Chapitre 1 : Ce que l'IA est en fait

Si vous vous souvenez d'une chose tirée de ce chapitre, faites-le ainsi : le mot "intelligence" dans l'"intelligence artificielle" fait plus de travail…

Si vous vous souvenez d'une chose tirée de ce chapitre, faites-le ainsi : le mot "intelligence" dans l'"intelligence artificielle" fait plus de travail que la plupart des gens ne réalisent, et il n'a jamais été un terme technique neutre. Presque tous les arguments publics sur l'IA, que ce soit ce que l'IA peut faire, ce qu'elle menace ou ce que le Canada devrait construire, reposent sur des hypothèses au sujet de l'intelligence. Ces hypothèses sont contestées. Le concours n'est pas nouveau. Et le côté qui parvient à définir "l'intelligence" à l'intérieur d'un système d'IA gagne généralement l'argument de savoir si le système fonctionne. Ce chapitre fait trois choses. Elle explique, en termes de travail, ce qui se passe et ce qui ne se passe pas dans les systèmes d'IA qui sont soudainement arrivés dans les conversations canadiennes sur l'emploi, la souveraineté, l'environnement et la vie démocratique. Elle place cette technologie dans son histoire actuelle, qui est beaucoup plus longue que le lancement 2022 ChatGPT la plupart de couverture commence à partir. Et il établit la méthodologie que le reste du guide utilisera : comment lire les sources qui ne sont pas d'accord, comment repérer le biais dans vos propres sources préférées, et comment tenir les questions contestées comme contestées plutôt que de s'effondrer dans votre position existante. C'est le chapitre le plus long. Le reste du livre devient plus court et plus concentré une fois que ces fondations sont en place. ---

L'IA est plus vieille que le cycle médiatique le laisse croire

Lorsque le Conseil du Trésor du Canada a lancé son registre public d'utilisation de l'IA par le gouvernement fédéral en novembre 2025, le communiqué contenait une phrase qui méritait d'être relue : « L'IA est utilisée au gouvernement du Canada depuis des décennies, avec des systèmes datant de 1994. »

Dix-neuf quatre-vingt-quatorze. Avant, l'internet à large bande était un concept domestique. Le gouvernement fédéral utilise les techniques d'IA, d'abord des systèmes d'experts fondés sur des règles, puis l'apprentissage statistique, puis les réseaux neuronaux qui dominent aujourd'hui depuis plus de trente ans.

Ce qui a changé à la fin de 2022 n'était pas l'arrivée de l'intelligence artificielle au Canada. C'était l'arrivée de une espèce particulière d'IA , grands modèles de langage génératif, sur le marché des consommateurs, sous une forme qui pourrait être utilisée par n'importe qui avec un navigateur et une carte de crédit. La technologie qui est devenue ChatGPT était en développement dans les laboratoires de recherche (y compris les laboratoires canadiens à Toronto, Montréal et Edmonton) depuis au moins une décennie avant qu'elle ne devienne un produit de consommation. Le choc de la fin de 2022 était moins sur la nouveauté technique que sur la distribution: une sorte d'IA qui avait auparavant été la propriété des chercheurs et des entreprises était soudainement la propriété de tout le monde.

Cela est important parce que le cadrage de l'IA comme une arrivée soudaine en 2022 fausse presque toutes les questions en aval. Si l'IA est nouvelle, la réponse peut être une expérimentation prudente, une consultation publique, une lente adoption. Si l'intelligence artificielle est la dernière étape d'un continuum d'automatisation de trente ans qui a déjà remodelé le travail, les services et le gouvernement du Canada, ce qui est plus proche de la vérité, les questions deviennent différentes. Ils deviennent des questions sur qui Les techniques d'IA arrivent qui contextes, avec Quoi ? des risques et des avantages particuliers, et non « le Canada devrait-il faire de l'IA ».

Une définition de travail que le guide utilisera tout au long : L'IA est l'expression-cadre des techniques qui permettent aux ordinateurs de faire des tâches qui exigeaient auparavant le jugement humain. Certaines de ces techniques sont anciennes (arbres décisionnels, systèmes experts, régression statistique). Certains sont nouveaux (modèles linguistiques basés sur les transformateurs, génération d'images de diffusion). Ils partagent le parapluie, mais ils ne sont pas la même chose, et le terme parapluie cache des différences importantes. On reviendra là-dessus.

