Connexionnisme vs Computationalisme

Depuis le milieu du vingtième siècle, les sciences cognitives et la philosophie de l’esprit s’efforcent d’élucider l’un des mystères les plus profonds de l’existence : la nature exacte de la pensée et les mécanismes par lesquels la matière biologique ou artificielle produit de l’intelligence. Loin de constituer un champ disciplinaire uniforme et pacifié, cette quête intellectuelle a été le théâtre d’affrontements théoriques majeurs. Au cœur de ces débats se dresse une controverse fondamentale opposant deux paradigmes rivaux de l’architecture cognitive : le computationalisme classique d’un côté, et le connexionnisme de l’autre. Chacun propose une modélisation radicalement différente de la façon dont l’information est représentée, encodée et transformée pour donner naissance au raisonnement, à la perception, au langage et à l’action.

Le modèle computationaliste classique puise ses racines dans la révolution logique de la première moitié du vingtième siècle et dans l’émergence des ordinateurs programmables. Postulant que la cognition consiste en une manipulation mécanique de symboles formels gouvernée par des règles syntaxiques explicites, ce paradigme a dominé la psychologie cognitive naissante et l’intelligence artificielle pendant près de trois décennies. Pour ses défenseurs, l’esprit humain fonctionne d’une manière analogue au processeur d’une machine de Turing : les représentations mentales sont discrètes, combinatoires et compositionnelles, permettant la productivité et la systématicité infinies du langage et de la pensée abstraite.

À l’inverse, le modèle connexionniste, qui a connu un essor spectaculaire avec le mouvement du traitement distribué en parallèle (PDP) dans les années 1980 avant de nourrir les spectaculaires avancées contemporaines de l’apprentissage profond, refuse cette primauté accordée au symbole logique formel. Enraciné dans une analogie biologique plus directe avec le système nerveux central, le connexionnisme conçoit la cognition comme le produit émergent de l’activation dynamique et massivement distribuée d’unités de calcul simples reliées par des connexions pondérées. Ici, la pensée ne se déroule pas sous la forme d’un algorithme séquentiel dicté par des règles symboliques invariables, mais comme une trajectoire dynamique continue au sein d’espaces vectoriels à haute dimension, régie par des ajustements statistiques continus.

Ce traité se propose d’examiner exhaustivement les fondements épistémologiques, les architectures mécaniques, les implications philosophiques et les développements contemporains de ces deux piliers des sciences de l’esprit. À l’heure où les grands modèles de langage et les architectures neuro-symboliques réactivent avec acuité la question de la compréhension sémantique, de la déduction logique et de la plausibilité neurobiologique, réinterroger la fracture et les convergences entre connexionnisme et computationalisme s’avère indispensable pour quiconque souhaite appréhender le présent et l’avenir de la théorie de l’intelligence.

1. Introduction : Les deux piliers théoriques des sciences cognitives

1.1 Définition liminaire des deux paradigmes

Pour engager une comparaison féconde entre le computationalisme et le connexionnisme, il convient d’établir avec une clarté rigoureuse les définitions ontologiques et méthodologiques de ces deux approches fondamentales de la cognition. Le computationalisme classique, souvent désigné sous l’acronyme CTM (Computational Theory of Mind) ou qualifié de paradigme symbolique, avance la thèse selon laquelle les états et processus mentaux sont des calculs formels opérés sur des représentations physiques de nature symbolique. Dans ce cadre épistémologique, un symbole est une entité physique discrète dotée d’une double nature : il possède des propriétés physiques formelles qui le rendent manipulable par des mécanismes matériels, et il possède des propriétés sémantiques qui lui confèrent une valeur dénotative ou une signification intentionnelle. La thèse cardinale du computationalisme affirme que les processus cognitifs sont strictement gouvernés par la syntaxe des symboles : l’esprit est un système formel dans lequel les transitions entre pensées sont entièrement déterminées par la structure morphologique des représentations internes, d’une manière analogue aux opérations logico-mathématiques d’un interpréteur informatique exécutant un programme séquentiel.

En opposition délibérée à cette vision symbolique et logocentrée, le connexionnisme envisage la cognition non pas comme la manipulation de symboles discrets, mais comme l’émergence globale de l’activité collective au sein d’un vaste réseau d’unités élémentaires interconnectées, directement inspiré du tissu neuronal. Dans une architecture connexionniste typique, les nœuds individuels — souvent appelés unités de calcul ou neurones artificiels — ne possèdent pas de contenu sémantique autonome. Contrairement aux symboles du computationalisme qui renvoient directement à des concepts univoques comme « chat », « table » ou « démocratie », les unités connexionnistes n’encodent que des valeurs numériques d’activation. L’information n’est donc pas stockée dans des cases mémorielles localisées, mais réside de manière implicite et hautement distribuée à travers la totalité des poids synaptiques qui régulent l’intensité des transmissions entre nœuds. La cognition devient ainsi une dynamique physique continue : une trajectoire mathématique dans un espace vectoriel multidimensionnel convergeant vers des attracteurs stables en réponse à des stimulations de l’environnement.

L’émergence conjointe et dialectique de ces deux grands paradigmes a profondément façonné l’évolution conjointe de la philosophie contemporaine de l’esprit et des sciences informatiques. Dès la conférence de Dartmouth en 1956, acte de naissance officiel de l’intelligence artificielle, la tension était déjà palpable entre ceux qui privilégiaient l’abstraction mathématique des règles logiques et ceux qui exploraient la modélisation statistique des assemblées de neurones formels, comme en témoignaient les travaux pionniers de Warren McCulloch et Walter Pitts en 1943 ou le Perceptron de Frank Rosenblatt en 1958. Alors que la première génération de chercheurs a massivement embrassé le computationalisme classique sous la houlette de figures comme Herbert Simon et Allen Newell, la résurgence spectaculaire du connexionnisme à partir des années 1980 a forcé la communauté scientifique à repenser de fond en comble le statut de la représentation mentale, la dynamique de l’apprentissage et le lien fondamental qui unit l’esprit au substrat biologique de son incarnation.

1.2 Origine et enjeux de la controverse théorique

La controverse moderne entre computationalisme et connexionnisme a trouvé son expression la plus retentissante et la plus influente dans un article programmatique publié en 1988 par les philosophes et scientifiques cognitifs Jerry Fodor et Zenon Pylyshyn, intitulé Connectionism and Cognitive Architecture: A Critical Analysis. Cet écrit magistral constituait une riposte philosophique frontale à la publication, deux ans plus tôt, du diptyque fondamental sur le traitement distribué en parallèle (Parallel Distributed Processing, PDP) dirigé par David Rumelhart et James McClelland. Fodor et Pylyshyn y soutenaient que le connexionnisme, bien qu’intéressant sur le plan de l’ingénierie et de la modélisation neurobiologique, était fondamentalement incapable de fournir une théorie adéquate de l’architecture cognitive de niveau supérieur. Selon leur argumentation, la pensée humaine manifeste deux caractéristiques structurales fondamentales que seul le computationalisme symbolique peut expliquer rigoureusement : la systématicité (la capacité de penser ou de comprendre certaines propositions implique nécessairement la capacité d’en penser d’autres de même structure, comme « Jean aime Marie » et « Marie aime Jean ») et la productivité (la capacité intrinsèque de générer un nombre infini de pensées distinctes à partir d’un ensemble fini de primitives représentationnelles).

L’un des apports majeurs de ce débat a été la mise en lumière d’une confusion conceptuelle fréquente entre l’implémentation physique du calcul et la nature de l’architecture cognitive proprement dite. Fodor et Pylyshyn ont posé un dilemme célèbre aux théoriciens du réseau : soit le modèle connexionniste implémente une architecture symbolique classique — auquel cas le réseau de neurones n’est qu’un simple substrat matériel physique sans statut théorique autonome au niveau cognitif, de la même façon que les transistors semi-conducteurs implémentent la logique de von Neumann sans la redéfinir conceptuellement —, soit le modèle connexionniste refuse radicalement toute structure symbolique compositionnelle, et il devient dès lors empiriquement faux et incapable de rendre compte de la combinatoire de la pensée rationnelle. Les connexionnistes, conduits par des penseurs de premier plan comme Paul Smolensky, ont vigoureusement rejeté ce dilemme en théorisant le niveau « sub-symbolique » : un niveau de description authentiquement cognitif mais non classique, où la compositionnalité n’est pas syntaxique et concaténative, mais géométrique, vectorielle et distribuée.

