General Problem Solver (GPS) et analyse moyens-fins – Allen Newell & Herbert A. Simon

L’émergence des sciences cognitives et de l’intelligence artificielle au mitan du XXe siècle constitue l’une des ruptures épistémologiques les plus profondes de l’histoire intellectuelle moderne. Au cœur de cette métamorphose conceptuelle se trouve la conviction révolutionnaire que la pensée humaine, loin d’être une boîte noire impénétrable ou une pure substance immatérielle échappant aux lois causales, peut être rigoureusement comprise et modélisée comme un système de traitement de l’information. En rupture ouverte avec l’orthodoxie béhavioriste qui réduisait la psychologie à l’étude des relations mécaniques entre stimuli externes et réponses comportementales observables, une nouvelle génération de chercheurs a formulé l’hypothèse audacieuse que la rationalité humaine réside dans la manipulation réglée de symboles internes.

Dans ce paysage intellectuel en pleine effervescence, les travaux conjoints d’Allen Newell et d’Herbert A. Simon, rejoints par le programmeur de génie Cliff Shaw au sein de la RAND Corporation et de l’Université Carnegie Mellon, ont joué un rôle véritablement matriciel. Après avoir conçu en 1956 la Logic Theory Machine, premier programme informatique capable de démontrer des théorèmes logiques formels avec une élégance quasi-humaine, Newell et Simon se sont attelés à un défi encore plus vertigineux : concevoir un système automatisé universel, capable d’émuler la structure même de la résolution humaine de problèmes dans n’importe quel domaine abstrait bien formulé. Ce projet titanesque a donné naissance, dès 1957, au General Problem Solver (GPS).

Le GPS n’était pas seulement une prouesse d’ingénierie logicielle précoce ; il constituait une théorie psychologique computationnelle de premier ordre. En introduisant l’analyse moyens-fins (Means-Ends Analysis) comme moteur heuristique fondamental, le GPS postulait que l’esprit humain fait face à l’inconnu en mesurant continuellement les écarts qui le séparent de son but ultime et en sélectionnant de manière récursive les actions cognitives les plus susceptibles de réduire ces disparités. Cet article propose une exploration exhaustive et approfondie de cette œuvre fondatrice, disséquant ses racines épistémologiques, son architecture formelle, sa méthodologie empirique d’avant-garde, ses limites intrinsèques et sa postérité féconde dans les théories modernes de la cognition et de l’intelligence artificielle contemporaine.

1. Introduction épistémologique et genèse du General Problem Solver

Pour appréhender la portée conceptuelle du General Problem Solver, il est indispensable de le réinscrire dans le basculement paradigmatique qui a secoué la communauté scientifique au cours des années 1950. La genèse du GPS ne résulte pas d’une simple avancée technologique fortuite dans le domaine du calcul électronique, mais de la convergence historique entre une profonde crise méthodologique des sciences humaines et l’émergence soudaine d’un appareillage formel capable de redéfinir la nature même de la cognition.

1.1 Le contexte intellectuel de la révolution cognitive des années 1950

Durant la première moitié du XXe siècle, la psychologie académique anglo-saxonne était largement dominée par le dogme du béhaviorisme radical, porté par des figures tutélaires telles que John B. Watson et B.F. Skinner. Cette école de pensée postulait qu’afin de préserver son statut de science exacte, la psychologie devait impérativement expurger de son vocabulaire toute référence aux états mentaux internes, aux intentions, aux désirs, à la mémoire et aux représentations subjectives, relégués au rang d’épiphénomènes non mesurables de la fameuse « boîte noire ». L’activité psychique était ainsi aplanie sous la forme de chaînes linéaires de réflexes conditionnés et d’associations directes entre stimuli sensoriels environnementaux et réponses motrices observables. Toutefois, au début des années 1950, ce paradigme a montré ses limites criantes face à l’incapacité manifeste d’expliquer les conduites cognitives complexes, telles que la planification stratégique, l’apprentissage créatif du langage naturel ou la déduction mathématique.

C’est précisément dans cette brèche épistémologique que s’est engouffrée la révolution cognitive. Sous l’impulsion conjointe des travaux de Norbert Wiener sur la cybernétique, des théories de Claude Shannon sur la quantification mathématique de l’information et des modèles logiques d’Alan Turing relatifs à la mécanisation universelle du calcul, un cadre théorique inédit a vu le jour : le computationnalisme. La cybernétique introduisait la notion révolutionnaire de rétroaction (feedback), démontrant qu’un système matériel peut être téléologique, c’est-à-dire guidé par des buts internes qu’il s’efforce d’atteindre en ajustant dynamiquement ses actions en fonction des signaux renvoyés par son environnement. Parallèlement, la théorie de l’information établissait que les messages échangés pouvaient être analysés indépendamment de leur substrat physique, conférant aux structures informationnelles un statut d’objet scientifique autonome.

L’événement charnière qui cristallisa ces courants dispersés fut la rencontre prolifique entre Herbert A. Simon, alors professeur d’administration et de sciences politiques passionné par la prise de décision organisationnelle, et Allen Newell, brillant mathématicien et logicien, rejoints par le programmeur en chef Clifford Shaw. Leur collaboration s’est épanouie dans le terreau exceptionnellement stimulant de la RAND Corporation à Santa Monica. Financée par l’armée de l’air américaine, cette institution rassemblait les esprits les plus novateurs de l’époque pour explorer les applications stratégiques de la théorie des jeux, de la logistique et des ordinateurs programmables naissants. Newell, Simon et Shaw ont immédiatement compris que les machines de von Neumann ne devaient pas être cantonnées à des opérations arithmétiques fastidieuses, mais pouvaient servir d’instruments universels pour manipuler des symboles et simuler le raisonnement logique humain.

1.2 De la Logic Theorist au General Problem Solver (GPS)

L’acte de naissance pratique de cette approche computationnelle de l’esprit s’est matérialisé sous la forme de la Logic Theory Machine (ou Logic Theorist), programmée entre 1955 et 1956. Présentée au séminaire fondateur de Dartmouth à l’été 1956 — événement unanimement considéré comme l’acte officiel d’inauguration du champ de l’intelligence artificielle —, la machine de Newell et Simon fut capable de démontrer de manière totalement autonome 38 des 52 théorèmes fondamentaux de logique propositionnelle figurant dans le chapitre deux des Principia Mathematica de Bertrand Russell et Alfred North Whitehead. Fait remarquable, le programme parvint même à trouver une démonstration du théorème 2.85 sensiblement plus concise et élégante que celle proposée initialement par les deux célèbres logiciens britanniques, suscitant l’admiration stupéfaite de Russell lui-même.

Néanmoins, en dépit de ce triomphe spectaculaire, la Logic Theorist portait en elle des limites intrinsèques que ses concepteurs se sont empressés de souligner. Le système était profondément inféodé à la syntaxe et aux règles d’inférence spécifiques du calcul propositionnel. Ses opérateurs de manipulation étaient taillés sur mesure pour dériver des expressions logiques, et son organisation procédurale ne pouvait être transposée directement à des problèmes d’une autre nature sans une réécriture intégrale du code source. Les concepteurs comprirent que pour percer le mystère de l’intelligence générale, ils devaient impérativement s’émanciper des caractéristiques idiosyncratiques d’un domaine formel particulier afin d’isoler les lois universelles de la résolution de problèmes.

C’est de ce constat d’insuffisance qu’est né le projet du General Problem Solver en 1957. L’objectif assigné au GPS était sans précédent dans l’histoire des sciences : concevoir une architecture logicielle capable de séparer formellement les mécanismes généraux de raisonnement et de contrôle heuristique des connaissances spécifiques propres à chaque domaine de problème. Newell et Simon poursuivaient une ambition ouvertement universelle : construire un métamodèle simulant les mécanismes psychologiques généraux déployés par un individu humain lorsqu’il est confronté à une tâche inédite, pour laquelle il ne possède aucun algorithme préétabli ni aucune expertise routinière préalable. Le GPS devait modéliser l’intelligence en situation d’incertitude et de découverte heuristique, là où l’humain fait preuve d’une plasticité adaptative qu’aucun programme n’avait encore approchée.

1.3 La métaphore de l’esprit comme système de traitement de symboles physiques

Au-delà de l’ingénierie algorithmique, le GPS constitue la manifestation concrète d’un engagement ontologique majeur formalisé ultérieurement par Newell et Simon : l’Hypothèse des Systèmes de Symboles Physiques (Physical Symbol Systems Hypothesis, ou PSSH). Cette thèse, articulée avec éclat lors de leur conférence conjointe pour le Prix Turing de l’ACM en 1975, stipule qu’« un système de symboles physiques possède les moyens nécessaires et suffisants pour générer une action intelligente ». Cette affirmation philosophique audacieuse établit une équivalence structurelle fonctionnelle entre l’esprit biologique et l’ordinateur numérique : tous deux appartiennent à la classe des systèmes physiques capables de matérialiser, de transformer et d’interpréter des symboles.

Selon cette hypothèse, les symboles ne sont pas de simples étiquettes arbitraires ou des abstractions vaporeuses, mais des configurations physiques identifiables au sein d’un médium matériel — qu’il s’agisse de décharges neuronales dans le cortex cérébral ou de transistors semi-conducteurs polarisés dans une mémoire de travail électronique. Un système de symboles physiques est constitué d’un ensemble discret de motifs symboliques susceptibles d’être assemblés pour former des structures de données complexes. Ces structures peuvent être lues, copiées, modifiées, reliées et effacées par une machinerie d’opérations élémentaires. Ce qui garantit l’ancrage de la sémantique et la pertinence de l’action, c’est la propriété de désignation : un symbole ou une structure de symboles peut désigner un objet du monde extérieur ou une sous-routine interne, permettant à la manipulation syntaxique interne de demeurer en adéquation causale avec la réalité empirique représentée.

Dès lors, l’ordinateur numérique moderne cesse d’être perçu comme une gigantesque machine à calculer numérique pour devenir un outil d’expérimentation psychologique d’une rigueur absolue. Pour Newell et Simon, l’écriture d’un programme informatique tel que le GPS équivaut à la formulation d’une théorie psychologique formelle, non ambiguë et directement falsifiable au sens de Karl Popper. Contrairement aux théories formulées en langage naturel, souvent saturées d’imprécisions sémantiques et de présupposés implicites, une théorie computationnelle doit être entièrement spécifiée pour s’exécuter. Si le programme s’exécute avec succès et réplique de manière fidèle les étapes intermédiaires, les hésitations et les erreurs manifestées par des sujets humains résolvant le même problème, la théorie psychologique sous-jacente acquiert une puissance explicative inégalée.

2. Les fondements théoriques de l’architecture cognitive du GPS

L’architecture du General Problem Solver repose sur une conception profondément novatrice de ce qu’est un « problème » et de la manière dont un organisme cognitif appréhende son environnement décisionnel. Avant d’examiner ses procédures de calcul, il est nécessaire de comprendre la théorie sous-jacente de la cognition que Newell et Simon ont élaborée pour soutenir leur édifice technique.

