IA - Penninghen

M5 Intelligence artificielle

Intention pédagogique

Vous initier à l'intelligence artificielle en tant que technologie, langage, outil et culture, afin de vous permettre non seulement de comprendre ses mécanismes, ses biais et ses enjeux, mais surtout de concevoir, entraîner et détourner des modèles d'IA au service de votre démarche créative.

Il ne s'agit pas seulement d'apprendre à utiliser des outils existants, mais de développer une pensée critique et autonome sur l'IA comme matière à création.

Proposition de déroulé pédagogique — année 2026–2027

Un projet en huit étapes pour apprendre à constituer un dataset, l’explorer avec Python, entraîner un modèle puis transformer ses résultats en une proposition de direction artistique : film, site web, édition ou installation.

Progression générale :

Question → Dataset → Exploration → Modèle → Résultats → Erreurs → Interprétation → Forme finale

Objectifs pédagogiques

  • Situer historiquement et culturellement les grands moments de développement de l'IA
  • Comprendre les principes fondamentaux du fonctionnement des IA génératives (réseaux de neurones, apprentissage profond, données, embeddings, transformers)
  • Avoir un regard critique en identifiant et en interrogeant les biais cognitifs, les limites des modèles, les phénomènes de boîte noire et de model collapse, les enjeux éthiques, sociaux et écologiques associés à l'IA
  • Comprendre le cadre juridique en train de se mettre en place (AI Act, droit d'auteur) et ses conséquences concrètes sur la commande créative
  • Distinguer les régimes techniques : modèle propriétaire en ligne / modèle ouvert exécuté localement, et savoir ce que chacun implique pour vos données et celles de vos clients
  • Expérimenter la création de petits modèles d'IA
  • Développer une posture de créateur critique à l'ère de l'IA, capable d'en faire un levier plutôt qu'un substitut
  • Collaborer sur la conception d'un modèle IA commun, conçu pour alimenter une pratique créative spécifique

Plan des cours

Étape 1/4 — Genèse de l'IA : de la fiction à la science

Objectifs

  • Situer l'IA dans une perspective historique et culturelle
  • Comprendre les grandes classifications et les usages contemporains
  • Repérer les mécanismes récurrents de l'illusion technologique

Contenu

  • Histoire longue de l'IA : entre mythes, logiques formelles et informatique
    • De la mythologie antique (Pygmalion, Galatée) aux automates du XVIIIe siècle (Vaucanson, le Turc mécanique, la machine parlante de Kempelen)
    • Villiers de l'Isle-Adam, Metropolis : la machine à forme humaine
    • Turing et les fondements théoriques (1950), Dartmouth (1956)
    • Les cycles de l'IA : euphories, hivers, et la question de savoir où on en est
  • Introduction aux grandes familles d'IA
    • Typologies : IA réactive / à mémoire limitée / générative — et pourquoi les chercheurs n'emploient pas cette grille
    • Niveaux de complexité : ANI (narrow), AGI, ASI — et le fait qu'aucune définition de l'AGI ne soit partagée
    • Méthodes d'apprentissage : supervisé, auto-supervisé, non-supervisé, par renforcement
  • Où on en est en 2026 : Les modèles généralistes, les agents et les connecteurs, les modèles ouverts, le retour du local, la bascule de la vidéo, l'arrivée du droit

Artistes

  • Mario Klingemann (art génératif)
  • Helena Sarin (peintre + IA, perspective critique)
  • Anna Ridler (datasets comme medium artistique)
  • Stephanie Dinkins (biais raciaux des algorithmes)
  • Holly Herndon (Spawn, Holly+ : entraîner un modèle sur sa propre voix — directement en lien avec votre exercice)
  • Kate Crawford & Trevor Paglen (ImageNet Roulette, Excavating AI)

Textes

  • Alan Turing, Computing Machinery and Intelligence (1950)
  • Walter Benjamin, L'Œuvre d'art à l'époque de sa reproductibilité technique (1936)
  • Bernard Stiegler, La Technique et le temps (1994-2001)
  • Hubert Dreyfus, What Computers Can't Do (1972)
  • Bender, Gebru et al., On the Dangers of Stochastic Parrots (2021)

Étape 2/4 — Anatomie d'une IA : comprendre pour détourner

Objectifs

  • Démystifier le fonctionnement technique des IA génératives
  • Comprendre la logique de prédiction et de génération

