Au croisement de la psychologie cognitive, de l’intelligence artificielle et de la théorie de la décision, la résolution de problèmes constitue une fenêtre privilégiée sur les capacités et les limites de l’esprit humain. Pour comprendre comment un individu s’oriente face à une tâche complexe, les chercheurs ont souvent opposé les raccourcis heuristiques intuitifs à une méthode purement combinatoire et mécanique : l’algorithme du British Museum. Cette métaphore classique éclaire avec force les dilemmes computationnels auxquels se heurtent les systèmes cognitifs naturels et artificiels confrontés à des espaces de recherche colossaux.
L’Algorithme du British Museum
1. Définition concise
L’algorithme du British Museum désigne une stratégie conceptuelle de résolution de problèmes consistant à explorer de façon exhaustive, systématique et aveugle l’intégralité de l’espace d’états d’une tâche jusqu’à ce qu’une solution valide soit trouvée. Assimilable à une méthode de recherche par force brute, ce procédé garantit théoriquement la découverte d’une solution si celle-ci existe, mais se révèle computationnellement intenable face à des problèmes complexes en raison de l’explosion combinatoire.
Dans le champ de la psychologie cognitive et des sciences cognitives, cette notion ne décrit pas un mode opératoire spontané de l’esprit humain, mais sert plutôt de point de référence théorique négatif. Elle illustre ce que l’intelligence humaine ne fait précisément pas : errer sans discernement à travers des millions de combinaisons potentielles. En formalisant cette approche aveugle, les théoriciens de la cognition ont pu mettre en lumière la nécessité absolue des heuristiques sélectives et des représentations mentales structurées qui permettent aux individus d’atteindre leurs buts avec des ressources attentionnelles et mémorielles finies.
Sur le plan fonctionnel, l’algorithme procède par génération successive ou aléatoire de tous les chemins d’action possibles, sans évaluer la pertinence intermédiaire des étapes franchies. Ce contraste fondamental entre recherche aveugle et recherche dirigée a posé les jalons des théories modernes du traitement de l’information, en définissant la frontière entre la pure puissance de calcul et les processus authentiquement intelligents.
2. Étymologie et origine linguistique
L’expression provient de l’anglais British Museum algorithm, introduite dans la littérature scientifique au cours des années 1950 lors de l’essor de la cybernétique et des premières modélisations informatiques de la pensée. L’analogie trouve sa source dans une métaphore attribuée aux pionniers des sciences computationnelles et de l’intelligence artificielle, notamment popularisée par Allen Newell et Herbert Simon : imaginer un visiteur qui entrerait au British Museum de Londres et examinerait méthodiquement chaque objet, vitrine par vitrine, sans ordre thématique préalable ni catalogue, dans le but d’y découvrir un artefact précis.
Sur le plan lexical, le terme associe le mot « algorithme » — dérivé du nom du mathématicien perse du IXe siècle Muhammad ibn Musa al-Khwarizmi, signifiant une suite finie et non ambiguë d’instructions permettant de résoudre une classe de problèmes — au nom de la célèbre institution muséale britannique, choisie comme symbole d’une collection d’une immensité vertigineuse. Le terme a ainsi été importé directement dans la psychologie cognitive francophone sous la dénomination « algorithme du British Museum », conservant sa charge évocatrice d’un inventaire démesuré et fastidieux.
Cette appellation s’inscrit dans la tradition des fables et paradoxes scientifiques anglo-saxons, au même titre que le paradoxe du singe savant (l’idée qu’un singe tapant indéfiniment au hasard sur une machine à écrire finirait par reproduire l’œuvre complète de William Shakespeare). Dans les deux cas, le vocabulaire mobilisé souligne l’absurdité pratique d’une méthode mathématiquement irréprochable mais temporellement impraticable.
3. Prononciation et forme grammaticale
En français, l’expression s’énonce phonétiquement [al.ɡɔ.ʁitm dy bʁi.tiʃ my.ze.ɔm]. Il s’agit d’un syntagme nominal masculin singulier composé d’un nom commun (« algorithme »), d’un article contracté (« du ») et d’un nom propre géographique et institutionnel invariable (« British Museum »). Au pluriel, la forme devient « les algorithmes du British Museum », bien que son utilisation au pluriel demeure extrêmement rare car le terme désigne une approche générique et conceptuelle plutôt qu’une multiplicité de protocoles distincts.