---

Une courte visite de ce qui se passe à l'intérieur

Vous n'avez pas besoin de comprendre les maths pour lire le reste de ce guide. Vous avez besoin d'un modèle mental. En voilà un.

Apprentissage automatique est la famille de techniques qui permet à un ordinateur de trouver des modèles dans les données sans que ces modèles soient programmés explicitement. Montrez un système à un million de photographies de chats et de chiens étiquetés, et il apprendra, par un processus d'ajustement statistique à travers des milliers de paramètres internes, à les distinguer sur de nouvelles photos qu'il n'a pas vu. Le système ne « sait » pas ce qu'est un chat en aucun cas reconnaissable à une personne qui a tenu un chat. Il a construit une carte statistique des patrons de pixel qui est en corrélation avec l'étiquette « chat » fournie par l'homme.

C'est le premier mouvement conceptuel dont les lecteurs ont besoin : Les systèmes d'apprentissage automatique ne « comprennent » en aucun sens qui corresponde à la signification humaine quotidienne de la compréhension. Ils produisent des produits qui Corrélation avec Quelle compréhension produirait, sur les types d'apports qu'ils ont été formés. Parfois, la corrélation est excellente. Parfois, elle se brise de façons révélatrices : un classificateur d'image ultramoderne identifiera avec confiance un bus scolaire comme une autruche si vous modifiez une poignée de pixels invisibles à l'œil humain. Le système est en train de faire un ajustement des modèles d'une sophistication remarquable. Il ne fait pas ce que votre cerveau fait.

Apprentissage approfondi est un sous-ensemble de l'apprentissage automatique qui utilise des réseaux neuronaux artificiels : les fonctions mathématiques en couches inspirées (loosely) par la structure des neurones biologiques. Un réseau neuronal avec une ou deux couches est « shallow ». Une avec des dizaines ou des centaines est « profonde ». Le passage à des réseaux profonds dans les années 2010, combiné à la disponibilité de vastes ensembles de données d'entraînement et de matériel spécialisé (unités de traitement des graphiques, ou GPUs, initialement conçus pour les jeux vidéo), est ce qui a permis à la plupart des capacités d'intelligence artificielle des Canadiens d'interagir maintenant.

Modèles de grande langue (LLM) , la technologie derrière ChatGPT, Claude, Gemini, les produits de Cohere, et les déploiements d'IA en expansion du gouvernement fédéral, sont un type spécifique de système d'apprentissage profond. Ils sont formés à d'énormes quantités de texte (la plupart de l'internet public, de grandes portions de livres numérisés, des dépôts de codes et d'autres documents écrits) pour prédire, compte tenu de certains textes d'entrée, quel texte pourrait vraisemblablement venir ensuite. Cette tâche de prédiction, lorsqu'elle est suffisamment étendue, produit un système qui peut écrire des essais, répondre à des questions, résumer des documents, écrire du code, traduire des langues et faire des centaines d'autres choses qui ressemblent de façon impressionnante à la compréhension.

Deux faits sur les LLM dont dépend le reste du guide.

Tout d'abord : Les LLM sont formés sur le texte sans le consentement de la plupart des humains qui ont produit ce texte. Il s'agit de la revendication empirique au centre des poursuites intentées par les journaux canadiens en novembre 2024 contre OpenAI, les contrats révisés de l'Union des écrivains du Canada, les conventions collectives de l'« Alliance canadienne des artistes du cinéma, de la télévision et de la radio » (ACTRA) avec des interdictions explicites de l 'IA, et la plupart du mouvement mondial des droits créateurs autour de cette dernière. Le statut juridique de la formation sans autorisation est contesté au Canada (nous dépenserons le chapitre 11 à ce sujet). Le fait empirique n'est pas. L'affaire des nouvelles canadiennes couvre à elle seule environ 16,1 millions d'oeuvres détenues et sous licence.

