L’IA n’est pas apparue par hasard. Le Canada en a posé les fondations.
Une histoire canadienne : croire quand les autres ont abandonné
L’IA s’est intégrée aux infrastructures modernes et alimente la recherche algorithmique, les interfaces en langage naturel, les diagnostics automatisés et la prise de décisions en temps réel. Toutefois, ces technologies révolutionnaires ne se sont pas développées du jour au lendemain. L’apprentissage automatique moderne concrétise des théories computationnelles soutenues de façon continue au Canada à une époque où le consensus scientifique mondial les jugeait non viables.
Les origines conceptuelles de l’IA remontent aux années 1950, lorsque des informaticiens ont cherché pour la première fois à opérationnaliser la cognition humaine au moyen de la logique symbolique et de systèmes fondés sur des règles. Bien que les premiers algorithmes aient résolu des problèmes mathématiques structurés, ils n’ont pas réussi à passer à l’échelle face à la complexité, au bruit et à l’ambiguïté du monde réel. À la fin des années 1970 et dans les années 1980, le domaine s’est heurté à un obstacle structurel. Le scepticisme s’est accru, les investissements privés et publics se sont effondrés à l’échelle mondiale et le domaine est entré dans une période de repli de plusieurs décennies connue sous le nom d’« hiver de l’IA ».
Alors que les organismes de financement internationaux délaissaient ce domaine, les institutions canadiennes ont adopté une stratégie contracyclique.
Dans les années 1980, l’Institut canadien de recherches avancées (CIFAR) et le Conseil de recherches en sciences naturelles et en génie (NSERC) ont réalisé des investissements stratégiques dans des voies de recherche non conventionnelles. Le CIFAR a mis sur pied le programme Artificial Intelligence, Robotics and Society, offrant un financement durable et souple à un petit réseau de visionnaires, notamment à Toronto et à Montréal. Au même moment, le NSERC a accordé un soutien de base au corps professoral en informatique partout au pays. Libérés des pressions commerciales à court terme, les chercheurs canadiens ont consacré trois décennies à perfectionner les modèles connexionnistes, les réseaux neuronaux artificiels et les paradigmes d’apprentissage par renforcement.
Le tournant empirique est survenu vers 2012. Les avancées en matériel informatique parallèle, notamment les processeurs graphiques, et la disponibilité de vastes ensembles de données d’entraînement ont enfin fourni la puissance de calcul nécessaire pour exécuter les algorithmes canadiens à grande échelle. Les réseaux neuronaux profonds ont rapidement surpassé les algorithmes traditionnels codés à la main dans la classification d’images, le traitement du langage naturel et la prise de décisions stochastiques.
L’investissement universitaire à long terme du Canada s’est transformé en avantage concurrentiel international. Des entreprises technologiques mondiales ont établi des laboratoires de recherche dans des villes canadiennes afin de collaborer avec les viviers de talents issus des universités canadiennes, tandis que les écosystèmes d’innovation locaux ont connu une expansion rapide. En 2017, le Canada a officialisé ce leadership en lançant la Stratégie pancanadienne en matière d’intelligence artificielle, le premier cadre stratégique national au monde sur l’IA.
Le leadership technologique exige une gouvernance rigoureuse. À mesure que le déploiement de l’IA s’accélère, les chercheurs et les décideurs canadiens accordent la priorité à la sécurité systémique, à la transparence technique et à l’éthique. Pour créer une IA fiable, il faut des normes de vérification formelle, des mesures d’atténuation des biais algorithmiques et des protections de la confidentialité des données. Grâce à des initiatives telles que le Canadian AI Safety Institute (CASI), le Canada mène les efforts internationaux visant à établir des protocoles de sécurité, à faire progresser les méthodes de tests contradictoires et à harmoniser l’intelligence artificielle avec l’intérêt public.
Ce qui a commencé comme un pari institutionnel calculé durant l’hiver de l’IA a fait du Canada une pierre angulaire du paysage technologique mondial, démontrant l’incidence transformatrice d’une recherche fondamentale soutenue.
