Les personnages qui ont fait l'intelligence artificielle, de la machine analytique à AlphaFold. Pour chacun, la découverte ou le principe fondateur qu'on lui doit, et son portrait lorsqu'il en existe un diffusable.
Toutes les images de cette page sont soit dans le domaine public, soit sous licence Creative Commons : l'auteur et la licence sont indiqués sous chaque vignette et repris dans le tableau des crédits en fin de page.
Dix personnages n'ont aucune photographie diffusable. Les photographies qui existent d'eux sont sous droits : les publier ici serait une contrefaçon. Leur place est donc tenue par une vignette vide qui renvoie à une notice.
La machine analytique, premier projet de calculateur programmable doté d’une mémoire et d’une unité de calcul. Dans ses notes de 1843, Ada Lovelace publie la première description détaillée d’un programme et observe que la machine pourrait traiter des symboles quelconques, et pas seulement des nombres.
La machine de Turing définit ce qui est calculable par une procédure mécanique. Elle fonde l’idée qu’une seule machine universelle peut exécuter n’importe quel calcul, donc n’importe quel programme.
Warren McCulloch
pas de photo libre
Le neurone formel. Le neurone est ramené à une unité à seuil : il additionne ses entrées et s’active si la somme dépasse un seuil. Un réseau de telles unités peut calculer n’importe quelle proposition logique. C’est l’ancêtre direct du neurone artificiel.
L’architecture à programme enregistré : les instructions sont rangées en mémoire comme les données. Toute l’informatique, et donc toute l’IA, s’exécute encore sur ce principe.
La cybernétique, étude des systèmes qui se règlent par rétroaction en comparant leur résultat à un but. L’idée d’un écart qui corrige le comportement annonce l’apprentissage par l’erreur.
Donald Hebb
pas de photo libre
La règle de Hebb : deux neurones qui s’activent ensemble renforcent leur liaison. C’est le premier mécanisme d’apprentissage formulé au niveau de la connexion, c’est-à-dire du poids.
Le jeu de l’imitation, dit test de Turing. Plutôt que de demander si une machine pense, on demande si un interlocuteur humain peut la distinguer d’un humain. La question passe de la nature de l’esprit à un critère observable.
Arthur Samuel
pas de photo libre
Un programme de jeu de dames qui s’améliore en jouant contre lui-même : la première démonstration qu’un programme peut acquérir une compétence que son auteur ne lui a pas écrite. Samuel popularise l’expression machine learning.
Nathaniel Rochester
pas de photo libre
Le projet de recherche d’été de Dartmouth. Le terme intelligence artificielle apparaît pour la première fois dans ce texte, avec pour hypothèse de travail que tout aspect de l’intelligence peut être décrit assez précisément pour qu’une machine le simule.
Le perceptron, première machine qui apprend. À chaque erreur, les poids des entrées sont corrigés dans le sens qui réduit l’écart. Rosenblatt en construit une version matérielle, le Mark I Perceptron, dont les poids sont des potentiomètres réglés par des moteurs.
Allen Newell
pas de photo libre
Le General Problem Solver et l’hypothèse du système de symboles physiques : raisonner, c’est manipuler des symboles selon des règles. C’est la voie symbolique, celle des systèmes experts, distincte de la voie connexionniste.
DENDRAL, puis les systèmes experts. On n’écrit plus un raisonnement général : on encode la connaissance d’un spécialiste sous forme de règles si… alors. La valeur du programme vient désormais de sa base de connaissances.
ELIZA imite un psychothérapeute par simple reformulation. Weizenbaum constate que des utilisateurs lui prêtent une compréhension qu’elle n’a pas, et en tire une mise en garde restée centrale : l’illusion de compréhension.
Perceptrons démontre qu’un perceptron à une seule couche ne peut pas apprendre la fonction XOR. La limite est réelle, mais elle ne vaut que pour une couche ; sa lecture pessimiste contribue au premier hiver de l’IA.
Edward Shortliffe
pas de photo libre
MYCIN, système expert qui propose une antibiothérapie à partir de règles et d’un facteur de certitude. Les évaluations le situent au niveau de spécialistes sur la méningite. Il montre aussi la limite du genre : chaque règle doit être écrite à la main.
