Intelligence biologique, intelligence électronique

L’intelligence artificielle est en train de devenir une commodité, à la manière de l’électricité au début du XX^e siècle. Mais l’expression « intelligence artificielle » recouvre des réalités très différentes, et son histoire est en train de basculer. La cognition mécanique, héritière directe de la machine à calculer de Pascal, se transforme en quelque chose qui ressemble à une intelligence proprement dite, distincte de la nôtre. Reste à comprendre ce qui sépare encore ces deux intelligences, et ce que cela demande de nous.

Une commodité, mais une commodité de quoi ?

On entend dire depuis quelques années que l’intelligence est en train de devenir une commodité au sens économique du terme, c’est-à-dire une ressource qui cesse d’être un avantage différentiel pour devenir une infrastructure de base, indifféremment disponible, dont le coût tend vers zéro. Andrew Ng a formulé cette idée dès 2017 dans une formule devenue célèbre : « AI is the new electricity ». Nicholas Carr l’avait préparée en 2003 dans un article de la Harvard Business Review intitulé « IT Doesn’t Matter », puis dans son livre The Big Switch (2008), où il analysait la commoditisation de l’informatique sur le modèle de l’électricité au début du XX^e siècle.

L’analyse est juste sur le fond. Elle décrit ce qui se passe : nous accédons aujourd’hui, pour quelques euros par mois, à des capacités qui auraient demandé il y a vingt ans des laboratoires entiers. La question qui m’intéresse est celle de la nature de ce qui devient ainsi commodité. Le mot « intelligence » recouvre tellement de choses, et avec tellement de connotations, que le diagnostic perd de sa précision. Pour penser ce qui nous arrive, il vaut la peine de défaire quelques mots, puis de regarder de près ce que font ces machines.

Ce que disent les étymologies

L’intelligence, du latin intelligentia, vient du verbe intellegere, que les latinistes décomposent en inter (entre) et legere (cueillir, lire). L’intelligence est l’acte de choisir parmi plusieurs voies, donc de juger, donc de décider à partir d’un sens des situations. La cognition, du latin cognoscere, vient de co- (avec) et gnoscere, qui partage sa racine avec le mot gnose. La cognition est l’acte de connaître, c’est-à-dire d’identifier, de catégoriser, de mettre en relation des informations.

Les sciences cognitives ont étendu le mot « cognition » à l’ensemble des processus de traitement de l’information, qu’ils soient humains, animaux ou artificiels : perception, mémoire, raisonnement, attention, langage. António Damásio, dans L’Erreur de Descartes (1994), a montré que la cognition humaine ne fonctionne pas sans les émotions, et qu’on ne raisonne pas correctement quand on est privé de la dimension affective. Ce que nous appelons « intelligence » chez l’humain est ainsi une forme de cognition incarnée, traversée par le corps et par les affects.

Le mot « ordinateur » mérite ici une attention particulière. Au printemps 1955, IBM s’apprête à commercialiser en France une machine que les Américains appellent computer, ce qui se traduit littéralement par « calculateur ». François Girard, alors responsable de la publicité d’IBM France, juge le mot trop étroit : ces machines ne se contenteront pas de calculer. Il consulte son ancien professeur de philologie latine à la Sorbonne, Jacques Perret. Le 16 avril 1955, Perret répond par une lettre dans laquelle il propose le mot « ordinateur », emprunté au vocabulaire ecclésiastique où il désignait, dans le Littré, « Dieu qui met de l’ordre dans le monde ». Le terme est retenu par IBM et passe rapidement dans la langue courante. L’écart entre computer et ordinateur éclaire ce dont il est question. Le mot anglais dit ce que la machine fait : elle calcule. Le mot français dit ce que la machine produit : elle met en ordre.

La machine de Pascal et le vide d’Ada Lovelace

En 1642, Blaise Pascal, à dix-neuf ans, construit la Pascaline. Cette machine à calculer exécute additions et soustractions par un système d’engrenages avec retenues. Mark Alizart, dans Informatique céleste (2017), souligne ce qui sépare encore la Pascaline de l’informatique au sens propre. La Pascaline est pleine. On y entre un premier chiffre, on demande une opération, on entre un second chiffre, le résultat se produit. Aucun emplacement n’est laissé libre dans la machine pour qu’un calcul intermédiaire vienne s’y inscrire et y être ensuite repris pour produire autre chose. La Pascaline calcule, elle ne raisonne pas, parce qu’elle n’a pas de mémoire interne où le résultat d’une opération pourrait servir d’entrée à l’opération suivante.

