié en 1950 puis révisé en 1954, il décrit organismes et machines à travers les notions de communication, de contrôle et de rétroaction. Un système peut modifier son comportement en fonction des résultats de ses actions ; des mécanismes comparables de régulation peuvent être observés dans le vivant et dans les dispositifs techniques.
Claude Shannon contribue parallèlement à la formalisation de l’information. La théorie des communications, la logique booléenne et les travaux sur les automates créent l’environnement scientifique dans lequel l’hypothèse d’une machine intelligente devient progressivement un programme de recherche. L’IA contemporaine se forme ainsi au croisement de la logique de Turing, de la cybernétique de Wiener et de la théorie de l’information de Shannon : calcul, communication et régulation deviennent les trois dimensions d’un même projet.
2. Dartmouth et l’institutionnalisation du domaine
L’expression artificial intelligence s’impose avec le Dartmouth Summer Research Project on Artificial Intelligence. La proposition est datée du 31 août 1955 ; l’atelier a lieu pendant l’été 1956. Le document, signé par John McCarthy, Marvin Minsky, Nathaniel Rochester et Claude Shannon, avance l’idée que toute caractéristique de l’apprentissage ou de l’intelligence pourrait, en principe, être décrite avec assez de précision pour qu’une machine la simule.
Le texte évoque déjà plusieurs problèmes demeurés centraux : utilisation du langage, formation de concepts, abstraction, résolution de problèmes, réseaux neuronaux et capacité des machines à s’améliorer. Dartmouth ne crée pas ces questions, mais les réunit sous une même dénomination et contribue à former une communauté scientifique.
Le Logic Theorist, élaboré par Allen Newell, Herbert Simon et Cliff Shaw, représente l’une des premières réalisations emblématiques. Le programme démontre des théorèmes en recherchant des séquences d’opérations et en utilisant des heuristiques pour réduire l’espace des possibilités. Le calcul ne vise plus seulement un résultat numérique ; il devient la simulation d’un raisonnement.
Newell et Simon systématisent cette perspective dans Human Problem Solving, publié en 1972. Ils y proposent une théorie de la résolution humaine des problèmes conçue comme traitement symbolique de l’information, appuyée sur l’observation des stratégies suivies par des sujets humains.
3. L’âge symbolique
Durant les premières décennies, l’IA est dominée par une conception symbolique. Pour agir intelligemment, un système doit disposer d’une représentation explicite des objets et des situations, de règles permettant de transformer ces représentations, d’un mécanisme d’inférence et d’une procédure de recherche orientée vers un objectif.
Le langage LISP, créé par John McCarthy à la fin des années 1950, devient l’un des principaux instruments de cette recherche. Le General Problem Solver de Newell et Simon poursuit une ambition plus générale en utilisant notamment l’analyse moyens-fins : comparer la situation actuelle à l’objectif, identifier une différence, puis sélectionner une opération susceptible de la réduire. Cette méthode traduit l’une des idées directrices de la première IA : le raisonnement humain pourrait être décomposé en procédures de recherche et de transformation.
D’autres travaux explorent des voies distinctes. Le perceptron de Frank Rosenblatt apprend à classer des exemples et annonce la tradition connexionniste. ELIZA, conçu par Joseph Weizenbaum, simule un dialogue thérapeutique au moyen de règles simples. Le robot Shakey associe perception, planification symbolique et déplacement dans un environnement volontairement simplifié.
Ces systèmes obtiennent des résultats remarquables dans des univers formalisés, mais le passage au monde réel révèle leurs limites. L’espace des possibilités croît brutalement, les connaissances deviennent incertaines, l’acquisition des règles se révèle coûteuse et le sens commun demeure difficile à représenter.
4. Des promesses aux hivers de l’IA
Les premières réussites nourrissent des prévisions ambitieuses. Herbert Simon affirme en 1960 que, dans les vingt années suivantes, les machines seraient capables d’accomplir tout travail réalisable par un homme. La phrase est publiée dans The New Science of Management Decision, puis reprise en 1965 dans The Shape of Automation for Men and Management, ce qui explique sa datation souvent erronée.
La prévision ne s’est pas réalisée dans le délai annoncé. Elle exprime néanmoins une conviction durable : toute activité correctement décrite pourrait, en principe, être automatisée. Or la difficulté réside précisément dans cette description. Une part importante de l’activité humaine repose sur des connaissances tacites, une perception contextuelle, l’expérience, le corps et les interactions sociales.
Les hivers de l’IA sanctionnent ainsi moins un échec absolu qu’un écart entre des promesses générales et des performances spécialisées. Les ordinateurs restent peu puissants, les programmes disposent de peu de données et les méthodes de recherche deviennent rapidement impraticables lorsque le nombre de possibilités augmente.
5. Les systèmes experts
À partir des années 1970, et davantage encore durant les années 1980, les systèmes experts offrent une stratégie plus pragmatique. Au lieu de viser immédiatement l’intelligence générale, ils cherchent à formaliser l’expertise dans des domaines délimités.
