L’exploration des fondements computationnels de l’esprit humain constitue sans conteste l’une des aventures scientifiques les plus ambitieuses de la seconde moiti\u00e9 du vingti\u00e8me si\u00e8cle. Au c\u0153ur de cette qu\u00eate \u00e9pist\u00e9mologique visant \u00e0 \u00e9lucider la m\u00e9canique de l’intelligence, tant naturelle qu’artificielle, s’\u00e9l\u00e8ve l’architecture cognitive SOAR. Con\u00e7ue initialement au d\u00e9but des ann\u00e9es 1980 au sein des laboratoires de l’Universit\u00e9 Carnegie Mellon par Allen Newell, John Laird et Paul Rosenbloom, SOAR ne s’est jamais r\u00e9duite \u00e0 un simple environnement de programmation pour syst\u00e8mes experts ou \u00e0 un moteur d’inf\u00e9rence acad\u00e9mique isol\u00e9. Elle a \u00e9t\u00e9 forg\u00e9e comme une tentative h\u00e9ro\u00efque de formuler une th\u00e9orie unifi\u00e9e de la cognition, capable de rendre compte de l’\u00e9ventail complet des capacit\u00e9s de l’esprit rationnel, depuis les temps de r\u00e9action perceptifs de quelques dizaines de millisecondes jusqu’aux d\u00e9lib\u00e9rations complexes de la r\u00e9solution de probl\u00e8mes et de l’apprentissage continu.<\/p>\n
Le paradigme fondamental qui sous-tend SOAR repose sur l’hypoth\u00e8se audacieuse que la pens\u00e9e humaine peut \u00eatre mod\u00e9lis\u00e9e de mani\u00e8re exhaustive par un syst\u00e8me de symboles physiques<\/a> op\u00e9rant au travers d’espaces de probl\u00e8mes. \u00c0 une \u00e9poque marqu\u00e9e par l’\u00e9parpillement m\u00e9thodologique de la psychologie cognitive en une myriade de micro-th\u00e9ories d\u00e9connect\u00e9es et par une intelligence artificielle encore balbutiante oscillant entre des algorithmes sp\u00e9cialis\u00e9s et des repr\u00e9sentations statiques, SOAR a propos\u00e9 une synth\u00e8se unificatrice. Sous la direction philosophique d’Allen Newell et gr\u00e2ce au g\u00e9nie algorithmique de John Laird, le projet a d\u00e9fini une machinerie computationnelle o\u00f9 la prise de d\u00e9cision, la r\u00e9solution de conflits, la cr\u00e9ation autonome de sous-buts et l’apprentissage par agr\u00e9gation de connaissances constituent un cycle dynamique indissociable. Cette approche holistique visait \u00e0 abolir la fronti\u00e8re artificielle s\u00e9parant les th\u00e9ories de la m\u00e9moire, les m\u00e9canismes d’inf\u00e9rence et les lois empiriques de l’apprentissage moteur et conceptuel.<\/p>\n Plus de quatre d\u00e9cennies apr\u00e8s son \u00e9mergence, l’architecture SOAR demeure un monument th\u00e9orique et un banc d’essai technologique majeur au sein des sciences cognitives contemporaines. Ayant franchi les \u00e9tapes successives de ses premi\u00e8res impl\u00e9mentations symboliques pures jusqu’aux versions r\u00e9centes int\u00e9grant l’apprentissage par renforcement, les m\u00e9moires \u00e9pisodiques et s\u00e9mantiques, ainsi que des repr\u00e9sentations spatio-visuelles, SOAR offre un recul historique et critique unique. Analyser l’architecture SOAR, c’est diss\u00e9quer les fondements m\u00eames du computationnalisme classique, questionner les promesses et les limites de la rationalit\u00e9 symbolique face \u00e0 la mont\u00e9e des mod\u00e8les connexionnistes et connexionnistes profonds, et \u00e9valuer la viabilit\u00e9 d’une th\u00e9orie g\u00e9n\u00e9rale capable d’abriter, sous une m\u00eame vo\u00fbte formelle, l’int\u00e9gralit\u00e9 des facult\u00e9s qui d\u00e9finissent un agent pensant autonome.