Test de Turing : dé­fi­ni­tion et fonc­tion­ne­ment

Développé en 1950 par le ma­thé­ma­ti­cien Alan Turing, le test de Turing consiste en une procédure ex­pé­ri­men­tale visant à attester de l’in­tel­li­gence des machines. La preuve supposée s’obtient à l’aide de questions et de réponses tendant à cor­ro­bo­rer l’im­pos­si­bi­lité d’opérer une dis­tinc­tion entre l’in­tel­li­gence humaine et ar­ti­fi­cielle dès lors que les in­ter­ro­ga­teurs (humains) sont in­ca­pables de dif­fé­ren­cier un in­ter­lo­cu­teur humain d’un in­ter­lo­cu­teur ar­ti­fi­ciel. Un tel résultat constitue-t-il pour autant une preuve objective que l’in­tel­li­gence des machines est com­pa­rable à la nôtre ? La con­tro­verse demeure.

S’agit-il d’un être humain ou d’un robot ? Si vous avez l’habitude de passer du temps sur les réseaux sociaux ou de parcourir les com­men­taires sous des articles en ligne, vous devez souvent vous poser cette question. Les « social bots » sont des robots in­tel­li­gents qui imitent les uti­li­sa­teurs humains, orientent les dis­cus­sions et rédigent des com­men­taires de manière au­to­ma­ti­sée.

Il est souvent im­pos­sible de faire la dif­fé­rence entre eux et les humains ; ils se basent sur des al­go­rithmes qui font appel à l’in­tel­li­gence ar­ti­fi­cielle et à l’ap­pren­tis­sage au­to­ma­tique pour re­pro­duire un com­por­te­ment de com­mu­ni­ca­tion com­pa­rable au nôtre. Dans ce contexte, le test de Turing demande pré­ci­sé­ment à l’in­ter­ro­ga­teur de dé­ter­mi­ner si son in­ter­lo­cu­teur est un être humain ou une machine.

Le test de Turing porte le nom du ma­thé­ma­ti­cien, in­for­ma­ti­cien et logicien Alan Turing qui l’a inventé en 1950. Alors qu’il tra­vail­lait sur un or­di­na­teur de première gé­né­ra­tion lé­gen­daire, le Man­ches­ter Mark I, à l’uni­ver­sité de Man­ches­ter, Turing s’est beaucoup passionné pour l’in­tel­li­gence ar­ti­fi­cielle et les critères de celle-ci. Dans son article « Computing machinery and in­tel­li­gence » (matériel in­for­ma­tique et in­tel­li­gence) publié dans la revue spé­cia­li­sée « Mind », Turing décrit les prin­ci­pales ca­rac­té­ris­tiques d’un protocole ex­pé­ri­men­tal aujourd’hui connu sous le nom de test de Turing, mais répondant à l’époque à l’ap­pel­la­tion d’« Imitation Game » (jeu de l’imitation).

Comme les réseaux de neurones ar­ti­fi­ciels ne prenaient alors pas une place pré­pon­dé­rante dans le débat autour de l’in­tel­li­gence ar­ti­fi­cielle et que la preuve scien­ti­fique objective de l’existence de processus de pensée n’était pas encore à l’ordre du jour, les scien­ti­fiques ont fait appel à des analyses ob­ser­vables de la com­mu­ni­ca­tion avec les machines. L’objectif était (et il est toujours) d’in­tro­duire les notions d’in­tel­li­gence ar­ti­fi­cielle et d’in­tel­li­gence des machines dans le contexte du com­por­te­ment de com­mu­ni­ca­tion d’une machine res­sem­blant à s’y méprendre à celui d’un humain.

Rien n’est plus simple que la structure et le dé­rou­le­ment du test de Turing : le test est basé sur le principe de questions et de réponses entre un in­ter­ro­ga­teur (humain) et deux ré­pon­dants anonymes que celui-ci ne voit pas. Les questions sont libres et ne sont pas dé­ter­mi­nées à l’avance. L’in­ter­ro­ga­teur les pose à ses in­ter­lo­cu­teurs par l’in­ter­mé­diaire d’un outil de saisie, comme un clavier ou un écran, sans bé­né­fi­cier d’aucun contact visuel ou auditif avec ses in­ter­lo­cu­teurs. Si l’in­ter­ro­ga­teur humain ne parvient pas, en se basant sur les réponses, à dé­ter­mi­ner celui des deux ré­pon­dants qui est une machine, il est alors possible de con­si­dé­rer l’in­tel­li­gence de celle-ci comme similaire ou égale à celle d’un être humain.

À ce jour (c’est-à-dire en mars 2022), il est im­pos­sible de citer en exemple des machines ayant of­fi­ciel­le­ment réussi le test de Turing. Néanmoins, ce dis­po­si­tif ex­pé­ri­men­tal reste aujourd’hui encore essentiel au dé­ve­lop­pe­ment de l’in­tel­li­gence ar­ti­fi­cielle, notamment dans le cadre du deep learning, de l’ap­pren­tis­sage par ren­for­ce­ment, de l’ap­pren­tis­sage supervisé ou de l’ap­pren­tis­sage non supervisé.