DENDRAL applique des connaissances chimiques à l’identification de structures moléculaires. MYCIN formule des diagnostics et des recommandations pour certaines infections. XCON aide Digital Equipment Corporation à configurer ses systèmes. Ces programmes démontrent qu’une expertise spécialisée peut être partiellement transférée à une machine et produire une valeur industrielle.
Leur développement met cependant en évidence plusieurs difficultés. Les experts ne savent pas toujours expliciter leur propre raisonnement ; les bases de règles deviennent difficiles à maintenir ; les systèmes se montrent fragiles lorsqu’une situation s’écarte du domaine prévu. L’effondrement du marché des machines Lisp et les limites de ces systèmes contribuent au deuxième hiver de l’IA à la fin des années 1980. Une leçon récurrente se dessine : la performance dans un univers circonscrit ne garantit pas la généralisation.
Joseph Weizenbaum apporte une critique complémentaire. Dans Computer Power and Human Reason: From Judgment to Calculation, publié en 1976, il distingue ce que les ordinateurs peuvent accomplir de ce qu’il serait légitime de leur confier. Son argument ne nie pas la puissance du calcul ; il refuse de l’assimiler automatiquement au jugement humain lorsque la responsabilité et l’interprétation d’une situation sont en jeu.
6. Le tournant statistique
À partir des années 1990, le centre de gravité se déplace. Au lieu de demander aux experts de définir toutes les règles, les systèmes apprennent des régularités à partir d’exemples.
Les réseaux neuronaux entraînés par rétropropagation, les arbres de décision, les réseaux bayésiens, les machines à vecteurs de support, les modèles de Markov et l’apprentissage par renforcement se développent simultanément. Le changement n’est pas absolu : les chercheurs continuent de choisir les données, l’architecture, la fonction d’erreur et les critères d’évaluation. Mais la machine extrait désormais une part de sa compétence des exemples plutôt que d’une formalisation exhaustive préalable.
Judea Pearl contribue au raisonnement probabiliste et aux réseaux bayésiens ; Vladimir Vapnik à la théorie statistique de l’apprentissage ; Geoffrey Hinton, Yann LeCun et Yoshua Bengio poursuivent les recherches sur les réseaux neuronaux à une époque où ceux-ci occupent encore une position minoritaire.
7. Deep Blue et l’industrialisation des données
En mai 1997, Deep Blue bat Garry Kasparov lors d’un match en six parties. Le système associe recherche à grande échelle, matériel spécialisé, fonctions d’évaluation et connaissances échiquéennes. Sa victoire ne représente pas l’avènement d’une intelligence générale, mais elle prouve qu’une machine peut dépasser le meilleur humain dans une activité longtemps considérée comme emblématique de l’intelligence.
La célèbre déclaration de Kasparov selon laquelle il avait senti « une nouvelle forme d’intelligence » face à lui ne date pas de sa défaite de 1997, mais d’une partie jouée en février 1996 et commentée dans Time le 25 mars suivant. Kasparov précise que le coup qui lui avait paru intuitif résultait en réalité de la profondeur du calcul de la machine.
L’épisode illustre une distinction essentielle : le même comportement peut être produit par des mécanismes différents. L’intelligence attribuée à la machine dépend à la fois du résultat obtenu et de l’interprétation donnée au processus qui l’a engendré.
L’expansion d’Internet modifie ensuite les conditions matérielles du développement de l’IA. Des volumes considérables de textes, d’images et de comportements deviennent disponibles. Les moteurs de recherche développent des méthodes capables de classer d’immenses masses documentaires. Le commerce électronique, la publicité ciblée et les réseaux sociaux créent des incitations puissantes à la prédiction des préférences.
La baisse du coût du stockage, l’essor du calcul distribué et la consolidation des plateformes réunissent ainsi, avant 2010, les conditions de la transformation suivante : de très grands corpus, des infrastructures de calcul, une ingénierie logicielle industrialisée et des ressources financières considérables.
II. De l’apprentissage profond aux systèmes agentiques, 2010-2026
1. AlexNet et le changement d’échelle
L’année 2012 marque un tournant avec le succès d’AlexNet dans la compétition ImageNet. Le réseau neuronal convolutif entraîné par Alex Krizhevsky, Ilya Sutskever et Geoffrey Hinton améliore spectaculairement la reconnaissance d’images.
Cette réussite résulte de la convergence entre une architecture profonde, une grande base d’images annotées et l’utilisation de processeurs graphiques. Elle inaugure un régime d’innovation dans lequel l’augmentation des données et du calcul devient aussi importante que l’invention algorithmique.
Les réseaux convolutifs transforment progressivement la classification d’images, la détection d’objets et la vision industrielle. La reconnaissance vocale suit une trajectoire comparable : les modèles apprennent des représentations intermédiaires qui étaient auparavant produites par des chaînes de traitement conçues manuellement.