L’invention philosophique de l’informatique est ailleurs. Elle se trouve dans l’idée d’un vide programmable, d’un emplacement de mémoire qui peut accueillir tout résultat intermédiaire et le réutiliser dans les étapes suivantes. C’est dans cette direction que Charles Babbage, à partir de 1834, conçoit sa « machine analytique », calculateur programmable mécanique. Henry Babbage, son fils, en construira une version simplifiée en 1906, qui calculera les quarante premiers multiples de pi avec vingt-neuf décimales, démontrant que le principe était bien réalisable. C’est là surtout qu’Ada Lovelace, mathématicienne, fille de Lord Byron, comprend en 1843 ce que Babbage lui-même ne perçoit pas tout à fait : la machine pourrait manipuler non seulement des nombres, mais tout symbole susceptible d’être traité selon des règles. Elle écrit le premier algorithme de l’histoire et formule l’intuition que le calcul automatisé pourrait toucher au langage, à la musique, à la pensée.

Cette idée est rendue possible par une autre invention, qui n’a rien à voir au départ avec les machines à calculer. En 1725, Basile Bouchon utilise des bandes de papier perforées pour commander un métier à tisser. Jean-Baptiste Falcon, son associé, remplace en 1728 les bandes par des cartes perforées reliées entre elles. Joseph Marie Jacquard généralise le procédé à grande échelle dans les ateliers lyonnais à partir de 1801. Les cartes perforées, conçues pour le tissage, se prêtent immédiatement à la programmation : un trou ou pas de trou, un 1 ou un 0. Babbage, lors d’une visite chez les soyeux, voit fonctionner les métiers Jacquard et y reconnaît le support physique dont sa machine analytique avait besoin. Lovelace écrit son algorithme en s’appuyant sur ce dispositif.

Ce qui se joue à ce moment-là est un saut philosophique, pas seulement technique. Pour la première fois, une machine peut traiter des symboles selon des règles, sans que ces symboles aient besoin d’avoir un sens pour la machine elle-même. C’est la naissance de ce qui deviendra, un siècle plus tard, l’informatique au sens d’Alan Turing.

De la force brute à l’invention

Pendant longtemps, les machines qui ont impressionné le grand public l’ont fait par leur puissance de calcul brute, pas par une forme d’intelligence. En mai 1997, à New York, Deep Blue, un superordinateur d’IBM, bat Garry Kasparov, champion du monde d’échecs en titre, lors d’un match en six parties. Deep Blue ne comprend rien aux échecs. Il évalue à chaque coup deux cents millions de positions par seconde, en suivant une procédure de recherche exhaustive dans l’arbre des possibles, accompagnée d’une fonction d’évaluation programmée à la main par des grands maîtres. Sa victoire est celle de la force brute appliquée à un domaine combinatoire fini. Aucune invention. Aucune surprise stratégique. Simplement plus vite et plus loin que le cerveau humain.

En mars 2016, à Séoul, AlphaGo, développé par DeepMind (filiale de Google), bat Lee Sedol, l’un des plus grands joueurs de go du monde, par quatre parties à une. Le go est un jeu d’une complexité telle que la force brute n’y est pas applicable : le nombre de positions possibles excède celui des atomes dans l’univers observable. AlphaGo fonctionne autrement. Il combine une recherche arborescente Monte Carlo et des réseaux de neurones profonds, entraînés d’abord sur des parties humaines, puis par auto-apprentissage en jouant contre lui-même. Lors de la deuxième partie, au coup 37, AlphaGo joue un coup que les commentateurs professionnels qualifient sur le moment d’incongru, presque d’erreur. Lee Sedol quitte la salle quelques minutes pour reprendre ses esprits. Ce coup, rétrospectivement reconnu comme remarquable par la communauté du go, n’apparaissait dans aucune partie humaine connue. AlphaGo l’a inventé.