Dans le discours scientifique et pédagogique francophone, l’expression s’utilise principalement comme une étiquette qualitative ou un comparatif rhétorique. On rencontre fréquemment des formulations telles que « procéder selon l’algorithme du British Museum », « adopter une stratégie de type British Museum » ou encore « opposer la démarche heuristique à la recherche du British Museum ». Dans la littérature technique, on retrouve également l’abréviation informelle BMA, calquée sur le sigle anglais.
L’usage adjectival ou métaphorique s’étend parfois à la description de comportements humains inefficaces : un apprenant ou un opérateur qui tenterait des actions au hasard sans comprendre la logique sous-jacente d’une tâche sera décrit comme exécutant une « recherche aveugle de style British Museum ».
4. Explication conceptuelle détaillée
Pour appréhender en profondeur l’algorithme du British Museum, il convient de comprendre la structure théorique d’un espace de recherche de problème. Selon l’approche cognitive classique, un problème se définit par un état initial, un état final souhaité (le but) et un ensemble d’opérateurs permettant de passer d’un état à un autre. L’ensemble de toutes les configurations atteignables par l’application successive de ces opérateurs forme l’espace d’états. Lorsqu’un problème possède une combinatoire élevée — comme le jeu d’échecs, la résolution de théorèmes logiques ou la planification d’un itinéraire urbain complexe —, la taille de cet espace croît de manière exponentielle.
L’algorithme du British Museum aborde cet espace d’états par une exploration systématique non sélective, classifiable selon deux modalités principales : la recherche en profondeur d’abord ou la recherche en largeur d’abord, sans aucune fonction d’évaluation heuristique. Concrètement, l’algorithme commence par l’état initial, génère toutes les bifurcations possibles, examine chaque élément un à un pour vérifier s’il correspond au but, et continue son parcours sans jamais rejeter de branche a priori. Aucun filtre probabiliste ni jugement sémantique ne vient guider le processus. Il s’agit de la quintessence de la recherche exhaustive.
Dans les sciences de l’esprit, ce modèle a permis de clarifier la distinction fondamentale entre deux types de rationalité : la rationalité substantive (ou absolue), qui suppose la capacité d’examiner toutes les options concevables pour sélectionner la solution parfaite, et la rationalité procédurale, propre aux êtres humains, contrainte par les limites physiques et cognitives de l’agent. Le cerveau humain dispose d’une mémoire de travail d’une capacité restreinte, d’une vitesse de transmission synaptique limitée et d’une allocation attentionnelle sélective. Face à un problème complexe, une recherche exhaustive entraînerait une paralysie décisionnelle immédiate.
Ainsi, l’algorithme du British Museum matérialise l’impasse vers laquelle mènerait une cognition dépourvue de mécanismes de filtrage. En psychologie cognitive, il sert à expliciter le rôle des mécanismes de sélection : la perception humaine ne traite pas tous les stimuli visuels, la mémoire de travail ne retient que quelques fragments d’information signifiants, et la résolution de problèmes privilégie des règles empiriques grossières mais rapides appelées heuristiques. L’algorithme du British Museum définit précisément le point zéro de l’économie cognitive.
5. Évolution historique
L’émergence du concept s’inscrit dans la révolution cognitive des années 1950, au moment où la psychologie abandonne le paradigme behavioriste dominant pour s’intéresser aux structures internes du traitement de l’information. Dans ce contexte historique, l’ordinateur naissant offre une métaphore inédite pour penser l’esprit humain comme un système physique de manipulation de symboles. Des chercheurs comme Allen Newell, J. Clifford Shaw et Herbert Simon s’attellent à concevoir des programmes capables de simuler les processus de pensée humaine.
En 1956, Newell et Simon présentent le Logic Theorist, largement considéré comme le premier programme d’intelligence artificielle. Lors de la conception de cette machine destinée à démontrer des théorèmes des Principia Mathematica de Russell et Whitehead, les concepteurs se heurtent à une réalité mathématique implacable : si le système devait générer tous les axiomes et règles d’inférence au hasard pour trouver une démonstration, la quantité d’opérations dépasserait les capacités de calcul de tous les ordinateurs de l’époque réunis. C’est dans le cadre de ces réflexions que l’expression « algorithme du British Museum » a été formalisée pour disqualifier l’approche par force brute absolue.