L’apprentissage profond généralise ainsi une idée fondamentale : le système peut construire lui-même les représentations nécessaires à une tâche. Cette efficacité entraîne toutefois une perte de transparence. Dans un système expert, une règle peut être lue et discutée ; dans un réseau profond, le comportement résulte de millions, puis de milliards de paramètres ajustés par optimisation.
2. La génération de contenus
En 2014, Ian Goodfellow et ses coauteurs introduisent les réseaux antagonistes génératifs. Un générateur produit des exemples synthétiques tandis qu’un discriminateur tente de les distinguer des données réelles. En apprenant à tromper le discriminateur, le générateur fournit des résultats progressivement plus réalistes.
Cette innovation transforme la perception du domaine. La machine ne se contente plus d’identifier ou de classer des objets ; elle commence à produire de nouvelles images. D’autres familles de modèles génératifs se développent, notamment les autoencodeurs variationnels, puis les modèles de diffusion, qui deviendront au début des années 2020 un instrument majeur de la génération visuelle.
3. AlphaGo et l’apprentissage par renforcement
AlphaGo associe réseaux de politique, réseaux de valeur, apprentissage supervisé, apprentissage par renforcement par autojeu et recherche arborescente de Monte-Carlo. En mars 2016, il bat Lee Sedol par quatre parties à une. La portée technique du résultat tient moins au dépassement humain qu’à l’intégration de plusieurs méthodes d’apprentissage et de recherche. Le programme n’examine pas indistinctement toutes les possibilités : il apprend à sélectionner les coups prometteurs et à évaluer les positions.
La déclaration de Lee Sedol souvent rapprochée du match de 2016 — « même si je devenais numéro un, il resterait une entité impossible à vaincre » — date en réalité de l’annonce de sa retraite, en novembre 2019.
Les successeurs d’AlphaGo réduisent encore leur dépendance aux données humaines. AlphaGo Zero apprend principalement par autojeu, tandis qu’AlphaZero transpose une architecture générale à plusieurs jeux. Le système ne reproduit plus seulement l’expertise accumulée ; il construit ses stratégies à partir des règles, de simulations et d’un signal de récompense.
4. Le Transformer et les modèles fondamentaux
En 2017, l’article « Attention Is All You Need » introduit l’architecture Transformer. Son innovation principale réside dans les mécanismes d’attention, grâce auxquels chaque élément d’une séquence peut pondérer les relations qu’il entretient avec les autres.
Contrairement aux architectures récurrentes, les Transformers traitent plus efficacement les éléments d’une séquence en parallèle. Cette propriété facilite leur entraînement à grande échelle et permet de modéliser des dépendances éloignées. L’architecture devient rapidement dominante dans le traitement du langage avant de s’étendre à l’image, au son, à la vidéo, à la biologie computationnelle et à la robotique.
Les modèles fondamentaux reposent sur une stratégie complémentaire. Un grand système est préentraîné sur un corpus étendu afin d’acquérir des régularités générales, puis adapté à diverses tâches. Un même modèle peut désormais rédiger, résumer, traduire, répondre à des questions, classer des documents ou produire du code.
GPT-3, présenté en 2020, popularise l’apprentissage en contexte : le modèle peut déduire la nature d’une tâche à partir d’une instruction et de quelques exemples sans modification de ses paramètres. La montée en taille des modèles, des corpus et du calcul fait apparaître des capacités qui dépassent la simple reproduction locale des formulations.
La notion d’émergence doit néanmoins être maniée avec prudence. Une capacité peut sembler apparaître soudainement lorsqu’elle franchit le seuil d’un indicateur, alors que son amélioration sous-jacente était progressive. La qualité des benchmarks devient dès lors aussi importante que la performance brute.
5. Du modèle prédictif à l’assistant conversationnel
Un modèle préentraîné n’est pas spontanément un bon assistant. Il peut prolonger un texte sans répondre directement à une demande ou interpréter imparfaitement l’intention de l’utilisateur. Diverses méthodes sont donc développées pour l’adapter aux instructions et aux préférences humaines.
Le lancement public de ChatGPT, le 30 novembre 2022, représente principalement une rupture d’usage. L’interface conversationnelle rend accessibles au grand public des capacités jusque-là dispersées entre laboratoires et produits spécialisés.
Le langage naturel devient une interface générale. L’utilisateur peut demander un résumé, une traduction, une comparaison, une explication ou un programme sans maîtriser de langage formel. Cette facilité entraîne une diffusion rapide dans l’enseignement, l’entreprise, la création et la recherche documentaire. Elle favorise toutefois une confusion entre qualité formelle et validité du contenu : un modèle peut produire une information inexacte avec la même assurance qu’une réponse correctement documentée.
6. La multimodalité
Les modèles contemporains ne traitent plus exclusivement du texte. Ils articulent progressivement langage, images, parole, vidéo, code et données structurées.
Cette évolution est décisive, car le monde réel ne se présente pas sous une modalité unique. Un système destiné à intervenir dans la médecine, l’industrie, l’éducation ou la robotique doit pouvoir relier descriptions linguistiques, signaux visuels, mesures et actions.