Deuxième : Les LLM n'ont pas accès aux faits de la façon dont une base de données le fait. Ils ont accès à les modèles statistiques sur la façon dont les mots et les concepts ont été utilisés ensemble dans leurs données de formation. Lorsqu'un LLM vous dit que la capitale du Canada est Ottawa, il ne consulte pas un tableau de faits. Il génère la plus probable statistiquement que « la capitale du Canada soit ___ » d'après des millions de fois que le matériel de formation apparaissait. La plupart du temps, cela produit des réponses correctes. Parfois, lorsque les données sur la formation sont rares, contradictoires ou périmées, elles produisent des mensonges confiants. Le terme technique dans le domaine est « hallucination », qui est lui-même un choix de mots révélateur : il implique un système qui perçoit normalement la réalité et parfois des perceptions erronées, alors que la description la plus précise est un système ne percevant jamais la réalité du tout et qui arrive parfois à produire des extrants qui la correspondent.

Vous pouvez absorber le reste du guide sans vous souvenir du vocabulaire technique. Les deux mouvements conceptuels sont les idées portantes : ces systèmes sont des modèles-matchers plutôt que des compréhenseurs, et ils sont formés sur le matériel dont la propriété est contestée.

---

Le mot contesté

Maintenant nous en arrivons à la revendication la plus difficile.

Dans toute la communauté de recherche sur l'IA, « intelligence » a une définition de travail spécifique, le plus souvent attribuée à un article de 2007 de Shane Legg et Marcus Hutter: « L'intelligence mesure la capacité générale d'un agent à atteindre des objectifs dans un large éventail de milieux. C'est la définition opérationnelle derrière presque tous les travaux sérieux sur ce que l'on appelle l'intelligence générale artificielle (IGA), le futur système d'IA hypothétique qui correspondrait ou dépasserait la performance humaine dans la plupart des tâches cognitives.

En 2024, un document de recherche publié dans la revue évaluée par les pairs IA & Société a fait quelque chose d'inhabituel. Jason Edward Lewis, H.mi Whaanga et Ceyda Yolgörmez — les directeurs du programme de recherche Des renseignements abondants, une importante initiative de recherche sur l'IA dirigée par des Autochtones menée conjointement par l'Université Concordia de Montréal et l'université Massey d'Aotearoa Nouvelle-Zélande, avec des modules comprenant l'University of Lethbridge, le Bard College et l'Université de Hawai'i West Oahu — ont tracé d'où provenaient en fait la définition fondamentale de Legg et Hutter.

Legg et Hutter's 2007 article enquêtent environ soixante-dix définitions de l'intelligence et synthétisent ses propres. Parmi les sources de cette enquête, et celui de Lewis, Whaanga et Yolgörmez qui suit la piste de citation, il y a un 1994 Wall Street Journal déclaration appelée "La science principale sur l'intelligence", assemblé par Linda Gottfredson. La déclaration a été publiée comme défense de la communauté de recherche IQ après Richard Herrnstein et Charles Murray La courbe de Bell a suscité une controverse publique. Il contient des lignes comme: "Les membres de tous les groupes raciaux et ethniques peuvent être trouvés à chaque niveau de QI. Les courbes de cloches de certains groupes (juifs et Asiatiques de l'Est) sont quelque peu plus élevées que pour les Blancs en général. D'autres groupes (noirs et hispaniques) sont centrés un peu plus bas que les Blancs non his Paniques."

Il s'agit d'un des documents qui figurent dans la ligne de citation de la définition opérationnelle de l'«intelligence» utilisée dans les recherches graves sur l'IGA. Lewis et ses collègues affirment que ce n'est pas une erreur. Le papier Lewis-Whanga-Yolgörmez le cite directement. Leur argument n'est pas que les chercheurs de l'AGI sont personnellement racistes. Leur argument est plus clair : la définition fondamentale de son concept central par le domaine intègre une conception particulière, historiquement située et empiriquement contestée de l'intelligence — une façon qui a été façonnée par la tradition de recherche IQ qui a produit La courbe de Bell — et que la conception n'est pas marquée ou examinée lorsque la recherche AGI s'en fonde.

La revendication d'ouverture du papier, que je veux reproduire parce qu'il organise tout ce qui suit : « Le complexe académique de l'intelligence artificielle n'a pas de problème d'éthique, mais il a un problème d'épistémologie. »

Traduire cela hors du registre académique: le problème n'est pas que les chercheurs en IA ne sont pas suffisamment éthiques. C'est que les concepts fondamentaux sur lesquels repose l'IA — ce qui compte comme intelligence, ce qui importe comme objectif, ce qu'il compte comme succès dans sa réalisation — ne sont pas les primitifs techniques neutres qu'ils sont présentés comme. Ce sont des héritages de traditions intellectuelles particulières — principalement occidentales, pour la plupart du XXe siècle — et largement indifférents à la question de savoir si d'autres traditions ont d'autre concepts qui pourraient faire le travail mieux.

