Article original

Les intelligences artificielles : Histoire et définitions

Artificial intelligence: History and definitions

¹ SQODF ( Salbris )
² Ph’D ( Béthemont-la-Forêt

^* Adresse pour correspondance : Cette adresse e-mail est protégée contre les robots spammeurs. Vous devez activer le JavaScript pour la visualiser. , Cette adresse e-mail est protégée contre les robots spammeurs. Vous devez activer le JavaScript pour la visualiser.

Reçu : 15 Mai 2026
Accepté : 10 Juin 2026

Résumé

L’intelligence artificielle est un « fétiche » moderne, mais elle s’inscrit en réalité dans une longue tradition mythologique et historique de création de machines pensantes. Définie scientifiquement comme un processus d’imitation de l’intelligence humaine par des algorithmes et des données, elle a évolué de l’approche logique (IA symbolique) vers des modèles probabilistes (IA connexionniste).

En orthodontie, ces technologies facilitent déjà l’analyse radiographique et la segmentation 3D, tandis que les modèles génératifs (LLM) optimisent les tâches administratives et de traduction. Toutefois, ces systèmes présentent des limites majeures, notamment des risques d’erreurs ou de biais, car ils ne comprennent pas le sens réel des données traitées. La maîtrise de ces outils impose donc aux praticiens de conserver un regard critique et une expertise clinique forte pour valider des résultats purement statistiques.

Abstract

Artificial intelligence is a modern «fetish,» but it is actually part of a long mythological and historical tradition of creating thinking machines. Scientifically defined as a process of imitating human intelligence through algorithms and data, it has evolved from a logic-based approach (symbolic AI) toward probabilistic models (connectionist AI).

In orthodontics, these technologies already facilitate radiographic analysis and 3D segmentation, while generative models (LLMs) optimize administrative and translation tasks. However, these systems have major limitations, including risks of error or bias, as they do not understand the actual meaning of the data they process. Mastering these tools therefore requires practitioners to maintain a critical eye and strong clinical expertise to validate results that are purely statistical.