Les modèles multimodaux apprennent des représentations communes entre différents types d’information. Ils peuvent décrire une image, répondre à une question à son sujet, interpréter un graphique ou produire une représentation visuelle à partir d’un texte. Cette généralité multiplie aussi les sources d’erreur, car chaque modalité possède ses ambiguïtés et ses biais.
7. Du calcul à l’inférence aux agents
La première phase des grands modèles a surtout privilégié l’augmentation du calcul pendant l’entraînement. Une orientation complémentaire consiste à mobiliser davantage de ressources au moment de produire la réponse. Le système peut alors décomposer un problème, explorer plusieurs solutions, vérifier des étapes intermédiaires, utiliser des outils et réviser son premier résultat.
Cette évolution prépare les systèmes agentiques. Un agent peut recevoir un objectif, percevoir un environnement informationnel, sélectionner des actions, utiliser des outils et modifier son comportement en fonction des résultats. Il ajoute au modèle génératif une mémoire opérationnelle, un accès documentaire, des interfaces logicielles, l’exécution de code, la navigation et la planification.
En 2026, l’autonomie reste généralement circonscrite. Les entreprises privilégient une autonomie limitée et conservent une validation humaine pour les opérations sensibles ou difficilement réversibles.
Les agents rencontrent encore des obstacles importants. Les erreurs s’accumulent au fil des étapes, l’objectif peut se perdre lors d’une tâche prolongée et les accès doivent être rigoureusement sécurisés. Le passage du modèle à l’agent peut amplifier les limites du modèle lorsque des erreurs linguistiques deviennent des actions.
8. Une puissance croissante, mais irrégulière
Le Stanford AI Index 2026 décrit une accélération persistante des capacités dans les domaines scientifiques, mathématiques, multimodaux et logiciels. Il souligne simultanément le caractère irrégulier de cette progression : un système peut exceller dans une épreuve complexe et échouer dans une opération perceptive apparemment simple.
Cette situation interdit aussi bien le réductionnisme que l’anthropomorphisme. Les modèles contemporains manifestent des capacités de généralisation, de composition et d’utilisation d’outils absentes des générations précédentes. Mais leur compétence ne possède ni l’uniformité ni la robustesse de l’intelligence humaine ordinaire.
L’IA de 2026 est donc puissante, polyvalente et rapidement industrialisée, tout en demeurant dépendante de la qualité des données, de la formulation des problèmes, des ressources disponibles et des mécanismes de vérification.
III. L’intelligence artificielle comme système technique et industriel
1. La puissance de calcul
L’évolution récente de l’IA est inséparable de celle du matériel. L’apprentissage profond s’est développé grâce aux processeurs graphiques, particulièrement adaptés aux opérations matricielles parallèles.
Des accélérateurs spécialisés ont ensuite été créés pour l’entraînement et l’inférence. La performance dépend désormais d’une chaîne associant conception des puces, fabrication des semi-conducteurs, mémoire, interconnexions, centres de données, énergie et logiciels distribués.
Cette chaîne présente de fortes concentrations industrielles et géographiques. La course au calcul constitue donc simultanément une dynamique scientifique, industrielle et géopolitique. La capacité d’un pays à participer au développement des modèles avancés dépend de plus en plus de son accès aux composants, à l’énergie et aux infrastructures.
2. De la quantité à la qualité des données
Les modèles de grande taille ont largement bénéficié de l’expansion du Web. Une stratégie exclusivement fondée sur l’augmentation quantitative rencontre cependant plusieurs limites. Les corpus comportent des redondances, des erreurs, des biais culturels et une proportion croissante de contenus artificiels. Leur utilisation soulève également des questions de provenance et de droits.
L’ingénierie des données devient donc aussi importante que leur volume. Elle porte sur le nettoyage, la déduplication, la pondération des sources, l’annotation, la production de données synthétiques et la constitution de corpus spécialisés.
Les données synthétiques peuvent compléter les corpus humains et permettre l’apprentissage de situations rares. Elles peuvent aussi amplifier les défauts du modèle qui les produit. Le bouclage entre modèles et données générées devra par conséquent être contrôlé par des évaluations indépendantes et par l’introduction régulière d’informations vérifiées provenant du monde réel.
3. L’économie des modèles fondamentaux
Un modèle fondamental nécessite un investissement initial considérable, mais peut ensuite soutenir de nombreuses applications. Cette structure favorise la concentration, car les coûts de calcul, de données, d’ingénierie et de recrutement sont très élevés.
L’industrie se structure autour des infrastructures matérielles, des modèles généraux, des plateformes d’orchestration, des modèles spécialisés et des applications sectorielles. Le modèle ne constitue cependant pas une infrastructure ordinaire : il intervient dans la production et l’interprétation de l’information, parfois même dans le choix d’une action.
Le rapport Stanford de 2026 indique que plus de 90 % des modèles remarquables développés en 2025 proviennent de l’industrie, signe d’un déplacement massif du centre de gravité depuis les universités vers les entreprises disposant des infrastructures les plus importantes.