C'est le mouvement conceptuel qui organise le reste du guide. Rien de tout cela ne signifie que l'IA ne fonctionne pas; il le fait clairement, dans le sens technique étroit de produire des extrants utiles sur les tâches qu'elle est formée. Cela ne signifie pas non plus que les traditions autochtones et non occidentales rejettent l'IA. Lewis et ses collègues sont explicites sur le fait qu'ils ne sont pas dans le camp de "désinformatisation" ; ils veulent engager l'IA de différentes fondations, et non pas le refuser. Ce que cela signifie, c'est que **lorsque quelqu'un vous dit que l'IA est ou n'est pas intelligent, vous devriez demander quelle définition de l'intelligence qu'ils utilisent, et d'où vient cette définition.

ALIGNMENT — quelle définition? Quand on vous dit que l'IA est « intelligente » (ou qu'elle ne l'est pas), la dispute porte déjà sur un mot. Demandez de quelle définition il s'agit, et d'où elle vient. Étonnamment souvent, les débats publics sur l'IA sont des querelles à propos d'une définition que personne n'a posée sur la table.

Presque personne dans le discours public ne pose cette question. Le guide le demandera à plusieurs reprises.

Une ligne qui mérite d'être transportée avec vous, du même corpus de travail : l'épigraphe d'ouverture du Protocole Indigène 2020 et le document de position IA attribue à Olana Kaipo Ai (Kānaka Maoli) la formulation "Aloha est l'intelligence avec laquelle nous rencontrons la vie." Vous n'avez pas à l'adopter comme définition opérationnelle. Vous devez remarquer qu'il en est un, et que pour les créateurs hawaïens du document de position, il fait le travail que "Capacité générale à atteindre des objectifs dans un large éventail d'environnements" fait pour les chercheurs AGI, tout en prenant des engagements complètement différents sur ce que l'intelligence est pour.

---

Comment lire ce guide

Le guide que vous lisez n'est pas neutre. Aucune source sur l'IA ne l'est. Ce qu'il essaie de faire, et ce qu'elle vous demande de faire à côté, c'est d'être honnête sur la façon dont chaque source se penche, et de mettre des sources orientées à côté les unes des autres pour que le concours reste visible.

Voici la méthodologie, en termes simples.

Chaque source que vous lisez sur IA a une position relative aux intérêts commerciaux, politiques ou institutionnels. Les communiqués de presse du gouvernement visent à justifier la politique qu'ils annoncent. Les rapports sur la durabilité de l'entreprise se penchent sur les chiffres qui la flattent. Les déclarations du syndicat s'appuient sur les préoccupations des travailleurs. La recherche dirigée par les Autochtones s'oriente vers les épistémologies autochtones. Le travail universitaire évalué par les pairs s'appuie sur ce que la discipline a convenu d'appeler la rigueur. Les entreprises de recherche de l'industrie (une catégorie à laquelle nous reviendrons) ont tendance à tirer les conclusions que leur client qui commande préférerait. Le biais n'est pas la corruption. C'est la façon dont les institutions humaines fonctionnent. Le problème est quand les lecteurs absorbent une source de biais comme si elle était neutre.

Le guide étiquettera chaque source telle qu'elle la cite, en utilisant huit catégories :