Dans les années 1960 et 1970, le concept migre de l’intelligence artificielle naissante vers la psychologie expérimentale du raisonnement. Les travaux de Donald Broadbent sur l’attention sélective, ainsi que les études de Peter Wason sur le raisonnement déductif, s’appuient implicitement sur cette antinomie : comment l’être humain parvient-il à penser sans recourir à l’inventaire exhaustif ? Des psychologues comme Jerome Bruner et George Miller démontrent que l’esprit humain adopte spontanément des stratégies d’échantillonnage et de focalisation pour élaguer l’arbre de recherche avant même d’agir.
Durant les décennies suivantes, avec l’avènement des neurosciences cognitives et des modèles connexionnistes dans les années 1980 et 1990, le statut de l’algorithme du British Museum a continué d’évoluer. Alors qu’il était initialement perçu comme un simple modèle algorithmique impraticable, il est devenu une pierre angulaire conceptuelle pour justifier l’émergence évolutive des systèmes duels de pensée (système 1 intuitif et heuristique contre système 2 délibératif mais borné), tels que théorisés plus tard par Daniel Kahneman et Amos Tversky.
6. Fondements théoriques
Les fondements théoriques de l’algorithme du British Museum reposent sur la théorie de la calculabilité et la théorie des espaces de recherche formalisée par Newell et Simon dans leur théorie de la résolution de problèmes (Human Problem Solving, 1972). Selon cette approche, la résolution d’un problème est modélisée sous la forme d’un graphe ou d’un arbre d’états. Les nœuds représentent les configurations possibles du système et les arêtes incarnent les transitions opératoires permises.
Le cœur théorique du problème réside dans ce que le mathématicien Richard Bellman a nommé la « malédiction de la dimensionnalité » (curse of dimensionality), et plus largement l’explosion combinatoire. Si chaque état d’un problème offre en moyenne un facteur de ramification $b$, et que la solution optimale se situe à une profondeur $d$, l’algorithme du British Museum nécessite l’évaluation d’un nombre de nœuds de l’ordre de $b^d$. Lorsque ce facteur s’accroît, la quantité de calculs dépasse instantanément le nombre d’atomes dans l’univers observable, rendant l’algorithme théoriquement correct mais pratiquement irréalisable.
Pour contrer cette aporie, la psychologie cognitive s’est adossée au paradigme de la rationalité limitée formulé par Herbert Simon. Selon cette théorie, les décideurs réels doivent composer avec trois contraintes incontournables : l’incomplétude de l’information accessible, les capacités computationnelles limitées de leur appareil cérébral, et le temps fini alloué à la délibération. L’humain ne cherche donc pas l’optimisation absolue — ce que l’algorithme du British Museum accomplirait au prix d’un temps infini —, mais la « satisfaction » (satisficing), c’est-à-dire l’atteinte d’un seuil suffisant d’acceptabilité.
Un autre pilier théorique associé concerne la notion de recherche guidée par l’évaluation. Contrairement au British Museum qui parcourt les nœuds sans boussole, les processus cognitifs naturels emploient des fonctions d’évaluation heuristiques. Ces fonctions mesurent la distance perçue entre l’état actuel et le but escompté, permettant ainsi d’élaguer drastiquement les branches non pertinentes de l’arbre décisionnel avant même qu’elles ne fassent l’objet d’un examen attentif.
7. Composantes clés, types et dimensions
Bien que conceptuellement uniforme dans son rejet de toute sélectivité heuristique, l’algorithme du British Museum peut être décomposé en plusieurs éléments opérationnels et variantes formelles :
- Le générateur exhaustif d’états : Composante architecturale chargée de produire toutes les combinaisons formellement admissibles à partir des règles syntaxiques du problème, sans considération quant à leur plausibilité sémantique.
- Le mécanisme de test unitaire : Dispositif comparateur binaire chargé d’évaluer chaque configuration générée par rapport au critère d’arrêt (l’état cible). Si la correspondance est exacte, le processus s’arrête ; sinon, il passe à l’état suivant.
- La recherche en largeur aveugle (Breadth-First Exhaustive) : Modalité dans laquelle l’ensemble des solutions potentielles d’un niveau donné de complexité ou de profondeur est systématiquement inspecté avant d’explorer des configurations nécessitant une étape supplémentaire.
