Frise chronologique de l'IA, de 1943 à septembre 2026

Le neurone formel (McCulloch et Pitts)

Un neurone devient un interrupteur mathématique à seuil. Il ne sait rien apprendre, mais la brique est posée.

Turing pose la question : une machine peut-elle penser ?

Son article propose le jeu de l'imitation, qu'on appellera le test de Turing.

Conférence de Dartmouth

McCarthy y invente le terme « intelligence artificielle ». C'est la naissance officielle de la discipline.

Le perceptron (Rosenblatt)

Première machine qui ajuste ses poids à partir d'exemples. Elle fonctionne, mais seulement sur les problèmes linéairement séparables.

Minsky et Papert publient Perceptrons

Ils démontrent qu'un perceptron simple ne peut pas apprendre le XOR. Les financements s'effondrent : premier hiver de l'IA, dans les années 1970.

Les systèmes experts

Une IA à base de règles écrites à la main. Le boom commercial est suivi d'un deuxième hiver, vers 1987-1993.

La rétropropagation (Rumelhart, Hinton, Williams)

L'erreur remonte de la sortie vers les couches profondes pour corriger chaque poids. L'idée existait chez Linnainmaa (1970) et Werbos (1974) ; cet article la rend utilisable.

Les réseaux convolutifs (LeCun, LeNet)

Ils lisent des codes postaux puis des chèques. L'architecture de la vision moderne existe déjà ; il lui manque les données et la puissance de calcul.

LSTM, et Deep Blue bat Kasparov

Le LSTM (Hochreiter et Schmidhuber) donne une mémoire aux réseaux récurrents et dominera le langage pendant vingt ans. Deep Blue relève de la recherche brute, pas de l'apprentissage.

Hinton relance les réseaux profonds

Ses deep belief networks popularisent le terme « deep learning », qui date en réalité de 1986.

ImageNet (Fei-Fei Li)

Des millions d'images étiquetées. C'est le carburant qui manquait.

AlexNet

Un réseau convolutif de 8 couches, entraîné sur deux GPU grand public, gagne ImageNet avec 15,3 % d'erreur contre 26,2 % pour le deuxième. L'écart est tel que tout le domaine bascule en deux ans.

word2vec (Mikolov)

Les mots deviennent des vecteurs, et le sens devient de la géométrie.

GAN, seq2seq et attention

Goodfellow invente les GAN, où un faussaire affronte un détecteur. Bahdanau introduit le mécanisme d'attention pour la traduction : c'est lui, pas le transformer, qui invente l'attention.

ResNet

152 couches grâce aux connexions résiduelles, 3,57 % d'erreur sur ImageNet. Le niveau humain (environ 5 %) est dépassé.

AlphaGo bat Lee Sedol 4-1

L'apprentissage par renforcement combiné aux réseaux profonds l'emporte, dix ans avant ce que prévoyaient les experts du go.

« Attention Is All You Need » (Google)

Plus de récurrence, seulement de l'attention : toute la séquence est traitée en parallèle, ce qui rend l'entraînement massivement parallélisable sur GPU. La contrepartie est un coût quadratique avec la longueur du contexte, origine de toutes les batailles autour du cache KV. La même année : le MoE moderne (Shazeer) et le RLHF (Christiano).

GPT-1 et BERT

Même brique, deux exercices. GPT prédit le mot suivant, de gauche à droite. BERT devine des mots masqués en lisant dans les deux sens. BERT domine d'abord ; c'est la voie GPT qui finira par gagner.

GPT-2

1,5 milliard de paramètres, premier modèle jugé « trop dangereux » pour être publié d'un coup.

GPT-3, les lois d'échelle, la diffusion, AlphaFold 2

GPT-3 (175 milliards de paramètres) apprend une tâche à partir de quelques exemples dans le prompt. Kaplan formalise les lois d'échelle. Les modèles de diffusion (DDPM) détrôneront les GAN. AlphaFold 2 résout le repliement des protéines.

Codex, Copilot, DALL-E et CLIP

Le modèle de langage écrit du code, et le texte se relie à l'image.

InstructGPT et la chaîne de pensée

Le RLHF est appliqué à GPT-3, et le raisonnement pas à pas apparaît.

Chinchilla

Les modèles étaient sous-entraînés : il faut plus de données, pas seulement plus de paramètres.