  • Cadres gouvernementaux (communiqués de presse, discours ministériels, annonces stratégiques) se penche sur la justification de la politique actuelle.
  • Fonctionnement du Gouvernement (guides techniques, registres, rapports statistiques) est moins biais, bien qu'il paie pour regarder la portée et les définitions.
  • Les documents Le gouvernement a fui/projet (documents de travail non destinés à la diffusion publique) sont utiles comme preuve d'un désaccord interne, et se penchent selon qui les a divulgués et pourquoi.
  • Les sources Société civile / plaidoyer (syndicats, organisations autochtones, organismes d'intérêt public sans but lucratif) se penchent sur la circonscription qu'elle représente.
  • Le travail Examen académique par des pairs (articles de journal, actes de conférence) se penche sur ce que le champ compte comme rigueur, qui est lui-même une position.
  • Autodivulgation des entreprises (rapports de durabilité, blogs techniques, transparence volontaire) se penche sur les intérêts de l'entreprise même lorsque techniquement honnête.
  • Entreprise par l'intermédiaire d'une entreprise de recherche commandée (rapports d'impact économique, projections du marché) se penche sur le client en mise en service tout en portant le costume de l'analyse par des tiers.
  • Critique de presse principale (journal d'investigation, analyse d'opinion) se penche sur la position éditoriale de l'entreprise.

Par le reste du guide, quand nous citerons une source, vous verrez le biais nommé. Si deux sources ne sont pas d'accord, nous vous montrerons à la fois les biais et vous laisserons faire le travail de les peser.

EXAMPLE — trois avis du même restaurant. L'écriture du propriétaire, la poêle d'une étoile rivale et les notes griffonnées d'un habitué sont toutes biais, et vous seriez stupide de faire confiance à n'importe lequel d'entre eux seul. Lire ensemble, les biais commencent à annuler et la place réelle entre en ligne de compte. C'est tout le mouvement d'appréhension des biais : ne jetez pas la source inclinée, alignez-la contre les autres.

Une démonstration pratique. Lorsque Google publie que l'invite de texte Gemini médiane utilise 0,24 Wh d'énergie et 0,26 mL d'eau, c'est-à-dire l'autodivulgation d'une entreprise ayant un intérêt à se défendre contre l'IA est catastrophique pour l'environnement. La méthodologie sous-jacente est techniquement sophistiquée; les auteurs principaux (Amin Vahdat, Jeff Dean) sont des ingénieurs crédibles; les chiffres peuvent être exacts dans leur champ d'application. Et le cadrage est stratégique: choisir la médiane (la statistique la plus amicale), choisir l'inférence (à l'exclusion de la formation et du carbone incarné), choisir la comparaison "moins de neuf secondes de TV" (un cadre flatteur). Aucune de ces observations ne annule les autres. La lecture honnête est: "Google données semble méthodologiquement prudent dans son champ d'application, et Google a choisi la portée pour flatter le résultat." C'est un cadre plus utile que soit "Googgle est mensonge" ou "Google a réglé la question."

🧌 GOBLIN CHECK — Google dit qu'un Gemini prompt coûte moins d'énergie que neuf secondes de TV. Trois petites questions, faisant le levage lourd: médiane prompt (la statistique la plus amicale dans le tiroir), inférence seulement (entraînement non inclus; piles non incluses), et vérifié par , par note de bas de page 2 du blog de Google annonçant le journal: personne. Le nombre peut être honnête et le cadre peut toujours être un vendeur. Les deux en même temps. C'est toute la méthodologie de ce livre, est arrivé un chapitre tôt.

Une deuxième démonstration pratique. Lorsque le Syndicat canadien des employés publics (CUPE, 800 000 membres selon son propre nombre) dit au Comité sénatorial des affaires sociales en mars 2026 que le déploiement de l'IA dans les lieux de travail exige une consultation complète, la transparence et des limites sur la gestion algorithmique, c'est-à-dire la défense de la société civile par une organisation dont les membres comprennent exactement les travailleurs les plus touchés par le déploiement d'IA. Le biais est vers la protection des travailleurs. Les données sous-jacentes du SCFP sont indépendantes et rigoureuses : l'analyse de Statistique Canada selon laquelle 31 % des travailleurs canadiens occupent des emplois fortement exposés à l'IA avec une faible complémentarité (les emplois les plus susceptibles d'être transformés ou déplacés; le « changement radical ou la disparition » est le brillant interprétatif, et non le libellé de StatCan); le risque double pour les emplois dominés par les femmes; les cas documentés de travailleurs à caption fermée, de transcrits médicaux et de travailleurs de l'expédition d'hôpital qui perdent déjà des emplois. Le biais est réel; les preuves sont aussi réelles. La lecture honnête est : « CUPE a des intérêts de protection des travailleurs et le cas empirique qu'il construit est étayé par des données indépendantes. » Résumer leur soumission parce qu'ils sont un syndicat serait aussi mal que l'accepter sans s'en rendre compte.