<\/p>\n L’\u00e9mergence de l’architecture SOAR s’inscrit au c\u0153ur d’une mutation paradigmatique profonde qui a boulevers\u00e9 les sciences de l’esprit au cours des d\u00e9cennies 1950 \u00e0 1970 : la r\u00e9volution cognitive. Rejetant les dogmes r\u00e9ducteurs du b\u00e9haviorisme qui rel\u00e9guaient les \u00e9tats mentaux internes au statut de bo\u00eete noire imp\u00e9n\u00e9trable, les chercheurs ont entrepris de concevoir l’esprit comme un syst\u00e8me sophistiqu\u00e9 de traitement de l’information. Sous l’impulsion de pionniers comme Herbert Simon<\/a> et Allen Newell \u00e0 l’Universit\u00e9 Carnegie Mellon (CMU), une analogie formelle et rigoureuse s’est \u00e9tablie entre le fonctionnement des programmes informatiques naissants et les flux de d\u00e9lib\u00e9ration cognitive humaine. Cette p\u00e9riode fondatrice a vu la naissance de l’intelligence artificielle symbolique, non pas comme une simple branche des math\u00e9matiques appliqu\u00e9es, mais comme une science empirique explorant la nature m\u00eame de la rationalit\u00e9.<\/p>\n Les jalons pr\u00e9curseurs de cette aventure intellectuelle ont \u00e9t\u00e9 pos\u00e9s avec des syst\u00e8mes embl\u00e9matiques tels que le Logic Theorist<\/em> en 1956, capable de d\u00e9montrer automatiquement des th\u00e9or\u00e8mes des Principia Mathematica<\/em> de Russell et Whitehead, suivi du General Problem Solver<\/em> (GPS) \u00e0 la fin des ann\u00e9es 1950. Le GPS introduisait un principe r\u00e9volutionnaire : l’analyse fins-moyens (means-ends analysis<\/em>), consistant \u00e0 mesurer syst\u00e9matiquement l’\u00e9cart entre un \u00e9tat courant et un \u00e9tat cible, puis \u00e0 s\u00e9lectionner des op\u00e9rateurs cognitifs capables de r\u00e9duire cet intervalle. Toutefois, ces premiers succ\u00e8s ont rapidement r\u00e9v\u00e9l\u00e9 leurs limites intrins\u00e8ques. Si le GPS d\u00e9montrait l’\u00e9l\u00e9gance de la d\u00e9lib\u00e9ration heuristique g\u00e9n\u00e9rale, il souffrait d’une incapacit\u00e9 criante \u00e0 g\u00e9rer des domaines de connaissances vastes et h\u00e9t\u00e9rog\u00e8nes, ainsi que de l’absence totale de m\u00e9canismes d’apprentissage int\u00e9gr\u00e9s capables d’adapter dynamiquement ses strat\u00e9gies face \u00e0 la nouveaut\u00e9 empirique.<\/p>\n Au fil des ann\u00e9es 1970, l’intelligence artificielle s’est alors fractionn\u00e9e vers les syst\u00e8mes experts d’une part, hyper-sp\u00e9cialis\u00e9s mais d\u00e9pourvus de flexibilit\u00e9 g\u00e9n\u00e9rale, et la psychologie exp\u00e9rimentale d’autre part, encline \u00e0 diss\u00e9quer des ph\u00e9nom\u00e8nes comportementaux microscopiques dans des cadres de laboratoire hypersp\u00e9cifiques. Pour Allen Newell, cette scission repr\u00e9sentait une d\u00e9rive r\u00e9ductrice mettant en p\u00e9ril l’ambition originelle de la r\u00e9volution cognitive. Il devenait imp\u00e9ratif d’op\u00e9rer une transition audacieuse : passer de programmes d’intelligence artificielle symbolique fragmentaires \u00e0 la formalisation d’une th\u00e9orie g\u00e9n\u00e9rale et unifi\u00e9e de l’esprit. C’est dans ce terreau fertile et exigeant de Carnegie Mellon, o\u00f9 la rigueur algorithmique c\u00f4toyait la mod\u00e9lisation psychologique, que les graines de l’architecture SOAR ont \u00e9t\u00e9 sem\u00e9es.