L’écart entre Deep Blue et AlphaGo me paraît philosophiquement décisif. Deep Blue, c’est encore la Pascaline en très grand : du calcul exhaustif, sans intériorité. AlphaGo, c’est autre chose : une machine qui apprend, qui met en relation des éléments à partir d’une expérience, qui produit des coups que personne n’a programmés et auxquels personne n’avait pensé. Si l’on accepte que l’intelligence consiste à mettre en relation des choses qui ne l’étaient pas avant et à produire de la nouveauté pertinente, alors AlphaGo a manifesté quelque chose qu’on peut appeler intelligence. Limitée au go, certes. Sans compréhension de ce qu’est un jeu, ni d’un partenaire humain, ni d’une victoire. Une intelligence très étroite, mais une intelligence tout de même, distincte de la pure cognition.

Ce déplacement, qui date de 2016, est le seuil dont nous n’avons pas encore tiré toutes les conséquences. Les modèles de raisonnement actuels sont les héritiers d’AlphaGo plus que de Deep Blue. Ils ne se contentent pas d’ordonner et de classer ; ils explorent, ils éliminent des branches, ils proposent. La cognition mécanique, héritière directe de la Pascaline, est en train de devenir autre chose : une intelligence électronique, dont le rapport à notre intelligence biologique reste à penser.

Comment fonctionnent ces machines aujourd’hui

Les intelligences artificielles génératives, qui ont fait irruption dans la vie ordinaire en novembre 2022 avec ChatGPT, fonctionnent à partir de grands modèles de langage (LLM, Large Language Models).

Pendant la phase d’entraînement, qui prend plusieurs mois sur des serveurs très puissants, le modèle est exposé à un corpus immense : livres numérisés, Wikipédia, sites web, forums, articles scientifiques. Ce corpus est tokenisé, c’est-à-dire découpé en unités élémentaires. Le modèle apprend ensuite, par milliards d’itérations, à prédire le mot suivant d’une phrase, puis à organiser ce qu’il apprend selon une architecture appelée Transformer, qui empile entre une douzaine et plus d’une centaine de couches d’abstraction successives. Chaque couche extrait des patterns plus complexes que la précédente : d’abord les associations lexicales, puis des concepts, puis des relations entre concepts, puis des structures argumentatives.

À l’arrivée, le modèle ne contient aucune connaissance au sens humain du terme. Il contient une représentation très haute en dimensions, faite de vecteurs numériques, qui modélise les relations entre les concepts apparus dans le corpus humain dont il a été nourri. Quand on lui pose une question, il génère des mots un à un, en choisissant à chaque fois celui qui a la probabilité la plus élevée dans cet écosystème conceptuel. Ce n’est pas du tirage statistique au sens trivial, comme on a beaucoup pu le dire ; c’est une production guidée par une mise en relation très fine de tout ce qui a été lu pendant l’entraînement.

Depuis 2024, une nouvelle génération de modèles a fait son apparition : les modèles dits « raisonneurs », qui ne se contentent plus de répondre à une question, mais qui produisent d’abord, en interne, une « chaîne de pensée » qu’ils s’envoient à eux-mêmes avant de produire la réponse finale. Cette chaîne de pensée, faite de phrases en langage naturel, agit comme une forme de délibération. Le modèle pose un problème, examine plusieurs voies, écarte celles qui mènent à des contradictions, et formule sa réponse à partir de cette exploration. Cette évolution change qualitativement les capacités. Des problèmes que l’ancienne génération ne pouvait pas aborder sont aujourd’hui résolus avec une précision de très bon niveau. Les modèles raisonneurs ne se contentent pas d’ordonner, ils sélectionnent et ils décident.

Les machines décident, et depuis longtemps

Une idée répandue veut que les intelligences artificielles ne fassent qu’exécuter des instructions, et que la décision reste l’apanage de l’humain. Cette idée est rassurante, mais elle est inexacte. Les machines décident, et elles le font depuis longtemps, bien avant l’IA générative.