GOBLIN FACTS — Le risque de travail a un certain nombre. Le bref exposé du CUPE se penche sur la protection des travailleurs, mais le chiffre d'exposition de 31 % qu'il cite provient de Statistique Canada. La règle du gobelin est simple: remarquez le biais, puis vérifiez si les preuves survivent.

Tout au long du guide, vous allez pratiquer ce genre de lecture. En vertu du chapitre 21, vous disposerez d'une boîte à outils portable que vous pourrez utiliser sur n'importe quelle demande d'IA que vous rencontrerez, y compris ce guide lui-même. Le guide appelle cette méthode la méthode de cartographie des biais tout au long, et c'est l'outil de base dont dépend le reste de l'infrastructure analytique.

---

Trois concepts qui organisent ce qui suit

Le reste du guide est structuré autour de trois grandes questions et d'une ligne. Voici les concepts que vous devrez suivre.

Formation par rapport à l'inférence. C'est la distinction technique la plus importante pour comprendre les débats environnementaux, économiques et de droits de l'IA. Formation est le processus (très coûteux, très énergétique) de construction d'un modèle IA à partir de données. Inférence est ce qui se passe à chaque fois que vous utilisez le modèle: vous tapez une invite et obtenez une réponse. La formation d'un grand modèle linguistique peut consommer des dizaines de millions de dollars d'électricité sur plusieurs mois. Chaque prompt consume ensuite une fraction d'une watt-heure. Les débats sur l'environnement et le droit d'auteur les consolident souvent; le débat sur le travail les ignore souvent entièrement. Leur séparation rendra la plupart de ce qui suit plus clair.

Effets directs et indirects. Lorsque vous lisez que l'IA est de plus en plus efficace (qu'un Gemini prompt utilise maintenant 33 fois moins d'énergie qu'il y a un an, selon la mesure d'août 2025 de Google), votre instinct pourrait être de conclure que l'empreinte environnementale de l'IA se rétrécit. La recherche canadienne de Sasha Luccioni (à Hugging Face Montréal), avec Emma Strubell (Carnegie Mellon) et Kate Crawford (Microsoft Research / USC), publiée à la conférence ACM FACCT 2025, fait le cas inverse : les gains d'efficacité en IA sont systématiquement réinvestis dans plus d'utilisation de l'IA, des modèles plus grands, un déploiement plus large et une demande induite dans d'autres secteurs. Le nom économique de ce produit est Le paradoxe de Jevons : les améliorations de l'efficacité augmentent souvent la consommation totale plutôt que de la diminuer. Le chapitre 8 est là où il obtient son traitement complet. Pour l'instant, tenez ça. le numéro de la demande descendant et l'empreinte environnementale totale en hausse Ce ne sont pas des contradictions, mais le même phénomène vu à différentes échelles.

Souveraineté en trois couches. Les conversations canadiennes sur l'IA utilisent le mot « souveraineté » dans au moins trois sens distincts, et les conversations se glissent souvent entre elles sans que personne ne s'en rende compte. Souveraineté nationale est la question de savoir si les données canadiennes, les modèles canadiens et l'infrastructure canadienne d'IA sont sous juridiction canadienne plutôt que étrangère (principalement aux États-Unis, de plus en plus chinoise). Souveraineté personnelle est la question de savoir si les individus ont un contrôle significatif sur la façon dont leurs données et leurs ressemblances sont utilisées. Souveraineté des données autochtones est la question de savoir si les peuples autochtones conservent la propriété, le contrôle, l'accès et la possession de données sur eux-mêmes, leurs communautés, leurs terres et leurs connaissances. Cette question a son propre cadre de plusieurs décennies (principes du PACOMD du Centre de gouvernance de l'information des Premières nations, Stratégie nationale inuite sur la recherche pour les Inuits Tapiriit Kanatami et Principes internationaux de l'« Alliance mondiale des données autochtones ») qui précède et dépasse le débat actuel sur l'IA. Ces trois questions ne sont pas les mêmes. Un déploiement « nuage souverain » de Telus ou Bell répond au premier, partiellement, tout en ne faisant rien au sujet du deuxième ou du troisième. Le guide nommera la souveraineté en jeu chaque fois que le mot apparaîtra.