Moments marquants de l’histoire de l’IA au Canada
1983
Le réseau CIFAR : une bouée de sauvetage
En pleine vague mondiale de désinvestissement durant l’AI Winter, CIFAR a lancé son réseau de recherche ciblé en IA, fournissant du financement à long terme et une infrastructure de collaboration aux chercheurs travaillant sur des architectures connexionnistes.1986
Fondements mathématiques de la rétropropagation
Geoffrey Hinton a cosigné un article majeur montrant comment la rétropropagation permet aux réseaux neuronaux multicouches d’ajuster leurs poids internes par descente de gradient, établissant ainsi le mécanisme d’apprentissage profond moderne.2002
Création du pôle albertain d’apprentissage par renforcement
Le gouvernement de l’Alberta a accordé un financement initial pour créer l’Alberta Ingenuity Centre for Machine Learning (AICML) à l’Université de l’Alberta, recruter le pionnier Rich Sutton et faire d’Edmonton un pôle mondial de l’apprentissage par renforcement.2004
Calcul neuronal et perception adaptative
CIFAR a lancé un nouveau réseau de recherche en IA, Calcul neuronal et perception adaptative, dirigé par Geoff Hinton. Aujourd’hui appelé Learning in Machines and Brains, ce réseau poursuit ses activités.2007
Théorie algorithmique des jeux et jeu de dames (Chinook)
Jonathan Schaeffer et son équipe de l’Université de l’Alberta ont résolu le jeu de dames par informatique grâce à Chinook. Après 18 ans de perfectionnement algorithmique, ils ont prouvé qu’une partie jouée parfaitement par les deux adversaires se termine inévitablement par une nulle.2009
L’ensemble de données de référence CIFAR-10
Des chercheurs ont publié CIFAR-10, un ensemble de données d’images normalisé à plusieurs classes qui est devenu une référence universelle pour évaluer et comparer les algorithmes de vision par ordinateur partout dans le monde.2012
Percée en vision par ordinateur (AlexNet)
Geoffrey Hinton, Alex Krizhevsky et Ilya Sutskever ont utilisé AlexNet lors du concours ImageNet. Grâce au traitement parallèle sur processeurs graphiques et aux réseaux neuronaux convolutionnels profonds, AlexNet a considérablement réduit les taux d’erreur de classification d’images, déclenchant l’essor moderne de l’apprentissage profond.2014
Réseaux antagonistes génératifs (GAN)
Le chercheur de l’Université de Montréal Ian Goodfellow a présenté les GAN, un cadre algorithmique qui oppose deux réseaux neuronaux — un générateur et un discriminateur — afin de générer des données, des images et des médias numériques très réalistes.2015
Résolution de jeux à information imparfaite (Cepheus)
Le laboratoire de Michael Bowling, de l’Université de l’Alberta, a mis au point Cepheus, résolvant essentiellement le Texas hold’em à deux joueurs avec mises fixes. Il s’agissait d’une avancée majeure en théorie des jeux, permettant de maîtriser des environnements caractérisés par une information incomplète et la tromperie.2016
Apprentissage profond par renforcement à grande échelle (AlphaGo)
AlphaGo de DeepMind a vaincu Lee Sedol, champion du monde de go. L’architecte principal du système, David Silver, a obtenu son doctorat à l’Université de l’Alberta, en s’appuyant directement sur des travaux de recherche canadiens en apprentissage par renforcement et en recherche arborescente Monte-Carlo.2017
Recherche heuristique continue (DeepStack)
Mis au point par des chercheurs de l’Université de l’Alberta et d’Amii, DeepStack est devenu le premier algorithme d’IA à battre des joueurs professionnels de Texas Hold’em sans limite en évaluant de manière itérative les situations de jeu au moyen de réseaux neuronaux profonds, plutôt que d’arbres de recherche exhaustifs.2017
Synthèse vocale générative (Lyrebird)
Des chercheurs de Montréal ont mis au point des modèles d’apprentissage profond capables de reproduire des voix humaines avec une grande fidélité à partir de courts extraits audio, jetant les bases des technologies modernes de synthèse vocale générative.2017