- La recherche en profondeur aveugle (Depth-First Exhaustive) : Variante explorant une branche opérationnelle jusqu’à son terme ultime ou jusqu’à une boucle infinie, avant de revenir en arrière par retour sur trace (backtracking) pour épuiser les alternatives voisines.
- La recherche par génération aléatoire (approche de type singe savant) : Forme stochastique du British Museum, où les états ne sont pas énumérés dans un ordre séquentiel strict mais tirés au sort de façon répétée et sans mémoire dans l’espace global du problème.
- L’absence de retour d’information adaptatif : Dimension critique du concept selon laquelle les échecs successifs ne modifient en rien les règles de production ultérieures, excluant tout processus d’apprentissage au fil de l’exploration.
8. Exemples et illustrations concrètes
Un exemple classique en psychologie expérimentale concerne la résolution d’anagrammes. Considérons la suite de lettres mélangées « R – U – E – T ». Un individu utilisant l’algorithme du British Museum générerait mathématiquement les 24 permutations possibles ($4! = 4 imes 3 imes 2 imes 1$) une par une : R-U-E-T, R-U-T-E, R-E-U-T, R-E-T-U, etc., en vérifiant pour chacune dans son dictionnaire mental si elle constitue un mot français valide. En revanche, un sujet humain applique immédiatement des contraintes phonologiques et orthographiques propres à sa langue maternelle : il élimine spontanément les combinaisons invraisemblables comme « TRUE » ou « ERUT » et se focalise sur des structures familières jusqu’à isoler des mots acceptables tels que « TUER » ou « RUTE ».
Un autre cas paradigmatique se rencontre dans le jeu d’échecs. Dans une position moyenne, un joueur dispose d’environ 35 coups légaux possibles, auxquels l’adversaire peut répondre par 35 coups, et ainsi de suite. Appliquer l’algorithme du British Museum sur seulement quatre coups complets à l’avance obligerait à calculer et évaluer environ $35^8$, soit plus de deux mille milliards de positions intermédiaires. L’ordinateur classique doté d’une fonction d’évaluation heuristique élague ces options ; le grand maître d’échecs humain, quant à lui, ne perçoit et n’analyse que deux ou trois coups candidats par position grâce à une reconnaissance experte de formes (chunking).
Dans le domaine clinique et pathologique, certains troubles du comportement illustrent ce qui se rapproche le plus d’une démarche de type British Museum chez l’être humain. Un patient souffrant d’un trouble obsessionnel-compulsif (TOC) sévère ou d’un déficit frontal majeur consécutif à un traumatisme crânien peut se trouver dans l’incapacité d’utiliser des filtres d’inhibition cognitive. Confronté au rangement d’une armoire, il peut se mettre à déplacer chaque objet selon toutes les permutations géométriques imaginables sans réussir à synthétiser une règle de tri globale, illustrant la souffrance psychique engendrée par l’absence d’heuristiques sélectives.
9. Mesure et évaluation
Sur le plan méthodologique et expérimental, l’algorithme du British Museum ne fait pas l’objet d’un test psychométrique direct puisqu’aucun individu sain ne fonctionne de manière purement exhaustive sur de grands espaces de problèmes. En revanche, il sert de modèle de base (baseline de performance zéro) pour quantifier l’efficacité des processus heuristiques humains au moyen de plusieurs protocoles standardisés :
Dans les tâches informatisées de résolution de problèmes en laboratoire — comme le problème de la Tour de Hanoï, les énigmes de traversée de rivière ou les labyrinthes de complexité graduée —, les chercheurs mesurent le ratio d’élagage (pruning ratio). Ce ratio compare le nombre total d’états explorés par le sujet humain au nombre total d’états que l’algorithme du British Museum aurait dû tester pour parvenir au même résultat. Plus le ratio s’éloigne de 1 pour tendre vers 0, plus la recherche heuristique du participant est jugée sélective et sophistiquée.
L’enregistrement des mouvements oculaires (eye-tracking) constitue un autre moyen privilégié d’évaluer à quel point l’attention humaine s’écarte de la recherche aveugle. Dans une tâche de recherche visuelle complexe (par exemple, localiser un symbole au milieu de centaines de distracteurs), les fixations oculaires révèlent des trajectoires guidées par des caractéristiques saillantes (couleur, forme, contraste) ou par des connaissances contextuelles préalables, réfutant formellement l’hypothèse d’un balayage visuel purement séquentiel et exhaustif de style British Museum.