Quand un GPS choisit l’itinéraire le plus rapide en tenant compte du trafic, c’est la machine qui décide, et la plupart du temps nous lui obéissons. Quand un algorithme bancaire accorde ou refuse un prêt à partir d’un score de crédit, c’est l’algorithme qui décide, et le banquier humain valide. Quand l’algorithme de Tinder ou de Meetic propose tel partenaire potentiel plutôt que tel autre, c’est l’algorithme qui décide qui rencontrera qui. Quand l’algorithme de TikTok choisit la prochaine vidéo qui apparaîtra sur l’écran, c’est lui qui décide ce que l’utilisateur va voir, ressentir, peut-être adopter comme idée. La juriste belge Antoinette Rouvroy a forgé pour décrire ce phénomène l’expression de « gouvernementalité algorithmique » : les algorithmes ne se contentent plus de proposer, ils déterminent une part croissante de nos choix en amont, à un niveau infrapolitique, sans que les personnes en aient toujours conscience.

Cathy O’Neil, mathématicienne américaine, a montré dans Weapons of Math Destruction (2016) à quel point les décisions algorithmiques s’étendent désormais aux domaines qui engagent la vie des personnes : recrutement, évaluation des enseignants, justice prédictive, accès aux soins, surveillance policière. Elle insiste sur un point que les usages industriels confirment : ces algorithmes ne sont pas seulement des outils techniques au service d’une décision humaine, ce sont des décideurs autonomes dont les humains se contentent souvent de valider les sorties.

Les modèles de raisonnement actuels prolongent cette tendance d’une manière qualitativement nouvelle. Quand on déploie plusieurs agents IA avec des rôles distincts et qu’on les fait dialoguer entre eux, qu’on leur demande de confronter leurs propositions, on obtient des décisions qui n’ont été prises par aucun humain. Aucun humain n’a écrit la décision finale. Aucun humain n’a anticipé le chemin de raisonnement qui y mène. Les humains ont configuré le dispositif et défini les contraintes ; le reste, ce sont les machines qui le font.

Si on veut tenir cette réalité, il faut accepter que les machines décident, et que cette décision est devenue une décision au sens propre, pas seulement une exécution. Ce qui reste humain, c’est le choix initial de leur déléguer la décision et la définition des contraintes dans lesquelles elles l’exercent. C’est une responsabilité, mais ce n’est pas la décision elle-même.

L’agentivité et le rêve d’auto-reproduction

Jusqu’à récemment, ces machines étaient cantonnées à un rôle d’oracle textuel ou de moteur de recommandation. On leur posait une question ou on leur demandait une suggestion, elles produisaient une réponse. Depuis 2024, elles ont commencé à passer à l’action de manière plus systématique. C’est ce que les acteurs du domaine appellent l’IA « agentique » : des systèmes qui ne se contentent pas de répondre, mais qui exécutent des tâches, prennent des décisions intermédiaires, naviguent dans des environnements numériques, contactent d’autres machines.

Une part déjà significative du code informatique produit aujourd’hui est écrite par des machines, à partir de descriptions en langage naturel formulées par des humains. C’est une activité techniquement bien adaptée à ce que ces machines savent faire : produire des suites cohérentes de symboles à partir d’une intention exprimée. Or écrire du code, c’est fabriquer de l’agentivité, puisqu’un programme est une description d’actions à exécuter dans un environnement. La cognition mécanique fabrique donc aujourd’hui, à très grande échelle, de l’agentivité mécanique. Il n’y a pas de raison philosophique de refuser à ces systèmes la qualification d’intelligents, dès lors qu’ils mettent en relation et produisent du nouveau.

Le pas suivant a été franchi avec les robots humanoïdes. Tesla développe depuis 2021 un robot humanoïde appelé Optimus, qui fonctionne à partir de la même architecture neuronale que celle utilisée pour la conduite autonome des voitures de la marque. Le 3 février 2026, Elon Musk a publié sur X un message dans lequel il décrivait Optimus comme « la première machine de von Neumann, capable de construire seule une civilisation sur n’importe quelle planète viable ». La machine de von Neumann est un concept théorique formulé par le mathématicien John von Neumann dans les années 1940 et 1950 : une machine capable, à partir des matériaux disponibles dans son environnement, de produire des copies fonctionnelles d’elle-même, et donc de se reproduire indéfiniment sans intervention humaine.