ALIGNMENT — boussole de souveraineté. Lorsqu'une revendication dit « IA souveraine », demandez quelle direction la boussole pointe : juridiction nationale, contrôle personnel ou gouvernance des données autochtones. Une revendication peut s'aligner sur une couche tout en laissant les autres intacts.

Et la ligne. La seule découverte la plus importante dans notre bibliothèque source, celle qui relie l'environnement, la souveraineté, la propriété intellectuelle et l'éthique en une géographie plutôt qu'en quatre sujets distincts, est la suivante : une étude par des pairs de 2023 menée par Owen et ses collègues a révélé que 54 % des projets mondiaux d'extraction de l'énergie, de la transition et des mines - les mines produisant du cobalt, du lithium, du cuivre, des terres rares et d'autres matériaux dont dépend également le matériel informatique - sont situés sur les terres des peuples autochtones ou à proximité; 69 % une fois que les terres paysannes sont incluses; et 62 % de ces projets sont situés dans des endroits à haut risque d'eau. Une note de précision que le guide vous doit à l'avant : Owen et al. projets , pas les volumes de matière, et leur étude porte sur la transition énergétique en général, pas sur l'informatique en particulier. Le guide étend la recherche au matériel d'IA parce que les familles de minéraux se chevauchent; l'extension est le déplacement du guide, signalé ici pour que vous puissiez le peser. Cette constatation a été citée dans le document de Luccioni/Strubell/Crawford pour faire un point précis : l'empreinte environnementale d'IA n'est pas seulement une question d'électricité et d'eau au centre de données. Il s'agit aussi d'où vient la substance physique de l'IA, qui est déplacée quand elle est extraite, et quels écosystèmes sont dégradés par son extraction. Lorsque nous arrivons au chapitre 9 (souveraineté) et au chapitre 15 (éthique), le même Owen et al. nombre apparaîtra à nouveau, faisant un travail différent. Les chapitres de ce guide ne sont pas des sujets indépendants. Ce sont des vues différentes sur la même géographie sous-jacente.

GOBLIN FACTS — la carte minérale fait partie de la carte IA. Owen et al. a compté 54 % des projets énergétiques, de transition et miniers sur les terres des peuples autochtones ou à proximité. Le guide étend cette géographie au matériel d'IA parce que les puces, les serveurs, les batteries et les systèmes d'alimentation puisent dans des familles de minéraux qui se chevauchent.

---

Ce que vous avez maintenant

CHAPTER RECAP — vous avez maintenant: - Un modèle mental de travail de la façon dont fonctionne réellement l'apprentissage automatique, l'enseignement profond et les grands modèles linguistiques, assez pour suivre le reste du guide sans avoir besoin de formation technique. - Une compréhension que l'IA au Canada a une histoire de trente ans plutôt qu'une histoire de trois ans, et que le moment actuel est l'arrivée sur le marché des consommateurs d'un type particulier d'IA plutôt que l'arrivée de l'IA elle-même. - La démarche conceptuelle selon laquelle l'intelligence n'est pas un terme technique neutre, que sa définition dans la recherche sur l'IA a une histoire spécifique et contestable, et que s'engager dans cette histoire est le début d'une pensée claire sur l'IA plutôt qu'une digression de celle-ci. - Une méthodologie pour lire les sources: chaque source se penche, le biais n'est pas la corruption, le biais est quelque chose que vous pouvez nommer et rendre compte, et le guide le nommera à chaque fois. - Trois concepts à suivre dans le reste du livre : la formation par rapport à l'inférence, les effets directs par rapport aux effets indirects, trois niveaux de souveraineté. - La ligne qui relie les chapitres: l'IA est une chose physique faite de matériel contesté, tiré de la terre contestée, formation sur les données contestées, déployée par les institutions contestées et les chapitres de ce guide sont différents points de vue sur cette réalité sous-jacente.

Le chapitre suivant approfondit la façon dont les machines apprennent réellement : en particulier, ce qui se passe dans un modèle de langage basé sur un transformateur quand il fait ce qui ressemble à une compréhension. Si vous voulez la couche technique plus profonde, lisez le chapitre 2 ci-dessous. Si vous voulez suivre l'histoire canadienne, passez au chapitre 5. Le guide est conçu pour fonctionner dans les deux ordres.