Stable Diffusion

La génération d'images en poids ouverts devient possible sur un PC.

ChatGPT

Un GPT-3.5 entraîné par RLHF derrière une interface de chat. Le transformer sort du labo.

LLaMA

Meta publie LLaMA, et les poids fuient.

llama.cpp et GPT-4

Gerganov écrit llama.cpp, un moteur d'inférence en C/C++ sur CPU sans dépendances : l'IA locale naît. GPT-4 sort le même mois.

QLoRA, l'appel de fonctions, Llama 2

QLoRA permet d'affiner un modèle sur un seul GPU. L'appel de fonctions donne des outils au modèle. Llama 2 sort sous licence commerciale.

GGUF et Mistral 7B

Le format GGUF arrive, puis Mistral 7B.

Mixtral 8x7B, Mamba, Gemini

Mixtral est le premier grand MoE en poids ouverts. Mamba propose une alternative à l'attention. Gemini sort.

Claude 3, Llama 3, GPT-4o

Trois familles dans l'année, et le multimodal natif avec GPT-4o.

L'AI Act entre en vigueur

Le règlement européen s'applique par étapes jusqu'en 2027.

o1 ouvre l'ère du raisonnement

Le modèle réfléchit longuement avant de répondre : on met à l'échelle le calcul à l'inférence, plus seulement l'entraînement.

Deux prix Nobel pour l'IA

Physique pour Hinton et Hopfield, chimie pour AlphaFold.

Le protocole MCP

Le branchement des outils est standardisé.

DeepSeek-V3

Un MoE de 671 milliards de paramètres entraîné à bas coût.

DeepSeek-R1

Le raisonnement en poids ouverts ; Nvidia perd 17 % en bourse en une journée. Les puces AMD Strix Halo arrivent, avec une mémoire unifiée jusqu'à 128 Go.

Les agents de code

Claude Code et ses semblables se généralisent : le modèle agit dans une boucle d'outils.

Qwen3 et Llama 4

Qwen3 sort avec des MoE compacts (30B-A3B) taillés pour le local ; Llama 4 passe au MoE.

Kimi K2, et l'or aux Olympiades

Un MoE ouvert de 1 000 milliards de paramètres. Des modèles atteignent le niveau médaille d'or aux Olympiades de mathématiques.

GPT-5 et gpt-oss

Premiers poids ouverts d'OpenAI depuis GPT-2, un MoE quantifié en 4 bits. llama.cpp ajoute --cpu-moe : les experts en RAM, l'attention sur le GPU.

Qwen3-Next

Attention linéaire (Gated DeltaNet) mêlée à l'attention classique : le début de la mémoire hybride.

Gemini 3, puis 3.1 Pro

Gemini 3 sort le 18 novembre 2025, Gemini 3 Deep Think le 12 février, 3.1 Pro le 19 février.

Qwen3.5

Un MoE de 397 milliards de paramètres dont 17 actifs, Gated DeltaNet et attention complète, 262 000 tokens de contexte natif, supporté par llama.cpp dès le premier jour. L'architecture hybride devient la norme en poids ouverts.

Nemotron 3 Super, puis 3.5 Lightning (NVIDIA)

Mamba-2, MoE et quelques couches d'attention. Ces modèles ne sont plus de purs transformers : l'attention quadratique ne subsiste que dans une minorité de couches.

Claude Fable 5, Sonnet 5, Opus 5

La famille Claude 5 sort en trois temps : Fable 5 et Mythos 5 le 9 juin, Sonnet 5 le 30 juin, Opus 5 le 24 juillet.

GPT-5.6

Trois variantes, Luna, Terra et Sol ; Gemini 3.6 Flash suit le 21 juillet.

Une semaine de sorties

Claude Fable 5.1 et Mythos 5.1 le 1er, Gemini 3.8 Flash le 2, GPT-6 Astra le 3. Le mot d'ordre commun : l'autonomie des agents sur des tâches longues.

Nvidia rachète Hugging Face

12,9 milliards de dollars pour la place centrale des poids ouverts. Le fabricant de puces possède désormais le dépôt où les modèles se partagent.

Local pour l'ordinaire, frontière pour l'exception

Un serveur llama.cpp local traite l'essentiel des requêtes, un modèle de frontière hébergé traite les cas durs. C'est le schéma que nous appliquons.