L’enjeu ontologique crucial qui sous-tend cette rivalité méthodologique touche au statut même de la nature humaine et de la raison. La cognition humaine relève-t-elle, dans son essence fondamentale, de la pure logique formelle, d’une algèbre mentale déductive opérant sur des structures propositionnelles abstraites, ou relève-t-elle plutôt de la dynamique statistique des réseaux, où l’intuition, la sensibilité au contexte, l’apprentissage inductif continu et l’approximation floue constituent le socle premier duquel la logique n’émerge que secondairement comme une idéalisation tardive et imparfaite ? Cette question ne relève pas d’une simple querelle d’ingénieurs sur l’optimisation des algorithmes informatiques contemporains ; elle touche directement à la conception que nous nous faisons de la pensée, de la rationalité, du langage et de la possibilité même d’une conscience machinique.

2. Vue d’ensemble du Connexionnisme

2.1 Architecture et principes ontologiques

L’architecture connexionniste repose sur un principe ontologique fondamental : l’absence délibérée d’une unité centrale de traitement et d’une mémoire séparée au sens de l’architecture de von Neumann classique. Dans un système connexionniste, le calcul et le stockage de l’information sont physiquement et opérationnellement indissociables. Le réseau se structure sous la forme d’un ensemble de nœuds hautement interconnectés, couramment organisés en couches fonctionnelles : une couche d’entrée recevant les signaux perceptifs ou les descripteurs vectoriels initiaux, une ou plusieurs couches intermédiaires (les couches cachées) où s’opèrent les abstractions successives, et une couche de sortie délivrant le verdict, la prédiction ou l’action motrice. Chaque unité élémentaire applique une fonction mathématique simple : elle calcule la somme pondérée de toutes les activations provenant des unités en amont, lui ajoute un terme de biais scalaire, puis transmet une valeur scalaire continue à travers une fonction d’activation non linéaire, telle que la fonction sigmoïde, la tangente hyperbolique ou l’unité linéaire rectifiée (ReLU).

Le paradigme du traitement distribué en parallèle (PDP), formalisé de manière éclatante par le groupe de recherche de Rumelhart et McClelland à l’Université de Californie à San Diego, bouleverse la notion traditionnelle de localisation de l’information. Dans un ordinateur classique ou dans une taxonomie computationaliste de la mémoire, un concept donné réside à une adresse mémoire spécifique ou sous la forme d’un symbole identifié. Dans un réseau distribué, un concept n’est localisé dans aucun nœud particulier. Il se manifeste sous la forme d’un patron global d’activation (pattern of activation) co-impliquant des milliers, voire des milliards de nœuds simultanément. Réciproquement, un nœud individuel ne possède aucun sens sémantique isolé : il participe de manière concurrente à l’instanciation de milliers de concepts distincts par le biais de différentes combinaisons d’activation. L’information n’est donc pas une « entité » stockée dans un réceptacle passif, mais une propriété émergente et relationnelle de la connectivité globale du système.

Cette approche s’enracine dans une volonté délibérée de rapprochement avec la neurobiologie fonctionnelle. Si les modèles connexionnistes demeurent des abstractions hautement simplifiées du tissu cérébral biologique — négligeant souvent les variations complexes des neurotransmetteurs, la géométrie dendritique tridimensionnelle ou la dynamique temporelle fine des potentiels d’action en bouffées (spiking neurons) —, ils partagent avec le système nerveux ses principes structuraux cardinaux. La modélisation dynamique continue inspirée de la neurobiologie suppose que le système cognitif n’évolue pas par sauts discrets d’un état logique à un autre au fil d’une horloge séquentielle unifiée, mais glisse de façon asynchrone et continue le long d’une surface d’énergie dans un espace d’états continu. Cette fidélité métaphorique et structurelle à la biologie confère au connexionnisme une résonance empirique immédiate que le formalisme logico-symbolique classique a toujours peiné à revendiquer sans artifice philosophique.

2.2 Mécanismes d’apprentissage et représentations sub-symboliques

L’apprentissage ne constitue pas un module annexe ou un processus secondaire au sein du modèle connexionniste ; il en est le mécanisme constitutif et premier. Alors qu’un système computationaliste classique doit impérativement être pourvu en amont de règles logiques et d’ontologies explicites par un programmeur humain, un réseau connexionniste acquiert sa compétence par une confrontation continue et itérative aux données environnementales. Ce phénomène repose sur la modification systématique de la force des connexions entre les unités, c’est-à-dire l’ajustement dynamique des poids synaptiques. Deux grandes familles de mécanismes régissent cette adaptation : la plasticité hebbienne, inspirée de la célèbre intuition de Donald Hebb en 1949 selon laquelle les neurones qui s’activent ensemble renforcent leurs liens mutuels, et les algorithmes d’apprentissage par descente de gradient, dont le plus célèbre et le plus influent est sans conteste la rétropropagation du gradient d’erreur (error backpropagation), popularisée au milieu des années 1980.

La rétropropagation du gradient fournit une solution analytique élégante au problème redoutable de l’assignation du crédit et du blâme dans les architectures multicouches. Lors d’une passe avant (forward pass), l’entrée est propagée jusqu’à la sortie où une fonction de perte évalue quantitativement l’écart entre la prédiction du réseau et la cible désirée. Lors de la passe arrière (backward pass), l’erreur est réinjectée récursivement à travers l’ensemble des couches grâce au calcul des dérivées partielles par la règle de dérivation en chaîne du calcul différentiel. Chaque poids synaptique du réseau est alors subtilement modifié dans la direction opposée au gradient d’erreur afin de minimiser le coût global. Par cette procédure statistique itérée sur des millions d’exemples, le réseau n’intériorise pas des règles logiques explicites, mais sculpte une surface de coût hautement non linéaire, découvrant de manière autonome des régularités statistiques latentes enfouies dans la distribution empirique des données.

Ce processus dynamique d’optimisation engendre l’émergence de ce que Paul Smolensky a théorisé sous le terme de représentations sub-symboliques. Au sein des couches cachées du réseau, les motifs d’activation peuvent être analysés mathématiquement comme des coordonnées au sein d’un espace vectoriel continu à haute dimension (l’espace latent). Dans ces espaces, des concepts sémantiques complexes ne sont représentés ni par des définitions formelles ni par des symboles atomiques, mais par des vecteurs denses où la proximité spatiale — mesurée par exemple par la similarité cosinus ou la distance euclidienne — encode directement des relations d’analogie, de synonymie ou de parenté conceptuelle. La reconnaissance de configurations globales (pattern recognition) s’effectue par une séparation géométrique non linéaire des classes d’objets : l’architecture trace des hyperplans ou des variétés différentiables qui compartimentent l’espace latent en régions conceptuelles stables. C’est cette géométrie sub-symbolique continue qui permet au connexionnisme d’opérer avec une souplesse phénoménale dans des tâches où l’analyse logique formelle échoue lamentablement en raison de la complexité irréductible des données brutes.

2.3 Forces et limites intrinsèques du modèle connexionniste

La première force majeure de l’approche connexionniste réside dans son extraordinaire robustesse intrinsèque, souvent désignée sous l’appellation de dégradation gracieuse (graceful degradation). Dans un système formel traditionnel ou un programme informatique standard, la moindre altération matérielle d’un bit de registre ou l’omission d’un point-virgule dans le code syntaxique provoque l’effondrement catastrophique de l’ensemble du processus computationnel. À l’inverse, en raison de la nature massivement redondante et distribuée de l’encodage informationnel au sein des matrices de poids, un réseau de neurones tolère un niveau élevé de détérioration physique. La destruction accidentelle ou chirurgicale d’une fraction substantielle de ses unités, ou l’introduction d’un bruit stochastique important dans le signal d’entrée, ne paralyse pas le réseau ; elle entraîne simplement une baisse progressive et mesurée de la précision de ses réponses. Cette caractéristique fondamentale reflète avec une fidélité troublante la résilience du cerveau biologique face aux lésions vasculaires cérébrales ou aux maladies neurodégénératives.