2.1 Définition structurelle d’un problème selon Newell et Simon

Dans l’optique de la psychologie cognitive naissante, un problème ne se définit pas par la complexité mathématique intrinsèque de son énoncé, mais par la structure de la situation dans laquelle se trouve plongé l’agent cognitif. Newell et Simon énoncent qu’un agent fait face à un véritable problème lorsqu’il désire atteindre un certain état du monde, qu’il a conscience de son point de départ actuel, mais qu’il ne dispose d’aucune séquence d’actions mémorisée ou d’aucun algorithme direct immédiatement disponible pour franchir la distance qui les sépare. La situation de problème émerge donc de l’existence d’une discontinuité fonctionnelle entre un état initial et un état-but.

Cette approche théorique conduit à établir une dichotomie fondamentale entre deux grandes catégories de situations :

• Les problèmes bien définis (Well-Defined Problems) : Ces problèmes se caractérisent par un ensemble rigoureusement borné de composantes. L’état initial est décrit sans équivoque possible, les critères d’atteinte de l’état-but sont parfaitement explicites et vérifiables, et l’ensemble des opérateurs légitimes permettant de transformer un état en un autre est exhaustivement délimité par des règles immuables. Des jeux formels comme les échecs, le jeu de dames ou la cryptarithmétique constituent des illustrations typiques de problèmes bien définis.
• Les problèmes mal définis (Ill-Defined Problems) : Dans ce cas, les conditions de départ peuvent être floues, les critères d’évaluation de la solution finale sont subjectifs ou incertains, et les actions envisageables ne sont pas prédéfinies de façon close. Concevoir une œuvre d’art, arbitrer une crise géopolitique ou formuler une théorie scientifique relèvent de cette typologie complexe.

Le GPS a été spécifiquement développé pour modéliser la résolution des problèmes bien définis. Newell et Simon ont insisté sur le rôle primordial de la représentation interne : la difficulté d’un problème dépend intimement de la manière dont l’agent le conceptualise. Deux formulations mathématiquement isomorphes d’un même problème peuvent générer des niveaux de charge cognitive radicalement différents chez le résolveur humain, selon que la représentation mentale adoptée rend les invariants structurels immédiatement accessibles ou, au contraire, obscurcit les contraintes fondamentales régissant les transitions entre états.

2.2 L’espace du problème (Problem Space Theory)

Le socle théorique le plus influent développé par Allen Newell et Herbert Simon est sans doute la Théorie de l’Espace du Problème (Problem Space Theory). Pour surmonter une situation problématique, l’agent cognitif ne peut se contenter d’interagir aveuglément avec l’environnement physique ; il doit obligatoirement construire une projection symbolique interne de cet environnement : l’espace du problème. Ce concept formalise le processus de recherche sous une optique topologique et combinatoire rigoureuse.

L’espace du problème est formellement appréhendé comme un graphe orienté dont les nœuds représentent des configurations symboliques d’états d’information, et dont les arêtes représentent des transformations appliquées à ces états par l’intermédiaire d’opérateurs autorisés. La structure globale de cet espace se décompose comme suit :

• L’état initial : La structure de données symboliques décrivant la configuration de départ de l’environnement ou du système cognitif.
• L’ensemble des états intermédiaires : Toutes les configurations informationnelles transitoires accessibles par l’application successive de transitions valides.
• L’état-but (ou ensemble d’états cibles) : La configuration finale caractérisée par la présence de traits désirés ou la satisfaction de prédicats logiques spécifiques.
• Le système d’opérateurs : Un ensemble d’actions génératrices ou d’instructions internes capables de modifier la topologie d’un état pour engendrer un état successeur.

Face à cet univers de possibilités, la résolution d’un problème se ramène conceptuellement à un processus de navigation orientée à travers un graphe combinatoire. Cependant, dans la très grande majorité des cas non triviaux, la taille brute de l’espace du problème est gigantesque, voire quasi infinie : le nombre de chemins possibles croît de manière exponentielle avec la profondeur de l’arbre de recherche. L’agent cognitif ne peut en aucun cas se livrer à un parcours exhaustif sous peine d’épuisement computationnel. L’espace du problème est donc contraint par des heuristiques sélectives dont le but est d’élaguer drastiquement les branches non prometteuses afin de guider le système vers la trajectoire optimale ou satisfaisante.

2.3 Composantes fonctionnelles du système GPS

Pour matérialiser cette théorie de l’espace du problème sous la forme d’un automate fonctionnel, Newell, Shaw et Simon ont conçu pour le GPS une architecture logicielle hautement modulaire, préfigurant avec une incroyable lucidité les modèles ultérieurs de la mémoire humaine développés par la psychologie cognitive (notamment le modèle d’Atkinson et Shiffrin ou celui d’Alan Baddeley).

L’architecture cognitive du GPS s’articule autour de trois composantes fonctionnelles maîtresses :

• La mémoire de travail (Working Memory) : Elle contient l’état actif du système, la pile des buts et sous-buts hiérarchiquement ordonnés en cours de traitement, ainsi que la description instantanée de l’état actuel et de l’état visé. Ses capacités sont computationnellement limitées pour refléter la finitude de l’attention et de la rétention humaine à court terme.
• La mémoire à long terme (Long-Term Memory) : Elle fait office de répertoire permanent des connaissances du domaine. Elle stocke la définition formelle de l’ensemble des opérateurs disponibles, leurs conditions préalables de déclenchement, leurs effets transformateurs, ainsi que la table de connexions associant heuristiquement les types de différences aux opérateurs pertinents.
• L’interpréteur de contrôle (Executive Control Unit) : Ce moteur de traitement séquentiel applique un cycle ininterrompu d’évaluation et de décision. Il compare les structures de données présentes en mémoire de travail, consulte les heuristiques stockées en mémoire à long terme, génère récursivement les sous-objectifs et déclenche l’exécution des opérateurs physiques ou cognitifs appropriés.

L’interaction entre ces modules s’effectue par le biais d’un flux continu de manipulations symboliques. L’interpréteur de buts agit comme un chef d’orchestre rigide mais dynamique : il interroge l’état courant, constate une disparité structurelle par rapport au but, sollicite de la mémoire à long terme un opérateur susceptible de supprimer cette disparité, et si cet opérateur ne peut être exécuté immédiatement, empile un nouveau sous-but en mémoire de travail. Cette tripartition fonctionnelle garantissait une totale séparation entre la machinerie de raisonnement universelle et les connaissances locales du domaine, assurant ainsi le statut véritablement « général » revendiqué par le programme.

3. L’analyse moyens-fins (Means-Ends Analysis) : Cœur procédural du GPS

Si la notion d’espace de problème délimite le territoire dans lequel le système évolue, l’analyse moyens-fins (Means-Ends Analysis) constitue le moteur heuristique qui guide la trajectoire du GPS à travers ce territoire. Cette méthode procédurale demeure l’une des contributions les plus célèbres et les plus influentes de Newell et Simon à l’informatique théorique et à la psychologie du raisonnement.

3.1 Principe fondamental et dynamique récursive

L’analyse moyens-fins repose sur un principe intuitif puissant, emprunté à la praxéologie et à la philosophie de l’action : l’action n’est justifiée que dans la mesure où elle constitue un moyen proportionné d’atteindre une fin déterminée. Confronté à un fossé cognitif entre sa situation présente et la situation désirée, le résolveur ne cherche pas à deviner un chemin complet à l’avance, pas plus qu’il n’avance au hasard en espérant croiser la solution par chance. Au lieu de cela, il engage une démarche systématique de diagnostic différentiel et de réduction progressive de complexité.

La dynamique fondamentale de l’analyse moyens-fins peut être décomposée en un cycle récursif invariable :

1. Évaluation de la distance : L’état courant $S_{actuel}$ est directement confronté à l’état-but $S_{but}$ afin d’extraire l’ensemble des différences qualitatives et structurelles qui les séparent.
2. Priorisation de la différence : Si plusieurs disparités coexistent, le système sélectionne la différence la plus substantielle, c’est-à-dire celle qui est jugée la plus critique selon une hiérarchie de priorités préétablie.
3. Recherche d’un moyen (Opérateur) : Le système interroge sa base de connaissances pour identifier un opérateur $Op$ dont l’application a précisément pour vocation ou propriété d’éliminer cette différence spécifique.
4. Condition d’application : Le système examine si les préconditions nécessaires à l’exécution de $Op$ sont réunies dans l’état courant. Si elles le sont, $Op$ est appliqué immédiatement, générant un nouvel état courant.
5. Sous-butisation récursive : Si les préconditions de $Op$ ne sont pas remplies, le système ne rejette pas l’opérateur. Il génère un sous-problème subsidiaire : transformer l’état courant de manière à rendre possibles les préconditions de $Op$. Ce mécanisme de régression vers l’amont constitue l’essence de la récursivité du GPS.

Cette logique téléologique fractionne un problème global d’une complexité insurmontable en une cascade de problèmes locaux de dimension bien plus modeste, rendant la tâche accessible à un système à rationalité contrainte.

3.2 La typologie des buts dans l’analyse moyens-fins

Pour opérationnaliser cette dynamique récursive sans ambiguïté algorithmique, Newell et Simon ont formalisé une ontologie rigoureuse structurée autour de trois types fondamentaux d’objectifs cognitifs. Chaque but assigné au GPS appartient obligatoirement à l’une de ces trois catégories interconnectées :

1. Le but de transformation (Transform Object A into Object B) :
Ce type de but constitue la finalité suprême du problème, mais il peut également régir des étapes intermédiaires. Il s’agit de trouver une séquence d’opérateurs permettant de passer d’un état symbolique donné $A$ à un état cible $B$. Pour accomplir ce but, le GPS procède à l’évaluation comparative de $A$ et de $B$. S’il n’existe aucune différence entre les deux structures, le but est immédiatement déclaré résolu avec succès. Dans le cas contraire, la divergence détectée engendre un but de second type : un but de réduction de différence.

2. Le but de réduction de différence (Reduce Difference D between Object A and Object B) :
L’objectif ici n’est pas de résoudre instantanément tout le problème, mais de neutraliser une disparité spécifique identifiée, notée $D$. Le GPS analyse sa table de connaissances heuristiques pour dénicher un opérateur $Q$ capable d’affecter positivement $D$. Si un opérateur potentiel est localisé, le système crée immédiatement un but de troisième type : un but d’application. Si aucun opérateur n’est éligible, la tentative échoue et le GPS tente de sélectionner une différence alternative de moindre priorité.

