Vous souvenez-vous du sentiment de surprise et de joie lorsque vous avez découvert pour la première fois que toutes les choses et tous les phénomènes de ce monde sont liés les uns aux autres - plus ou moins - selon un modèle de corrélation appelé cause-effet : si tel est le cas, alors c'est , ou cet événement est la raison menant à cet événement.
Cela semble « macro », mais en fait c'est extrêmement simple et il s'agit d'une catégorie de compétences humaines de base. La recherche scientifique montre que nous commençons à comprendre le principe de cause à effet dès l'âge de huit mois - alors que nous ne pouvons pas encore parler. Cela nous aide à faire des déductions élémentaires sur l’existence de choses et de phénomènes dans le monde environnant. Cependant, la plupart d'entre nous ne peuvent pas se souvenir de beaucoup de choses avant l'âge de trois ou quatre ans, donc la capacité de percevoir les causes et les effets, qui aide à répondre aux questions du « pourquoi », devient progressivement une compétence de base, que nous pouvons simplement prendre pour acquis.
Cependant, en réalité, il s'agit non seulement d'une leçon importante pour que les gens comprennent le monde qui les entoure, mais aussi d'une compétence pour laquelle les systèmes d'intelligence artificielle (IA) d'aujourd'hui sont encore assez mauvais et qui devrait être améliorée pour obtenir de meilleures performances.
La capacité des systèmes d’IA modernes à battre les joueurs de Go ou les conducteurs de voitures dans des rues bondées ne doit pas nécessairement être comparée au type d’intelligence que les humains peuvent utiliser pour maîtriser ces possibilités. En effet, les humains – même lorsqu’ils sont nourrissons – possèdent déjà la capacité de généraliser des situations en appliquant leurs connaissances d’un domaine à un autre. Pour que l’IA atteigne son plein potentiel, c’est également ce qu’elle doit faire.

La capacité à raisonner les causes et les effets est la prochaine compétence que l’IA doit acquérir
Par exemple, si un robot IA apprend à construire une maison en utilisant des briques, ses compétences en analyse de cause à effet peuvent l'aider à comprendre et à réaliser qu'il peut également utiliser ces briques pour construire une maison, un pont ou même des structures avec des structures plus complexes. . En d’autres termes, cela peut être réalisé lorsque l’IA possède les compétences nécessaires pour comprendre les relations de cause à effet entre différentes variables environnementales.
Un monde de formation virtuel pour l’IA
Nous avons besoin d’un environnement de formation en IA approfondi qui permette aux modèles avancés d’apprentissage automatique de mieux se généraliser à différents changements dans les caractéristiques environnementales, telles que la masse ou la forme des objets. Par exemple, lorsqu'un robot apprend à ramasser un objet spécifique, nous pouvons nous attendre à ce qu'il soit capable de reconnaître dans quelle position il doit se tenir, ainsi que la force à utiliser pour ramasser un objet lourd et volumineux. à condition qu'il comprenne les applications appropriées de la cause et de l'effet dans chaque cas donné. C'est ce qui a incité les scientifiques à créer un outil appelé CausalWorld.
C'est le type d'environnement de formation virtuel dont nous entendons souvent parler dans les films de science-fiction, comme dans Matrix : un monde virtuel dans lequel les règles ne s'appliquent pas. En revanche, dans CausalWorld, les chercheurs peuvent systématiquement former et évaluer leurs méthodes dans des environnements robotiques. Tout dépend des règles – et de la manière dont elles sont appliquées. Là, les robots peuvent se voir confier des tâches similaires à celles lorsque les enfants jouent avec des Lego, ainsi que d'autres jeux liés aux compétences d'analyse des causes et des effets. Les chercheurs peuvent intervenir pour tester la capacité du robot à généraliser au fur et à mesure de son entraînement. Il s’agit essentiellement d’un environnement de test qui permet d’évaluer comment l’IA peut généraliser le problème.
Une fois que vous maîtriserez la capacité d’analyser les causes et les effets, les performances des systèmes d’IA s’amélioreront plusieurs fois, ainsi que la capacité de fonctionner de manière indépendante plus efficacement.