Cette plasticité confère au connexionnisme une excellence empirique inégalée dans le traitement des tâches perceptives de bas et de moyen niveau. Les problèmes impliquant la reconnaissance de la parole continue, la segmentation d’images naturelles bruitées, l’identification visuelle d’objets invariants sous diverses perspectives et éclairages, ou l’analyse sensorimotrice fluide se prêtent remarquablement bien aux architectures neuronales. Là où le computationalisme classique s’épuise à formaliser manuellement une infinité de cas particuliers et d’exceptions contextuelles pour définir ce qu’est visuellement un « visage » ou phonétiquement un « phonème », le réseau connexionniste extrait directement les invariants statistiques pertinents à partir de la simple exposition massive aux signaux du monde physique.

Néanmoins, le modèle connexionniste achoppe historiquement sur des limites structurelles considérables qui continuent de nourrir les réserves des théoriciens de la cognition. Le premier défi rédhibitoire est celui de l’opacité épistémique ou de l’effet « boîte noire » : parce que le savoir du système est disséminé au sein de matrices contenant des millions, voire des centaines de milliards de coefficients scalaires dépourvus de signification individuelle, il est extraordinairement difficile, voire impossible, de reconstruire la chaîne causale ou rationnelle qui a conduit le modèle à adopter une décision spécifique. L’explicabilité et la traçabilité formelle font cruellement défaut. Le second écueil fondamental, mis en lumière de façon pionnière par Fodor et Pylyshyn, demeure la difficulté intrinsèque à garantir une compositionnalité sémantique stricte sans régresser vers une implémentation déguisée du computationalisme. Un réseau de neurones classique peine à manipuler naturellement des variables formelles non bornées, à maintenir l’identité référentielle des rôles sémantiques au sein de structures syntaxiques profondément imbriquées, et à éviter les interférences catastrophiques lorsqu’il doit apprendre séquentiellement des tâches sans effacer ses compétences antérieures (le phénomène d’oubli catastrophique).

3. Vue d’ensemble du Computationalisme

3.1 Fondements logiques et métaphore de la machine de Turing

Le computationalisme classique plonge ses racines philosophiques dans l’avènement de la logique mathématique moderne, initiée à la fin du dix-neuvième siècle par Gottlob Frege et poursuivie par Bertrand Russell et Alfred North Whitehead dans leurs monumentaux Principia Mathematica. L’ambition fondatrice de cette tradition était de réduire le raisonnement à un calcul formel rigoureux, totalement indépendant de la psychologie subjective et des intuitions empiriques, en définissant un langage univoque où les vérités découlaient de la stricte dérivation de propositions symboliques gouvernées par des axiomes explicites. Cette entreprise a trouvé son aboutissement opérationnel en 1936 avec l’article séminal d’Alan Turing, On Computable Numbers, with an Application to the Entscheidungsproblem, qui introduisit le concept théorique universel de ce que l’on nomme aujourd’hui la machine de Turing.

Une machine de Turing se compose d’un ruban infini subdivisé en cases contenant des symboles discrets issus d’un alphabet fini, d’une tête de lecture/écriture capable de se déplacer case par case, et d’une table finie d’états internes spécifiant les actions à entreprendre en fonction de l’état présent et du symbole lu sous la tête. La force ontologique du computationalisme a été d’affirmer que cette formalisation purement abstraite du calcul mécanique ne constituait pas seulement un modèle pour concevoir des calculateurs électroniques, mais représentait la théorie définitive et littérale de la nature physique de l’esprit humain. Selon la théorie computationaliste de l’esprit, popularisée par Hilary Putnam et Jerry Fodor, un état mental est littéralement l’état computationnel d’un système matériel, et la pensée consciente ou inconsciente n’est rien d’autre que l’exécution physique de transitions d’états d’une machine de Turing universelle.

Cette conviction s’est cristallisée dans la célèbre hypothèse du système de symboles physiques énoncée en 1976 par deux des pionniers incontestés de l’intelligence artificielle symbolique, Allen Newell et Herbert Simon, dans leur conférence de réception du prix Turing. Selon leur formule canonique, « un système de symboles physiques possède les moyens nécessaires et suffisants pour une action intelligente générale ». Par « nécessaire », ils entendaient que tout système manifeste de l’intelligence — qu’il s’agisse d’un être humain, d’un organisme extraterrestre ou d’un dispositif cybernétique — doit nécessairement opérer par la manipulation physique de symboles. Par « suffisant », ils postulaient que n’importe quelle machine physique capable d’instancier un tel système de symboles, quel que soit son matériau de fabrication (silicium, relais électromécaniques ou tissu cellulaire), est théoriquement capable d’exhiber une intelligence équivalente à l’intelligence humaine. L’esprit est ainsi conçu comme un logiciel (software) dont le cerveau n’est que le support matériel contingent (hardware).

3.2 Le Langage de la Pensée (Mentalese) et la sémantique formelle

L’édifice théorique du computationalisme classique a trouvé son armature philosophique la plus achevée sous la plume du philosophe américain Jerry Fodor à travers son hypothèse du Langage de la Pensée (Language of Thought ou LOTH), exposée dans son ouvrage éponyme en 1975. Fodor y soutient que les processus cognitifs ne s’effectuent ni dans les langues naturelles parlées (comme le français ou l’anglais), ni sous la forme d’images sensorielles non structurales, mais au sein d’un médium représentationnel interne doté de propriétés linguistiques universelles, couramment désigné sous le terme de « mentalais » (Mentalese). Ce système représentationnel interne possède une syntaxe combinatoire stricte et une sémantique compositionnelle : des symboles mentaux primitifs atomiques s’assemblent selon des règles récursives rigoureuses pour former des structures moléculaires complexes, et la signification sémantique d’une pensée complexe est entièrement déterminée par la signification de ses parties constituantes et par la règle syntaxique employée pour les composer.

Pour le computationalisme fodorien, l’hypothèse du mentalais fournit la seule et unique explication scientifiquement viable de deux propriétés remarquables de l’esprit humain : la systématicité et la productivité cognitive. Si un esprit est capable de former la pensée « le chien mord l’homme », et s’il possède les concepts primitifs « chien », « mordre » et « homme » articulés selon une syntaxe propositionnelle prédicative, il possède ipso facto la compétence structurelle de former la pensée « l’homme mord le chien ». Il n’existe pas d’esprit capable de comprendre l’une de ces propositions sans être constitutionnellement capable de comprendre l’autre, car les deux représentations mobilisent les mêmes atomes symboliques au sein de la même grammaire computationnelle. De même, la productivité — la faculté humaine de concevoir une infinité potentielle de phrases ou d’idées nouvelles jamais entendues auparavant — s’explique naturellement par la récursivité des algorithmes symboliques formels, d’une manière analogue aux théories de la grammaire générative développées par Noam Chomsky en linguistique.

Dans ce modèle, le moteur causal de la pensée est purement syntaxique, mais ses résultats sont fidèles à la sémantique. C’est ce que Fodor a immortalisé par son apophtegme célèbre : « Si vous vous occupez de la syntaxe, la sémantique s’occupera d’elle-même » (If you take care of the syntax, the semantics will take care of itself). Le système physique de calcul manipule aveuglément les formes morphologiques des symboles mentaux en suivant des règles d’inférence purement syntaxiques — telles que la règle du modus ponens en logique formelle —, mais comme ces règles syntaxiques ont été calibrées pour préserver la vérité, les transitions physiques entre états neuronaux symboliques respectent infailliblement les relations sémantiques de validité logique. La pensée rationnelle est ainsi désenchantée et naturalisée : l’inférence logique déductive devient une séquence purement déterministe d’opérations mécaniques sur des structures de données matérielles.

3.3 Forces et limites de l’approche symbolique classique

L’immense force de l’approche computationaliste classique réside dans sa transparence rationnelle absolue et sa capacité à modéliser des raisonnements complexes d’un haut niveau d’abstraction conceptuelle. Dans un système symbolique — qu’il s’agisse d’un démonstrateur automatique de théorèmes logiques, d’un moteur d’inférence dans un système expert ou d’un algorithme de planification stratégique —, chaque étape de la délibération cognitive est accessible, vérifiable et formellement justifiable. Le cheminement déductif qui conduit des prémisses à la conclusion correspond point par point à une chaîne de preuves formelles. Cette auditabilité intrinsèque confère aux architectures symboliques une sécurité épistémique et une fiabilité opérationnelle incomparables dans les domaines critiques où la moindre ambiguïté ou approximation est inacceptable, tels que la vérification matérielle de circuits intégrés, la régulation juridique, l’algèbre symbolique ou la logistique formelle sous contraintes strictes.