3. Le but d’application (Apply Operator Q to Object A) :
Ce but consiste à exécuter concrètement un opérateur donné $Q$ sur un état de départ $A$. Le système vérifie la compatibilité de $A$ avec les préconditions formelles requises par $Q$. Deux issues sont alors possibles : si $A$ satisfait pleinement les préconditions, $Q$ est exécuté et produit un nouvel état transitoire $A’ = Q(A)$, permettant ainsi au système de reprendre son but de transformation parent. En revanche, si $A$ enfreint certaines préconditions, le GPS instancie un nouveau but de transformation : transformer l’état $A$ en un état intermédiaire $C$ satisfaisant les préconditions de $Q$.

Cette triade de buts forme une boucle fermée et autoréférentielle : un but de transformation engendre des buts de réduction, qui engendrent des buts d’application, lesquels à leur tour réengendrent des buts de transformation plus locaux. Cette architecture fonctionnelle élégante permet de naviguer en profondeur dans l’espace du problème tout en maintenant une traçabilité rigoureuse de la finalité ultime de l’action engagée.

3.3 Structure algorithmique et arbre de décomposition

D’un point de vue informatique, l’analyse moyens-fins se matérialise sous la forme d’un arbre de décomposition hiérarchique régie par des structures de contrôle récursives. Le moteur d’inférence manipule une pile d’exécution fonctionnant selon le principe strict du « dernier entré, premier sorti » (LIFO – Last In, First Out). Chaque fois qu’un obstacle émerge sous la forme d’une précondition non satisfaite, le but en cours est gelé et placé en attente sur la pile, tandis que le nouveau sous-but d’adaptation est promu au sommet de la hiérarchie attentionnelle.

Pour éviter que le système ne s’égare dans des régressions computationnelles infinies, le GPS intègre un ensemble de règles de contrôle rigoureuses et de mécanismes de détection de pièges logiques :

• Détection des cycles : Le GPS maintient un registre des états historiques déjà visités au cours de la trajectoire actuelle. Si l’application d’un opérateur conduit à réengendrer un état identique à un nœud ancêtre de la pile, l’opération est immédiatement avortée pour prévenir le bouclage circulaire infini.
• Règle de non-aggravation : Un opérateur ne peut être validé si son exécution a pour effet collatéral d’introduire des différences de rang hiérarchique supérieur à celle qu’il est censé éliminer. Si l’élimination d’une anomalie mineure détruit un composant majeur déjà laborieusement aligné avec le but final, l’action est proscrite.
• Conditions d’arrêt et de retour arrière (Backtracking) : Lorsqu’une branche de l’arbre de recherche n’offre aucun opérateur éligible ou conduit à une violation rédhibitoire des contraintes globales du domaine, le GPS dépile le sous-but stérile, constate l’échec local et opère un retour arrière systématique vers le nœud décisionnel parent le plus proche afin d’explorer une alternative heuristique non encore testée.

Cette gestion arborescente confère au GPS une remarquable capacité à planifier des séquences d’actions coordonnées sur plusieurs niveaux de profondeur, tout en conservant une économie de moyens computationnels qui faisait l’admiration des pionniers de l’informatique des années 1960.

4. Opérateurs, différences et table de connexions

Le fonctionnement mécanique du GPS repose sur une triade conceptuelle indissociable : les différences observées, les opérateurs applicables et la table de connexions qui tisse le lien heuristique entre les deux premiers éléments. Cette section décortique le formalisme précis qui autorise le système à choisir rationnellement l’action adéquate sans avoir recours à une force brute aveugle.

4.1 La caractérisation et l’extraction des différences

La première phase de l’analyse moyens-fins exige un appareil perceptivo-cognitif interne capable de sonder et de comparer deux structures symboliques afin d’en extraire les disparités morphologiques et sémantiques. Cette confrontation structurelle s’opère par une routine d’appariement de motifs (pattern matching).

Soient deux états représentés sous forme d’arbres syntaxiques ou de listes de symboles : l’état actuel $S_a$ et l’état cible $S_g$. Le module d’évaluation parcourt de manière synchrone les deux représentations pour identifier les incompatibilités. Les différences détectées ne sont pas simplement cumulées de façon désordonnée ; elles sont classées et instanciées sous la forme d’un vecteur de disparités ordonné hiérarchiquement. Par exemple, en logique propositionnelle, le système distingue :

• Les différences d’opérateurs principaux (ex. conjonction versus implication).
• Les différences de variables ou de constantes atomiques (ex. présence du symbole $P$ au lieu de $Q$).
• Les différences de position ou d’ordre des arguments (ex. $A lor B$ versus $B lor A$).
• Les différences de polarité de signe logique (ex. présence d’une négation $neg$ excédentaire).

L’aspect le plus décisif de cette caractérisation réside dans l’attribution d’un ordre de préséance impératif. Newell et Simon ont postulé que l’esprit humain ne traite pas toutes les divergences sur un pied d’égalité : certaines disparités sont profondes et nécessitent une réorganisation globale du système, tandis que d’autres sont triviales et peuvent être résolues par un simple ajustement final. Par exemple, si une formule logique possède des variables totalement différentes de celles requises par le théorème à démontrer, il est inutile de s’attarder sur l’inversion d’un signe de parenthèse tant que les bons symboles n’ont pas été introduits dans l’expression. La sensibilité du système aux traits saillants de son univers symbolique dicte ainsi la focalisation sélective de son attention computationnelle.

4.2 Le rôle et la définition formelle des opérateurs

Dans l’architecture du GPS, un opérateur n’est pas une simple fonction mathématique pure, mais une modélisation théorique d’une action délibérée susceptible d’altérer l’univers du problème. Chaque opérateur $Op$ est formellement encadré par trois composantes strictes :

1. Les préconditions d’applicabilité :
Un prédicat logique décrivant les conditions indispensables que doit impérativement satisfaire l’état courant pour que l’opérateur puisse être légitimement déclenché sans violer les lois intrinsèques de l’univers du problème. Si la précondition n’est pas vraie dans l’état considéré, l’action est physiquement ou logiquement impossible.

2. La fonction de transition d’état :
L’instruction procédurale qui explicite la modification structurelle induite par l’action. Cette fonction supprime certains éléments symboliques de l’état source et en ajoute de nouveaux, modifiant ainsi sa géométrie informationnelle pour donner naissance à un état successeur unique.

3. Le bilan des effets collatéraux et son coût associé :
L’application d’un opérateur ne se limite que très rarement à l’éradication chirurgicale de la différence ciblée ; elle engendre presque systématiquement des altérations périphériques sur d’autres segments de la structure symbolique. Le système doit intégrer ces effets dérivés pour évaluer la viabilité globale de l’opération et pondérer le coût computationnel encouru.

Formellement, un opérateur peut être défini comme une relation de transition partielle :

$$Op : S_{in} x\rightarrow{\quad} S_{out}$$

définie si et seulement si $Pracute{e}conditions(Op, S_{in}) = \mathbf{Vrai}$. L’opérateur matérialise donc les contraintes causales ou déductives du domaine au sein duquel l’agent tente de résoudre son problème.

4.3 La table de connexions (Table of Connections)

La Table de Connexions (Table of Connections) représente le cœur de l’expertise heuristique compilée dans le GPS. Sans elle, le système serait condamné à tester aveuglément tous les opérateurs disponibles dans l’espoir que l’un d’eux supprime accidentellement la divergence observée, ce qui réintroduirait le spectre rédhibitoire de l’explosion combinatoire.

Matériellement, la table de connexions est une matrice à double entrée reliant de manière univoque l’univers des différences descriptibles à l’ensemble des opérateurs d’action. Une case $(D_i, Op_j)$ de cette matrice contient un indicateur booléen ou une valeur de pertinence précisant si l’opérateur $Op_j$ possède la propriété connue de réduire ou d’annihiler la différence formelle de type $D_i$ :

Type de Différence Détectée ($D$)	Opérateur Éligible 1 ($Op_1$)	Opérateur Éligible 2 ($Op_2$)	Opérateur Éligible 3 ($Op_3$)
Différence de variable (symbole absent)	Applicable	Non pertinent	Non pertinent
Différence de connecteur (ex. $land to lor$)	Non pertinent	Applicable	Non pertinent
Différence d’ordre des termes ($A, B to B, A$)	Non pertinent	Non pertinent	Applicable (Commutativité)
Différence de polarité (signe négatif)	Applicable (Double négation)	Non pertinent	Applicable

Cette table de connexions constitue le filtre qui transmute une quête aveugle en une recherche hautement sélective. Grâce à cette mémoire associative, lorsque le GPS repère une disparité $D_k$, il consulte immédiatement la ligne correspondante de la table, restreignant instantanément son attention à la poignée d’opérateurs signalés comme pertinents. Cette structure cristallise l’expérience accumulée ou l’expertise injectée par le modélisateur dans le programme. C’est précisément cette dépendance fondamentale qui a conduit de nombreux critiques à souligner que le caractère « général » du GPS reposait en vérité sur une architecture universelle alimentée par une matrice d’expertise heuristique éminemment locale et façonnée à la main pour chaque univers applicatif.

5. Méthodologie empirique : Protocoles verbaux et validation psychologique

Pour Newell et Simon, le GPS n’était pas un simple exercice d’algorithmique destiné aux laboratoires d’informatique, mais un outil d’investigation destiné à bouleverser la science de l’esprit. L’une de leurs contributions méthodologiques les plus durables à la psychologie cognitive moderne a été la mise au point d’une démarche expérimentale d’une rigueur clinique pour sonder les processus de pensée intérieurs sans sombrer dans les travers non scientifiques du passé.

5.1 La méthode du penser à voix haute (Think-Aloud Protocols)

Dès la fin du XIXe siècle, les pionniers de la psychologie comme Wilhelm Wundt ou Edward Titchener avaient tenté d’étudier l’esprit par le biais de l’introspectionnisme classique. Cette approche avait toutefois sombré sous les critiques dévastatrices des positivistes : demander à un sujet de s’auto-analyser rétrospectivement après la tâche modifie le souvenir du processus, introduit des rationalisations a posteriori fallacieuses et force le sujet à inventer des justifications logiques pour des mécanismes inconscients. Rejetant à la fois l’amnésie introspective et le mutisme béhavioriste, Newell et Simon ont développé et institutionnalisé la méthode des protocoles verbaux simultanés (Think-Aloud Protocols), synthétisée plus tard dans l’ouvrage magistral de K. Anders Ericsson et Herbert Simon en 1984.

Le protocole expérimental était standardisé avec une sévérité absolue. Les sujets — souvent des étudiants de l’Institut de Technologie Carnegie (devenu l’Université Carnegie Mellon) — étaient assis devant un bureau, isolés de toute interférence, et recevaient un problème symbolique inédit (par exemple un casse-tête logique ou une énigme de cryptarithmétique). La consigne était précise : le sujet ne devait en aucun cas tenter d’analyser, d’expliquer ou de justifier sa démarche pour l’expérimentateur, mais simplement verbaliser de façon continue le flux brut des pensées qui traversaient sa mémoire de travail pendant qu’il cherchait la solution.

