B2 · Episode 14 · 5:30
What Can Artificial Intelligence Actually Do?
This episode explores the four core capabilities of artificial intelligence: seeing (perception and classification), predicting (e.g., next-word prediction, fraud detection), generating (text, images, code), and acting (e.g., robotics). It emphasizes that these seemingly diverse functions stem from a shared underlying logic—identifying and leveraging patterns or regularities in data.
Source：Sismique · License：CC BY 3.0
Transcript
Si dans une conversation écrite,
If, in a written conversation,
vous n'arrivez plus à distinguer la machine d'un humain,
you can no longer tell the machine apart from a human,
alors la machine passe le test.
then the machine passes the test.
Et peut- être faut- il alors cesser, au moins provisoirement,
And perhaps we should then—at least temporarily—stop
de chicaner sur les mots
quibbling over words
et regarder ce que la machine est capable de produire comme effet.
and instead look at what effects the machine is actually capable of producing.
Alors ce test ne règle pas, comme on le voit, la question de l'intelligence,
So, as we can see, this test does not settle the question of intelligence;
il la déplace.
it shifts it.
Et c'est exactement ce déplacement qui m'intéresse ici.
And it’s precisely this shift that interests me here.
Et on reviendra beaucoup plus tard dans cette série sur ce que penser ou comprendre
Later on in this series, we’ll return in much greater depth to what “thinking” or “understanding”
pourrait vouloir dire pour une machine.
might mean for a machine.
Mais pour l'instant, je vous propose de faire comme Turing.
But for now, I invite you to follow Turing’s lead.
Reposez la valise, oubliez un moment le mot intelligence,
Put down your suitcase; forget the word ‘intelligence’ for a moment,
et posez une question plus terre à terre.
and ask a more down-to-earth question.
Pas« est- ce que c'est intelligent? »
Not “Is it intelligent?”
mais donc« qu'est- ce que ces systèmes savent faire concrètement? »
but rather, “What can these systems actually do?”
Et là, bonne nouvelle,
And here’s some good news:
ça se range dans des cases bien nettes, bien nettes comme on les aime.
this can be neatly sorted into clear categories—just the kind we love.
derrière le fouillis du mot, il y a en réalité quelques grandes familles de choses
Behind the messy word itself, there are actually several broad families of things
que l'IA sait faire.
that AI can genuinely do.
Et on peut en retenir quatre.
We can identify four main types.
La première, c'est voir,
The first is ‘seeing’,
entre guillemets.
in quotation marks.
Percevoir, reconnaître, classer, distinguer un visage sur une photo,
Perceiving, recognizing, classifying—for instance, identifying a face in a photo,
une tumeur sur une radio, une pièce défectueuse au bout d'une chaîne de montage,
spotting a tumor in an X-ray, detecting a defective part at the end of an assembly line,
transcrire une voix en texte, reconnaître une chanson en trois secondes,
transcribing speech into text, recognizing a song within three seconds,
traduire d'une langue à l'autre.
or translating between languages.
Souvenez vous des systèmes discrets dont je parlais au premier épisode,
Remember the discrete systems I mentioned in the first episode?
ceux qui travaillent déjà dans les
those systems
coulisses depuis des années.
have already been operating behind the scenes for years.
Pour beaucoup, c'est ça qu'ils font.
For many people, this is what they do.
Ils voient et ils trient.
They see and sort.
La deuxième famille, c'est prédire.
The second family is prediction.
À partir de ce qu'elle a vu, la machine devine la suite.
Based on what she saw, the machine guesses what happens next.
Elle vous recommande la prochaine vidéo,
She recommends the next video to you,
elle anticipe la panne d'une machine- outil avant qu'elle n'arrive.
and anticipates a machine tool breakdown before it happens.
Elle estime le risque d'un crédit,
She assesses the risk of a loan,
elle repère une fraude dans un torrent de transactions.
and she detects fraud in a torrent of transactions.
Et puis il y a une forme de prédiction, en apparence anodine,
And then there’s a form of prediction that appears harmless,
qui s'est révélée étonnamment être le cœur du réacteur aujourd'hui:
which has surprisingly turned out to be the core of the reactor today:
prédire le mot suivant dans une phrase.
predicting the next word in a sentence.
Ça c'est pour l'essentiel le mécanisme de base derrière ChatGPT.
This is the basic mechanism behind ChatGPT.
Mot après mot, il calcule ce qui a le plus de chances de venir ensuite.
Word by word, he calculates what is most likely to come next.
On va y revenir dans un instant
We'll come back to this in a moment,
parce que c'est plus vertigineux que ça n'y paraît au premier abord.
because it's more dizzying than it first appears.
La troisième famille, c'est générer.
The third family is generation.
Et là on voit en fait le résultat de cette capacité à prédire poussée à très grande
Here, we actually see the result of this predictive ability pushed to a massive scale.
échelle. La machine produit du neuf, un texte, une image, du code,
The machine generates entirely new content: text, images, code,
une voix ou une vidéo.
voice, or video.
Et c'est cette famille générative qui a explosé dans le débat public fin 2022,
And it was this generative family that exploded into public debate at the end of 2022,
notamment parce qu'elle nous fascine.
notably because it fascinates us.