<\/p>\n La mat\u00e9rialisation formelle de l’architecture SOAR est indissociable de la rencontre acad\u00e9mique entre Allen Newell, figure tut\u00e9laire des sciences cognitives, et John Laird, alors jeune chercheur au doctorat au sein du d\u00e9partement d’informatique de Carnegie Mellon au d\u00e9but des ann\u00e9es 1980. Partageant une fascination commune pour les m\u00e9canismes sous-jacents \u00e0 la r\u00e9solution humaine de probl\u00e8mes et la flexibilit\u00e9 comportementale, les deux scientifiques ont uni leurs perspectives m\u00e9thodologiques compl\u00e9mentaires. Newell apportait une vision \u00e9pist\u00e9mologique monumentale, forg\u00e9e par des d\u00e9cennies d’\u00e9tudes sur l’espace des probl\u00e8mes, le comportement verbal et les syst\u00e8mes de production. Laird, quant \u00e0 lui, poss\u00e9dait un g\u00e9nie pragmatique et algorithmique exceptionnel, capable de transformer des abstractions philosophiques et cognitives en m\u00e9canismes logiciels computationnellement efficients et robustes.<\/p>\n Le c\u0153ur n\u00e9vralgique de cette collaboration s’est cristallis\u00e9 dans les travaux de th\u00e8se doctorale de John Laird, soutenue en 1983. Ses recherches se sont concentr\u00e9es sur la r\u00e9solution de ce que la communaut\u00e9 appelait alors le probl\u00e8me du contr\u00f4le : comment un syst\u00e8me d’intelligence artificielle peut-il d\u00e9terminer, sans recourir \u00e0 des proc\u00e9dures pr\u00e9d\u00e9finies ou rigides, l’action cognitive ad\u00e9quate \u00e0 accomplir lorsqu’il se trouve confront\u00e9 \u00e0 l’ambigu\u00eft\u00e9, \u00e0 l’ind\u00e9cision ou au manque d’informations ? Laird a con\u00e7u un moteur d’inf\u00e9rence r\u00e9volutionnaire bas\u00e9 sur la d\u00e9tection automatique des \u00ab\u00a0impasses\u00a0\u00bb d\u00e9cisionnelles, conf\u00e9rant ainsi \u00e0 l’architecture une capacit\u00e9 d’introspection architecturale autonome in\u00e9dite jusqu’alors dans les syst\u00e8mes informatiques.<\/p>\n Cette dynamique scientifique fondatrice a \u00e9t\u00e9 consid\u00e9rablement enrichie par l’int\u00e9gration de Paul Rosenbloom, alors doctorant \u00e0 l’Universit\u00e9 de Carnegie Mellon puis chercheur \u00e0 Stanford, dont les travaux portaient sur la mod\u00e9lisation de l’apprentissage humain et l’analyse de la fameuse loi de puissance de la pratique. L’association de Newell, Laird et Rosenbloom a permis de fusionner trois axes fondamentaux en un syst\u00e8me int\u00e9gr\u00e9 : la formalisation universelle des espaces de probl\u00e8mes (h\u00e9rit\u00e9e de Newell), le moteur de contr\u00f4le non contraignant fond\u00e9 sur les impasses (d\u00e9velopp\u00e9 par Laird), et le m\u00e9canisme universel de cr\u00e9ation de sous-buts associ\u00e9 \u00e0 l’apprentissage par agr\u00e9gation symbolique ou chunking<\/em> (pilot\u00e9 conjointement par Rosenbloom et Laird). Ce trio de chercheurs a jet\u00e9 les bases in\u00e9branlables de l’\u00e9cosyst\u00e8me SOAR, entamant un programme de recherche \u00e9tendu sur plusieurs d\u00e9cennies.