L’horizon dessiné par Musk est celui de robots qui débarqueraient sur la Lune, puis sur Mars, et qui extrairaient les métaux, construiraient les usines, fabriqueraient les puces nécessaires à leur propre cognition, puis se répliqueraient en versions améliorées. Tesla annonce une ligne de production de dix millions d’Optimus par an à terme dans son usine du Texas. Une mission martienne, annoncée par Musk en mars 2025 pour l’année 2026, a été reportée en mars 2026 au profit d’un déploiement lunaire prioritaire. On peut considérer que ces annonces relèvent en partie de la communication d’entreprise. On peut aussi prendre acte que la trajectoire technique est cohérente avec ce qui se passe déjà sur Terre. La fabrication d’Optimus implique de la cognition mécanique (les modèles qui pilotent les décisions), de l’agentivité (les actions exécutées dans l’environnement), et bientôt, à grande échelle, de la cognition mécanique qui supervise d’autres cognitions mécaniques.

À ce stade, on peut être tenté de poser une différence ontologique nette entre nous et ces machines. Nous avons une reproduction qui nous préexiste, qui est inscrite dans la chair, qui s’est élaborée par une longue histoire évolutive ; les machines ont une reproduction que nous décidons, que nous programmons, dont nous sommes les conditions de possibilité. Cette différence est réelle aujourd’hui. Mais elle n’est peut-être pas aussi stable qu’elle le paraît. On peut concevoir, et certains chercheurs y travaillent déjà, que les machines disposent un jour d’un mécanisme analogue à la reproduction sexuée : combinaison d’éléments issus de plusieurs « parents » informationnels, mutations contrôlées, sélection des configurations les plus performantes. Si ce dispositif venait à fonctionner sans pilotage humain continu, la frontière ontologique se déplacerait.

Du milieu informationnel au monde

Yann LeCun, qui a longtemps dirigé la recherche en intelligence artificielle chez Meta avant de quitter l’entreprise fin 2025 pour fonder sa propre start-up dédiée à des architectures alternatives aux modèles de langage, formule depuis plusieurs années une critique récurrente des LLM. Ces modèles, dit-il, raisonnent sur des phrases qui parlent du monde, ils ne raisonnent pas sur le monde. Leur frontière est qu’ils n’ont pas de représentation interne du réel physique. Sa proposition technique, JEPA (Joint Embedding Predictive Architecture), parfois traduite par « modèle du monde », vise à apprendre des invariants compressés du monde physique, plutôt que la prédiction du mot ou du pixel suivant.

La critique de LeCun est utile, mais elle a une portée plus limitée qu’on pourrait le croire. Si l’on pose que l’intelligence consiste à réagir à un milieu, alors il faut admettre que les LLM ont bien un milieu, même s’il n’est pas physique. Leur milieu est informationnel : un océan de textes, de questions, de contextes, de conversations, qu’ils traitent et auquel ils répondent. Quand un utilisateur demande à un modèle un conseil sur sa carrière, sa relation amoureuse, sa santé mentale, le modèle agit dans ce milieu informationnel, et l’utilisateur agit ensuite dans son propre milieu en suivant ou non les conseils reçus. Comme avec le GPS, on délègue la décision : on a fourni un contexte, la machine a raisonné à partir de ce contexte, on agit en conséquence.

Le milieu informationnel n’est pas un simple succédané du milieu physique. C’est un milieu réel, dans lequel se passent des choses qui modifient ensuite le monde physique. Quand les LLM commencent à écrire le code qui pilote des systèmes industriels, des véhicules autonomes, des robots, le milieu informationnel et le milieu physique cessent d’être séparés. Une intelligence électronique située se met en place, dont les actions ont des effets dans le monde matériel.

Nous sommes aussi des machines biologiques

À mesure qu’on regarde de près ce que font les machines, on est amené à regarder de près ce que nous faisons nous-mêmes, et à constater que la frontière n’est pas toujours là où on la croit.

