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.