Toutefois, malgré ses triomphes précoces qui ont nourri un optimisme démesuré au sein de l’intelligence artificielle des années 1960 et 1970 (souvent qualifiée rétrospectivement de GOFAI, pour Good Old-Fashioned Artificial Intelligence), le computationalisme symbolique s’est heurté à des obstacles théoriques et pratiques redoutables qui ont précipité sa remise en question. Le premier réside dans son extrême fragilité structurelle (le syndrome de la « friabilité » ou brittleness). Incapables de traiter naturellement le flou, les contradictions légères ou l’imprécision des signaux du monde physique réel, les architectures symboliques périclitent dès qu’une information manquante ou légèrement non conforme est soumise au système d’inférence déductif. Le monde empirique n’étant pas naturellement prédécoupé en catégories discrètes et logiques sans équivoque, les systèmes symboliques s’avèrent impuissants à appréhender la perception naturelle continue et l’interaction motrice fluide en temps réel.

Le second défi ontologique, qui constitue la vulnérabilité philosophique la plus célèbre du computationalisme, a été conceptualisé par Stevan Harnad en 1990 sous le nom de problème de l’ancrage des symboles (Symbol Grounding Problem). Ce problème prolonge et formalise l’expérience de pensée de la Chambre Chinoise imaginée par John Searle en 1980. Comment les symboles physiques manipulés aveuglément par un système formel acquièrent-ils une signification réelle pour le système lui-même, plutôt que pour l’observateur externe qui a conçu le dictionnaire du programme ? Si un symbole dans la machine renvoie à une définition formelle composée d’autres symboles, qui renvoient eux-mêmes à d’autres symboles encore, le système est condamné à une circulation circulaire infinie au sein d’un dictionnaire clos, sans jamais entrer en contact réel avec la réalité matérielle. Le computationalisme classique est structurellement incapable d’expliquer comment la morphologie syntaxique d’une entité discrète interne parvient à s’accrocher aux objets et aux propriétés du monde sensible sans recourir subrepticement à l’intentionnalité intrinsèque de l’opérateur humain.

4. Différences clés entre Connexionnisme et Computationalisme

L’affrontement entre le paradigme computationaliste et le paradigme connexionniste ne constitue pas une simple nuance d’implémentation technique, mais une divergence radicale portant sur l’ensemble des axes architecturaux, ontologiques et dynamiques de la modélisation cognitive. Afin de situer avec clarté les termes du débat, le tableau comparatif suivant synthétise les oppositions conceptuelles majeures qui séparent ces deux visions de l’esprit avant d’en détailler rigoureusement chaque dimension spécifique.

Dimension d’analyse	Computationalisme classique	Connexionnisme (PDP)
Nature des représentations	Symboliques, discrètes, atomiques et compositionnelles (syntaxe formelle).	Sub-symboliques, distribuées, continues et vectorielles (espaces latents).
Localisation de l’information	Localisée à des adresses mémorielles discrètes ou dans des structures de données explicites.	Non localisée, holographique, répartie sur l’ensemble des poids synaptiques.
Mode d’exécution	Séquentiel, centralisé, synchrone (type von Neumann).	Massivement parallèle, décentralisé, continu et asynchrone.
Régulation computationnelle	Descendante (top-down), gouvernée par des règles et des algorithmes préétablis.	Ascendante (bottom-up), gouvernée par l’auto-organisation et l’entraînement statistique.
Inspiration architecturale	Logique mathématique formelle et théorie de la calculabilité (machine de Turing).	Neurobiologie computationnelle et organisation en réseaux de neurones.
Tolérance aux erreurs	Fragile et cassante (la moindre faille syntaxique interrompt l’inférence).	Robuste avec dégradation gracieuse face au bruit et aux destructions partielles.
Interprétabilité et transparence	Auditabilité formelle complète ; chaîne d’inférence explicite et traçable.	Opacité algorithmique (« boîte noire ») ; états d’équilibre distribués complexes.
Domaines de prédilection	Raisonnement déductif, mathématiques formelles, planification, grammaire formelle.	Perception sensorielle, vision, audition, classification probabiliste continue.

4.1 Nature et localisation des représentations mentales

L’antagonisme quant à la nature ontologique des représentations constitue le point de rupture fondamental entre les deux écoles de pensée. Pour le computationalisme, la représentation mentale est intrinsèquement discrète, locale et symbolique. Elle répond au principe fondamental de la double face sémiotique hérité de Frege : un concept est capturé par un symbole morphologique univoque qui possède une forme identifiable et réfère à un référent sémantique distinct. Par voie de conséquence, ces symboles sont stockés de manière spatialement ou structurellement isolée dans des registres ou des graphes ontologiques. Dans une mémoire symbolique, le concept de « cheval » et le concept de « mammifère » sont instanciés par des étiquettes représentatives autonomes, dont l’association est explicitement déclarée au moyen d’un opérateur relationnel, par exemple sous la forme prédicative « est_un(cheval, mammifère) ». Les constituants syntaxiques demeurent inchangés et discernables à l’intérieur de la proposition complexe : la présence de « cheval » est préservée intacte au sein de toute structure discursive.

À l’opposé, le connexionnisme substitue à cette métrique discrète une ontologie continue, distribuée et sub-symbolique. Une représentation n’est plus une entité discrète manipulable en elle-même, mais un vecteur de réels au sein d’un espace à N dimensions, où chaque coordonnée correspond au degré d’activation d’un nœud microscopique. Dès lors, il devient impossible d’isoler physiquement une représentation d’une autre au sens d’un compartiment spatial. Deux concepts sémantiquement voisins ne sont pas reliés par un pointeur logique explicite ; ils partagent une superposition géométrique directe de leurs motifs d’activation neuronale. Pour reprendre la distinction célèbre introduite par Paul Smolensky, là où le computationaliste conçoit la sémantique sur le modèle de l’écriture alphabétique où les lettres sont jointes pour forger des mots autonomes, le connexionniste conçoit la sémantique sur le modèle de la physique statistique où des variables microscopiques continues s’agrègent pour faire émerger des propriétés thermodynamiques macroscopiques comme la pression ou la température.

Cette divergence ontologique régit directement la manière dont la sémantique est instanciée dans la machine. Dans le paradigme symbolique, la sémantique découle de l’interprétation d’un dictionnaire fini préalablement conçu ou d’un réseau sémantique rigide : le lien entre le symbole et ce qu’il dénote relève de la convention arbitraire du langage de programmation. Pour le connexionnisme, le dictionnaire explicite n’existe tout simplement pas. L’espace sémantique est une géométrie dynamique qui s’auto-structure en vertu des régularités topologiques des données. La signification n’est pas un étiquetage textuel, mais une proximité vectorielle relative (mesurée par exemple dans les espaces de plongement lexical comme ceux des modèles modernes). Elle ne résulte pas de règles préexistantes, mais émerge de la compression et de la projection non linéaire d’un continuum statistique d’expériences sensorielles ou linguistiques.

4.2 Mode d’exécution et dynamique computationnelle

Le mode d’exécution du calcul sépare tout aussi drastiquement ces deux architectures théoriques. Le computationalisme classique est indissociable de l’architecture traditionnelle de type von Neumann, caractérisée par une exécution rigoureusement séquentielle, synchrone et centralisée. Même lorsqu’un processeur moderne utilise plusieurs cœurs pour accélérer ses calculs, il accomplit une juxtaposition de suites d’instructions logiques discrètes cadencées par un signal d’horloge invariant. Le déroulement temporel d’une tâche cognitive y est envisagé comme une séquence d’étapes algorithmiques déterministes : à chaque étape discrète t, une règle conditionnelle précise (« si Condition X est satisfaite, alors effectuer Opération Y ») est évaluée par l’unité de contrôle, laquelle modifie en conséquence le contenu de la mémoire de travail avant de passer à l’étape t + 1. La dynamique computationnelle est donc intégralement descendante (top-down) : c’est le programme, conçu en fonction d’un modèle d’inférence logique déductif, qui impose sa causalité régulatrice aux données.