Parce que pour la première fois,
Because, for the first time,
des millions de gens ont eu sous les yeux une machine capable de produire des
millions of people saw, right before their eyes, a machine capable of generating responses in everyday language,
réponses en langage courant, une machine qui, par moments,
a machine that, at times,
brouille pour de bon le vieux test de Turing.
genuinely blurs the boundaries of the classic Turing test.
La quatrième et la plus récente, c'est agir.
The fourth and most recent one is acting.
Et comme c'est elle qui change tout en ce moment et dont on parle vraiment
And since it’s the one currently transforming everything and truly being talked about,
énormément, je la garde pour la fin.
I’ll save it for last.
Le point important, c'est que ce ne sont pas quatre machines différentes posées sur
The key point is that these are not four separate machines placed side by side on a shelf.
une étagère. C'est une même logique de fond qui irrigue ces quatre familles.
Rather, it’s a single underlying logic that runs through all four categories.
Et prenons juste un instant pour mesurer en fait ce que ça veut dire.
Let’s pause for just a moment to grasp what this actually means.
Une même famille de méthodes qui sait reconnaître un visage,
A single family of methods can recognize a face,
qui sait deviner le mot suivant, qui sait écrire une page.
predict the next word, and even write an entire page.
Et déjà amené une tâche à votre place,
It has already taken over certain tasks from you,
et qui est maintenant capable de le faire mieux que vous.
and is now capable of doing them better than you can.
Aucun outil dans toute l'histoire humaine n'avait couvert un éventail pareil.
No tool in all of human history has ever covered such a wide range.
Le marteau enfonce des clous, le téléphone transporte la voix,
A hammer drives nails; a telephone transmits voice;
chaque machine faisait sa chose.
each machine had its own specific function.
Là, on a une seule famille de systèmes qui déborde sur presque tout ce qu'on croyait
Here, however, we have a single family of systems that overflows into nearly everything once thought exclusive to the human mind,
réservé à l'esprit, et qui déborde déjà, via les robots notamment,
and—especially via robots—
sur ce qu'on croyait réservé à notre corps.
has already spilled over into what we once believed belonged solely to our bodies.
Qu'on trouve ça emballant ou inquiétant, et ce sera sans doute les deux,
Whether you find this thrilling or unsettling—or likely both—
il faut commencer par le reconnaître.
we must begin by acknowledging it.
C'est en soi complètement dingue.
In itself, this is utterly mind-blowing.
Faire bien mieux que les humains, là, je suis désolé, c'est déjà fait.
Outperforming humans significantly? Sorry, that’s already happened.
Ça fait longtemps que les intelligences artificielles font mieux que nous en
AI has long outperformed us in cancer diagnosis,
diagnostic de cancer, mieux que nous en diagnostic de fracture,
in fracture diagnosis,
mieux que nous en jeu de go, mieux que nous en toutes sortes d'activités,
in playing Go, and in countless other activities.
donc là, c'est déjà fait.
So yes—it’s already done.
Donc à partir de là, il y a une question évidente qui se pose,
So from here, an obvious question arises:
qui est: comment une même approche peut- elle faire des choses aussi différentes?
How can a single approach accomplish such vastly different things?
Voir une tumeur, comme je l'ai dit, écrire un poème, conduire une voiture,
Seeing a tumor, as I mentioned earlier, writing a poem, driving a car,
des choses qui n'ont a priori strictement rien à voir.
things that, at first glance, have absolutely nothing to do with each other.
Et la réponse tient en un mot,
And the answer lies in a single word:
et c'est sans doute l'idée la plus importante de cet épisode:
and it’s likely the most important idea of this episode:
les régularités.
regularities.
ce qu'on appelle aussi des motifs, ou en anglais des patterns.
what we also call ‘patterns’—or, in English, ‘patterns.’
Alors c'est quoi des régularités?
So, what exactly are regularities?
On va essayer de faire simple et si possible clair.
Let’s try to keep it simple—and, if possible, clear.
Parce que ça explique vraiment tout le reste.
Because this truly explains everything else.
Il y a une évidence qu'on n'en marque vraiment même plus.
There’s an obvious truth we no longer even notice.
Faut partir d'une évidence
We need to start from an obvious fact—
que souvent on n'a pas en tête, qu'on ne remarque plus.
one we often overlook, one we no longer pay attention to.
Des régularités, il y en a partout.
Regularities are everywhere.
Dans la langue, ce sont des mots qui reviennent ensemble, une grammaire,
In language, they’re words that frequently appear together, grammar rules,
des tournures de phrases.
and common sentence structures.
Dans les images, un visage
In images, take a human face, for example—
par exemple, c'est presque toujours la même chose.
it’s almost always the same.
C'est deux yeux, un nez, une bouche,
It has two eyes, a nose, and a mouth,
avec un certain agencement qui varie, mais
arranged in a certain way—though that arrangement varies slightly—
voilà, ça ressemble à peu près à ça,
but overall, it looks roughly like this,
et on le dessine rapidement quand on est enfant.
and children can sketch it quickly.