Les propos étaient captés sur bande magnétique avec une fidélité acoustique parfaite. L’étape analytique suivante exigeait un travail titanesque : les enregistrements sonores étaient minutieusement transcrits sous forme de textes intégraux. L’équipe d’expérimentateurs procédait ensuite à la segmentation de la transcription en énoncés atomiques et discrets, correspondant chacun à une seule opération mentale ou à un seul focus d’attention (« Je regarde le terme de gauche », « Il y a un moins ici », « Je voudrais supprimer ce R », « Si j’inversais les parenthèses… »). Chaque fragment était ensuite systématiquement encodé selon une grille formelle catégorisant le type de but poursuivi, l’opérateur convoqué ou la différence cognitivement relevée.

5.2 L’analyse des traces comportementales et construction des graphes

Une fois les protocoles verbaux codés sous forme d’unités symboliques objectives, Newell et Simon ont introduit un outil analytique et visuel innovant : le Graphe de Comportement du Problème (Problem Behavior Graph, ou PBG). Le PBG est une représentation spatio-temporelle rigoureuse de la trajectoire cognitive singulière empruntée par un individu au cours de son périple à travers l’espace du problème.

Dans un PBG, chaque état mental intermédiaire atteint par le sujet est figuré par un nœud discret. Un mouvement vers la droite symbolise l’application d’un opérateur qui engendre un nouvel état de connaissance dans le fil de la réflexion. Un mouvement vertical vers le bas indique un décrochage cognitif : le sujet abandonne temporairement ou définitivement la ligne de raisonnement courante et opère un retour en arrière (backtracking) vers un état de connaissance antérieur situé plus haut dans l’arbre pour réamorcer une exploration alternative. Les hésitations prolongées, les soupirs, les silences et les hésitations verbales retranscrits sur la bande magnétique fournissaient des indicateurs chronométriques précieux sur les phases de surcharge de la mémoire de travail ou sur les impasses nécessitant une réévaluation stratégique globale.

L’apport scientifique décisif résidait dans la confrontation terme à terme entre la trace comportementale humaine matérialisée par le PBG et le journal d’exécution (la trace computationnelle) généré de manière totalement déterministe par le programme GPS résolvant rigoureusement le même problème avec les mêmes axiomes de départ. Newell et Simon ont ainsi pu produire des comparaisons « pas à pas » stupéfiantes : le logiciel générait la même cascade d’intentions locales, s’arrêtait devant les mêmes contradictions structurelles, créait les mêmes sous-buts d’urgence et effectuait ses retours en arrière exactement aux mêmes points d’inflexion que le sujet humain novice, fournissant la première démonstration empirique qu’un modèle computationnel pouvait épouser le détail fin de la temporalité de la pensée humaine.

5.3 Critères de validité psychologique de la simulation

Cette convergence saisissante a conduit Newell et Simon à théoriser de nouveaux critères épistémologiques pour asseoir la validité scientifique de leurs modèles computationnels de la cognition. Ils ont notamment défini deux exigences complémentaires :

1. Le critère de suffisance (Sufficiency Criterion) :
Pour qu’un modèle soit scientifiquement admissible, il ne doit faire appel à aucun concept magique ou téléologique non formalisé (comme « l’illumination », « le génie intuitif » ou « l’élan vital »). Le modélisateur doit impérativement prouver qu’un ensemble fermé et complètement spécifié de règles d’inférence symboliques et d’heuristiques formelles est logiquement suffisant pour engendrer, par sa seule dynamique mécanique, le comportement complexe observé empiriquement chez l’humain.

2. Le critère de fidélité chronologique et d’isomorphisme d’erreurs :
Un programme d’intelligence artificielle classique vise l’efficacité brute et l’optimalité mathématique ; il cherche à résoudre le problème le plus rapidement possible en évitant le moindre faux pas. Une simulation cognitive psychologique poursuit l’objectif inverse : elle doit répliquer fidèlement la nature des erreurs humaines, la fréquence des hésitations, la structure des impasses et l’ordre chronologique exact dans lequel les informations sont traitées par le sujet biologique. Si l’humain commet une bévue typique en raison de l’invisibilité temporaire d’un opérateur, le GPS doit reproduire précisément cette même cécité sous des contraintes informationnelles équivalentes.

Néanmoins, Newell et Simon sont demeurés particulièrement lucides quant aux limites matérielles de cette fidélité de simulation. Ils ont documenté deux divergences fondamentales irréductibles :

• La dissymétrie des capacités mnésiques : Alors que la machine informatique de l’époque disposait d’une mémoire de travail électronique infaillible capable de conserver des centaines de symboles sans dégradation, la mémoire humaine de travail est dramatiquement bornée par le célèbre plafond identifié par George A. Miller en 1956 (« le nombre magique sept, plus ou moins deux »). Pour préserver l’isomorphisme psychologique, les chercheurs ont dû brider artificiellement les piles de stockage du GPS.
• La disparité des vitesses de cycle d’horloge : Un processeur électronique exécute ses routines de manipulation en quelques microsecondes, tandis que la transmission synaptique biologique impose un temps de réaction minimal de 50 à 100 millisecondes par étape élémentaire de production cognitive, introduisant un fossé temporel absolu qu’il convenait de relativiser par des échelles normalisées.

6. Domaines d’application canoniques et études de cas

Afin de prouver la versatilité générale revendiquée par le GPS, Allen Newell et Herbert Simon l’ont soumis à une batterie d’épreuves expérimentales diversifiées. Loin de se limiter à un exercice stylisé de laboratoire, le GPS a été confronté à des problèmes emblématiques qui ont façonné l’histoire de la psychologie expérimentale et des mathématiques appliquées.

6.1 La logique symbolique propositionnelle

Le premier terrain d’élection du GPS fut naturellement la dérivation formelle en logique propositionnelle, dans la droite ligne des ambitions de la Logic Theory Machine, mais avec une machinerie entièrement réécrite sous l’égide de l’analyse moyens-fins. Le problème consiste à transformer une expression logique initiale en une expression finale visée, en appliquant exclusivement une collection de douze règles d’équivalence et d’inférence (telles que la commutativité, l’associativité, la distributivité, la règle de De Morgan, la contraposition ou le modus ponens).

Considérons l’exemple historique étudié en détail par Newell et Simon dans leur monographie de 1972 : transformer l’expression $R land (neg P supset Q)$ en l’expression but finale $(Q lor P) land R$. Confronté à ce défi, le GPS déploie sa cascade d’analyse :

• Il compare les deux chaînes de symboles et détecte immédiatement que l’ordre des sous-termes principaux est inversé ($R$ est à gauche au départ, mais à droite à l’arrivée).
• La table de connexions indique que l’opérateur $Op_1$ (Commutativité : $A land B to B land A$) a précisément pour effet d’annihiler une différence d’inversion d’arguments.
• Le GPS examine les préconditions de $Op_1$. L’expression principale étant effectivement régie par le connecteur de conjonction $land$, l’opérateur est applicable sans délai. Il génère l’état intermédiaire : $(neg P supset Q) land R$.
• Le sous-but de transposition du terme $R$ étant acquis, le GPS se concentre sur le terme restant : changer l’implication $(neg P supset Q)$ en la disjonction $(Q lor P)$.
• Le module d’analyse extrait une double différence : une différence de connecteur principal ($supset$ versus $lor$) et une différence dans l’ordonnancement interne des variables littérales.
• La table de connexions appelle l’opérateur de conversion de l’implication en disjonction : $(A \supset B) \equiv (\neg A lor B)$. Le GPS applique la transformation, ce qui donne $(neg neg P lor Q) land R$, puis élimine la double négation pour obtenir $(P lor Q) land R$, et applique enfin une règle de commutativité interne sur la disjonction pour achever l’alignement parfait avec la cible : $(Q lor P) land R$.

Cette réussite magistrale démontrait comment le fractionnement d’un théorème complexe en une séquence d’étapes ciblées permettait d’éviter le piège de la combinatoire aveugle qui frappait les démonstrateurs de théorèmes purement déductifs ascendants.

6.2 La Tour de Hanoï et les problèmes isomorphes

Le casse-tête classique de la Tour de Hanoï, inventé par le mathématicien français Édouard Lucas en 1883, constitue sans conteste l’un des laboratoires expérimentaux les plus limpides pour observer l’analyse moyens-fins à l’œuvre. Le jeu classique se compose de trois tiges verticales et d’un nombre déterminé de disques de diamètres strictement décroissants, initialement empilés sur une tige de départ. Le but est de déplacer la totalité de la pile vers une tige d’arrivée en respectant deux contraintes immuables : on ne peut déplacer qu’un seul disque à la fois (celui situé au sommet d’une pile), et il est formellement interdit de poser un disque donné sur un disque d’un diamètre inférieur au sien.

Pour le GPS, la Tour de Hanoï à trois ou quatre disques illustre de manière spectaculaire le mécanisme de la divergence tactique apparente. Prenons la situation où le plus grand disque doit être déplacé de la tige A vers la tige C. L’opérateur direct « Déplacer grand disque de A vers C » est immédiatement sélectionné par le système car il éradique la différence majeure par rapport au but final. Cependant, cet opérateur se heurte instantanément à un verrouillage de préconditions : la tige C n’est pas vide, ou bien d’autres disques plus petits sont encore empilés au-dessus du grand disque sur la tige A.

L’analyse moyens-fins démontre ici toute sa supériorité sur les heuristiques simplistes d’escalade aveugle (hill-climbing) ou de gradient de proximité. Une heuristique superficielle refuse systématiquement d’éloigner un composant de sa position cible. Le GPS, au contraire, grâce à son architecture de sous-buts récursifs, déduit que pour libérer le grand disque, il doit impérativement déplacer les petits disques vers la tige intermédiaire B. Il consent ainsi à réaliser des actions qui semblent, au regard d’une métrique géométrique brute, régresser par rapport à l’état-but. Le sous-but « rendre libre le grand disque » devient prioritaire sur le but final, pilotant la résolution avec une logique descendante impeccable que l’on retrouve point par point chez les sujets humains experts.

6.3 Problèmes de cryptarithmétique et de transvasement

Un autre domaine d’investigation privilégié par Newell et Simon fut celui des énigmes de cryptarithmétique, dont le cas le plus emblématique reste l’addition alphabétique :

DONALD + GERALD = ROBERT

Dans ce problème arithmétique, chaque lettre de l’alphabet représente de manière biunivoque un chiffre unique compris entre 0 et 9, la lettre $D$ étant par exemple conventionnellement initialisée à la valeur 5. Le résolveur doit attribuer la valeur numérique exacte à chacune des lettres restantes ($O, N, A, L, G, E, R, B, T$) de façon à ce que l’addition posée soit mathématiquement exacte dans le système décimal, en gérant les retenues éventuelles.