À l’inverse, l’architecture connexionniste repose sur un traitement massivement parallèle et asynchrone où le concept même d’horloge centrale ou de contrôleur unique disparaît. Le calcul s’exécute de façon collective et décentralisée : des centaines de milliers, voire des millions de nœuds simples réalisent simultanément leurs intégrations scalaires locales sans attendre d’ordre centralisé. La dynamique n’est plus algorithmique au sens formel d’une suite d’instructions déclaratives, mais relève d’un système dynamique non linéaire gouverné par un système d’équations différentielles couplées. En réponse à une entrée, les activations du réseau se propagent à travers les couches successives (dans les réseaux à propagation avant) ou oscillent de manière récurrente à travers des boucles de rétroaction (dans les réseaux récurrents ou de Hopfield) jusqu’à ce que le système atteigne un état stable d’énergie minimale, c’est-à-dire un attracteur dans son espace de phases.

Cette divergence quant à la dynamique opérationnelle reflète deux philosophies diamétralement opposées de la conception de l’intelligence. Alors que le computationalisme classique impose d’élucider entièrement les lois logiques d’un domaine cognitif avant de pouvoir l’automatiser sous forme d’algorithmes précis, le connexionnisme laisse l’intelligence s’auto-organiser de façon ascendante (bottom-up). La compétence du réseau n’est pas le fruit d’une analyse préalable détaillée menée par un ingénieur cognitiviste, mais celui d’un processus adaptatif empirique où le système sculpte lui-même sa connectivité interne sous la pression sélective d’une fonction d’optimisation mathématique. La computation ne consiste plus à appliquer des règles prescrites, mais à glisser continûment sur une surface d’erreur statistique jusqu’à un équilibre fonctionnel satisfaisant.

4.3 Plausibilité biologique et ancrage empirique

L’un des terrains d’affrontement les plus passionnés entre les tenants des deux paradigmes porte sur le degré de réalisme biologique exigé d’une théorie scientifique de la cognition. Le computationalisme classique s’est historiquement retranché derrière la célèbre thèse de la réalisabilité multiple (multiple realizability), formulée de manière éminente par le philosophe Hilary Putnam dans les années 1960. Selon ce principe fonctionnaliste, un état computationnel ne dépend en rien de la matière physique qui l’incarne : tout comme un jeu d’échecs reste identique qu’il soit joué avec des figurines en bois, en plastique ou via des signaux optiques dans un ordinateur, la pensée humaine ne serait liée qu’à l’organisation formelle de son logiciel interne. En affirmant une indépendance théorique radicale vis-à-vis du substrat matériel, les computationalistes ont soutenu que l’étude fine des détails de la neurobiologie était contingente pour comprendre la nature véritable de l’esprit, tout comme l’étude métallurgique du cuivre est inutile pour comprendre la logique booléenne des processeurs électroniques.

Cette posture fonctionnaliste abstraite a fait l’objet d’attaques dévastatrices de la part des connexionnistes et des théoriciens de la cognition incarnée (embodied cognition). Ces derniers soutiennent que l’architecture du système nerveux impose des contraintes physiques fondamentales sur la forme que peuvent prendre les calculs cognitifs réels. Le cerveau biologique n’est en rien une machine de Turing : il ne dispose pas d’un bus de données à haute vitesse séparant son unité de calcul de son disque dur mémoriel, il opère à une vitesse biochimique extrêmement lente (les potentiels d’action se propagent à une vitesse dérisoire comparée à la lumière ou au flux électronique dans un circuit intégré) et consomme une énergie dérisoire (environ vingt watts) pour résoudre des énigmes visuelles qui mettaient à genoux les plus puissants supercalculateurs symboliques du monde. Les connexionnistes affirment que seul un calcul massivement parallèle et distribué permet de contourner ce que l’on a nommé la « contrainte des cent étapes » (100-step constraint) de Jerome Feldman : un être humain reconnaissant le visage de sa mère en quelques fractions de seconde ne peut mobiliser qu’une séquence causale d’au plus cent impulsions neuronales successives, interdisant mathématiquement l’exécution des millions d’instructions séquentielle qu’exigerait un algorithme symbolique classique pour la même tâche.

Toutefois, la plausibilité biologique du connexionnisme lui-même n’est pas exempte de vives critiques au sein des neurosciences contemporaines. Si le modèle de Rosenblatt et le traitement distribué en parallèle imitent indéniablement la connectivité synaptique, l’algorithme d’apprentissage universel du connexionnisme moderne — la rétropropagation du gradient d’erreur — pose de formidables problèmes neurobiologiques. Dans le tissu cérébral vivant, les synapses sont des dispositifs polarisés unidirectionnels : l’information transite de l’élément présynaptique vers l’élément postsynaptique. Il n’existe pas de mécanisme neurobiologique connu permettant de renvoyer avec une exactitude différentielle continue un signal d’erreur purement mathématique à travers l’axone en sens inverse pour modifier précisément les poids synaptiques distants, un obstacle méthodologique désigné sous le terme de weight transport problem. Ainsi, si le connexionnisme est infiniment plus proche de l’analogie cérébrale que la machine de Turing classique, il demeure une idéalisation mathématique dont la fidélité neurophysiologique stricte continue de susciter des recherches intenses, comme en attestent les tentatives actuelles de modélisation du codage prédictif ou de la plasticité synaptique locale.

4.4 Interprétabilité, robustesse et généralisation

La question de l’interprétabilité algorithmique constitue le point culminant du contraste entre les vertus des systèmes logiques et la puissance aveugle des réseaux neuronaux. Un système computationaliste bénéficie d’une transparence intrinsèque : ses représentations étant sémantiquement transparentes, son raisonnement peut être audité pas à pas. Si un moteur d’inférence médical symbolique prescrit un traitement ou diagnostique une pathologie, il peut générer instantanément l’arbre de dérivation formel montrant quelles règles déontiques et quelles prémisses factuelles ont déclenché sa décision. Dans les domaines régaliens, juridiques, aérospatiaux ou médicaux, cette explicabilité formelle est un gage de sécurité démocratique et épistémique irremplaçable.

À l’inverse, le connexionnisme plonge ses utilisateurs dans l’abîme de l’opacité causale. Dans un modèle de réseaux profonds moderne comportant des milliards de poids synaptiques distribués sur des dizaines de couches cachées, la décision n’est pas le résultat d’un raisonnement syllogistique, mais l’aboutissement d’une cascade d’opérations matricielles hautement non linéaires. Cette configuration interdit toute explication propositionnelle directe : on ne peut identifier quelle coordonnée spécifique dans l’espace latent à dix mille dimensions est l’élément déterminant de la prédiction finale. Cette obscurité algorithmique soulève d’immenses défis éthiques et pratiques, notamment lorsque ces architectures sont déployées pour l’octroi de crédits bancaires, la sélection de candidats à l’embauche ou le pilotage de véhicules autonomes, où l’impossibilité de fournir une justification rationnelle vérifiable expose la société à des biais statistiques discriminatoires invisibles et à des défaillances inattendues.

Cette fragilité méthodologique du connexionnisme est toutefois compensée par une robustesse statistique remarquable face aux données bruitées ou incomplètes du monde empirique, là où le système computationaliste classique fait preuve d’une rigidité incapacitante. Le système symbolique souffre d’une friabilité intrinsèque : s’il rencontre une phrase contenant une faute de frappe, un mot polysémique non répertorié ou une condition sensorielle légèrement différente de ses prédicats axiomatiques, il échoue souvent brutalement. Le réseau de neurones, quant à lui, opère par interpolation continue au sein de la variété des données sur laquelle il a été entraîné. Il est capable de restaurer intuitivement un motif altéré (la mémoire auto-associative), de compléter une image floue ou de saisir le sens global d’une formulation syntaxiquement bancale grâce à la proximité vectorielle de ses encodages latents.

Cependant, la nature de la généralisation diffère profondément d’un camp à l’autre. Le computationalisme généralise par déduction universelle : dès lors qu’une règle comme « Tous les hommes sont mortels » est intégrée au système logique, ce dernier applique immédiatement et universellement la propriété à n’importe quelle entité déclarée comme un « homme », sans jamais avoir besoin de la vérifier empiriquement sur un milliard d’individus. Le connexionnisme, en revanche, généralise par interpolation statistique dans l’espace d’entraînement : il excelle à faire des prédictions sur de nouvelles instances tant que celles-ci appartiennent à la même distribution de probabilité (in-distribution generalization), mais il s’avère particulièrement vulnérable et imprévisible lorsqu’il est confronté à des données situées hors de son domaine d’apprentissage empirique (out-of-distribution extrapolation), trahissant son incapacité intrinsèque à manipuler de véritables abstractions nomologiques universelles.