À l’avenir, le mode de com­mu­ni­ca­tion des machines basé sur des réseaux de neurones ar­ti­fi­ciels et com­pa­rable au nôtre n’aura pas seulement un rôle pri­mor­dial à jouer sur les réseaux sociaux et dans le cadre du service client ; la com­mu­ni­ca­tion fondée sur l’in­tel­li­gence ar­ti­fi­cielle sera également de plus en plus présente dans des domaines tels que la médecine, le diag­nos­tic, l’agri­cul­ture, la sécurité, la sur­veil­lance, le marketing, le transport et la pro­duc­tion.

Aujourd’hui encore, des questions se posent quant à la capacité du test de Turing à apporter une preuve fiable ou objective de l’in­tel­li­gence des machines ar­ti­fi­cielles. La majorité des critiques portent avant tout sur le fait de savoir si l’imitation « trompeuse » d’un mode de com­mu­ni­ca­tion humain permet vraiment de con­si­dé­rer une in­tel­li­gence ar­ti­fi­cielle comme autonome, ou si, au contraire, elle ne fait que re­pro­duire le nôtre à la per­fec­tion. Il con­vien­drait en effet de ne pas assimiler l’ob­ser­va­tion du com­por­te­ment d’une machine suggérant ou laissant supposer un fonc­tion­ne­ment relevant de l’in­tel­li­gence ar­ti­fi­cielle à la présence objective de celle-ci. Il est donc im­pos­sible de re­pré­sen­ter ou de prouver l’intention et le rai­son­ne­ment derrière les questions et les réponses du test de Turing.

Le test d’ap­pren­tis­sage au­to­ma­tique Winograd Schema Challenge (WSC) est souvent désigné comme un con­tre­point optimisé. Il fait appel à des questions sous la forme d’un schéma prédéfini qui requiert l’ap­pli­ca­tion active de certaines con­nais­sances, mais également de la culture générale et une forme de réflexion ra­tion­nelle pour formuler des réponses correctes. Ce test est fondé sur les schémas Winograd, imaginés par Terry Winograd : pour répondre aux questions, il est né­ces­saire de com­prendre le contexte, le com­por­te­ment humain, le milieu culturel et les mé­ca­nismes d’un rai­son­ne­ment logique.

Il existe d’autres solutions de subs­ti­tu­tion, notamment le test de Marcus qui permet d’in­ter­ro­ger une in­tel­li­gence ar­ti­fi­cielle sur sa com­pré­hen­sion d’un programme télévisé qu’elle a préa­la­ble­ment « visionné », ou encore le test Lovelace 2.0 qui s’intéresse aux po­ten­tielles aptitudes créatives d’une in­tel­li­gence ar­ti­fi­cielle.

En dépit de toutes ces critiques, l’idée sur laquelle repose le test de Turing, à savoir la capacité à imiter à la per­fec­tion un mode de com­mu­ni­ca­tion humain, occupe aujourd’hui encore une place es­sen­tielle dans la nu­mé­ri­sa­tion.

Ces trois exemples d’ap­pli­ca­tion té­moig­nent de l’im­por­tance que revêt toujours le test de Turing dans le monde actuel.

• Human In­te­rac­tion Proof (HIP) : le test CAPTCHA peut être considéré comme un test de Turing négatif. Cette HIP (preuve d’in­te­rac­tion humaine) permet d’opérer une dis­tinc­tion des plus rapides entre machines et humains et de repérer ef­fi­ca­ce­ment les robots avant leur accès à un site Web à l’aide de demandes au­to­ma­ti­sées portant sur du texte ou des images. Le test de Turing est d’ailleurs présent dans le nom du test CAPTCHA : Completely Automated Public Turing test to tell Computers and Humans Apart (test de Turing public et com­plè­te­ment au­to­ma­tisé visant à dif­fé­ren­cier les humains des or­di­na­teurs).
• Robots : les robots sont des outils nu­mé­riques dont les fonc­tion­na­li­tés peuvent être positives ou négatives, selon l’uti­li­sa­tion qui en est faite. Il peut par exemple s’agir d’agents con­ver­sa­tion­nels per­met­tant d’au­to­ma­ti­ser ef­fi­ca­ce­ment les activités d’un service client, mais aussi de « social bots » ou de moteurs de spam utilisés pour diffuser de fausses in­for­ma­tions ou des logiciels mal­veil­lants. Quel que soit le cas, ces formes du test de Turing fa­vo­ri­sent le dé­ve­lop­pe­ment des robots et leur amé­lio­ra­tion, de sorte qu’il est de plus en plus facile de les confondre avec des uti­li­sa­teurs humains.
• As­sis­tants vocaux : les as­sis­tants vocaux comptent parmi les évo­lu­tions les plus proches de l’idée originale d’Alan Turing. Les as­sis­tants à commande vocale imitant les êtres humains, comme Alexa ou Siri, reposent sur le même principe de questions et de réponses. Ils visent à au­to­ma­ti­ser les fonctions et à répondre aux besoins qui rythment le quotidien des uti­li­sa­teurs. Si toutes ces ap­pli­ca­tions sont encore loin de réussir le test de Turing, les fonc­tion­na­li­tés vocales in­tel­li­gentes s’amé­lio­rent en per­ma­nence grâce à l’ap­pren­tis­sage au­to­ma­tique et à l’analyse du com­por­te­ment des uti­li­sa­teurs, ce qui leur permet de nous imiter de mieux en mieux.