La force de l’analyse moyens-fins appliquée à la cryptarithmétique réside dans la gestion dynamique et opportuniste des contraintes. Le GPS ne se lance pas dans un tirage aléatoire de permutations parmi les 3,6 millions de combinaisons possibles. Dès qu’une valeur est affectée (par exemple $D = 5$, ce qui entraîne $5 + 5 = 10$, donc $T = 0$ avec une retenue de 1 sur la colonne suivante), cette information se propage à travers l’ensemble des équations colonnaires. Le système identifie continuellement la colonne présentant le degré de liberté le plus faible (la différence d’information la plus étroite) pour générer le sous-but d’instanciation de variable le plus contraignant. Le GPS reproduit avec exactitude la manière dont un humain réduit drastiquement la combinatoire en exploitant les invariants arithmétiques.

Le même phénomène s’observe dans les célèbres problèmes de transvasement de liquides (atteindre un volume précis en utilisant des récipients non gradués de contenances distinctes) ou dans la redoutable énigme des Missionnaires et Cannibales (faire traverser un fleuve à trois missionnaires et trois cannibales à bord d’une barque de deux places, sans que les cannibales ne soient jamais en surnombre sur l’une ou l’autre des rives sous peine de dévorer les religieux). Dans ce dernier cas, le GPS met en lumière les points de blocage cognitif universels : pour réussir, le joueur doit accepter, à un moment très précis de la traversée, de ramener deux personnes sur la rive de départ, violant temporairement le sentiment intuitif de progrès linéaire. Le GPS formalise rigoureusement cette nécessité cognitive de « reculer pour mieux sauter » via la création d’un état transitoire déverrouillant les préconditions d’évacuation finale.

7. La rationalité limitée de Herbert Simon au cœur du modèle

Il est épistémologiquement impossible de dissocier le General Problem Solver de la trajectoire philosophique et économique globale d’Herbert A. Simon. Le GPS n’est autre que la traduction computationnelle directe de la théorie révolutionnaire pour laquelle Simon s’est vu décerner le Prix de la Banque de Suède en sciences économiques en mémoire d’Alfred Nobel en 1978 : la rationalité limitée (Bounded Rationality).

7.1 Critique du modèle de l’homo œconomicus omniscient

Depuis le XIXe siècle, la théorie économique néoclassique et les modèles de décision statistique normative reposaient sur une fiction axiomatique commode mais psychologiquement fantaisiste : le mythe de l’Homo œconomicus. Dans cette vision idéale, l’agent décideur est doté d’une rationalité absolue et omnisciente. Confronté à un problème d’arbitrage ou de choix d’actions, il est supposé :

• Posséder une information exhaustive et instantanée sur l’ensemble complet des états du monde possibles.
• Disposer d’une capacité computationnelle infinie lui permettant de calculer sans délai toutes les trajectoires probabilistes futures.
• Ordonner parfaitement ses préférences selon une fonction d’utilité mathématique globale et continue.
• Sélectionner systématiquement l’action unique qui maximise rigoureusement son espérance d’utilité mathématique.

Simon a vigoureusement combattu cette vision orthodoxe, la qualifiant d’irréaliste sur le plan empirique et de stérile pour comprendre le comportement réel des organisations et des individus. Simon a rappelé avec force que les êtres humains sont des organismes biologiques finis, dont l’appareil cérébral est lourdement contraint par :

• Des goulets d’étranglement sévères au niveau de la bande passante attentionnelle sensorielle.
• Une capacité de rétention de l’information volatile en mémoire immédiate dramatiquement étroite.
• Une lenteur relative de traitement séquentiel des informations symboliques.
• Un accès partiel, incertain, fragmentaire et coûteux aux connaissances relatives à l’environnement extérieur.

Dès lors, face à l’immensité combinatoire de la réalité physique et sociale, la quête d’une « optimisation globale absolue » devient une illusion inaccessible. L’esprit humain ne cherche pas et ne peut pas chercher la solution mathématiquement optimale ; il cherche simplement des manières pragmatiques d’adapter ses comportements sous des contraintes sévères de ressources computationnelles finies.

7.2 Le concept de satisficing (satisfaction vs optimisation)

Pour formaliser cette alternative pragmatique à l’optimisation néoclassique, Herbert Simon a forgé un néologisme célèbre, contraction délibérée des termes anglais satisfying (satisfaisant) et sufficing (suffisant) : le satisficing, souvent traduit en français par le principe de satisfaction suffisante.

Le principe de satisfaction énonce qu’un agent cognitif rationnel évoluant dans un univers complexe ne parcourt pas l’intégralité du champ des possibles pour identifier le maximum global d’une fonction mathématique. Au lieu de cela, l’agent se dote d’un seuil d’acceptabilité aspirationnel interne. Dès qu’au cours de son exploration séquentielle, il découvre une alternative ou un chemin d’action qui égale ou dépasse ce niveau d’exigence minimal prédéfini, il interrompt immédiatement ses investigations et arrête son choix sur cette solution, sans dépenser la moindre unité d’énergie computationnelle supplémentaire pour vérifier s’il n’existait pas, théoriquement, une alternative encore plus avantageuse quelque part dans l’immensité de l’espace non exploré.

Dans l’architecture du GPS, ce principe de satisfaction est injecté dans le code même du système de recherche :

• Le programme ne s’efforce pas de découvrir le chemin le plus court (la géodésique absolue) reliant l’état initial à l’état-but.
• Lorsqu’une différence structurelle est identifiée, le GPS consulte sa table de connexions et retient le premier opérateur disponible validant les critères heuristiques de pertinence et dont les préconditions peuvent être résolues sans violation rédhibitoire.
• L’arrêt de la recherche est décrété sitôt qu’une séquence d’actions mène à la neutralisation de l’écart symbolique, consacrant la primauté de l’économie de calcul sur la perfection du résultat formel.

7.3 Heuristiques computationnelles vs algorithmes exacts

Cette articulation entre rationalité limitée et satisfaction nous amène au cœur de la distinction épistémologique fondamentale séparant les algorithmes exacts des méthodes heuristiques. Un algorithme formel (au sens mathématique strict, comme l’algorithme du simplexe en programmation linéaire ou le parcours exhaustif d’un arbre de décision) est une procédure déterministe qui offre une garantie absolue : si une solution existe, l’algorithme la trouvera infailliblement, et si la fonction requiert un optimum, il garantit la découverte de cet optimum. Toutefois, le coût algorithmique de cette complétude mathématique est souvent exorbitant : face à un espace de recherche exponentiel, l’algorithme est frappé par le fléau de l’incalculabilité pratique en temps raisonnable.

À l’inverse, Newell et Simon définissent l’heuristique comme une règle empirique, un raccourci cognitif ou un stratagème de recherche guidé par l’expérience pratique, qui permet d’accélérer spectaculairement la découverte d’une solution acceptable en élaguant préventivement d’immenses pans de l’espace du problème, mais au prix délibéré de l’abandon de toute garantie formelle de réussite. L’heuristique échange une certitude mathématique inaccessible contre une efficacité opérationnelle immédiate. L’analyse moyens-fins est l’archétype même de l’heuristique de réduction d’incertitude.

Cette distinction a conduit Simon à formuler son concept fondamental de rationalité procédurale (Procedural Rationality), qu’il oppose à la rationalité substantielle. La rationalité substantielle ne s’intéresse qu’au résultat final de la décision, postulant qu’un choix n’est rationnel que s’il est objectivement optimal au regard des conditions externes. La rationalité procédurale, quant à elle, s’attache à la qualité de la démarche intellectuelle et des processus de délibération mobilisés par l’agent au regard de ses capacités computationnelles intrinsèques. Le GPS incarne la matérialisation machinique de la rationalité procédurale : son comportement est éminemment rationnel non pas parce qu’il produit des déductions parfaites en toutes circonstances, mais parce que sa procédure de recherche heuristique constitue la réponse la plus intelligente, parcimonieuse et adaptative qu’un système matériel fini puisse opposer à la complexité vertigineuse du monde.

8. Architecture logicielle et modélisation formelle du GPS

Pour donner une consistance opérationnelle à des concepts aussi audacieux que l’espace du problème et l’analyse moyens-fins à la fin des années 1950, Newell, Simon et Cliff Shaw ont dû accomplir des prodiges d’innovation technique dans le domaine du génie logiciel balbutiant. Les architectures de programmation de l’époque, entièrement tournées vers le calcul vectoriel et matriciel arithmétique, étaient structurellement inaptes à traiter la plasticité des représentations symboliques exigées par le GPS.

8.1 Le langage IPL (Information Processing Language)

Face à l’inexistence d’outils logiciels appropriés, Allen Newell et Cliff Shaw ont conçu de toutes pièces, entre 1956 et 1958, la famille des langages IPL (Information Processing Language, principalement IPL-V), qui constitue l’acte de fondation de la programmation symbolique et du traitement de listes en informatique.

À une époque où le FORTRAN naissant n’admettait que des tableaux statiques de nombres alloués de manière rigide dans des adresses physiques contiguës de mémoire magnétique, IPL a introduit des concepts qui allaient transformer l’histoire de l’informatique :

• Les structures de listes dynamiques (Linked Lists) : Dans IPL, une entité informationnelle n’est plus emprisonnée dans une case mémoire fixe. Une liste est une suite de cellules mémoires disjointes réparties arbitrairement dans l’espace adressable de la machine, où chaque cellule contient deux éléments vitaux : une donnée symbolique et un pointeur explicite indiquant l’adresse mémoire de la cellule suivante.
• La gestion dynamique et le recyclage de la mémoire (Available Space List) : Le système GPS générant et détruisant continuellement des milliers de sous-buts éphémères au cours de son exploration heuristique, IPL intégrait un gestionnaire d’allocation dynamique ancêtre direct des ramasse-miettes (Garbage Collectors) modernes, qui récupérait automatiquement les cellules désallouées pour éviter la saturation prématurée de la RAM.
• Les architectures de piles et la récursion mécanique : IPL fournissait des instructions de manipulation de piles (push et pop) permettant d’interrompre une sous-routine pour en appeler une copie d’elle-même avec des arguments nouveaux, tout en conservant l’adresse de retour intacte dans le sommet de la pile d’exécution.

Cette percée conceptuelle magistrale a directement inspiré John McCarthy qui, tout en reconnaissant sa dette envers les pionniers de la RAND Corporation, s’est appuyé sur les principes d’IPL pour concevoir en 1958 le langage LISP (List Processing), doté d’une syntaxe mathématique fonctionnelle élégante dérivée du lambda-calcul d’Alonzo Church, reléguant IPL au statut d’ancêtre héroïque mais difficilement lisible en raison de son niveau d’abstraction très proche de l’assembleur.