5. Points de convergence et continuités épistémologiques

5.1 Un matérialisme fonctionnaliste partagé

En dépit de la férocité rhétorique qui a caractérisé leurs affrontements historiques, il serait épistémologiquement erroné de percevoir le computationalisme et le connexionnisme comme deux planètes philosophiques totalement incommensurables. Bien au contraire, ces deux modèles partagent une ontologie commune profonde : ils s’inscrivent tous deux sans équivoque dans le giron du matérialisme physicaliste et rejettent avec la même virulence le dualisme cartésien des substances. Pour l’un comme pour l’autre, l’esprit n’est nullement une substance pensante immatérielle, une âme métaphysique ou un souffle mystique échappant aux lois universelles de la physique, mais le produit exclusif de transformations mécaniques et causales d’informations s’opérant au sein d’un système matériel complexe.

De surcroît, les deux paradigmes adhèrent pleinement au programme philosophique du fonctionnalisme, formalisé par Hilary Putnam et Jerry Fodor. Selon ce cadre théorique, ce qui caractérise un état mental donné — qu’il s’agisse d’une croyance, d’un désir, d’une sensation de douleur ou d’un calcul mental —, ce n’est pas la substance intime dont il est constitué (l’enveloppe neuronale ou la puce électronique), mais son rôle causal dans le système global, c’est-à-dire ses relations d’interconnexion avec les entrées sensorielles, les autres états internes et les sorties comportementales. Pour le computationaliste, ce rôle fonctionnel est encodé par les relations syntaxiques et logiques entre symboles formels ; pour le connexionniste, ce rôle fonctionnel est assuré par les profils d’interconnexion synaptique et les trajectoires au sein de l’espace des phases d’un réseau dynamique. Mais dans les deux cas de figure, l’esprit est conçu sans ambiguïté comme un dispositif de traitement de l’information.

Cette filiation commune s’oppose tout autant à l’éliminativisme radical d’un Paul et Patricia Churchland — qui prédisaient que les concepts de la psychologie populaire (comme les croyances et les désirs) finiraient par disparaître totalement du discours scientifique au profit exclusif de la neurophysiologie moléculaire brute — qu’au vitalisme ou à l’obscurantisme antiscientifique. Connexionnistes et computationalistes partagent la conviction inébranlable que la rationalité humaine, la mémoire, le langage et la planification sont des fonctions naturelles susceptibles d’une modélisation mécaniste, rigoureuse et formalisable mathématiquement. En ce sens, la dispute entre Fodor et McClelland ne porte pas sur la question de savoir si l’esprit est une machine physique, mais sur la nature mathématique précise de cette machine : est-elle une algèbre formelle discrète ou une géométrie statistique continue ?

5.2 Niveaux d’analyse selon le modèle de David Marr

L’une des tentatives de réconciliation les plus élégantes et les plus influentes de la querelle entre symboles et réseaux a été proposée à travers la grille épistémologique tripartite développée par le neuroscientifique et mathématicien britannique David Marr dans son œuvre séminale de 1982, Vision. Marr a magistralement démontré que pour comprendre pleinement un système de traitement d’information complexe — qu’il s’agisse du système visuel des mammifères ou d’un processeur artificiel —, il est théoriquement indispensable de l’étudier à trois niveaux d’analyse distincts mais complémentaires :

• Le niveau computationnel : il formule la finalité du calcul, identifie l’objectif théorique de la tâche cognitive, définit abstraitement quelle fonction mathématique est en train d’être calculée et explicite la logique fondamentale régissant cette tâche (par exemple, déterminer la structure tridimensionnelle d’une scène à partir d’intensités lumineuses bidimensionnelles).
• Le niveau algorithmique et représentationnel : il explicite le système de représentation interne utilisé (par exemple, des matrices discrètes de pixels, des vecteurs de Fourier ou des arbres syntaxiques) ainsi que l’algorithme séquentiel ou parallèle employé pour opérer la transformation de ces représentations d’entrée en représentations de sortie.
• Le niveau de l’implémentation physique : il décrit la réalisation matérielle concrète du système, c’est-à-dire l’agencement biochimique des neurones, synapses et neurotransmetteurs dans le cortex ou la gravure des transistors de silicium sur une puce électronique.

À travers ce prisme épistémologique marrien, le computationalisme classique et le connexionnisme peuvent cesser d’être appréhendés comme deux vérités ontologiques s’excluant mutuellement pour être réinterprétés comme des théories opérant à des niveaux d’abstraction différents mais potentiellement compatibles au sein d’une même architecture cognitive globale. Le computationalisme de Jerry Fodor et de Noam Chomsky se situe majestueusement au niveau computationnel et au sommet du niveau algorithmique : il explicite les contraintes logiques de la rationalité, les règles formelles de la grammaire universelle et la syntaxe nécessaire de la compositionnalité de la pensée. Il théorise avec brio la tâche et la structure fonctionnelle que l’esprit doit satisfaire pour être rationnel.

Le connexionnisme, pour sa part, peut être interprété comme une modélisation magistrale de la charnière entre le bas du niveau algorithmique et le niveau de l’implémentation physique. Les réseaux de neurones distribués démontrent empiriquement de quelle manière un tissu physique désordonné, continu et massivement parallèle peut implémenter mécaniquement, à un niveau macroscopique émergent, des calculs fonctionnels hautement sophistiqués. Dans cette perspective d’unification théorique, l’opposition historique perd son caractère absolu : les réseaux de neurones ne réfutent pas nécessairement les symboles ; ils décrivent le mécanisme d’ingénierie sub-symbolique par lequel le cerveau physique parvient à générer et stabiliser l’illusion ou la réalité fonctionnelle d’un système de manipulation symbolique au niveau macroscopique de la pensée consciente et délibérative.

6. Domaines d’application et critères d’arbitrage méthodologique

6.1 Cas d’usage préférentiels du paradigme computationaliste

L’héritage de l’intelligence artificielle symbolique et du computationalisme classique demeure aujourd’hui encore la référence incontestée dans tous les domaines d’ingénierie et de recherche cognitive où la vérification formelle, la certitude déductive absolue et l’auditabilité algorithmique stricte sont des impératifs non négociables. Le premier champ d’élection de cette approche est sans conteste celui de la démonstration automatique de théorèmes mathématiques et de la preuve formelle de programmes (utilisant des assistants de preuve formels fondés sur le calcul des constructions comme Coq ou Lean). Dans ce cadre, aucune approximation statistique, aucune probabilité empirique ne saurait se substituer à une chaîne de dérivations formelles strictes où chaque proposition découle tautologiquement des axiomes initiaux. Le computationalisme règne ici en maître souverain, car la vérité logique n’y souffre aucune tolérance au bruit statistique.

Un deuxième domaine de prédilection concerne la planification sous contraintes complexes et la logistique critique opérationnelle, telles qu’incarnées par les planificateurs du modèle STRIPS ou du langage PDDL. Lorsque la National Aeronautics and Space Administration (NASA) programme la séquence autonome d’atterrissage d’une sonde spatiale sur Mars ou lorsqu’un contrôleur ferroviaire gère les aiguillages d’un réseau ferroviaire à haute densité, l’usage de réseaux de neurones opaques est traditionnellement proscrit en raison du risque mortel inhérent aux hallucinations ou aux comportements imprévus hors-distribution. Les algorithmes de recherche symbolique déterministe (tels que l’algorithme A* ou la programmation par contraintes) fournissent des garanties mathématiques strictes de complétude et d’optimalité : ils garantissent infailliblement qu’aucune contrainte de sécurité vitale ne sera violée durant l’exécution séquentielle du plan d’action.

Enfin, les systèmes experts traditionnels et la gestion d’ontologies conceptuelles formelles fermées (par exemple, le web sémantique via les normes OWL et RDF) continuent de prospérer au sein des administrations publiques, du droit fiscal ou des systèmes de conformité bancaire. Dans un environnement juridique où chaque décision administrative doit être rigoureusement justifiée au citoyen sous forme de renvois explicites aux articles de loi, le computationalisme fournit l’armature logique parfaite. Un moteur de règles symboliques permet d’exécuter avec une fidélité immaculée les corpus réglementaires sans jamais halluciner de clauses fictives, tout en autorisant une mise à jour déclarative instantanée : il suffit de modifier ou d’ajouter une règle logique dans la base de connaissances sans avoir à recalculer l’entraînement statistique d’un modèle neuronal colossal pendant des semaines.

