Une IA générative fabrique un texte ou une image qui n'existait pas, en prédisant, étape par étape, ce qui est le plus probable d'après les exemples qu'elle a étudiés. Prends le début de phrase « Le chat dort sur le » : un modèle de langage calcule que « canapé » ou « lit » sont des suites probables, en choisit une, puis recommence pour le mot suivant. Les LLM écrivent ainsi, les transformers les aident à relier les mots entre eux, et les modèles de diffusion appliquent une idée voisine aux images.
Ce que fait une IA générative
Beaucoup de programmes d'intelligence artificielle servent à classer : ce courriel est-il un spam, cette photo montre-t-elle un chat ? Une IA générative, elle, produit un contenu neuf qui ressemble à ses exemples : un texte, une image, une musique.
Personne ne lui a écrit de règles. On l'a entraînée sur une énorme quantité d'exemples, et ce qui sort de cet entraînement s'appelle un modèle.
Des neurones artificiels, pas un cerveau
Un modèle est un réseau de neurones artificiels. Le nom vient du cerveau, où un neurone est une cellule qui transmet un message nerveux. Un neurone artificiel, lui, n'est qu'un calcul : il reçoit des nombres, multiplie chacun par un coefficient, additionne le tout, applique une règle simple et transmet le résultat aux neurones suivants.
Ces coefficients s'appellent les paramètres. L'entraînement les règle : le modèle fait une prédiction, on la compare à la bonne réponse, puis on corrige très légèrement chaque paramètre pour faire un peu mieux. Répété un très grand nombre de fois, ce réglage rend le modèle performant.
Un grand modèle en compte énormément : GPT-3, un modèle de langage présenté en 2020, avait 175 milliards de paramètres (article de ses auteurs).
Les LLM prédisent la suite d'un texte
LLM est l'abréviation de l'anglais large language model, « grand modèle de langage ». C'est ce type de modèle qui fait tourner les assistants qui répondent par écrit, comme ChatGPT. Son premier entraînement consiste à lire d'immenses quantités de textes en devinant, à chaque fois, le morceau qui vient ensuite.
Définition : un jeton (token en anglais) est un morceau de texte traité par le modèle : un mot entier, un bout de mot ou un signe de ponctuation.
Quand tu poses une question, le modèle calcule pour chaque jeton possible la probabilité qu'il vienne ensuite. Il en choisit un, l'ajoute au texte, puis recommence avec le texte allongé, jusqu'à la fin de sa réponse.
Il ne prend pas toujours le jeton le plus probable : souvent, il tire au sort parmi les plus probables. C'est pour ça qu'une même question peut recevoir deux réponses différentes. Un second entraînement lui apprend ensuite à répondre comme un assistant, au lieu de simplement continuer le texte.
Les transformers et l'attention
Le transformer est un plan de construction de réseau de neurones, présenté en 2017 dans l'article de recherche « Attention Is All You Need », en français « l'attention suffit » (article sur arXiv). GPT-3 et de nombreux autres LLM sont bâtis sur ce plan. Avant lui, les modèles les plus utilisés lisaient une phrase mot après mot et reliaient mal deux mots éloignés.
Le transformer, lui, regarde tous les mots d'un passage à la fois. Grâce à un mécanisme appelé l'attention, il calcule pour chaque mot quels autres mots comptent le plus pour le comprendre, même s'ils sont loin.
Exemple : dans « Le chien n'a pas sauté par-dessus le mur parce qu'il était trop haut », « il » désigne le mur. Remplace « haut » par « fatigué » : « il » désigne alors le chien. Les deux noms sont masculins, donc la grammaire ne tranche pas : il faut relier « il » au dernier mot. C'est le travail de l'attention.
La diffusion : une image qui sort du bruit
Pour créer des images, on utilise souvent un modèle de diffusion. Pendant son entraînement, on prend une vraie image et on la brouille petit à petit, en changeant au hasard la couleur de ses points, jusqu'à ne plus rien reconnaître. Ces changements au hasard s'appellent le bruit. Le modèle apprend le chemin inverse : à chaque étape, enlever un peu de bruit.
Pour fabriquer une image neuve, le modèle procède ainsi.
Étape 1 : ta description est traduite en nombres que le modèle sait utiliser.
Étape 2 : on tire au hasard un bruit de départ, sans aucune image cachée dessous.
Étape 3 : le modèle enlève un peu de bruit en se laissant guider par ta description, puis recommence, sur de nombreuses étapes.
Étape 4 : des formes apparaissent, puis des détails, jusqu'à l'image finale.
Le modèle ne va donc pas chercher une photo existante pour la retoucher : il part du hasard.