Enfin, la méthode des protocoles verbaux (« penser à voix haute »), développée par Newell et Simon et affinée par K. Anders Ericsson, permet de recueillir les verbalisations des sujets au cours de la résolution de problèmes. L’analyse thématique et syntaxique de ces verbatim met en évidence les règles d’arrêt, les intuitions et les inférences intermédiaires déployées par les individus, apportant la preuve qualitative qu’ils ne génèrent pas des listes aveugles d’options mais testent des hypothèses sémantiquement motivées.
10. Applications et pertinence pratique
Bien que l’algorithme du British Museum soit théoriquement inefficace pour l’action humaine immédiate, sa formalisation possède une valeur opérationnelle significative dans de multiples domaines appliqués :
En pédagogie et en formation professionnelle, la référence à cet algorithme permet aux enseignants d’identifier les stratégies d’apprentissage défaillantes. Lorsqu’un étudiant face à un problème mathématique ou informatique complexe tente d’appliquer toutes les formules de son cours au hasard sans analyser la structure profonde de l’énoncé, il recourt à une version humaine dégradée du British Museum. Diagnostiquer ce comportement aide les formateurs à orienter l’apprenant vers des stratégies métacognitives d’auto-explication et d’analyse des buts.
Dans le domaine de l’ergonomie cognitive et de la conception d’interfaces utilisateur (UX design), la compréhension de ce principe est cruciale. Les concepteurs savent qu’un utilisateur placé devant une interface logicielle désorganisée avec des menus profonds et non catégorisés sera forcé d’effectuer une exploration exhaustive fastidieuse. Pour éviter cette surcharge cognitive, les ergonomes appliquent des lois d’organisation perceptuelle et des hiérarchies visuelles intuitives qui réduisent drastiquement l’espace de recherche de l’utilisateur.
Dans le secteur de la cybersécurité et des technologies de l’information, l’algorithme du British Museum trouve son application directe sous la forme des attaques par force brute (brute-force attacks) et des attaques par dictionnaire. Pour percer un mot de passe ou casser un chiffrement cryptographique, les logiciels malveillants génèrent mécaniquement des millions de combinaisons possibles par seconde. La cryptographie moderne calcule ainsi la longueur et l’entropie des clés de sécurité de manière à ce que le temps nécessaire à un algorithme exhaustif pour tester l’espace des solutions dépasse la durée de vie du système ou de l’univers lui-même.
11. Recherches et preuves empiriques
L’histoire de la psychologie cognitive regorge de travaux expérimentaux démontrant la répugnance naturelle de l’esprit humain envers les stratégies de recherche exhaustive, confirmant la primauté absolue de l’heuristique.
Les recherches pionnières d’Adriaan de Groot (1965), confirmées et étendues par William Chase et Herbert Simon (1973), sur la psychologie des maîtres d’échecs ont apporté des preuves empiriques déterminantes. En comparant des joueurs experts à des novices, ces chercheurs ont découvert, de manière surprenante, que les grands maîtres ne calculaient pas un nombre de coups supérieur à celui des amateurs dans leur arbre de recherche mentale. La différence résidait dans le fait que les experts ne considéraient d’emblée que les coups stratégiquement pertinents. Leurs représentations en mémoire à long terme leur permettaient de court-circuiter totalement l’inventaire fastidieux propre au British Museum grâce à un encodage conceptuel holistique.
Dans le champ de la prise de décision, les travaux empiriques de Gerd Gigerenzer et de son groupe de recherche ont montré que, loin d’être un compromis de second ordre par rapport à l’exhaustivité, les heuristiques simples (telles que l’heuristique de reconnaissance ou le modèle Take-the-Best) produisent fréquemment des prédictions plus robustes et précises que des algorithmes statistiques exhaustifs analysant toutes les variables disponibles. Ce phénomène, baptisé « l’effet du moins c’est plus » (less-is-more effect), démontre que la recherche exhaustive propre au British Museum est non seulement chronophage, mais qu’elle conduit également au surajustement (overfitting) face au bruit et à l’incertitude environnementale.