4. Centralisation, ouverture et intelligence distribuée
Les modèles propriétaires offrent des services intégrés, une maintenance centralisée et des dispositifs de sécurité administrés par leur fournisseur. Ils créent toutefois une dépendance et limitent la transparence.
Les modèles à poids accessibles peuvent être déployés localement, adaptés à un domaine et étudiés par des équipes indépendantes. Cette ouverture n’implique pas nécessairement une documentation complète : les données d’entraînement ou les méthodes de filtrage peuvent demeurer inconnues.
Parallèlement, la quantification, la distillation et la compression permettent de déployer des modèles plus petits sur des téléphones, des ordinateurs personnels, des véhicules et des équipements industriels. Ceux-ci réduisent la latence, renforcent la confidentialité et peuvent fonctionner sans connexion permanente.
L’avenir devrait donc appartenir moins à un modèle universel qu’à des architectures hybrides, combinant grands modèles distants, systèmes locaux, modèles spécialisés, moteurs symboliques, bases documentaires et contrôles déterministes.
5. Mémoire documentaire et vérification
Les modèles génératifs ne connaissent pas précisément l’origine de tout ce qu’ils produisent. Leur mémoire paramétrique est difficile à actualiser et peu adaptée à la citation rigoureuse. La génération augmentée par récupération cherche à corriger cette limitation en reliant le modèle à des sources externes.
Un corpus est indexé ; les passages pertinents sont retrouvés et introduits dans le contexte du modèle, qui élabore une réponse susceptible d’indiquer ses sources. Cette architecture facilite l’actualisation, l’adaptation à une organisation et la traçabilité documentaire.
Elle ne garantit pourtant pas la vérité. Le moteur peut retrouver un document inadéquat ; le corpus peut être incomplet ; le modèle peut mal interpréter le passage. La vérification doit donc porter sur toute la chaîne, depuis la sélection des sources jusqu’à la réponse finale.
Les mémoires externes devraient devenir un composant central des futurs agents. L’évaluation devra dépasser les benchmarks statiques pour mesurer l’exactitude, la calibration de l’incertitude, la qualité des citations, la sécurité des actions et le comportement après une erreur. Pour les agents, l’unité d’analyse ne sera plus seulement la réponse finale, mais toute la trajectoire d’action.
6. Robotique et intelligence incarnée
La robotique introduit des difficultés absentes du traitement documentaire. Un robot doit percevoir en temps réel, agir sous incertitude, contrôler ses mouvements et respecter des contraintes physiques de sécurité.
Les modèles multimodaux peuvent améliorer l’interprétation des scènes et la compréhension des instructions. Les politiques visuomotrices apprennent à relier observations et actions. Les environnements simulés permettent de multiplier les expériences sans exposer immédiatement le monde réel aux erreurs.
La robotique demeure néanmoins plus exigeante que la génération de texte. Une réponse linguistique inexacte peut être corrigée ; un mouvement erroné peut endommager un équipement ou blesser une personne. Les contraintes déterministes, les mécanismes d’arrêt et la redondance resteront indispensables.
À l’horizon 2050, les progrès les plus importants pourraient concerner moins des humanoïdes universels que des machines spécialisées ou semi-généralistes intervenant dans l’industrie, la santé et les environnements dangereux.
7. L’intelligence artificielle scientifique
L’une des trajectoires les plus structurantes réside dans l’utilisation de l’IA pour la recherche. Les modèles peuvent explorer des structures moléculaires, rechercher de nouveaux matériaux, analyser des données expérimentales, proposer des hypothèses et piloter des instruments.
Le potentiel le plus important apparaît lorsque se referme progressivement la boucle reliant hypothèse, simulation, expérience, résultat et nouvelle hypothèse. Des laboratoires partiellement autonomes pourraient accélérer certains domaines.
Ils ne supprimeront cependant ni la validation expérimentale ni la reproductibilité. Une prédiction utile peut orienter une expérience ; elle ne devient une connaissance scientifique qu’après avoir été confrontée à l’observation et intégrée à une explication.
8. Ressources et efficacité
L’entraînement et l’usage des modèles mobilisent des ressources importantes. Atlas of AI, publié par Kate Crawford en 2021, montre que l’intelligence artificielle repose sur l’extraction de minerais, la consommation d’énergie, les centres de données et un travail humain souvent invisibilisé.
L’efficacité devient donc un critère technique central. Les architectures spécialisées, l’activation partielle des paramètres, l’amélioration du matériel et l’utilisation de modèles plus petits peuvent réduire le coût par opération.
Il serait néanmoins imprudent de conclure que ces progrès diminueront automatiquement la consommation globale. La réduction des coûts favorise la multiplication des usages. Comme dans d’autres secteurs technologiques, les gains d’efficacité peuvent être absorbés par un effet rebond.
IV. Copilot comme instrument de recherche assistée
Microsoft 365 Copilot a été utilisé pour structurer la chronologie, identifier des références et comparer plusieurs scénarios. Cette assistance a accéléré l’exploration, mais n’a pas garanti l’exactitude documentaire.