Pourquoi l'IA se trompe
Un LLM ne consulte pas une encyclopédie : il produit ce qui est probable, pas ce qui est vérifié. Il peut donc écrire une phrase qui a l'air juste mais qui est fausse, avec une date, un chiffre ou un titre de livre inventés, sur un ton tout aussi assuré. On appelle cela une hallucination.
Les modèles ont aussi des biais : ils reproduisent les déséquilibres de leurs exemples. Si les images d'entraînement montrent presque toujours un métier exercé par des hommes, le modèle aura tendance à dessiner un homme pour ce métier.
À l'école, le cadre d'usage de l'IA en éducation, publié par le ministère de l'Éducation nationale le 14 juin 2025, autorise au collège l'usage des IA génératives en classe à partir de la 4e, de façon limitée et accompagnée par le professeur. Le même cadre précise que faire un devoir avec une IA générative, sans autorisation explicite et sans travail personnel, constitue une fraude (affiche du ministère).
Piège classique : une réponse bien écrite et sûre d'elle n'est pas pour autant vraie. Pour un fait, une date ou une référence, compare avec une autre source fiable, comme ton manuel ou un site officiel.
Exercices corrigés
Cherche chacun sur ta feuille avant d'ouvrir la correction.
Exercice 1 : Un modèle miniature a compté, dans ses textes d'entraînement (données fictives), les mots qui suivent « le chat » : « dort » 12 fois, « mange » 6 fois et « miaule » 2 fois. Calcule la probabilité que le modèle donne à chacun de ces mots. Lequel écrit-il s'il prend toujours le plus probable ? S'il tire au sort 100 fois selon ces probabilités, combien de fois environ obtient-il « miaule » ?
Correction :
Il a vu $12 + 6 + 2 = 20$ suites en tout. Chaque probabilité vaut le nombre de fois divisé par 20 : $P(\text{dort}) = \dfrac{12}{20} = 0{,}6$, $P(\text{mange}) = \dfrac{6}{20} = 0{,}3$ et $P(\text{miaule}) = \dfrac{2}{20} = 0{,}1$. Contrôle : $0{,}6 + 0{,}3 + 0{,}1 = 1$.
S'il prend toujours le plus probable, il écrit « dort ». Sur 100 tirages, « miaule » sort environ $100 \times 0{,}1 = 10$ fois.
Un vrai LLM ne compte pas ainsi : son réseau calcule ces probabilités à partir de tout le texte qui précède. Mais il obtient lui aussi une probabilité par jeton possible.
Exercice 2 : Tu demandes deux fois « un chat bleu sur un toit » au même modèle de diffusion, avec les mêmes réglages, et tu obtiens deux images différentes. Explique pourquoi.
Correction :
Chaque fabrication repose sur des tirages au hasard, à commencer par le bruit de départ. Les deux tirages sont différents, donc le nettoyage, guidé par la même description, n'aboutit pas au même endroit.
La description oriente ce que l'image montre ; le hasard fait varier le reste, par exemple la pose du chat ou le cadrage. Avec les mêmes tirages et les mêmes réglages, on retrouverait en général la même image.
Exercice 3 : Inès, en 4e, utilise en classe un assistant IA avec son professeur. Elle demande à l'assistant un livre sur les volcans pour son exposé. Il répond, très sûr de lui, avec un titre, un auteur et une année, et Inès recopie la référence telle quelle dans sa bibliographie. Quel est le risque, et que doit-elle faire ?
Correction :
Le risque est une hallucination. L'assistant a produit une référence qui a la forme d'une vraie, parce que c'est probable, sans vérifier qu'elle existe. Le livre peut être inventé, ou l'auteur et l'année faux : le ton assuré ne prouve rien.
Inès doit vérifier ailleurs, au CDI ou sur le site de l'éditeur, que ce livre existe avec cet auteur et cette année. Sinon, elle ne le cite pas.
À retenir
À retenir :
- Une IA générative produit un contenu neuf en prédisant ce qui est probable d'après ses exemples.
- Un LLM écrit jeton après jeton, en calculant la probabilité de chaque suite possible.
- Le transformer, présenté en 2017, relie les mots d'un texte grâce à l'attention.
- Un modèle de diffusion part d'un bruit au hasard et le nettoie, guidé par ta description.
- Probable ne veut pas dire vrai : vérifie avec une autre source fiable.
Sources
- Ministère de l'Éducation nationale, cadre d'usage de l'IA en éducation, publié le 14 juin 2025 : affiche sur eduscol.
- Ashish Vaswani et al., « Attention Is All You Need », 2017 : texte sur arXiv, en anglais.
- Tom B. Brown et al., « Language Models are Few-Shot Learners », 2020 : texte sur arXiv, en anglais.