---

Étiquette partiale pour ce chapitre : synthèse éducative avec un cadre épistémologique dirigé par les Autochtones explicite dans la section 3. Méthodologie présentée à la section 4. Lorsque des revendications contestées apparaissent, les biais sont étiquetés. Auteur biais : engagé dans la politique canadienne actuelle en matière d'IA, sensible aux cadres de souveraineté des données autochtones, sceptique quant à l'autodivulgation des entreprises sans vérification indépendante.

Sources principales citées ou invoquées dans le présent chapitre : Registre de l'IA du Conseil du Trésor (28 novembre 2025); Lewis, Whaanga & Yolgörmez, « Abondant renseignement : placer l'intelligence artificielle dans les cadres de connaissances autochtones », IA & Society 40(1):2141–2157, 2024; Indigenous Protocol and IA Position Paper (2020); Google Cloud Blog « Mesurer l'impact environnemental de la inférence sur l'IA » (Vahdat & Dean, 21 août 2025); Luccioni, Strubell & Crawford, « Du gain d'efficacité à l'effet régressif : le problème du paradoxe de Jevons dans les débats polarisés sur l'environnement, » FaccT 2025; mémoire au Sénat du CCPE, mars 2026; Owen et al. (2023); journaux canadiens c. OpenAI (Cour supérieure de l'Ontario CV-24-00732231-00CL, 2024-2025). Citations détaillées dans l'annexe Sources.

---

🧌 GOBLIN CHECK — Google dit qu'un Gemini prompt coûte moins d'énergie que neuf secondes de TV. Trois petites questions, faisant le levage lourd: médiane prompt (la statistique la plus amicale dans le tiroir), inférence seulement (entraînement non inclus; piles non incluses), et vérifié par , par note de bas de page 2 du blog de Google annonçant le journal: personne. Le nombre peut être honnête et le cadre peut toujours être un vendeur. Les deux en même temps. C'est toute la méthodologie de ce livre, est arrivé un chapitre tôt.

Récapitulatif

  • Un modèle mental de travail de la façon dont fonctionne réellement l'apprentissage automatique, l'enseignement profond et les grands modèles linguistiques, assez pour suivre le reste du guide sans avoir besoin de formation technique.
  • Une compréhension que l'IA au Canada a une histoire de trente ans plutôt qu'une histoire de trois ans, et que le moment actuel est l'arrivée sur le marché des consommateurs d'un type particulier d'IA plutôt que l'arrivée de l'IA elle-même.
  • La démarche conceptuelle selon laquelle l'intelligence n'est pas un terme technique neutre, que sa définition dans la recherche sur l'IA a une histoire spécifique et contestable, et que s'engager dans cette histoire est le début d'une pensée claire sur l'IA plutôt qu'une digression de celle-ci.
  • Une méthodologie pour lire les sources: chaque source se penche, le biais n'est pas la corruption, le biais est quelque chose que vous pouvez nommer et rendre compte, et le guide le nommera à chaque fois.
  • Trois concepts à suivre dans le reste du livre : la formation par rapport à l'inférence, les effets directs par rapport aux effets indirects, trois niveaux de souveraineté.
  • La ligne qui relie les chapitres: l'IA est une chose physique faite de matériel contesté, tiré de la terre contestée, formation sur les données contestées, déployée par les institutions contestées et les chapitres de ce guide sont différents points de vue sur cette réalité sous-jacente.

Sources

  • Treasury Board AI Register (November 28, 2025)
  • Lewis, Whaanga & Yolgörmez, "Abundant intelligences: placing AI within Indigenous knowledge frameworks," AI & Society 40(1):2141–2157, 2024
  • Indigenous Protocol and AI Position Paper (2020)
  • Google Cloud Blog "Measuring the environmental impact of AI inference" (Vahdat & Dean, August 21, 2025)
  • Luccioni, Strubell & Crawford, "From Efficiency Gains to Rebound Effects: The Problem of Jevons' paradox in AI's Polarized Environmental Debate," FAccT 2025
  • CUPE Senate Brief, March 2026
  • Owen et al. (2023)
  • Canadian newspapers v. OpenAI (Ontario Superior Court CV-24-00732231-00CL, 2024–2025).