En neuro-imagerie fonctionnelle, des études menées par des neuroscientifiques comme Koechlin et Hyafil (2007) sur l’architecture du cortex préfrontal chez l’humain ont mis en évidence l’existence de réseaux cérébraux dédiés à la « bifurcation cognitive » (cognitive branching). Ces zones cérébrales permettent de mettre en attente une sous-tâche pour en explorer une autre sans saturer l’espace de mémoire immédiate. Ces architectures cérébrales prouvent que l’évolution biologique a précisément façonné notre cerveau pour contourner la rigidité combinatoire de la recherche aveugle.
12. Considérations culturelles et contextuelles
La métaphore de l’algorithme du British Museum porte en elle l’empreinte historique de la science occidentale du milieu du XXe siècle, caractérisée par une foi croissante dans la mécanisation de la pensée et par des références symboliques aux grandes institutions impériales de conservation des connaissances. Dans d’autres traditions intellectuelles et linguistiques, l’absurdité de la recherche par force brute a été illustrée par d’autres images métaphoriques, telles que la recherche d’une aiguille dans une botte de foin ou les contes philosophiques orientaux mettant en scène des voyageurs aveugles explorant tactilement différentes parties d’un éléphant sans jamais percevoir l’animal dans sa globalité.
Sur le plan de la psychologie interculturelle, des chercheurs comme Richard Nisbett ont mis en évidence des variations notables dans les styles cognitifs entre les populations occidentales et d’Asie orientale. Les Occidentaux ont tendance à adopter des modes de pensée plus analytiques, tendant à isoler les objets de leur contexte pour leur appliquer des règles formelles séquentielles — un style qui, poussé à l’extrême, peut se rapprocher de la décomposition algorithmique formelle. À l’inverse, les styles de pensée holistiques, plus fréquents dans les cultures orientales, privilégient l’évaluation globale des relations au sein du champ contextuel, s’éloignant encore plus radicalement de toute démarche linéaire ou combinatoire aveugle.
De surcroît, le contexte situationnel modifie l’acceptabilité perçue de telles méthodes. Dans des environnements stables, prévisibles et informatisés, l’approche algorithmique exhaustive est valorisée pour sa rigueur et son infaillibilité mathématique. En revanche, dans des environnements naturels marqués par une incertitude radicale, l’urgence vitale ou la pénurie de ressources temporelles — conditions dans lesquelles la psychologie évolutionniste situe l’adaptation ancestrale des hominidés —, tout comportement mimant l’algorithme du British Museum s’avère létal pour la survie de l’individu.
13. Critiques, débats et limites
Malgré sa valeur pédagogique et son utilité historique, l’usage de la métaphore de l’algorithme du British Museum suscite plusieurs réserves et controverses épistémologiques dans le champ des sciences cognitives contemporaines.
La première critique majeure s’adresse à sa pertinence en tant que modèle psychologique : en définissant l’algorithme du British Museum comme le repoussoir de l’intelligence humaine, les premiers cognitivistes ont parfois entretenu l’illusion que l’optimisation exhaustive constituait l’idéal théorique suprême dont l’esprit humain ne ferait que s’éloigner par défaut ou faiblesse biologique. Les critiques modernes, formulées notamment par l’approche de la cognition incarnée et située (embodied cognition), affirment au contraire que l’esprit n’a jamais été programmé pour calculer des espaces d’états abstraits. Selon des théoriciens comme Francisco Varela ou Andy Clark, l’intelligence émerge de l’action directe de l’organisme dans son environnement écologique, rendant la comparaison avec un algorithme de recherche purement syntaxique inadéquate.
Un second débat porte sur les limites de l’opposition binaire stricte entre recherche exhaustive et recherche heuristique. En pratique informatique comme en cognition animale, il existe un continuum de compromis exploration-exploitation (exploration-exploitation trade-off). Dans certaines situations d’apprentissage par renforcement, un agent doit consacrer une phase initiale à l’exploration quasi aveugle de son environnement avant de pouvoir calibrer ses heuristiques. qualifier toute exploration large de « British Museum » simplifie à l’excès la dynamique subtile par laquelle un système collecte les données nécessaires à la formation de ses intuitions futures.