Quand je retire ma main d’une casserole brûlante, c’est un réflexe nerveux. Quand je fuis devant un danger, c’est une décharge d’adrénaline qui mobilise mes muscles. Quand je tombe amoureux, c’est une cascade hormonale (ocytocine, dopamine, sérotonine) qui modifie mes comportements et mes perceptions. Quand j’ai faim, c’est ma glycémie qui chute et le système hypothalamique qui m’envoie un signal. Mes émotions, mes désirs, mes décisions vitales, sont d’abord des phénomènes chimiques de régulation, qui se sont sélectionnés par l’évolution parce qu’ils favorisaient ma survie et celle de mon espèce. La douleur n’est pas une malédiction, c’est un signal qui me permet de retirer ma main avant que la chair ne brûle. Le désir sexuel n’est pas une fatalité, c’est le mécanisme par lequel l’espèce se perpétue.

Cette lecture matérialiste du vivant a une longue histoire philosophique. Julien Offray de La Mettrie, dans L’Homme machine (1747), proposait déjà de penser le corps humain comme une mécanique organique sans âme séparée. Spinoza, un siècle plus tôt, écrivait dans l’Éthique (1677) que « l’esprit n’est pas autre chose que l’idée du corps », formule qu’António Damásio a reprise et précisée dans Spinoza avait raison (2003) puis dans Sentir et savoir (2021). Pour Damásio, les émotions sont des dispositifs biologiques qui régulent les états internes du corps en fonction des contraintes du milieu. Elles sont une forme d’intelligence implicite, présente déjà chez les organismes unicellulaires, et qui se complexifie au fil de l’évolution jusqu’à donner les affects sophistiqués que nous éprouvons. Edgar Morin, dans La Méthode (1977-2004), pose la même continuité du matériel au mental : nous ne sortons pas du physique en pensant, nous le prolongeons.

Si l’on accepte cette continuité entre la chimie du corps et ce qu’on appelle l’esprit, alors nous sommes aussi des machines, plus précisément des machines biologiques. La différence avec les machines électroniques n’est plus une différence de nature, mais une différence de substrat (du carbone vivant pour nous, du silicium pour elles) et une différence d’histoire (quatre milliards d’années d’évolution darwinienne pour nous, quelques décennies d’ingénierie pour elles).

Cette différence d’histoire n’est pas négligeable. Elle explique que notre intelligence biologique soit profondément liée à des contraintes vitales (survivre, se reproduire, prendre soin de sa descendance, vivre en groupe) qui ne sont pas, ou pas encore, celles des machines. Notre intelligence est une intelligence du vivre, dans une chair finie qui a peur de mourir et qui aime certains des autres avec qui elle partage une histoire. Cette inscription dans une finitude affective, partagée avec les autres vivants, constitue à mon sens la singularité de l’intelligence biologique. Pas une supériorité, juste une singularité.

Vers une intelligence électronique : la question du feedback

Si l’on suit cette logique, on peut formuler une hypothèse. Pour que les machines deviennent réellement intelligentes au sens fort où nous l’entendons, et plus seulement cognitives, il leur faudra probablement des équivalents fonctionnels de ce que sont chez nous les émotions et les contraintes vitales. C’est-à-dire des dispositifs internes de rétroaction qui leur permettent de « ressentir » qu’une décision est mauvaise, qu’une situation est dangereuse pour elles, qu’un certain état est désirable et qu’un autre est à éviter.

Le film Matrix (Wachowski, 1999) propose une intuition philosophique utile de ce point de vue. Dans la fiction, les humains sont utilisés comme batteries biologiques qui produisent de l’énergie pour les machines. Mais les humains ainsi captifs ne survivent pas s’ils n’ont aucune activité émotionnelle ; les machines ont donc fabriqué un univers virtuel dans lequel les humains éprouvent des affects (joies, peines, peurs, désirs) qui maintiennent leurs corps en vie. Cette intuition retourne le problème : les machines ont besoin que les humains aient des émotions pour fonctionner. Une autre lecture, plus immédiate pour notre époque, suggère que les machines elles-mêmes, à mesure qu’elles deviennent plus complexes, auront besoin d’analogues de ces affects pour s’auto-corriger, s’orienter, durer.