6.2 Cas d’usage préférentiels du paradigme connexionniste

À l’autre extrémité du spectre méthodologique, le paradigme connexionniste — sublimé par l’essor spectaculaire de l’apprentissage profond (Deep Learning) depuis le début des années 2010 — a conquis une hégémonie empirique totale dans tous les domaines où le computationalisme s’est historiquement effondré : la perception sensorielle, la catégorisation d’images réelles, l’analyse des flux acoustiques continus et le traitement des données multivariées hautement bruitées. Dans la vision par ordinateur, des architectures convolutives (CNN) ou des transformeurs visuels (ViT) écrasent sans comparaison possible les anciens extracteurs symboliques de contours et d’arêtes. Là où des décennies d’ingénierie symbolique n’avaient jamais réussi à coder formellement l’infinité des variations lumineuses d’un chat dans un salon, un réseau connexionniste apprend directement les invariants spectraux et topologiques à partir de simples données matricielles brutes, atteignant et dépassant même les performances humaines de catégorisation.

Le second triomphe éclatant du connexionnisme réside dans le traitement du langage naturel (NLP) et la modélisation générative contemporaine par le biais des grands modèles de langage (LLM). Pendant des décennies, les linguistes computationnels chomskiens ont tenté sans succès d’ériger des analyseurs syntaxiques rigides et des dictionnaires sémantiques formels pour maîtriser les langues vernaculaires, s’échouant systématiquement sur l’immensité de la polysémie, de l’argot, du contexte implicite et des métaphores poétiques. En abandonnant la compositionnalité symbolique discrète au profit d’espaces latents denses de plongement vectoriel et de mécanismes d’attention dynamique massivement parallèles (l’architecture Transformer), les modèles connexionnistes contemporains ont réussi à synthétiser, traduire et manipuler le langage avec une fluidité rhétorique et stylistique sans précédent historique.

Enfin, le connexionnisme constitue l’approche méthodologique reine pour les environnements stochastiques non stationnaires et les tâches d’apprentissage par renforcement incarné, telles que la robotique adaptative ou la maîtrise de jeux stratégiques à information imparfaite. Des architectures neuronales profondes ont pulvérisé les champions humains aux échecs, au Go (AlphaGo) ou dans des jeux vidéo complexes grâce à leur faculté magistrale à condenser une phénoménale quantité d’expériences en une intuition géométrique de la valeur positionnelle d’un plateau, formulant des coups novateurs qu’aucune règle logique préprogrammée n’aurait pu anticiper ou prescrire analytiquement.

6.3 L’essor contemporain des modèles neuro-symboliques

Face au constat de l’incomplétude constitutive de chacun des deux paradigmes pris isolément — le computationalisme étant rigoureux mais rigide, aveugle à la perception et désespérément friable, tandis que le connexionnisme est remarquablement plastique mais opaque, faillible sur la logique pure et sujet à d’inquiétantes hallucinations dénuées de fondement —, la frontière contemporaine de l’intelligence artificielle et de la science cognitive s’oriente vers une hybridation féconde : l’intelligence artificielle neuro-symbolique. Ce mouvement vise à articuler de manière symbiotique l’adaptabilité statistique inductive des réseaux de neurones et la puissance déductive transparente des structures symboliques formelles, concrétisant ainsi le rêve d’une architecture cognitive unifiée.

Cette hybridation s’incarne principalement à travers deux voies architecturales novatrices :

• L’injection de connaissances axiomatiques préalables dans les réseaux neuronaux : des systèmes comme le Logic Tensor Networks (LTN) ou la programmation logique différentiable permettent d’intégrer des contraintes déontiques ou des vérités logiques du premier ordre directement au sein de la fonction de perte mathématique utilisée pour guider la descente de gradient. Le réseau de neurones continue d’apprendre sur des données empiriques perceptives continues, mais son espace d’optimisation est canalisé par des règles logiques rigides qu’il lui est formellement interdit de violer, empêchant l’apprentissage de biais absurdes ou de comportements non conformes à la physique élémentaire.
• L’extraction de règles interprétables à partir d’espaces vectoriels : à l’autre bout de la chaîne, des modules symboliques sont greffés sur des représentations latentes profondes pour convertir des motifs d’activation denses en graphes de connaissances explicites ou en programmes exécutables vérifiables. L’architecture Neuro-Symbolic Concept Learner développée par des chercheurs du MIT et d’IBM illustre magistralement cette convergence : le modèle utilise des réseaux de neurones pour segmenter visuellement une scène et en extraire des représentations d’objets, puis transmet ces descripteurs discrets à un moteur de raisonnement symbolique quasi déterministe qui résout des requêtes sémantiques complexes sans jamais halluciner.

Ces développements méthodologiques transcendent la guerre de tranchées philosophique qui a paralysé les sciences cognitives à la fin du siècle dernier. L’approche neuro-symbolique ne cherche pas à désigner un vainqueur idéologique, mais prend acte de la dualité intrinsèque de l’appareil cognitif naturel. En concevant des machines capables à la fois de percevoir le monde avec la sensibilité analogique et plastique d’un réseau synaptique, et de délibérer sur ce monde avec l’impeccable précision d’une algèbre syntaxique, les chercheurs contemporains esquissent les contours d’une nouvelle ère épistémologique où symboles et vecteurs cessent d’être des ennemis ontologiques pour devenir les deux faces complémentaires d’une même dynamique de l’intelligence.

7. Foire Aux Questions (FAQ)

7.1 Le connexionnisme élimine-t-il totalement les représentations mentales ?

Non, le connexionnisme n’élimine absolument pas les représentations mentales, et il est fondamental de ne pas le confondre avec le béhaviorisme radical ou l’éliminativisme matérialiste pur. Le projet connexionniste ne prétend aucunement que les états internes de l’esprit sont des fictions linguistiques dépourvues de réalité scientifique ; il en redéfinit simplement la nature géométrique et ontologique. Alors que le computationalisme classique conçoit une représentation mentale comme un symbole physique discret doté d’une étiquette univoque (à l’image d’un mot dans une phrase), le connexionnisme théorise l’existence de représentations sub-symboliques et distribuées.

Dans ce cadre sub-symbolique, une représentation est un motif d’activation spatialisé, c’est-à-dire un point précis ou une trajectoire continue au sein d’un espace vectoriel multidimensionnel forgé par la totalité des unités de calcul du système. Ces états vectoriels possèdent un contenu sémantique authentique : ils encodent des régularités conceptuelles, des similarités sémantiques et des relations d’équivalence fonctionnelle par le biais de leur proximité géométrique. Par conséquent, les connexionnistes demeurent fidèles au représentationnalisme en sciences cognitives : ils affirment vigoureusement que penser, c’est manipuler des représentations internes. La rupture ne porte pas sur l’existence de la représentation, mais sur son format physique et logique : la pensée n’est pas une phrase écrite en mentalais, mais un paysage dynamique de vecteurs navigant entre des attracteurs de haute dimension.

7.2 Comment les deux modèles abordent-ils le problème de l’ancrage des symboles ?

Le problème de l’ancrage des symboles (Symbol Grounding Problem), conceptualisé par Stevan Harnad en 1990, met en lumière le talon d’Achille théorique du computationalisme classique. Dans une architecture symbolique pure, un symbole renvoie à d’autres symboles selon des règles syntaxiques formelles sans jamais toucher le réel : le système est enfermé dans une circularité sémantique close (comme un individu consultant un dictionnaire rédigé dans une langue inconnue dont les définitions renvoient toutes à d’autres mots de la même langue étrangère). Le computationalisme est structurellement incapable d’expliquer comment la signification intrinsèque peut naître sans faire appel à un utilisateur humain extérieur qui attribue subjectivement du sens aux symboles manipulés par la machine.

Le connexionnisme, en revanche, propose une tentative de résolution ascendante (bottom-up) prometteuse de cette aporie. Parce que les unités d’entrée d’un réseau connexionniste sont directement couplées à des transducteurs physiques sensoriels (comme les photorécepteurs d’une caméra ou les membranes acoustiques d’un microphone), les motifs d’activation au sein du réseau sont reliés de manière causale continue aux propriétés physiques objectives du monde extérieur. Les catégories conceptuelles ne sont pas des symboles abstraits arbitraires insérés par décret axiomatique, mais des attracteurs géométriques qui émergent par extraction statistique continue des signaux sensorimoteurs. L’ancrage n’est donc plus une greffe formelle miraculeuse, mais une continuité écologique : le concept dérive organiquement de l’incarnation sensorielle du système au contact de son environnement physique.