La proposition de Dartmouth fut d’abord associée globalement à 1956 plutôt qu’à sa rédaction en 1955 ; une citation de Kasparov publiée en 1996 fut rapprochée de sa défaite en 1997 ; une formule apocryphe fut attribuée à Teilhard de Chardin. Ces corrections montrent qu’un modèle génératif privilégie parfois la cohérence narrative et les associations fréquentes au détriment de la source primaire et de la chronologie exacte.
L’IA se révèle particulièrement utile pour explorer un domaine, structurer des questions, rapprocher des travaux et préparer une recherche bibliographique. Elle ne suffit pas à certifier une source, attribuer définitivement une citation ou établir seule l’état d’une controverse.
La fluidité d’une réponse ne constitue jamais une validation. L’unité véritable de la recherche assistée est le dispositif formé par l’auteur, le modèle, les sources, les outils de recherche, le protocole de vérification et l’interprétation finale.
V. Trajectoires technologiques et scénarios, 2027-2050
1. Pourquoi raisonner par scénarios ?
L’histoire de l’IA impose la prudence. Les prévisions formulées pendant les années 1960 ont fortement surestimé la rapidité de l’automatisation générale. À l’inverse, plusieurs progrès intervenus depuis 2012 ont surpris par leur vitesse. Toute prévision unique pour 2050 transformerait donc une possibilité en certitude.
Quelques tendances peuvent néanmoins être considérées comme relativement robustes : extension de la multimodalité, calcul plus important au moment de l’inférence, intégration d’outils, mémoires externes, spécialisation sectorielle, diffusion de petits modèles, développement de l’IA scientifique et rapprochement avec la robotique.
L’incertitude porte moins sur l’existence de ces orientations que sur leur vitesse, leur coût, leur fiabilité et leur organisation industrielle.
2. Le scénario de coopération maîtrisée
Dans ce scénario, les capacités progressent rapidement, mais l’autonomie demeure proportionnée au risque des tâches. Les agents prennent en charge des opérations techniques, administratives et documentaires, tandis que les décisions sensibles restent soumises à validation humaine.
Les systèmes combinent modèles généraux, modèles spécialisés, bases de connaissances vérifiées, moteurs de règles et mécanismes d’autorisation. Les professionnels délèguent la recherche initiale, la production de variantes et certaines tâches répétitives, mais conservent la définition des objectifs, l’évaluation des résultats et la responsabilité finale.
Ce scénario suppose des progrès dans la calibration de l’incertitude, la provenance des informations, la sécurité des accès et l’auditabilité. Il bénéficie particulièrement aux organisations disposant de données structurées et de processus explicites. L’ajout d’une interface conversationnelle à une organisation confuse ne produit pas, à lui seul, une transformation efficace.
Dans l’enseignement, des tuteurs adaptatifs assistent les étudiants, tandis que les évaluations privilégient l’argumentation et la résolution de problèmes. Dans la santé, les modèles soutiennent l’imagerie et la documentation sans décider seuls des interventions essentielles. Dans la recherche, ils participent à la veille, à la simulation et à la conception d’expériences.
3. Le scénario de concentration cognitive
Dans un deuxième scénario, l’entraînement des systèmes les plus avancés demeure si coûteux que quelques entreprises contrôlent les modèles, les centres de calcul, les interfaces et une part croissante des données.
Cette concentration favorise l’intégration des services, la mutualisation des coûts et l’amélioration rapide des performances. Elle crée simultanément une dépendance des entreprises, universités et administrations à des systèmes qu’elles ne peuvent inspecter entièrement.
Les assistants deviennent des médiateurs permanents entre les individus et le monde numérique. Ils filtrent les informations, organisent les communications, recommandent des décisions et exécutent des transactions. Le pouvoir du système tient moins à sa seule intelligence qu’à sa position centrale dans l’écosystème.
La maîtrise des interfaces constitue ainsi une nouvelle forme de pouvoir. Celui qui contrôle l’assistant influence les informations mises en avant, les actions suggérées et les services accessibles. Ce scénario peut s’accompagner d’une forte accélération technique, mais son principal risque réside dans la dissociation entre puissance d’innovation et contrôle collectif.
4. Le scénario de fragmentation géopolitique
Dans un troisième scénario, l’intelligence artificielle devient un enjeu central de la compétition entre puissances. Les États cherchent à sécuriser semi-conducteurs, centres de données, énergie, modèles, données et compétences scientifiques.
Les chaînes d’approvisionnement se régionalisent. Les conditions d’accès, les politiques de filtrage et les normes de sécurité divergent. Des écosystèmes nord-américains, chinois, européens ou nationaux se développent selon des cadres juridiques et politiques distincts.
La fragmentation peut stimuler l’investissement et la diversification technologique. Elle peut aussi ralentir la circulation des connaissances, multiplier les incompatibilités et encourager les usages militaires. Les mêmes architectures peuvent servir à analyser des images médicales, piloter des robots industriels, détecter des vulnérabilités ou coordonner des équipements stratégiques.
