opencog hyperon repousse les limites des modèles de langage

OpenCog Hyperon et l'avenir de l'IA : Au-delà des modèles de langage

OpenCog Hyperon et l’AGI : Au-delà des modèles de langage

Pour la grande majorité des utilisateurs du web, l’intelligence artificielle (IA) se résume à l’IA générative. Les modèles de langage de grande taille (LLM) comme GPT ou Claude sont devenus la porte d’entrée de facto vers un univers de possibilités infinies. Après avoir maîtrisé notre syntaxe et remixé nos mèmes, les LLMs ont conquis l'imaginaire collectif.

Faciles à utiliser et divertissants, ils sont souvent bluffants d’intelligence – malgré quelques hallucinations occasionnelles. Mais pendant que le grand public s'amuse avec leurs fonctions les plus visibles, les experts du secteur – chercheurs, ingénieurs, développeurs – visent un objectif bien plus ambitieux : l’intelligence artificielle générale (AGI), considéré comme le Graal de l’IA.

LLM vs AGI : une IA encore limitée

Pour les professionnels de l’IA, les LLM restent des outils puissants, mais limités : on parle ici d’une IA étroite, capable d’exceller dans des tâches spécifiques, entraînée sur des jeux de données précis, mais incapable de généraliser ou raisonner en dehors de son champ d’apprentissage.

Les limitations des modèles de deep learning sont progressivement mises en lumière, poussant ainsi la recherche vers des solutions plus intelligentes. Résultat : des systèmes plus avancés voient le jour, comme OpenCog Hyperon, un projet open-source développé par SingularityNET.

OpenCog Hyperon : une architecture hybride vers l’AGI

OpenCog Hyperon représente une nouvelle génération de plateforme de recherche en AGI. Basé sur l’intégration neuro-symbolique, il combine la capacité d’apprentissage automatique avec celle du raisonnement logique explicite. Cette approche hybride permet à l’IA de comprendre, raisonner et évoluer intelligemment, bien au-delà du simple traitement statistique.

Les éléments clés d’Hyperon incluent :

• Raisonnement symbolique
• Logique probabiliste
• Synthèse évolutive de programmes
• Apprentissage multi-agent

Cela permet de surmonter les limites bien connues des LLMs, notamment leur incapacité à déduire ou raisonner sur des concepts qu’ils n’ont jamais « vus » auparavant.

Les limites des modèles de langage (LLMs)

Les LLMs fonctionnent avant tout sur des associations probabilistes. Autrement dit, lorsqu’ils répondent à une question, ils ne "comprennent" pas la réponse – ils génèrent la combinaison de mots la plus probable selon leur base d’entraînement.

Leur force ? La reconnaissance de motifs à grande échelle. Leur faiblesse ? Le raisonnement abstrait et les déductions logiques. Lorsqu’ils rencontrent un problème complexe pour lequel aucun précédent n’existe dans leurs données d’apprentissage, ils sont rapidement dépassés.

À l’inverse, l’AGI vise à comprendre et appliquer les connaissances, à raisonner, à mémoriser, et à généraliser même avec peu de données disponibles.

Une IA dynamique basée sur la connaissance

Au cœur d’OpenCog Hyperon, on trouve Atomspace Metagraph, une structure de graphe flexible permettant de représenter différents types de savoirs : déclaratif, procédural, sensoriel, et orienté vers des objectifs.

Pour permettre l’exploitation de cet espace cognitif, Hyperon offre un langage unique : MeTTa (Meta Type Talk), spécialement conçu pour l’AGI. Contrairement à des langages comme Python, MeTTa agit sur le graphe en manipulant dynamiquement les structures de connaissance et en permettant un code auto-modifiable, indispensable pour une IA capable d’apprendre par elle-même.

Un raisonnement robuste sur la voie de l’AGI

L'approche neuro-symbolique mise en œuvre par Hyperon répond à une faiblesse majeure des IA statistiques : leur incapacité à effectuer un raisonnement en plusieurs étapes. Là où les LLM échouent sur des tâches abstraites, un système neuro-symbolique introduit une logique humaine plus raffinée.

Il est cependant crucial de garder à l’esprit qu’Hyperon ne signifie pas que l’AGI est sur le point d’être atteinte. Il s’agit plutôt d’une avancée significative qui ouvre la voie à des applications concrètes, en intégrant des mécanismes d’apprentissage autonomes et de structuration cognitive.

Les LLM continueront d’être utiles à court terme, mais le futur appartient à des systèmes plus intelligents, capables de comprendre, de raisonner et d’évoluer : d’abord via l’IA neuro-symbolique, ensuite – peut-être – par l’AGI complète.

Source image : Depositphotos

Article original disponible sur Artificial Intelligence News

@ReservoirLive