8.2 Structure des programmes et contrôle hiérarchique

Sur le plan de l’architecture logicielle interne, le GPS s’articulait comme un système hiérarchisé de sous-programmes coordonnés par un superviseur central. Loin d’être un programme monolithique codé en blocs continus, le GPS préfigurait le concept moderne de programmation déclarative et les architectures de systèmes à base de règles de production.

Le contrôle s’articulait autour d’une mécanique de récursion mutuelle entre trois fonctions logicielles fondamentales correspondant aux trois types de buts décrits précédemment :

• EXEC_TRANSFORM(Etat_A, Etat_B) : Routine d’évaluation globale chargée d’extraire la liste différentielle $\Delta = Diff(A, B)$. Si $\Delta$ est nul, elle renvoie un statut de succès. Si $\Delta \neq \emptyset$, elle sélectionne la différence la plus lourde $D_{\max}$ et convoque récursivement EXEC_REDUCE(D_{max}, Etat_A, Etat_B).
• EXEC_REDUCE(Difference_D, Etat_A, Etat_B) : Routine heuristique qui balaie la Table de Connexions à la recherche d’un opérateur $Op$ étiqueté pour $Difference_D$. Pour chaque opérateur trouvé, elle invoque la directive EXEC_APPLY(Op, Etat_A). Si celle-ci réussit et produit un état intermédiaire $Etat_A’$, la routine rappelle EXEC_TRANSFORM(Etat_A', Etat_B) pour poursuivre l’acheminement.
• EXEC_APPLY(Operateur_Op, Etat_A) : Routine de test de validité. Elle confronte la structure de $Etat_A$ aux préconditions exigées par $Operateur_Op$. Si les conditions sont validées, elle exécute les instructions de transition structurelle et retourne l’état transformé. Si les conditions sont violées, elle isole la description formelle de la précondition défaillante $Prec$ et réinvoque immédiatement la fonction mère EXEC_TRANSFORM(Etat_A, Prec), initiant ainsi la sous-butisation récursive.

Chaque niveau d’appel allouait un bloc de contexte spécifique au sein de la pile mémoire du GPS, sauvegardant les variables locales, la liste des alternatives rejetées et les adresses de repli. Si une séquence d’opérations débouchait sur une contradiction ou un blocage irréversible, le programme utilisait les mécanismes de dépilement pour restaurer l’état mémoire antérieur sans corrompre les structures de données globales, autorisant un backtracking chronologique parfaitement maîtrisé.

8.3 Formalisation mathématique et computationnelle

D’un point de vue logico-mathématique contemporain, le General Problem Solver peut être modélisé sous la forme d’un quintuplet formel décrivant l’ensemble de son espace opérationnel :

$$\mathcal{M}_{GPS} = \langle \mathcal{S}, S_0, \mathcal{S}_g, \mathcal{O}, \mathcal{T} \rangle$$

Où :

• $\mathcal{S}$ représente l’ensemble universel des états discrets du problème, chaque état $s in \mathcal{S}$ étant une structure symbolique finie bien formée.
• $S_0 in \mathcal{S}$ désigne l’état initial formellement instancié au lancement du programme.
• $\mathcal{S}_g \subset \mathcal{S}$ constitue l’ensemble non vide des états-buts admissibles, caractérisés par la satisfaction d’un ensemble de prédicats de terminaison $\mathcal{P}_{but}(s) = \mathbf{Vrai}$.
• $\mathcal{O}$ est l’ensemble fini des opérateurs de transition autorisés. Chaque opérateur $o_i in \mathcal{O}$ est une fonction partielle $o_i : \mathcal{D}_i to \mathcal{S}$, où le domaine de définition $\mathcal{D}_i \subseteq \mathcal{S}$ est rigoureusement contraint par la condition de précondition $Pre_i(s) = \mathbf{Vrai}$.
• $\mathcal{T}$ représente la Table de Connexions, formellement modélisée comme une application multivoque reliant un ensemble fini de types de différences morphologiques $\mathcal{D}iff$ à des sous-ensembles d’opérateurs pertinents : $\mathcal{T} : \mathcal{D}iff to \mathcal{P}(\mathcal{O})$.

Sur le plan de la complexité computationnelle, si l’on formalise l’espace du problème sous forme d’arbre de recherche, les performances du GPS s’avèrent hautement dépendantes de la topologie de la table $\mathcal{T}$. Dans le pire des cas théorique — par exemple si la table de connexions associe aveuglément chaque différence à l’ensemble complet des opérateurs $\mathcal{O}$ —, la complexité temporelle du GPS dégénère en une exploration en profondeur exhaustive. Pour un facteur de branchement effectif moyen $b$ (nombre moyen d’opérateurs applicables par nœud) et une profondeur maximale de recherche $d$, la complexité en temps est de l’ordre de :

$$\mathcal{O}(b^d)$$

et sa complexité spatiale mémoire, bornée par la profondeur de la pile de récursion des sous-buts, s’établit à :

$$\mathcal{O}(b \cdot d)$$

En revanche, sous l’hypothèse idéale d’une table de connexions parfaitement discriminante et monomorphique — où chaque différence $D$ pointe vers un unique opérateur opérant une réduction stricte et monotone d’une fonction de distance bien ordonnée sans jamais heurter de préconditions bloquantes —, la complexité temporelle se contracte de manière spectaculaire pour devenir quasi-linéaire :

$$\mathcal{O}(d)$$

La preuve de convergence du GPS sous un univers fini repose sur l’hypothèse de non-cyclage : dès lors que le nombre d’états symboliques discrets $|\mathcal{S}|$ est fini et que le registre historique interdit la revoyure des états déjà inscrits sur la branche descendante active, l’algorithme est mathématiquement garanti de s’interrompre après un nombre fini d’itérations, soit par la découverte formelle d’une solution valide, soit par la constatation exhaustive de l’inexistence de solution accessible.

9. Limites intrinsèques et écueils computationnels du GPS

Malgré l’immense enthousiasme théorique suscité par ses premières démonstrations à la fin des années 1950, le General Problem Solver a rapidement vu son déploiement pratique freiné par une série d’obstacles conceptuels et techniques majeurs. L’analyse de ces pierres d’achoppement s’avère particulièrement instructive pour comprendre les métamorphoses ultérieures de l’intelligence artificielle.

9.1 L’explosion combinatoire et la scalabilité des domaines

Le premier écueil rencontré par le GPS, commun à l’ensemble des systèmes d’intelligence artificielle symbolique de première génération, fut le redoutable phénomène de l’explosion combinatoire. Si le GPS triomphait sur des énigmes stylisées possédant un espace d’états restreint (comme la Tour de Hanoï à trois disques comptant seulement 27 états possibles), ses performances s’effondraient brutalement dès que le problème gagnait en envergure.

Dans un monde réel ou un jeu complexe comme les échecs ou le go, le facteur de ramification de l’arbre décisionnel croît de manière vertigineuse. Dès que la profondeur de recherche excède une dizaine de niveaux, le nombre de nœuds potentiels franchit les milliards d’unités, saturant instantanément la mémoire physique et immobilisant le processeur dans des temps de délibération astronomiques. De surcroît, le GPS s’avérait singulièrement vulnérable face aux univers caractérisés par une forte interdépendance de variables (systèmes non décomposables au sens de Herbert Simon). Dans ces topologies denses, il est structurellement impossible de modifier une variable pour éliminer une différence locale sans déstabiliser simultanément dix autres variables déjà harmonisées, provoquant des oscillations décisionnelles sans fin.

Enfin, le GPS était fondamentalement incapable de s’aventurer dans des univers continus, imprécis ou stochastiques. Le modèle reposait sur l’axiome absolu que le monde est entièrement discret, certain et déterministe. Dès lors qu’une dose d’aléa ou d’information floue s’infiltrait dans l’évaluation des états, la machinerie d’appariement syntaxique univoque devenait inopérante, interdisant toute utilisation du GPS dans des tâches de navigation robotique physique ou de diagnostic médical soumis au bruit sensoriel.

9.2 Le goulot d’étranglement de la représentation initiale

L’une des critiques les plus cinglantes adressées au caractère supposément « général » du GPS touche à la question épineuse de la genèse de la représentation du problème, que les pionniers des sciences cognitives ont baptisée le « goulot d’étranglement de la formalisation ». Pour que le GPS puisse accomplir le moindre calcul, il était indispensable qu’un opérateur humain accomplisse préalablement un gigantesque travail préparatoire de modélisation :

• Isoler manuellement les variables pertinentes du monde réel en faisant abstraction du bruit ambiant.
• Définir la syntaxe exacte de tous les opérateurs et leurs conditions logiques d’activation.
• Structurer la hiérarchie intangible des types de différences.
• Rédiger à la main l’intégralité de la Table de Connexions en y condensant toute l’expertise causale du domaine.

En réalité, la part la plus subtile, la plus créative et la plus proprement « intelligente » de la résolution de problèmes — à savoir le passage d’une situation brute, ambiguë et mal formulée à une abstraction formelle calculable — était intégralement réalisée en amont par l’ingénieur humain. Le GPS n’était que le moteur d’exécution mécanique aval d’une ontologie qu’il n’avait en aucun cas contribué à forger. De plus, le programme était dépourvu de toute capacité d’apprentissage autonome : après avoir laborieusement résolu une tâche donnée, le GPS ne retenait aucune trace structurelle de son succès ; replacé devant le même problème une minute plus tard, il devait répéter aveuglément l’intégralité de sa quête heuristique sans manifester la moindre accélération adaptative.

Cette incapacité radicale empêchait le système d’expérimenter le phénomène psychologique d’insight (la restructuration créative soudaine du champ de problème telle que décrite par la psychologie de la Gestalt, notamment chez Wolfgang Köhler ou Max Wertheimer). Confronté à une énigme exigeant de repenser les règles mêmes de sa représentation (comme le célèbre problème des 9 points à relier par 4 segments sans lever le crayon), le GPS demeurait prisonnier de l’espace axiomatique initialement encodé dans sa mémoire, condamné à errer stérilement dans un réseau de sous-buts voués à l’échec.

9.3 La rigidité face aux contextes dynamiques et aux boucles infinies

Sur le plan de la logique algorithmique pure, l’analyse moyens-fins du GPS souffrait d’une vulnérabilité structurelle célèbre connue sous le nom de paradoxe de la régression non linéaire des sous-buts. Le GPS postulait de façon implicite que les sous-buts pouvaient être traités de manière séquentielle et indépendante, selon la logique du « diviser pour régner ».

Or, dans d’innombrables situations logiques réelles — dont l’illustration canonique est le casse-tête de l’Anomalie de Sussman (Sussman’s Anomaly) formalisé par Gerald Sussman en 1975 dans le monde des blocs (Blocks World) —, la tentative de résoudre le sous-but $B_1$ détruit inévitablement les préconditions acquises pour le sous-but $B_2$, et inversement. Le système s’enferme alors dans un dilemme tragique :

1. Pour satisfaire $B_1$, il détruit $B_2$.
2. Constatant la réapparition de la différence liée à $B_2$, il bascule sur la résolution de $B_2$, ce qui le contraint à défaire les modifications qui avaient assis $B_1$.
3. Le système s’enfonce dans une boucle de rétroaction oscillante stérile dont il est incapable de s’extirper sans une vision holistique globale surplombant l’analyse moyens-fins locale.