À l’horizon 2050, la souveraineté numérique pourrait ainsi se mesurer à la capacité d’un pays à entraîner, déployer, auditer et maintenir ses propres systèmes cognitifs.
5. Le scénario d’intelligence collective hybride
Dans un quatrième scénario, les intelligences artificielles deviennent les composantes d’infrastructures collectives de connaissance. Elles ne sont plus uniquement des produits individuels ou des instruments privés ; elles participent à des plateformes universitaires, publiques et coopératives.
Ces architectures associent modèles auditables, bases de connaissances partagées, simulations, agents spécialisés et procédures de validation collective. Les universités peuvent y jouer un rôle central en réunissant recherche, formation, expertise disciplinaire et mission publique.
Dans la science, des réseaux d’agents analysent les publications, proposent des expériences et coordonnent des laboratoires. Dans la prospective, ils confrontent des scénarios, suivent des indicateurs et cartographient les controverses. Dans les territoires, ils contribuent à simuler les effets des politiques de mobilité, d’énergie ou d’aménagement.
Le principal obstacle n’est pas exclusivement technique. Une intelligence collective exige la diversité des sources, la contestabilité des décisions, la traçabilité des raisonnements et la capacité des institutions à reconnaître et corriger leurs erreurs. La connexion de nombreux agents ne produit pas automatiquement une intelligence collective ; elle peut ne constituer qu’une automatisation distribuée.
Ce scénario rejoint l’hypothèse du Cybionte, selon laquelle la société planétaire forme progressivement un système composé d’individus, d’organisations, de réseaux et d’artefacts développant des fonctions de perception, de mémoire et de coordination. L’IA pourrait devenir l’un de ses organes cognitifs. Mais la métaphore ne doit pas masquer les conflits, les asymétries et les choix qui structurent ce système.
6. Les bifurcations décisives
Le passage d’un scénario à l’autre dépendra principalement de trois variables. La première sera la fiabilité des agents : si les erreurs diminuent suffisamment sur les tâches longues, les systèmes pourront prendre en charge des processus complets ; dans le cas inverse, ils resteront étroitement supervisés.
La deuxième variable concernera la distribution du calcul. Une intelligence performante mais très coûteuse restera concentrée dans quelques infrastructures ; des modèles sobres et déployables localement favoriseront une diffusion plus large.
La troisième résidera dans la vérification. L’absence de mécanismes fiables de citation, de preuve et d’audit limitera les usages critiques. Leur développement pourrait au contraire accélérer la délégation de responsabilités.
D’autres facteurs interviendront, notamment le transfert des modèles multimodaux vers la robotique, l’efficacité énergétique et la fréquence des incidents de sécurité. Mais la robustesse, la distribution et la vérifiabilité formeront vraisemblablement le cœur de la bifurcation.
7. Ce que l’on peut raisonnablement anticiper
Il serait excessif d’affirmer qu’une intelligence artificielle générale sera nécessairement atteinte avant 2050. La notion demeure ambiguë : elle peut désigner une compétence moyenne comparable à celle d’un humain, une autonomie complète, une polyvalence économique ou une capacité scientifique supérieure.
Il est en revanche plausible que les systèmes de 2050 possèdent une multimodalité native, une mémoire durable, une utilisation autonome des outils, une personnalisation avancée, une interaction régulière avec des robots et des mécanismes de vérification plus systématiques.
La distinction entre logiciel classique et intelligence artificielle devrait progressivement s’estomper. La plupart des systèmes numériques incorporeront des capacités d’apprentissage, de génération ou de planification. L’IA deviendra moins visible comme produit distinct, mais plus présente comme couche générale de fonctionnement.
La question ne sera donc plus principalement de savoir si une organisation utilise l’intelligence artificielle. Elle portera sur le degré d’autonomie accordé aux systèmes, la traçabilité de leurs décisions et la réversibilité de leurs actions.
Conclusion
Entre 1950 et 2026, l’intelligence artificielle a traversé plusieurs changements de paradigme. L’IA symbolique a voulu représenter explicitement le raisonnement. Les systèmes experts ont concentré cette ambition sur des domaines spécialisés. L’apprentissage statistique a déplacé l’effort de la programmation des règles vers l’exploitation des données. L’apprentissage profond a automatisé la construction des représentations. Les modèles fondamentaux ont permis d’adapter une même architecture à de nombreuses tâches. Les agents ajoutent désormais l’utilisation d’outils et l’exécution d’actions en plusieurs étapes.
Cette évolution n’est ni linéaire ni indépendante de ses conditions matérielles. Chaque phase repose sur une combinaison particulière de théories, de matériel, de données, d’énergie, de capitaux, d’institutions et de travail humain. La montée en puissance des modèles depuis 2010 tient moins à une invention isolée qu’à la convergence entre architectures neuronales, calcul parallèle, corpus massifs et infrastructures industrielles.