Stratégie pancanadienne en matière d’intelligence artificielle
Le Canada est devenu le premier pays à mettre en œuvre une stratégie nationale en matière d’IA. Administré par CIFAR, ce cadre a financé et mis en réseau trois instituts de recherche nationaux : Amii à Edmonton, Mila à Montréal et le Vector Institute à Toronto.2017
Expansion des laboratoires de recherche à l’échelle mondiale
De grandes entreprises technologiques mondiales ont nommé d’éminents scientifiques canadiens à la tête de nouveaux centres de recherche à Montréal, dont Joelle Pineau pour diriger le laboratoire FAIR de Meta et Doina Precup pour diriger la division de recherche de Google DeepMind.2017
L’architecture Transformer (Attention Is All You Need)
Le coauteur Aidan Gomez et ses collaborateurs ont présenté l’architecture du modèle Transformer. Grâce à des mécanismes d’auto-attention, les Transformers ont éliminé les goulets d’étranglement de l’entraînement des réseaux récurrents et sont devenus le moteur des grands modèles de langage (GML) modernes.2018
Intégration de la vision industrielle par ordinateur
Sanja Fidler, cofondatrice du Vector Institute, a été nommée vice-présidente de la recherche en IA chez NVIDIA et a créé à Toronto un laboratoire spécialisé en vision par ordinateur, en génération de données synthétiques et en intelligence graphique.2019
Rigueur méthodologique et reproductibilité
Joelle Pineau a piloté l’élaboration de la Machine Learning Reproducibility Checklist. Adoptée lors des principales conférences internationales, cette norme exige que les chercheuses et chercheurs publient leur code, les paramètres des hyperparamètres et la variance expérimentale afin de garantir l’intégrité scientifique.2019
Infrastructure souveraine de LLM & IA d’entreprise (Cohere)
Fondée à Toronto par Aidan Gomez, coauteur de Transformer, et ses collègues, Cohere a développé des grands modèles de langage exclusifs, des outils de récupération contextuelle et des architectures de recherche en entreprise. Cohere a renforcé la souveraineté technologique du Canada, plaçant le pays parmi un groupe restreint de nations capables de déployer à l’échelle mondiale une infrastructure nationale de modèles de pointe.2019
Le paradigme de « The Bitter Lesson »
Rich Sutton (Amii) a publié The Bitter Lesson, un essai influent qui soutient que le recours à des méthodes générales fondées sur le calcul et la mise à l’échelle (recherche et apprentissage) surpasse systématiquement les systèmes reposant sur l’expertise humaine dans un domaine et sur des heuristiques conçues manuellement.2019
Prix ACM A.M. Turing remis à des pionniers de l’apprentissage profond
Yoshua Bengio (Mila) et Geoffrey Hinton (Vector Institute) ont reçu le prix ACM A.M. Turing — souvent qualifié de « prix Nobel de l’informatique » — aux côtés de Yann LeCun, en reconnaissance de leurs contributions fondamentales aux réseaux neuronaux profonds.2020
Initiative Indigenous AI and Abundant Intelligences
Sous la direction de Jason Edward Lewis, chercheur à l’Université Concordia, et avec le soutien de CIFAR, l’Indigenous Protocol and AI Working Group a publié des cadres novateurs pour intégrer les épistémologies autochtones, la relationnalité et la gouvernance fondée sur le territoire aux systèmes d’apprentissage automatique.2021
Découverte biopharmaceutique propulsée par l’IA (AbCellera)
AbCellera, établie à Vancouver, a utilisé des algorithmes d’apprentissage automatique pour analyser des centaines de milliers de lymphocytes B individuels et repérer rapidement des anticorps neutralisants en vue de codévelopper des traitements contre la COVID-19.2021
Simulation guidée par la physique pour les systèmes autonomes (Waabi)