Séance 2.1 — Réseaux de neurones et apprentissage profond

  • Structure : couches, neurones, poids, biais, fonctions d'activation
  • Fonctionnement : calculs, fonction de perte, descente de gradient, rétropropagation
  • Apprentissage profond : empilement de couches, modélisation de représentations complexes
  • Applications à la création : modèles de texte, FLUX et Stable Diffusion, outils vidéo

Séance 2.2 — Fonctionnement d'une IA générative

  • Phase d'entraînement : apprentissage sur de très grands ensembles de données
  • Entraînement vs inférence : où se passe l'apprentissage, et où se passe l'usage
  • Vecteurs et embeddings : représenter mots et images sous forme de nombres
  • Architecture transformer : mécanisme d'attention, traitement du contexte long
  • Génération — deux logiques distinctes :
    • Texte : production token par token, chaque mot dépendant des précédents
    • Image : débruitage progressif, en 20 à 50 étapes, de l'image entière à la fois, dans un espace latent. Ni pixel par pixel, ni collage d'éléments.

Suivi et finalisation des projets dataset Présentation des projets, correction collective —

Étape 3/4 — Défis des IA

Objectifs

  • Développer un regard critique sur les limites et biais des IA
  • Comprendre les enjeux éthiques, sociaux, juridiques et environnementaux

Séance 3.1 — Biais cognitifs et algorithmiques

  • Vue d'ensemble des problématiques critiques
  • D'où viennent les biais ? (datasets, société, modèles)
  • Types de biais : stéréotypes, surreprésentation, biais culturels occidentaux
  • Impact sur la représentation et l'inclusion
  • Sémantique et interprétation : l'IA comprend-elle vraiment ? Ambiguïté, contexte culturel, polysémie

Séance 3.2 — Boîte noire, model collapse, écologie et droit

  • Boîte noire : pourquoi l'IA est difficile à expliquer, et ce que l'interprétabilité sait faire aujourd'hui
  • Model collapse : l'IA qui réapprend sur de l'IA. À nuancer : l'effondrement est démontré en boucle fermée sans données fraîches (Shumailov et al., Nature, 2024) ; en pratique les laboratoires entraînent massivement sur données synthétiques curées. Le vrai enjeu est la curation et la traçabilité.
  • Écologie : coût énergétique, données AIE actualisées, et le déplacement du débat de l'entraînement vers l'inférence et la construction des infrastructures
  • Droit : AI Act européen (transparence, marquage des contenus générés), jurisprudence en cours sur le droit d'auteur

Suivi et finalisation des projets — 26.11 Présentation des projets, correction collective — 10.12 → Rendu exercice 2

Étape 4/4 — Créer un modèle pour la création : vers une IA située

Objectifs

  • Rassembler les acquis précédents
  • Co-concevoir un modèle IA sur-mesure pour les métiers créatifs

Séance 4.1 — Définir le besoin créatif

  • Identifier un besoin créatif spécifique non couvert par les IA génératives existantes
  • Méthodologie de design thinking appliquée à l'IA
  • Étude de cas : IA spécialisées dans l'art et le design

Séance 4.2 — Choisir et constituer les données

  • Choix parmi les datasets constitués lors de l'exercice 1, et compléments
  • Éditorialisation du dataset : inclure, exclure, annoter
  • Enjeux moraux, juridiques et éthiques de la collecte et de son éditorialisation

Séance 4.3 — Concevoir l'architecture du modèle

  • Choix du régime technique : modèle pré-entraîné, fine-tuning (LoRA), ou création from scratch — et ce que chacun implique en volume de données
  • Où fait-on tourner le modèle ? service en ligne vs modèle ouvert exécuté localement. Conséquences sur le coût, la confidentialité et la maîtrise.
  • Pipeline d'entraînement et métriques d'évaluation

Séance 4.4 — Prototypage et entraînement

  • Travail en groupe sur le projet final
  • Utiliser l'IA comme outil d'assistance à la création
  • Réaliser un projet interactif à l'aide de l'IA

Suivi et finalisation des projets Présentation des projets, correction collective

Sujets

Sujet 1 — L'Inventaire du visible format libre

Catalogue raisonné et annotation massive.

Objectif pédagogique Faire prendre conscience que l'IA nécessite une masse considérable de données annotées, et que la qualité des annotations détermine la qualité du modèle final.

Principe Les étudiant·es constituent en groupe un grand dataset thématique (5000+ éléments) qu'ils annotent méticuleusement selon une grille établie en commun.