Kunihiko Fukushima
pas de photo libre
Le neocognitron : un réseau en couches où chaque unité ne regarde qu’une petite zone de l’image, et où le même détecteur est appliqué partout. C’est le principe du réseau convolutif, neuf ans avant LeCun.
Les réseaux de Hopfield : un réseau symétrique qui descend une fonction d’énergie et retrouve un souvenir complet à partir d’un fragment. Il apporte à l’étude des réseaux les outils de la physique statistique. Prix Nobel de physique 2024.
Ronald J. Williams
pas de photo libre
La rétropropagation du gradient. L’erreur mesurée en sortie est redistribuée couche par couche, ce qui permet d’entraîner un réseau à plusieurs couches et lève la limite de 1969. C’est encore l’algorithme d’entraînement de tous les réseaux actuels.
L’architecture de subsomption : un robot utile sans modèle du monde ni raisonnement central, construit par couches de comportements réflexes. Elle rappelle que l’intelligence peut venir de l’interaction avec l’environnement plutôt que d’une représentation.
Les réseaux bayésiens : représenter l’incertitude par un graphe de dépendances et y propager des probabilités. Cela donne à l’IA symbolique un moyen rigoureux de raisonner sur l’incertain, et conduira Pearl à formaliser la causalité.
Le réseau convolutif entraîné par rétropropagation, appliqué à la lecture des codes postaux manuscrits. Première réussite industrielle d’un réseau profond, et preuve que convolution et apprentissage se combinent.
Le LSTM, réseau récurrent muni de portes qui décident de retenir ou d’oublier. Il résout la disparition du gradient sur les longues suites et rend les réseaux récurrents utilisables sur la parole, le texte et les signaux.
Le modèle de langage neuronal : chaque mot est représenté par un vecteur appris, de sorte que des mots de sens proche occupent des positions proches. C’est le principe des plongements lexicaux, sur lequel reposent les modèles de langage actuels.
ImageNet, une base de plusieurs millions d’images annotées, et son concours annuel. L’attention se déplace de l’architecture vers les données, et fournit le terrain sans lequel l’apprentissage profond n’aurait pas décollé.
Alex Krizhevsky
pas de photo libre
AlexNet remporte le concours ImageNet avec une marge inédite, en entraînant un réseau convolutif profond sur des processeurs graphiques. C’est le basculement : à partir de là, l’apprentissage profond domine la vision par ordinateur.
Ashish Vaswani
pas de photo libre
Le Transformer et le mécanisme d’attention : chaque élément d’une séquence est mis en relation avec tous les autres, pondérés selon leur pertinence. Le traitement pas à pas est abandonné, ce qui rend possible l’entraînement à très grande échelle. C’est l’architecture des modèles de langage d’aujourd’hui.
AlphaFold 2 prédit la structure tridimensionnelle d’une protéine à partir de sa seule séquence, à un niveau d’exactitude proche des méthodes expérimentales pour une grande part des protéines. Prix Nobel de chimie 2024.
Tous les fichiers proviennent de Wikimedia Commons. Les mentions ci-dessous sont celles enregistrées sur la page de chaque fichier. « Domaine public » ne demande aucune mention ; les licences Creative Commons exigent de nommer l'auteur et la licence, ce que fait ce tableau.