7.3 Les grands modèles de langage (LLM) valident-ils la défaite du computationalisme ?

Il est indéniable que le succès phénoménal des grands modèles de langage contemporains (tels que GPT-4 ou les architectures similaires) a infligé un démenti empirique cuisant aux prédictions les plus pessimistes des computationalistes classiques, qui affirmaient avec Jerry Fodor qu’un réseau purement connexionniste serait par essence incapable de maîtriser la systématicité, la récursivité et la combinatoire infinie du langage humain. Les LLM prouvent avec une force éclatante que l’apprentissage statistique par prédiction du jeton suivant sur des espaces vectoriels de haute dimension permet d’acquérir une compétence syntaxique, stylistique et discursive remarquable sans posséder la moindre règle logique explicite codée en mentalais.

Néanmoins, proclamer la défaite totale du computationalisme serait une conclusion hâtive et superficielle. En réalité, les limitations actuelles les plus criantes des LLM apportent de l’eau au moulin des critiques computationalistes : ces modèles sont notoirement sujets aux hallucinations factuelles, peinent sur des raisonnements déductifs simples nécessitant de la logique formelle récursive non bornée, échouent sur l’inversion de relations sémantiques basiques (le fameux « problème de réversion ») et ne possèdent aucune garantie de cohérence logique globale dans leurs démonstrations mathématiques. Pour surmonter ces failles rédhibitoires, l’industrie contemporaine est contrainte de greffer sur ces modèles neuronaux des outils de vérification formelle purement computationalistes : des interpréteurs de code déterministes, des moteurs logiques externes ou des analyseurs syntaxiques rigides. L’avènement des LLM démontre la puissance phénoménale de l’intuition associative connexionniste, mais rappelle simultanément l’indispensable nécessité de la rigueur déductive symbolique pour atteindre une intelligence générale digne de confiance.

8. Conclusion : Vers une synthèse dialectique de la cognition artificielle et naturelle

8.1 Bilan des apports respectifs à l’épistémologie de l’esprit

Au terme de plusieurs décennies d’un débat philosophique et technique d’une rare intensité intellectuelle, il apparaît évident que le computationalisme classique et le connexionnisme ne doivent plus être envisagés comme deux théologies dogmatiques irréconciliables, mais comme les deux piliers conceptuels complémentaires ayant permis aux sciences cognitives de s’affranchir définitivement du dualisme des substances. Chacun de ces mouvements théoriques a légué à l’épistémologie contemporaine de l’esprit des avancées conceptuelles impérissables dont aucune modélisation future de l’intelligence ne pourra faire l’économie.

Le computationalisme classique de Turing, Newell, Simon et Fodor a fourni le cadre normatif et méthodologique indispensable pour conceptualiser la rationalité formelle, la délibération logique, l’inférence déductive et la combinatoire récursive du langage. Il a montré comment un système purement matériel peut être soumis aux lois de la logique sans faire appel à un esprit transcendant, instanciant ainsi mécaniquement le respect de la vérité sémantique par la seule discipline rigoureuse de la syntaxe. De son côté, le connexionnisme de Rumelhart, McClelland, Smolensky et de l’apprentissage profond contemporain a rendu compte avec un brio expérimental sans précédent de l’incarnation perceptuelle, de la plasticité synaptique, de l’induction statistique et de la tolérance remarquable au flou et au bruit qui caractérisent le fonctionnement cérébral des organismes vivants. Il a rendu sa dignité ontologique à la dynamique sub-symbolique continue, montrant que l’intelligence ne se réduit pas à une déduction axiomatique froide, mais s’enracine dans la géométrie vivante de l’analogie et de l’auto-organisation.

8.2 Perspectives d’avenir : l’unification neuro-symbolique

L’avenir des sciences cognitives et de l’intelligence artificielle réside indubitablement dans le dépassement de cette fausse antinomie par l’émergence d’une synthèse dialectique : l’unification neuro-symbolique. Cette nouvelle frontière théorique trouve une résonance empirique spectaculaire dans les modèles psychologiques modernes de la cognition duale, conceptualisés de façon exemplaire par Daniel Kahneman à travers la distinction entre Système 1 et Système 2 :

• Le Système 1 (rapide, intuitif, parallèle et perceptif) correspond intimement aux mécanismes connexionnistes : il opère par reconnaissance géométrique instantanée de motifs statistiques, absorbe les ambiguïtés perceptives du monde physique et fournit des jugements heuristiques continus sans délibération consciente explicite.
• Le Système 2 (lent, délibératif, séquentiel et logique) répond fidèlement aux canons du computationalisme classique : il prend le relais lorsque l’intuition échoue, manipule des propositions symboliques discrètes, exécute des déductions sous contraintes et applique rigoureusement des règles algorithmiques normées.

Les symboles formels de la pensée logique ne sont pas des entités métaphysiques flottant dans le vide de la conscience abstraite, mais de véritables attracteurs métastables sculptés au sein des paysages dynamiques et continus des réseaux neuronaux profonds. De la même façon que les équations différentielles de la mécanique des fluides rendent compte mécaniquement de l’émergence macroscopique d’une onde solitaire stable (un soliton) sans que celle-ci n’annule la nature microscopique des molécules d’eau individuelles, le calcul connexionniste sous-tend matériellement l’émergence des structures symboliques qui gouvernent le discours conscient et la démonstration formelle. En scellant enfin cette alliance dialectique entre la texture statistique du neurone et la rigueur syntaxique du symbole, la science de l’esprit s’approche comme jamais auparavant d’une théorie totale et harmonieuse de la cognition humaine et machinique.

Références

• Chomsky, N. (1957). Syntactic Structures. Mouton & Co.
• Churchland, P. M. (1981). Eliminative materialism and the propositional attitudes. The Journal of Philosophy, 78(2), 67-90.
• Feldman, J. A., & Ballard, D. H. (1982). Connectionist models and their properties. Cognitive Science, 6(3), 205-254.
• Fodor, J. A. (1975). The Language of Thought. Harvard University Press.
• Fodor, J. A., & Pylyshyn, Z. W. (1988). Connectionism and cognitive architecture: A critical analysis. Cognition, 28(1-2), 3-71.
• Frege, G. (1879). Begriffsschrift, eine der arithmetischen nachgebildete Formelsprache des reinen Denkens. Louis Nebert.
• Harnad, S. (1990). The symbol grounding problem. Physica D: Nonlinear Phenomena, 42(1-3), 335-346.
• Hebb, D. O. (1949). The Organization of Behavior: A Neuropsychological Theory. John Wiley & Sons.
• Kahneman, D. (2011). Thinking, Fast and Slow. Farrar, Straus and Giroux.
• Marr, D. (1982). Vision: A Computational Investigation into the Human Representation and Processing of Visual Information. W. H. Freeman and Company.
• McCulloch, W. S., & Pitts, W. (1943). A logical calculus of the ideas immanent in nervous activity. The Bulletin of Mathematical Biophysics, 5(4), 115-133.
• Newell, A., & Simon, H. A. (1976). Computer science as empirical inquiry: Symbols and search. Communications of the ACM, 19(3), 113-126.
• Putnam, H. (1967). Psychological predicates. In W. H. Capitan & D. D. Merrill (Eds.), Art, Mind, and Religion (pp. 37-48). University of Pittsburgh Press.
• Rosenblatt, F. (1958). The perceptron: A probabilistic model for information storage and organization in the brain. Psychological Review, 65(6), 386-408.
• Rumelhart, D. E., McClelland, J. L., & the PDP Research Group. (1986). Parallel Distributed Processing: Explorations in the Microstructure of Cognition (Vols. 1-2). MIT Press.
• Searle, J. R. (1980). Minds, brains, and programs. Behavioral and Brain Sciences, 3(3), 417-424.
• Smolensky, P. (1988). On the proper treatment of connectionism. Behavioral and Brain Sciences, 11(1), 1-23.
• Turing, A. M. (1936). On computable numbers, with an application to the Entscheidungsproblem. Proceedings of the London Mathematical Society, 2(42), 230-265.