À l’horizon 2050, plusieurs trajectoires demeurent ouvertes : coopération maîtrisée, concentration oligopolistique, fragmentation géopolitique ou intelligence collective hybride. Ces futurs dépendront du coût du calcul, de l’efficacité énergétique, de la robustesse des agents, de la sécurité des outils, de l’ouverture des infrastructures et de la capacité à auditer les actions.
L’expérience de rédaction assistée par Copilot confirme cette ambivalence à petite échelle. L’IA accélère l’exploration et la structuration, mais peut produire des erreurs dans une langue parfaitement fluide. Elle ne supprime donc pas le besoin de recherche, de vérification et de jugement ; elle le renouvelle.
L’histoire longue des techniques peut être lue comme une succession d’externalisations. Les machines industrielles ont externalisé une partie de l’effort physique ; le numérique, une partie de la mémoire ; l’intelligence artificielle commence à externaliser certaines opérations de perception, de génération, de raisonnement et de coordination. Cette troisième externalisation ne supprime pas l’intelligence humaine. Elle transforme sa place au sein des systèmes de connaissance et de production.
La question fondamentale de 2050 ne sera peut-être plus de savoir si une machine « pense » au sens envisagé par Turing. Elle sera de déterminer comment les capacités de calcul, d’apprentissage et d’action sont distribuées, vérifiées et coordonnées entre individus, organisations, plateformes et agents artificiels.
Le défi majeur ne consistera pas seulement à construire des systèmes plus performants, mais à concevoir des architectures dans lesquelles leur puissance demeure vérifiable, réversible, distribuée et compatible avec l’autonomie des personnes et des institutions.
Références bibliographiques
Bostrom, N. (2014). Superintelligence: Paths, Dangers, Strategies. Oxford University Press.
Brown, T. B., Mann, B., Ryder, N., et al. (2020). « Language Models are Few-Shot Learners ». Advances in Neural Information Processing Systems, 33.
Christian, B. (2020). The Alignment Problem: Machine Learning and Human Values. W. W. Norton.
Coeckelbergh, M. (2020). AI Ethics. MIT Press.
Crawford, K. (2021). Atlas of AI: Power, Politics, and the Planetary Costs of Artificial Intelligence. Yale University Press.
Goodfellow, I., Pouget-Abadie, J., Mirza, M., et al. (2014). « Generative Adversarial Nets ». Advances in Neural Information Processing Systems, 27.
Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). « ImageNet Classification with Deep Convolutional Neural Networks ». Advances in Neural Information Processing Systems, 25.
LeCun, Y., Bengio, Y., & Hinton, G. (2015). « Deep Learning ». Nature, 521, 436-444.
McCarthy, J., Minsky, M. L., Rochester, N., & Shannon, C. E. (1955). A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence.
Mitchell, M. (2019). Artificial Intelligence: A Guide for Thinking Humans. Farrar, Straus and Giroux.
Newell, A., & Simon, H. A. (1972). Human Problem Solving. Prentice-Hall.
Nilsson, N. J. (2010). The Quest for Artificial Intelligence: A History of Ideas and Achievements. Cambridge University Press.
O’Neil, C. (2016). Weapons of Math Destruction: How Big Data Increases Inequality and Threatens Democracy. Crown.
Russell, S. (2019). Human Compatible: Artificial Intelligence and the Problem of Control. Viking.
Russell, S. J., & Norvig, P. (2021). Artificial Intelligence: A Modern Approach. 4th ed. Pearson.
Silver, D., Huang, A., Maddison, C. J., et al. (2016). « Mastering the Game of Go with Deep Neural Networks and Tree Search ». Nature, 529, 484-489.
Simon, H. A. (1960). The New Science of Management Decision. Harper & Brothers.
Stanford Institute for Human-Centered Artificial Intelligence. (2026). The 2026 AI Index Report. Stanford University.
Turing, A. M. (1950). « Computing Machinery and Intelligence ». Mind, 59(236), 433-460.
Vaswani, A., Shazeer, N., Parmar, N., et al. (2017). « Attention Is All You Need ». Advances in Neural Information Processing Systems, 30.
Weizenbaum, J. (1976). Computer Power and Human Reason: From Judgment to Calculation. W. H. Freeman.
Wiener, N. (1950). The Human Use of Human Beings: Cybernetics and Society. Houghton Mifflin ; édition révisée, 1954.
Wooldridge, M. (2020). The Road to Conscious Machines: The Story of AI. Pelican.
Zuboff, S. (2019). The Age of Surveillance Capitalism: The Fight for a Human Future at the New Frontier of Power. PublicAffairs.
Déclaration relative à l’usage de l’intelligence artificielle
Cet article a été conçu et dirigé par Michel Saloff-Coste avec l’assistance de Microsoft 365 Copilot. Le système a contribué à l’organisation de la chronologie, à l’identification de références, à la comparaison des sources et à l’élaboration des scénarios. Les informations, citations et références principales ont fait l’objet d’une vérification distincte. L’auteur a défini la problématique, sélectionné les interprétations, corrigé les erreurs et assume l’entière responsabilité intellectuelle du texte final.
Aucun commentaire:
Enregistrer un commentaire