| Image | Auteur | Licence | Fichier sur Commons |
|---|---|---|---|
| Charles Babbage | auteur inconnu | Domaine public | Charles Babbage - 1860.jpg |
| Ada Lovelace | Margaret Sarah Carpenter | Domaine public | Ada Lovelace.jpg |
| Alan Turing en 1936 | photographe inconnu | Domaine public | Alan Turing (1912-1954) in 1936 at Princeton University.jp |
| Walter Pitts, 1954 | Francis Bello | Domaine public | 1954 Walter Pitts and a blackboard.jpg |
| John von Neumann | non indiqué | Attribution | JohnvonNeumann-LosAlamos.jpg |
| Norbert Wiener | Konrad Jacobs | CC BY-SA 2.0 de | Norbert wiener.jpg |
| Alan Turing en 1951 | Elliott & Fry | Domaine public | Alan Turing (1951) (crop).jpg |
| John McCarthy | null0 | CC BY 2.0 | John McCarthy (computer scientist) Stanford 2006 (27202030 |
| Marvin Minsky | The original uploader was Sethwoodworth at English Wikipedia . | CC BY 3.0 | Marvin Minsky at OLPCb (3x4 cropped).jpg |
| Claude Shannon | Konrad Jacobs | CC BY-SA 2.0 de | ClaudeShannon MFO3807.jpg |
| Le projet de Dartmouth, 1955 | John McCarthy et al | Domaine public | A Proposal for the Dartmouth Summer Research Project on Ar |
| Frank Rosenblatt | auteur inconnu | CC BY-SA 4.0 étiquette de licence douteuse : photographie de 1950, auteur inconnu, issue d’un blog de musée | Frank Rosenblatt.jpg |
| La figure de Rosenblatt comparant un cerveau et un perceptron, 1958 | Frank Rosenblatt | Domaine public | Organization of a biological brain and a perceptron.png |
| Le Mark I Perceptron, manuel d’utilisation, 1960 | John C. Hay, Albert E. Murray | Domaine public | Mark I Perceptron, Figure 2 of operator's manual.png |
| Herbert Simon | Rochester Institute of Technology | Domaine public | Herbert Simon, RIT NandE Vol13Num11 1981 Mar19 Complete.jp |
| Edward Feigenbaum | United States Air Force | Domaine public | 27. Dr. Edward A. Feigenbaum 1994-1997.jpg |
| Joseph Weizenbaum | Andreas Schepers | CC BY 2.0 | Hans Uszkoreit, Joseph Weizenbaum (238430262) (cropped).jp |
| Seymour Papert | ak_mardini | CC BY-SA 2.0 | Papert.jpg |
| John Hopfield | bhadeshia123 | CC BY 3.0 | John Hopfield 2016.jpg |
| David Rumelhart, 1991 | Rolf Kickuth | CC BY-SA 4.0 | DavidRumelhart-IJCNNseattle1991-07-08.jpg |
| Geoffrey Hinton | Cmichel67 | CC BY-SA 4.0 | Geoffrey Hinton in 2026.jpg |
| Rodney Brooks | photographe non nommé | CC BY-SA 3.0 | Rodney Brooks ML40.jpg |
| Judea Pearl | Better Than Bacon | CC BY 2.0 | Judea Pearl at NIPS 2013 (11781981594) (cropped).jpg |
| Yann LeCun | École polytechnique | CC BY-SA 2.0 | Yann LeCun - 2025 (cropped).jpg |
| Sepp Hochreiter | C.Stadler/Bwag | CC BY-SA 4.0 | Sepp Hochreiter - Buch Wien 2025.JPG |
| Jürgen Schmidhuber | ITU/R.Farrell | CC BY 2.0 | Jürgen Schmidhuber, 2017 (cropped).jpg |
| Yoshua Bengio | Maryse Boyce | CC BY 4.0 | Yoshua Bengio 2019 cropped.jpg |
| Fei-Fei Li | ITU Pictures | CC BY 2.0 | Fei-Fei Li at AI for Good 2017.jpg |
| Ilya Sutskever | Eladkarmel | CC BY-SA 4.0 | Ilya Sutskever and Sam Altman in TAU (cropped).jpg |
| Demis Hassabis | John Sears | CC BY-SA 4.0 | Demis Hassabis, 2024 Nobel Prize Laureate in Chemistry 7 ( |
| John Jumper | John Sears | CC BY-SA 4.0 | John Jumper, 2024 Nobel Prize Laureate in Chemistry 7 (cro |
_in_1936_at_Princeton_University.jpg){kind=link}
_(crop).jpg){kind=link}
_Stanford_2006_(272020300).jpg){kind=link}
.jpg){kind=link}
_(cropped).jpg){kind=link}
_(cropped).jpg){kind=link}
.jpg){kind=link}
.jpg){kind=link}
.jpg){kind=link}
.jpg){kind=link}
.jpg){kind=link}