<\/p>\n \u00c0 son origine, l’acronyme SOAR condensait de fa\u00e7on programmatique les composants fondamentaux du formalisme des espaces de probl\u00e8mes \u00e9labor\u00e9 par Allen Newell : State, Operator And Result<\/em> (\u00c9tat, Op\u00e9rateur et R\u00e9sultat). Cette d\u00e9nomination r\u00e9sumait l’hypoth\u00e8se cognitive centrale selon laquelle toute activit\u00e9 t\u00e9l\u00e9ologique \u2014 qu’il s’agisse de jouer aux \u00e9checs, de diagnostiquer une panne m\u00e9canique ou de comprendre un \u00e9nonc\u00e9 linguistique \u2014 proc\u00e8de par transitions discr\u00e8tes au sein d’un espace d’\u00e9tats, chaque transition \u00e9tant op\u00e9r\u00e9e par l’application s\u00e9lective d’un op\u00e9rateur modifiant l’\u00e9tat mental courant pour produire un r\u00e9sultat d\u00e9termin\u00e9 orient\u00e9 vers la satisfaction d’un objectif explicite. Avec l’\u00e9volution de la th\u00e9orie vers une structure plus globale, SOAR a cess\u00e9 d’\u00eatre consid\u00e9r\u00e9 comme un simple acronyme technique pour devenir un nom propre d\u00e9signant le syst\u00e8me cognitif dans sa globalit\u00e9.<\/p>\n L’ambition \u00e9pist\u00e9mologique de SOAR d\u00e9passe de tr\u00e8s loin la conception d’un simple algorithme de recherche op\u00e9rationnelle ou d’un moteur de syst\u00e8me expert d’entreprise. Son but proclam\u00e9 est la r\u00e9alisation d’une architecture cognitive g\u00e9n\u00e9rale et computationnellement compl\u00e8te. Par \u00ab\u00a0architecture\u00a0\u00bb, Newell et Laird entendent l’infrastructure invariante, fix\u00e9e et stable, tant mat\u00e9rielle que fonctionnelle, qui prend en charge et ex\u00e9cute les programmes de connaissances changeants acquis au fil de l’exp\u00e9rience d’un individu. Cette architecture doit \u00eatre universelle, c’est-\u00e0-dire capable d’aborder n’importe quelle classe de t\u00e2ches sans n\u00e9cessiter d’ajouts ad hoc ou de r\u00e9\u00e9critures fondamentales de son moteur d\u00e9cisionnel de bas niveau.<\/p>\n De ce point de vue, SOAR revendique un positionnement \u00e9pist\u00e9mologique d’une rare exigence, situ\u00e9 pr\u00e9cis\u00e9ment \u00e0 l’intersection nodale de la psychologie cognitive exp\u00e9rimentale et de l’intelligence artificielle avanc\u00e9e. D’un c\u00f4t\u00e9, elle impose \u00e0 la psychologie des contraintes de compl\u00e9tude computationnelle : toute explication mentale propos\u00e9e par la th\u00e9orie doit pouvoir \u00eatre enti\u00e8rement instanci\u00e9e dans un code fonctionnel autonome, interdisant le recours \u00e0 des facult\u00e9s magiques ou non sp\u00e9cifi\u00e9es. D’un autre c\u00f4t\u00e9, elle impose \u00e0 l’intelligence artificielle des contraintes psychologiques strictes : les m\u00e9canismes d\u00e9cisionnels, les temps de latence et les dynamiques d’apprentissage de l’agent artificiel doivent id\u00e9alement r\u00e9pliquer les lois empiriques, les limites attentionnelles et les sch\u00e9mas d’erreur observ\u00e9s exp\u00e9rimentalement chez l’\u00eatre humain. SOAR se veut ainsi la d\u00e9monstration vivante qu’une architecture computationnelle rigoureuse peut incarner la th\u00e9orie de l’esprit rationnel.