De même, le système manifestait une hypersensibilité aux minimas locaux au sein des topologies d’états accidentées. L’analyse moyens-fins étant fondamentalement guidée par la diminution monotone d’un indice d’écart, elle s’avère rétive aux scénarios de résolution exigeant la violation temporaire explicite d’une contrainte fondamentale ou l’acceptation d’une dégradation substantielle et prolongée de l’état du système pour espérer déverrouiller, beaucoup plus loin, la clé de la victoire finale. Face à ces topologies en forme de gouffre ou de cul-de-sac séduisant, le GPS échouait irrémédiablement, mettant en évidence la nécessité de concevoir des architectures cognitives bien plus intégrées et plastiques.

10. L’évolution vers les architectures cognitives unifiées (SOAR et ACT-R)

Loin de constituer une impasse historique, les limites intrinsèques du General Problem Solver ont servi d’aiguillon intellectuel direct pour propulser les sciences cognitives vers une ambition encore plus vaste : l’élaboration des Architectures Cognitives Unifiées (Unified Theories of Cognition), projet magistralement théorisé par Allen Newell dans son testament intellectuel éponyme en 1990.

10.1 De la résolution isolée aux architectures cognitives complètes

Au cours des années 1970 et 1980, un consensus critique a émergé au sein de la communauté des sciences de l’esprit : modéliser la résolution d’énigmes formelles en laboratoire de manière isolée était insuffisant pour prétendre expliquer la cognition humaine globale. L’intelligence ne peut se réduire à un simple interpréteur de buts navigant dans un espace prédéfini ; elle est le produit émergent de l’intégration organique et synchrone de multiples sous-systèmes cognitifs indissociables :

• La perception sensorielle active chargée de transformer le signal physique environnemental en symboles abstraits.
• L’attention sélective modulant l’accès des données à la conscience opératoire.
• Les mémoires structurelles décomposées en mémoires déclarative, épisodique et procédurale à long terme.
• L’apprentissage continu capitalisant sur chaque succès et chaque échec pour modifier les représentations futures.
• Le contrôle moteur orchestrant l’exécution physique des décisions dans un univers dynamique changeant.

Il était devenu impératif d’abandonner les « micro-modèles de tâches isolées » au profit d’infrastructures informatiques globales et intégrées, capables de simuler la totalité du spectre de la vie mentale humaine au sein d’une seule et même architecture unifiée, pérenne et évolutive.

10.2 Allen Newell et le développement de SOAR

C’est précisément pour relever ce défi monumental qu’Allen Newell, en collaboration avec John Laird et Paul Rosenbloom, a lancé au début des années 1980 le développement de l’architecture cognitive SOAR (initialement pour State, Operator And Result). SOAR se présente comme le descendant direct, perfectionné et sublimé du General Problem Solver.

L’architecture SOAR réaffirme avec force le principe directeur du GPS : l’espace de problème demeure l’invariant structurel fondamental de toute activité cognitive, qu’il s’agisse de perception, de raisonnement formel ou d’action motrice. Toute tâche y est modélisée sous forme de navigation dans un espace d’états à l’aide d’opérateurs. Toutefois, SOAR introduit deux innovations architecturales majeures qui comblent directement les lacunes du GPS :

1. Le traitement automatique des impasses (Impasses) et la sous-butisation universelle :
Dans le GPS, les sous-buts devaient être explicitement programmés ou découler de la violation mécanique d’une précondition prédéfinie. Dans SOAR, le système fonctionne de manière fluide et automatique jusqu’à ce qu’il se heurte à une impasse cognitive (par exemple, une équivalence stricte entre plusieurs opérateurs éligibles sans critère préétabli pour trancher, ou une absence totale d’opérateur disponible). L’architecture réagit alors en instanciant instantanément et de façon totalement automatique un nouvel espace de problème au niveau méta, dont l’unique vocation est de dénouer l’impasse observée. Une fois l’impasse levée par ce raisonnement réflexif, le contrôle redescend vers l’espace de départ sans heurts.

2. Le mécanisme d’apprentissage par chunking :
C’est la révolution majeure qui séparait définitivement SOAR du GPS. Chaque fois que SOAR résout avec succès une sous-impasse, un mécanisme d’arrière-plan compile automatiquement l’ensemble de la trajectoire causale qui a permis de surmonter la difficulté sous la forme d’une nouvelle règle de production pérenne (un chunk). Ce fragment de savoir procédural est immédiatement injecté dans la mémoire à long terme. Si le système rencontre à l’avenir une situation analogue, la nouvelle règle s’active instantanément au niveau perceptif sans nécessiter la moindre recherche heuristique, modélisant avec une fidélité saisissante la transition psychologique du statut de novice vers celui d’expert.

10.3 Connexions avec la théorie ACT-R de John R. Anderson

Parallèlement aux développements de SOAR, un autre grand disciple de la tradition cognitive de Carnegie Mellon, John R. Anderson, formulait sa propre théorie unifiée de la cognition : ACT-R (Adaptive Control of Thought – Rational). Tout comme le GPS et SOAR, ACT-R hérite directement de la conception simonienne de la résolution de problèmes gouvernée par des buts et contrainte par des ressources attentionnelles finies.

ACT-R pousse cependant l’isomorphisme biologique et psychologique encore plus loin en introduisant une dichotomie architecturale stricte, corroborée par les neurosciences modernes, entre :

• La mémoire déclarative : Répertoire explicite des faits, concepts et événements passés, stockés sous la forme d’unités d’information interconnectées appelées « chunks » déclaratifs.
• La mémoire procédurale : Système implicite de règles de production encodant le savoir-faire sous la forme stricte de paires symétriques « SI [conditions contextuelles et buts actifs] ALORS [actions cognitives ou motrices] ».

L’apport le plus singulier d’ACT-R par rapport au GPS historique réside dans l’intégration magistrale d’un niveau sub-symbolique régissant la dynamique symbolique supérieure. Chaque fragment déclaratif et chaque règle procédurale possèdent des valeurs scalaires continues d’activation et d’utilité, qui croissent avec la fréquence d’usage et décroissent exponentiellement avec le temps (modélisant l’oubli biologique). Ces équations mathématiques sub-symboliques permettent à ACT-R de prédire avec une précision millimétrique non seulement les choix discrets des sujets humains, mais également leurs temps de réaction exacts en millisecondes et la probabilité statistique précise qu’une erreur de distraction intervienne sous l’effet de la fatigue cognitive ou d’une interférence mnésique, hissant l’héritage de Newell et Simon au zénith de la validation psychologique expérimentale.

11. Impact et postérité dans l’intelligence artificielle moderne

L’onde de choc générée par la conception du General Problem Solver s’est propagée bien au-delà de la psychologie cognitive académique. Les principes architecturaux de l’analyse moyens-fins ont irrigué en profondeur les fondations de l’ingénierie logicielle et de l’intelligence artificielle appliquée, structurant des pans entiers de la technologie contemporaine.

11.1 L’héritage dans la planification automatique en IA

Le descendant direct le plus célèbre du GPS dans le domaine de l’intelligence artificielle appliquée est sans conteste le système STRIPS (Stanford Research Institute Problem Solver), développé en 1971 par Richard Fikes et Nils Nilsson pour piloter le célèbre robot mobile autonome Shakey. STRIPS a repris la philosophie centrale de l’analyse moyens-fins du GPS tout en la refondant sur un formalisme logique beaucoup plus robuste et expressif : le calcul des prédicats du premier ordre.

STRIPS a institutionnalisé la modélisation standard des opérateurs sous la forme universelle des triplets de conditions et d’effets, connue sous le nom de formalisme STRIPS :

• Conditions préalables (Preconditions) : Conjonction de littéraux logiques devant être impérativement vrais pour autoriser l’action.
• Liste d’ajouts (Add List) : Ensemble des nouveaux prédicats devenant vrais dans le monde à la suite directe de l’action.
• Liste de suppressions (Delete List) : Ensemble des prédicats antérieurs cessant d’être vrais dès l’instant où l’action est exécutée.

Cette formalisation a donné naissance, à la fin des années 1990, au langage standard international PDDL (Planning Domain Definition Language), utilisé encore aujourd’hui dans toutes les compétitions mondiales de planification automatisée. Qu’il s’agisse de planifier les trajectoires opérationnelles des rovers martiens de la NASA, d’orchestrer la logistique mondiale des chaînes d’approvisionnement portuaires ou de concevoir des architectures de planification hiérarchique de réseaux de tâches (HTN – Hierarchical Task Networks), les algorithmes modernes restent profondément tributaires de l’analyse moyens-fins originelle, souvent combinée avec l’algorithme heuristique $A^*$ pour garantir la découverte rapide de chemins de coût optimal.

11.2 Le débat IA symbolique (GOFAI) contre connexionnisme contemporain

Dans l’histoire des idées, le General Problem Solver se dresse comme l’archétype le plus pur et le plus éloquent de ce que le philosophe John Haugeland a baptisé avec une pointe d’ironie affectueuse la GOFAI (Good Old-Fashioned Artificial Intelligence, ou intelligence artificielle symbolique classique). Cette approche repose sur la conviction que l’essence de la pensée réside dans la manipulation explicite, logique, transparente et déductive de symboles discrets dotés d’une sémantique assignable.

Le triomphe contemporain spectaculaire du connexionnisme — matérialisé par les réseaux de neurones profonds (Deep Learning), les transformeurs et les grands modèles de langage (LLM) — a mis en lumière par contraste les limites sévères du paradigme GOFAI :

• Incapacité du symbolisme pur à ancrer ses concepts dans le signal perceptif brut (problème de l’ancrage des symboles de Stevan Harnad).
• Fragilité catastrophique face aux données bruitées ou incomplètes.
• Coût rédhibitoire de l’ingénierie manuelle des connaissances.

Cependant, le triomphe du connexionnisme a engendré ses propres pathologies : opacité des « boîtes noires » neuronales, hallucinations factuelles, vulnérabilité aux attaques contradictoires et incapacité flagrante à déployer un raisonnement logique rigoureux, systématique et vérifiable sur de longues chaînes de déduction. C’est la raison pour laquelle nous assistons aujourd’hui à une puissante résurgence contemporaine sous la bannière des modèles neuro-symboliques. Des chercheurs de premier plan, tels que Gary Marcus, Josh Tenenbaum ou Yann LeCun (à travers son architecture JEPA), soutiennent que l’intelligence artificielle de nouvelle génération devra impérativement combiner la puissance d’apprentissage perceptif statistique des réseaux de neurones profonds avec les mécanismes explicites de raisonnement structuré, de manipulation de variables et d’analyse moyens-fins hérités de Newell et Simon.