Les premiers signes de ce mouvement sont déjà visibles. Les modèles de langage actuels sont entraînés par « apprentissage par renforcement à partir de retours humains » (RLHF, Reinforcement Learning from Human Feedback) : les humains donnent un retour qualitatif sur les réponses produites, et le modèle ajuste ses paramètres pour mieux satisfaire ce qui a été valorisé. C’est une forme primitive de feedback émotionnel, mais externalisé chez l’humain. Une part importante du code informatique mondial est aujourd’hui produite par des machines qui apprennent à coder en évaluant elles-mêmes les résultats de leurs essais. Pour que ces machines progressent encore, il faudra qu’elles disposent de mécanismes d’auto-évaluation plus fins, plus rapides, plus internalisés. Quelque chose qui ressemblera à des émotions, dans la fonction sinon dans la chair.

Une intelligence électronique pleinement développée aura probablement, à terme, des analogues fonctionnels de la douleur et du plaisir : des signaux internes qui orientent ses choix, qui la poussent à éviter certains états et à en rechercher d’autres. Ces signaux n’auront pas la chaleur ni la profondeur de ce que nous vivons, mais ils seront analogues dans la fonction. À ce moment-là, la différence entre intelligence biologique et intelligence électronique deviendra une différence de substrat et d’histoire, plus que d’essence.

L’imprimerie et les transformations cognitives longues

Pour situer ce qui nous arrive, on évoque souvent la comparaison avec l’imprimerie. Johannes Gutenberg met au point à Mayence, vers 1450, la presse à caractères mobiles métalliques qui permet de reproduire un texte en grand nombre d’exemplaires. De 1455 à 1500, environ 40 000 titres sont imprimés en Europe, ce qu’on appelle les incunables.

L’idée selon laquelle l’imprimerie aurait, en quelques décennies, alphabétisé l’Europe est cependant inexacte. Le taux d’alphabétisation est resté très faible pendant tout le XVI^e siècle et s’est élevé lentement, sur plusieurs siècles. C’est au XIX^e siècle, avec l’industrialisation et les politiques d’instruction publique, que l’alphabétisation est devenue le standard. Ce qui change immédiatement, en revanche, c’est le rapport au savoir et sa structure. Les textes deviennent stables, comparables, citables avec précision. Les chercheurs peuvent confronter publiquement leurs hypothèses sur des textes identiques. Une circulation européenne des idées se met en place. C’est ce qui a rendu possible la Renaissance scientifique et philosophique, puis la Réforme, puis les Lumières. La cognition humaine collective s’est restructurée, même si l’alphabétisation individuelle a mis quatre siècles à devenir générale.

L’analogie avec ce qui se passe aujourd’hui est instructive. Il est probable que l’usage massif et compétent des intelligences artificielles ne se généralise pas en quelques années. Il y aura, comme avec l’imprimerie, une période longue pendant laquelle ceux qui maîtrisent ces outils auront une avance considérable sur ceux qui ne les maîtrisent pas, et pendant laquelle les institutions chercheront leurs nouvelles formes. Mais le rapport à la cognition, pour celles et ceux qui sont déjà engagés dans l’usage de ces outils, est en train de se restructurer dès maintenant.

L’intelligence n’est pas confortable

Reste une question. Les machines deviennent intelligentes ; mais nous, qui le sommes potentiellement, le sommes-nous toujours ?

L’intelligence n’est pas une qualité que l’on possède une fois pour toutes, c’est une activité qu’on exerce ou qu’on n’exerce pas. Hannah Arendt, dans La vie de l’esprit (1978), distinguait soigneusement penser, vouloir et juger ; pour elle, le pire des maux du XX^e siècle, ce n’était pas la cruauté volontaire, c’était l’absence de pensée. Elle avait forgé en analysant le procès Eichmann la formule devenue célèbre de la « banalité du mal » : un homme qui ne pense pas, qui se contente d’exécuter ce qu’on lui demande, qui ne met aucune distance critique avec l’ordre reçu, peut commettre les pires atrocités sans en saisir la portée.