<\/p>\n L’acte de fondation th\u00e9orique supr\u00eame de SOAR se trouve magistralement expos\u00e9 dans l’ouvrage s\u00e9minal d’Allen Newell, Unified Theories of Cognition<\/em>, issu des prestigieuses conf\u00e9rences William James donn\u00e9es \u00e0 l’Universit\u00e9 Harvard en 1987 et publi\u00e9 en 1990. Cet ouvrage constitue un plaidoyer passionn\u00e9 et m\u00e9thodologique contre ce que Newell nommait avec d\u00e9pit le syndrome des \u00ab\u00a0vingt questions\u00a0\u00bb de la psychologie contemporaine. Dans un article c\u00e9l\u00e8bre de 1973 intitul\u00e9 \u00ab\u00a0You can’t play 20 questions with nature and win\u00a0\u00bb<\/em>, Newell fustigeait d\u00e9j\u00e0 l’\u00e9parpillement de la recherche psychologique en une multitude de dichotomies st\u00e9riles (nature contre culture, traitement parall\u00e8le contre s\u00e9quentiel, analogique contre propositionnel) \u00e9tudi\u00e9es de mani\u00e8re isol\u00e9e au sein de micro-mod\u00e8les ferm\u00e9s.<\/p>\n Pour Newell, la psychologie scientifique ne pouvait progresser vers une v\u00e9ritable maturit\u00e9 sans \u00e9laborer de grandes th\u00e9ories unifi\u00e9es capables de rendre compte simultan\u00e9ment de la perception, de la m\u00e9moire \u00e0 court terme, de l’apprentissage associatif, de l’organisation des connaissances s\u00e9mantiques, du langage et du raisonnement d\u00e9ductif. Une th\u00e9orie unifi\u00e9e ne se contente pas de regrouper des modules ind\u00e9pendants sous une banni\u00e8re commode ; elle postule l’existence d’une machinerie sous-jacente commune r\u00e9gie par des principes invariants. Newell soutient que l’esprit humain n’utilise pas un moteur d’inf\u00e9rence diff\u00e9rent pour calculer le mouvement d’un objet per\u00e7u et pour r\u00e9soudre un puzzle cryptarithm\u00e9tique : ce sont les m\u00eames m\u00e9canismes fondamentaux qui op\u00e8rent sur des repr\u00e9sentations de granularit\u00e9s temporelles et s\u00e9mantiques distinctes.<\/p>\n Le manifeste newellien \u00e9tablit ainsi une exigence m\u00e9thodologique draconienne : celle de l’int\u00e9gration continue. Une architecture cognitive int\u00e9gr\u00e9e doit satisfaire simultan\u00e9ment \u00e0 des contraintes multiples et parfois divergentes : \u00eatre capable de r\u00e9agir en temps r\u00e9el aux perturbations impr\u00e9visibles de l’environnement physique tout en maintenant des conduites t\u00e9l\u00e9ologiques \u00e0 long terme sur des journ\u00e9es enti\u00e8res ; \u00eatre flexible face aux situations in\u00e9dites tout en exploitant de vastes bases de connaissances automatis\u00e9es ; apprendre continuellement de ses erreurs sans saturer ses ressources de calcul. SOAR est le fruit direct de ce projet encyclop\u00e9dique, incarnant dans son code chaque axiome de la vision int\u00e9grative de Newell.<\/p>\n L’\u00e9difice conceptuel de SOAR est ancr\u00e9 dans l’un des \u00e9nonc\u00e9s les plus c\u00e9l\u00e8bres de l’informatique th\u00e9orique et de la philosophie de l’esprit : l’Hypoth\u00e8se du syst\u00e8me de symboles physiques<\/em> (PSSH), formul\u00e9e par Allen Newell et Herbert Simon lors de leur conf\u00e9rence de remise du Prix Turing<\/a> en 1976. Cet axiome fondamental stipule sans ambages qu’\u00ab un syst\u00e8me de symboles physiques poss\u00e8de les moyens n\u00e9cessaires et suffisants pour l’action intelligente g\u00e9n\u00e9rale \u00bb. Cette proposition philosophique comporte une double port\u00e9e dont les implications th\u00e9oriques sont monumentales pour la conception de l’esprit computationnel.