11.3 Applications de l’analyse moyens-fins dans l’ingénierie logicielle

L’héritage pragmatique du GPS s’est également diffusé silencieusement dans le tissu même de l’ingénierie logicielle contemporaine et des architectures de systèmes complexes :

• Les systèmes experts et moteurs de règles : Les célèbres moteurs d’inférence à chaînage arrière (backward chaining), omniprésents dans les systèmes d’aide au diagnostic médical ou de contrôle industriel (tels que Drools ou CLIPS), appliquent rigoureusement une logique moyens-fins : partant d’un but diagnostique visé, le moteur identifie les règles dont la conclusion valide ce but, et transforme leurs prémisses non vérifiées en nouveaux sous-objectifs d’investigation.
• Le paradigme BDI (Belief-Desire-Intention) : Au sein des architectures d’agents autonomes et de robotique distribuée, le modèle BDI modélise le comportement décisionnel en instanciant des croyances (état courant), des désirs (états-buts) et des intentions (plans engagés décomposés récursivement via l’analyse moyens-fins).
• La synthèse de programmes et la vérification formelle : Les environnements modernes d’assistance à la preuve mathématique (comme Coq, Lean ou Isabelle) reposent sur des tactiques de décomposition de théorèmes en lemmes intermédiaires qui répliquent mécaniquement la philosophie procédurale introduite par Newell, Shaw et Simon il y a plus de six décennies.

12. Réévaluation contemporaine de la pensée de Newell et Simon en psychologie

Plus d’un demi-siècle après les premières expérimentations du General Problem Solver, la communauté des sciences cognitives mesure avec une lucidité accrue l’ampleur monumentale de la trace laissée par Newell et Simon. Leur œuvre continue de structurer les débats contemporains sur la genèse de l’expertise et la nature profonde de la téléologie mentale.

12.1 Human Problem Solving (1972) : Un monument de la psychologie cognitive

La publication en 1972 par Allen Newell et Herbert A. Simon de leur ouvrage cardinal de 920 pages, Human Problem Solving, marque l’apogée scientifique du paradigme du traitement de l’information. Cet ouvrage massif, fruit de quinze années de recherches méthodiques et d’analyses scrupuleuses de milliers de pages de protocoles verbaux, est universellement célébré comme l’un des traités scientifiques les plus influents du XXe siècle.

L’impact du livre fut triple :

• Il a légitimé de manière définitive la modélisation computationnelle comme méthode scientifique de plein droit en psychologie, prouvant qu’un programme informatique pouvait surpasser le flou des métaphores littéraires sans sacrifier la richesse qualitative du comportement humain.
• Il a établi une taxonomie universelle des types de tâches, des topologies d’espaces et des opérateurs cognitifs qui sert encore aujourd’hui de vocabulaire de base dans tous les laboratoires d’ergonomie cognitive, de design d’interaction et de sciences de l’apprentissage.
• Il a prouvé empiriquement que la pensée n’est pas une simple réponse conditionnée ni une transe mystique inaccessible au logos, mais une architecture causale d’opérations finies, mesurables et reproductibles.

12.2 Différences d’expertise : Novices vs Experts à la lumière du GPS

L’un des apports les plus pérennes issus des développements ultérieurs du GPS réside dans la modélisation précise de la fracture cognitive séparant les sujets novices des sujets experts, initialement dévoilée par Herbert Simon et William G. Chase dans leurs études canoniques de 1973 sur les maîtres d’échecs.

Ces recherches ont mis en lumière une asymétrie cognitive saisissante dans le mode d’exploitation de l’espace du problème :

1. La posture cognitive du novice : L’analyse moyens-fins ascendante
Lorsqu’un individu novice est confronté à un domaine inconnu ou à une tâche inhabituelle, il ne dispose d’aucun schéma abstrait mémorisé ni d’aucune intuition préétablie. Il est alors cognitivement contraint d’adopter une démarche ascendante et séquentielle (bottom-up) : l’analyse moyens-fins pure. Le novice s’épuise à scruter les disparités locales superficielles, à formuler laborieusement des sous-buts d’adaptation et à jongler avec les préconditions au sein d’une mémoire de travail rapidement saturée. Sa progression est hésitante, coûteuse en énergie et hautement vulnérable aux impasses.

2. La posture cognitive de l’expert : La reconnaissance de motifs et l’accès direct
À l’opposé, le maître expert dans son domaine (qu’il soit grand maître international d’échecs, clinicien émérite auscultant un patient ou physicien théoricien chevronné) n’a presque jamais recours à l’analyse moyens-fins dans les situations standard. Grâce à des décennies de pratique délibérée, il a emmagasiné en mémoire à long terme une bibliothèque colossale comptant entre 50 000 et 100 000 motifs symboliques complexes (chunks). À la vue d’une situation, une procédure de reconnaissance perceptive directe et instantanée s’enclenche : la configuration perçue est immédiatement associée au patron canonique mémorisé, libérant en une fraction de seconde la stratégie globale descendante (top-down) appropriée, sans la moindre recherche heuristique arborescente.

Fait fascinant documenté par Simon : l’expert ne redevient un adepte de l’analyse moyens-fins que lorsqu’il est délibérément extrait de sa zone de confort par un problème déstabilisant dont la structure viole tous les patrons connus. L’analyse moyens-fins du GPS n’est donc pas la méthode cognitive la plus efficiente en situation de maîtrise établie, mais elle constitue le recours cognitif ultime et universel de l’intelligence humaine face à l’inconnu.

12.3 Conclusion épistémologique : Permanence du paradigme de traitement de l’information

Au terme de cette analyse exhaustive, le General Problem Solver et l’analyse moyens-fins se révèlent dans toute leur grandeur historique et philosophique. Loin de n’être qu’un vénérable artefact archivé dans les annales de l’informatique des pionniers, le GPS a posé les fondations inébranlables sur lesquelles repose l’édifice contemporain de la science de l’esprit.

En arrachant la psychologie à la stérilité mécanique du béhaviorisme radical sans pour autant retomber dans les mirages insondables de la spéculation métaphysique, Allen Newell et Herbert A. Simon ont accompli un geste épistémologique d’une audace comparable à celle de Galilée mathématisant le mouvement physique des corps. Ils ont prouvé que la finalité, l’intentionnalité et le raisonnement téléologique — la quête délibérée d’une fin par l’articulation méthodique de moyens — pouvaient être rigoureusement décrits comme une mécanique formelle transparente, déterministe et matérialisable au sein d’un système physique fini.

Quelles que soient les mutations technologiques actuelles ou futures, qu’il s’agisse de l’avènement des réseaux neuronaux profonds de dimension planétaire ou de la prospective de l’intelligence artificielle générale (AGI), l’analyse moyens-fins demeure un invariant structurel indépassable de la rationalité humaine. Dès qu’un être conscient — qu’il soit façonné par les millions d’années de l’évolution biologique ou qu’il émerge des entrelacs de silicium de l’ingénierie humaine — se tient au seuil d’un territoire inconnu, sépare par la pensée ce qui est de ce qui devrait être, et entreprend patiemment de combler le gouffre qui l’éloigne de son but, il réitère, avec une fidélité bouleversante, la geste intellectuelle universelle que le General Problem Solver avait pour la première fois osé inscrire dans la machine.

Références

• Anderson, J. R. (1993). Rules of the mind. Lawrence Erlbaum Associates. https://doi.org/10.4324/9780203763148
• Anderson, J. R., Bothell, D., Byrne, M. D., Douglass, S., Lebiere, C., & Quinones, Y. (2004). An integrated theory of the mind. Psychological Review, 111(4), 1036–1060. https://doi.org/10.1037/0033-295X.111.4.1036
• Chase, W. G., & Simon, H. A. (1973). Perception in chess. Cognitive Psychology, 4(1), 55–81. https://doi.org/10.1016/0010-0285(73)90004-2
• Ericsson, K. A., & Simon, H. A. (1984). Protocol analysis: Verbal reports as data. MIT Press. https://mitpress.mit.edu/9780262550239/protocol-analysis/
• Fikes, R. E., & Nilsson, N. J. (1971). STRIPS: A new approach to the application of theorem proving to problem solving. Artificial Intelligence, 2(3–4), 189–208. https://doi.org/10.1016/0004-3702(71)90010-5
• Laird, J. E. (2012). The Soar cognitive architecture. MIT Press. https://doi.org/10.7551/mitpress/9780262122962.001.0001
• Laird, J. E., Newell, A., & Rosenbloom, P. S. (1987). SOAR: An architecture for general intelligence. Artificial Intelligence, 33(1), 1–64. https://doi.org/10.1016/0004-3702(87)90050-6
• Miller, G. A. (1956). The magical number seven, plus or minus two: Some limits on our capacity for processing information. Psychological Review, 63(2), 81–97. https://doi.org/10.1037/h0043158
• Newell, A. (1990). Unified theories of cognition. Harvard University Press. https://www.hup.harvard.edu/books/9780674921016
• Newell, A., & Simon, H. A. (1956). The logic theory machine: A complex information processing system. IRE Transactions on Information Theory, 2(3), 61–79. https://doi.org/10.1109/TIT.1956.1056797
• Newell, A., & Simon, H. A. (1961). GPS, a program that simulates human thought. Dans H. Billings (Ed.), Lernende Automaten (pp. 109–124). R. Oldenbourg. https://doi.org/10.1007/978-3-663-02220-6_7
• Newell, A., & Simon, H. A. (1972). Human problem solving. Prentice-Hall. https://archive.org/details/humanproblemsolv0000newe
• Newell, A., & Simon, H. A. (1976). Computer science as empirical inquiry: Symbols and search. Communications of the ACM, 19(3), 113–126. https://doi.org/10.1145/360018.360022
• Newell, A., Shaw, J. C., & Simon, H. A. (1959). Report on a general problem-solving program. Proceedings of the International Conference on Information Processing, UNESCO, Paris, 256–264. http://shelf1.library.cmu.edu/IMAP/PUSP/RR/P101.pdf
• Simon, H. A. (1955). A behavioral model of rational choice. The Quarterly Journal of Economics, 69(1), 99–118. https://doi.org/10.2307/1884852
• Simon, H. A. (1956). Rational choice and the structure of the environment. Psychological Review, 63(2), 129–138. https://doi.org/10.1037/h0042769
• Simon, H. A. (1969). The sciences of the artificial. MIT Press. https://mitpress.mit.edu/9780262691918/the-sciences-of-the-artificial/
• Simon, H. A. (1979). Rational decision making in business organizations. American Economic Review, 69(4), 493–513. https://www.jstor.org/stable/1808698
• Sussman, G. J. (1975). A computer model of skill acquisition. American Elsevier. https://doi.org/10.1016/C2013-0-06485-6