Fondée par Raquel Urtasun, professeure à l’Université de Toronto, Waabi a lancé une plateforme de simulation générative permettant d’entraîner des véhicules commerciaux lourds autonomes dans des environnements virtuels haute fidélité avant leur déploiement sur les routes.2024
Optimisation environnementale autonome (noyau d’AR)
Sous la direction de Martha White, de l’Université de l’Alberta et d’Amii, des chercheurs ont déployé des systèmes d’apprentissage par renforcement continu, permettant l’exploitation entièrement autonome d’un système de traitement de l’eau pendant 30 jours, tout en optimisant le dosage des produits chimiques et la stabilité opérationnelle des réseaux d’eau éloignés et industriels.2024
Prix Nobel de physique
Geoffrey Hinton a reçu le prix Nobel de physique pour ses découvertes fondamentales ayant rendu possible l’apprentissage automatique grâce aux réseaux neuronaux artificiels, en appliquant explicitement les principes de la physique statistique au traitement de l’information.2024
Création de l’Institut canadien sur la sécurité de l’IA (CASI)
Le Canada a lancé le CASI afin d’évaluer et d’atténuer les risques systémiques associés aux modèles d’IA avancés, en mettant l’accent sur les cadres d’évaluation empirique, la sécurité algorithmique, les cybermenaces et l’harmonisation des politiques internationales.2025
Prix A.M. Turing de l’ACM remis aux pionniers de l’apprentissage par renforcement
Rich Sutton (Amii) a reçu le prix A.M. Turing de l’ACM pour avoir formulé les fondements mathématiques de l’apprentissage par renforcement, notamment l’apprentissage par différences temporelles et les méthodes de gradient de politiques.2026
Lancement de la stratégie nationale « AI for All »
Le gouvernement du Canada a lancé la stratégie AI for All, qui prévoit des investissements dans les infrastructures de calcul au pays, l’adoption du numérique par les entreprises, la requalification de la main-d’œuvre dans tous les secteurs et la protection de la souveraineté des données.
Un héritage de fierté et de progrès responsable
Le rôle déterminant du Canada en IA reflète une stratégie institutionnelle déployée sur plusieurs décennies, fondée sur des investissements publics soutenus, la liberté universitaire et la collaboration interdisciplinaire. En soutenant des concepts fondamentaux durant des périodes de scepticisme international, le Canada s’est imposé comme le berceau intellectuel de l’apprentissage profond et de l’apprentissage par renforcement modernes.
Aujourd’hui, le leadership canadien s’attache à faire en sorte que les progrès technologiques demeurent au service de la société, de l’intégrité scientifique et d’une gouvernance publique rigoureuse.
Un écosystème équilibré et interconnecté
L’avantage scientifique du Canada repose sur un écosystème étroitement coordonné d’établissements nationaux, de laboratoires universitaires et d’organismes de politiques publiques. En reliant la recherche fondamentale aux applications industrielles et à la gouvernance de la sécurité, ce réseau aide le Canada à retenir les meilleurs talents, à soutenir les entreprises canadiennes et à favoriser une innovation responsable.
Les trois instituts nationaux d’IA du Canada — Amii à Edmonton, Mila à Montréal et le Vector Institute à Toronto — partagent un mandat commun dans le cadre de la Stratégie nationale sur l’IA, axé sur quatre objectifs principaux : stimuler des percées scientifiques fondamentales, former et retenir des talents techniques de haut niveau, accélérer la commercialisation par l’incubation d’entreprises en démarrage et orienter la mise en œuvre éthique de l’IA dans l’industrie.
Ensemble, ces établissements forment un réseau intégré reliant les laboratoires universitaires, les partenaires d’affaires et les organismes de réglementation afin de veiller à ce que l’innovation canadienne demeure sécuritaire, concurrentielle et porteuse de retombées.