Le point difficile, et c'est le sujet réel de l'exercice À cent images, on regarde chaque image et on décide seul. À cinq mille, c'est mécaniquement impossible : il faut se répartir le travail, écrire des conventions, se mettre d'accord à l'avance sur des mots dont on ne connaît pas encore les cas limites. Vous travaillerez sur un ensemble dont personne dans le groupe n'aura vu tous les éléments — exactement la situation de ceux qui construisent les modèles aujourd'hui.

Question ouverte à documenter dans le rendu : combien faut-il d'éléments ? Il n'y a pas de bonne réponse. Ça dépend du régime d'entraînement visé (from scratch : des milliers ; fine-tuning LoRA : quelques centaines), de la diversité collectée et de la cohérence des annotations. Une partie du rendu consiste à situer votre seuil et à le justifier.

Aspect visuel : dashboard des données collectées en temps réel (Airtable ou équivalent)

Sujet 2 — Les défis de l'IA

Choisissez un ou plusieurs défis liés au développement de l'intelligence artificielle et concevez un projet qui le rend visible, le questionne ou y répond.

Objectif pédagogique : identifier et problématiser au moins un enjeu critique de l'IA (éthique, matériel, social, juridique ou politique) ; dépasser le statut de « boîte noire » en analysant les mécanismes internes, les biais et les impacts de l'outil ; passer d'une posture d'exécutant à une posture d'auteur éclairé ; adopter une démarche critique sur ses propres pratiques de création.

Sujet 3 — Création du modèle

Création d'un modèle génératif en utilisant les datasets constitués lors de l'exercice 1, avec garde-fous éthiques et réflexion sur les biais.

Objectif pédagogique : créer un modèle génératif fonctionnel tout en intégrant une réflexion sur les biais, les limites éthiques et les garde-fous nécessaires.

---
Outils

Entraînement et manipulation de modèles

  • ComfyUI (interface à nœuds, sur le serveur de l'école)
  • Hugging Face (modèles et datasets)
  • Google Colab (GPU en ligne, quotas limités sur l'offre gratuite)
  • Kaggle (datasets publics, notebooks)
  • Teachable Machine (prototypage rapide, sans code)

Modèles en local

  • Ollama, LM Studio (modèles de texte sur sa propre machine)

Agents et connecteurs

  • Claude Code et connecteurs créatifs officiels : Blender, SketchUp, Autodesk Fusion, Adobe Creative Cloud, Ableton (publiés par Anthropic le 28 avril 2026)

Éditeur

  • VS Code ou équivalent

Liens

Ressources

Divers

Exposition

Le monde selon l'IA, Jeu de Paume, Paris — 11 avril au 21 septembre 2025. Reprise à la Schirn Kunsthalle de Francfort, 11 juin au 20 septembre 2026.

Le catalogue et la documentation en ligne restent d'excellentes ressources : le parcours distinguait « IA analytique » et « IA générative », avec des artistes directement utiles au cours (Grégory Chatonsky, Trevor Paglen, Hito Steyerl, Agnieszka Kurant, Justine Emard). Commissariat : Alexandre Gefen.

Bibliographie

  • The Stack: On Software and Sovereignty, Benjamin Bratton, MIT Press, 2015
  • Manifeste cyborg et autres essais, Donna Haraway, Exils, 2007 (essai original : 1985)
  • Atlas of AI, Kate Crawford, Yale University Press, 2021
  • Culture visuelle. Images, regards, médias, dispositifs, Andrea Pinotti et Antonio Somaini, Les presses du réel, 2022
  • Planète B, Gwenola Wagon, 369 éditions, 2022
  • Voyage au bout de l'IA : ce qu'il faut savoir sur l'intelligence artificielle, Axel Cypel, De Boeck Sup, 2023
  • L'I.A. expliquée aux humains, Jean-Gabriel Ganascia, Seuil, 2024
  • AI Aesthetics, Lev Manovich, Strelka Press ⚪️ (2018 ou 2019 — à vérifier)
  • L'Œuvre d'art à l'époque de sa reproductibilité technique, Walter Benjamin, 1936

Podcast

France Culture, La Science, CQFD : https://www.radiofrance.fr/franceculture/podcasts/la-science-cqfd/ia-forte-la-paranoia-5901100

Filmographie

  • Alphaville (Jean-Luc Godard, 1965)
  • 2001 : l'Odyssée de l'espace (Stanley Kubrick, 1968)
  • Blade Runner (Ridley Scott, 1982)
  • Her (Spike Jonze, 2013)
  • Ex Machina (Alex Garland, 2014)
  • Black Mirror (Charlie Brooker, série)

Bibliographie étendue

/cours/tefAQ8eJR1K8ux3tdWxORg