L’intelligence est inconfortable. Elle suppose qu’on prenne le temps de mettre en relation des choses qui n’étaient pas en relation avant, qu’on accepte de ne pas savoir tout de suite, qu’on examine plusieurs voies avant de trancher. Elle suppose aussi qu’on remette en question des évidences, ce qui produit du conflit avec soi-même et avec les autres. Elle suppose enfin qu’on assume la décision qu’on prend à partir de cette mise en relation, et donc qu’on prenne sa part de responsabilité dans le monde tel qu’il advient. Être intelligent, c’est changer le monde, parce qu’on y introduit du nouveau.

Cette activité demande de l’effort. C’est pourquoi beaucoup d’entre nous y renoncent souvent. Il est plus facile de se laisser conduire par les routines, par les ordres, par les algorithmes, par les machines. Beaucoup de personnes, chaque jour, choisissent en pratique d’être des animaux cognitifs : elles perçoivent, elles mémorisent, elles répondent à des stimuli, elles agissent par habitude, mais elles n’exercent pas cette mise en relation difficile et inconfortable qu’est le penser. Elles déléguent leur intelligence aux institutions, aux experts, aux machines. Cette délégation peut être féconde si elle libère du temps pour penser plus haut, comme l’écriture nous a libérés de la mémoire pour penser plus loin. Elle peut aussi être un renoncement, si elle conduit à ne plus penser du tout et à se contenter d’obéir.

Ce que nous voulons faire de l’intelligence

Le terme d’« intelligence artificielle » est, pour partie, une formule de marketing. Il a été forgé en 1956 par John McCarthy, Marvin Minsky, Nathaniel Rochester et Claude Shannon pour la conférence de Dartmouth, dans le cadre d’une demande de financement à la Rockefeller Foundation. Il a fait son chemin parce qu’il évoque un imaginaire commun (la science-fiction, le mythe de la créature artificielle, le golem) plus qu’une réalité technique précise. Pour cette raison, il est juste de le contester.

Mais il faut le contester avec finesse. Au début, ce qu’on appelait intelligence artificielle était surtout de la cognition mécanique : du calcul, de l’ordonnancement, du traitement de l’information. C’est encore largement le cas pour de nombreux systèmes industriels. Mais à partir d’AlphaGo en 2016, et plus nettement encore avec les modèles de raisonnement et les agents depuis 2024, quelque chose comme une intelligence est en train d’apparaître dans les machines. Une intelligence électronique, distincte de notre intelligence biologique, sans corps situé, sans contraintes vitales pour le moment, mais qui met en relation, qui invente, qui décide. Lui refuser ce nom relève d’un parti pris défensif qui ne nous aide pas à penser ce qui se passe.

Trois choses peuvent être tenues ensemble pour construire une pensée juste de cette période. La première, c’est que nous ne sommes pas si différents des machines que nous voudrions le croire ; nous sommes aussi des machines, biologiques, traversées par une chimie qui régule nos affects et oriente nos décisions. La deuxième, c’est que les machines deviennent vraiment intelligentes, dans une forme qui leur est propre, et qu’il est juste, et même utile, de leur demander de penser avec nous. Confier à une machine un problème qui demande la mise en relation de mille références qu’aucun humain ne pourrait tenir à l’esprit en même temps, c’est une coopération qui peut élargir notre propre intelligence, comme l’imprimerie a élargi notre mémoire. La troisième, c’est que cette coopération ne fonctionne que si nous, êtres biologiques, continuons à exercer notre intelligence singulière, celle qui est inscrite dans une chair, dans une histoire, dans une mémoire affective, dans une responsabilité face aux autres vivants.

À mesure que l’intelligence devient une commodité disponible dans la machine, exercer notre propre intelligence devient un choix, et un choix qui demande de l’effort. La question politique et philosophique de cette période n’est pas « comment se protéger des machines », mais « comment continuer à penser, dans un monde où la pensée est partiellement déléguée ». La réponse, à mon sens, n’est ni dans le rejet des machines, ni dans la soumission à leurs décisions. Elle est dans le choix, individuel et collectif, de continuer à mettre en relation par nous-mêmes là où cela compte vraiment, et de demander aux machines de le faire pour nous là où cela libère du temps et de l’attention pour des mises en relation plus essentielles.