L’intelligence artificielle va bien au-delà de ChatGPT, même si ce dernier retient la majeure partie de l’attention. Le modèle actuel, Google Perch 2.0, en est un parfait exemple : il parvient à identifier les sons des baleines, bien qu’il ait été principalement entraîné sur les chants d’oiseaux. Ce qui est encore plus impressionnant, c’est qu’il peut distinguer les vocalisations de différentes espèces de baleines, bien que ces animaux soient totalement inconnus pour lui au moment de l’entraînement. Mais comment est-ce possible ? Ces résultats révèlent que le potentiel de l’IA dépasse largement l’automatisation des courriels ou les réponses aux questions courantes. Elle peut devenir un outil essentiel pour dévoiler des mystères cachés dans des données que l’humain ne parvient pas à saisir. La clé réside dans la taille des modèles. En apparence, cela ne semble pas une découverte révolutionnaire, mais c’est précisément ce qui explique le succès : les grands modèles d’intelligence artificielle sont capables de repérer des motifs fondamentaux à travers d’immenses ensembles de données, même lorsqu’ils concernent des domaines apparemment sans lien. Par exemple, un modèle entraîné sur des données bioacoustiques — c’est-à-dire les sons émis par divers animaux — peut, même sans avoir jamais entendu une baleine, deviner si un son provient d’un animal ou non. Il a appris les caractéristiques générales des vocalisations animales : fréquences, rythmes, structures temporelles. Ce transfert de connaissances, appelé apprentissage transféré, fonctionne parce que les sons des oiseaux et ceux des baleines partagent des propriétés physiques et structurelles communes, comme les variations de tonalité ou les motifs répétitifs. L’IA, en analysant des millions d’heures de sons d’oiseaux, a internalisé ces schémas fondamentaux. Lorsqu’elle entend un son de baleine, elle reconnaît des structures similaires, même si les espèces sont différentes. Ce phénomène montre que l’intelligence artificielle n’a pas besoin d’être spécifiquement entraînée sur une espèce pour détecter ses signaux. Elle peut généraliser à partir de ce qu’elle a appris, même dans des contextes inattendus. Cela ouvre de nouvelles perspectives pour la recherche en écologie, notamment dans la surveillance des espèces menacées ou la compréhension des comportements animaux dans des environnements inaccessibles. En somme, ces résultats démontrent que les grands modèles d’IA ne sont pas seulement des outils de traitement de texte ou de génération de contenu. Ils deviennent des alliés précieux pour explorer des données complexes, révéler des régularités cachées et nous aider à mieux comprendre la nature, même là où nos sens ou nos méthodes traditionnelles échouent.