Enfin, avec la puissance de calcul moderne des supercalculateurs et le développement de techniques d’apprentissage profond (deep learning) associées à des méthodes d’exploration arborescente de Monte-Carlo (MCTS, comme dans les programmes AlphaGo), la frontière s’est brouillée. Les machines actuelles sont capables de traiter des millions d’états par seconde — une forme très accélérée de force brute guidée — tout en développant une forme d’intuition probabiliste via des réseaux de neurones profonds. L’argument selon lequel la force brute est sans intérêt pour l’intelligence artificielle a ainsi été partiellement remis en cause par les victoires contemporaines du calcul massif sur les systèmes experts fondés uniquement sur des règles heuristiques explicites.
14. Termes connexes et distinctions
Pour délimiter rigoureusement le concept de l’algorithme du British Museum, il est indispensable de le confronter à des notions adjacentes qui partagent des aspects similaires mais reposent sur des postulats distincts :
- Recherche par force brute (Brute-Force Search) : Terme général de l’informatique désignant la vérification systématique de tous les candidats possibles. L’algorithme du British Museum en est la formulation métaphorique classique dans les sciences cognitives, avec une insistance particulière sur son absurdité pratique pour l’intelligence humaine.
- Heuristique de jugement et de résolution : Règle cognitive pragmatique, rapide et économe en ressources, permettant de restreindre la recherche à un sous-ensemble d’alternatives prometteuses, par opposition directe à la non-sélectivité du British Museum.
- Algorithme $A^*$ (A-étoile) : Algorithme de recherche de chemin guidé qui utilise une fonction heuristique pour estimer le coût restant jusqu’au but. Il s’oppose à la recherche aveugle en explorant prioritairement les états les plus prometteurs.
- Méthode essai-erreur (Trial and Error) : Approche d’apprentissage comportementale observée chez l’humain et l’animal (notamment décrite par Edward Thorndike), consistant à tenter une action, observer son issue, et réajuster le tir. Contrairement à l’algorithme du British Museum, l’essai-erreur intègre une boucle d’apprentissage empirique et ne parcourt pas l’ensemble de l’espace abstrait de manière symétrique et préprogrammée.
- Génération et test (Generate-and-Test) : Paradigme de résolution englobant toutes les méthodes qui génèrent des solutions potentielles avant de les soumettre à validation. L’algorithme du British Museum constitue le cas limite le plus primitif de ce paradigme, dans lequel la phase de génération ne fait l’objet d’aucun filtrage préalable.
15. Synthèse et points clés à retenir
En résumé, l’algorithme du British Museum demeure l’une des images conceptuelles les plus puissantes de l’histoire des sciences cognitives pour expliciter la nécessité des mécanismes de régulation et de simplification de la pensée :
Il incarne la recherche exhaustive, déterministe et dépourvue d’heuristique d’une solution à travers l’ensemble des ramifications d’un espace d’états. Sa validité formelle et mathématique est totale, mais son efficience écologique et temporelle est nulle dès lors que la complexité combinatoire dépasse un seuil élémentaire.
Dans l’étude de l’esprit humain, il sert de contre-modèle fondamental. Les êtres humains, opérant sous le régime de la rationalité limitée, doivent impérativement leur efficacité à des processus sélectifs : attention focalisée, catégorisation conceptuelle, mémoire associative et heuristiques adaptatives. Ces processus élaguent spontanément l’immense majorité des options absurdes pour ne soumettre à la délibération consciente qu’un échantillon restreint mais plausible.
Enfin, à l’ère des mégadonnées et de l’intelligence computationnelle avancée, la métaphore du British Museum rappelle que le simple accroissement de la puissance de calcul ne saurait tenir lieu de stratégie cognitive pérenne. Qu’il s’agisse d’un être biologique ou d’un algorithme moderne, la véritable intelligence réside moins dans la capacité à inspecter chaque recoin d’un musée infini que dans le discernement permettant de marcher droit vers la salle où repose le chef-d’œuvre cherché.
Références
- 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
- De Groot, A. D. (1965). Thought and choice in chess. Mouton Publishers.
- Gigerenzer, G., & Gaissmaier, W. (2011). Heuristic decision making. Annual Review of Psychology, 62, 451–482. https://doi.org/10.1146/annurev-psych-120709-145346
- Newell, A., & Simon, H. A. (1972). Human problem solving. Prentice-Hall.
- 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