<\/p>\n En affirmant la condition de n\u00e9cessit\u00e9, Newell et Simon soutiennent qu’aucun syst\u00e8me existant dans l’univers \u2014 qu’il soit biologique, m\u00e9canique ou computationnel \u2014 ne peut faire preuve d’intelligence v\u00e9ritable sans impl\u00e9menter, sous une forme ou sous une autre, les m\u00e9canismes constitutifs d’un syst\u00e8me de symboles physiques. R\u00e9ciproquement, en d\u00e9clarant cette condition suffisante, ils affirment que n’importe quelle entit\u00e9 physique convenablement organis\u00e9e pour instancier des symboles, les manipuler par des r\u00e8gles logiques, les concat\u00e9ner et \u00e9valuer leurs relations, a la capacit\u00e9 intrins\u00e8que d’engendrer un comportement intelligent \u00e9quivalent \u00e0 celui manifest\u00e9 par les organismes humains les plus rationnels.<\/p>\n Dans ce cadre analytique, un symbole n’est pas une simple cha\u00eene de caract\u00e8res abstraite d\u00e9nu\u00e9e de prise avec le r\u00e9el ; c’est un motif physique (un arrangement mat\u00e9riel de transistors, d’atomes ou de potentiels synaptiques) capable de \u00ab\u00a0d\u00e9signer\u00a0\u00bb une autre entit\u00e9 du monde ou un autre concept mental interne, et d’\u00eatre \u00ab\u00a0interpr\u00e9t\u00e9\u00a0\u00bb par l’architecture pour guider l’action s\u00e9lective. La manipulation symbolique au sein de SOAR consiste en des op\u00e9rations d\u00e9terministes d’acc\u00e8s, de cr\u00e9ation, de modification et d’effacement de ces motifs symboliques organis\u00e9s en graphes. C’est pr\u00e9cis\u00e9ment cette manipulation combinatoire des symboles qui, selon Newell, constitue le substrat universel de toute pens\u00e9e rationnelle, lib\u00e9rant la mod\u00e9lisation cognitive des contingences mat\u00e9rielles particuli\u00e8res de la biochimie c\u00e9r\u00e9brale.<\/p>\n L’un des apports th\u00e9oriques les plus novateurs et rigoureux d’Allen Newell r\u00e9side dans sa conceptualisation de l’esprit comme un syst\u00e8me organis\u00e9 en bandes temporelles hi\u00e9rarchiques. Dans Unified Theories of Cognition<\/em>, Newell d\u00e9compose l’activit\u00e9 humaine en quatre grandes strates temporelles embo\u00eet\u00e9es, chacune caract\u00e9ris\u00e9e par un ordre de grandeur temporel sp\u00e9cifique, des dynamiques internes distinctes et un niveau de description scientifique appropri\u00e9 : la bande biologique, la bande cognitive, la bande rationnelle et la bande sociale.<\/p>\n La bande biologique s’\u00e9tend d’environ 100 microsecondes \u00e0 10 millisecondes. C’est le domaine des ph\u00e9nom\u00e8nes neurochimiques sous-jacents : d\u00e9polarisation membranaire, transmission synaptique, potentiels d’action \u00e9l\u00e9mentaires des neurones. L’architecture cognitive SOAR ne mod\u00e9lise pas cette bande au niveau d’un r\u00e9seau biophysique continu, mais elle en subit les contraintes mat\u00e9rielles directes. Ces processus neuronaux imposent en effet une vitesse maximale de commutation qui borne inf\u00e9rieurement les op\u00e9rations mentales de base.<\/p>\n La bande cognitive, c\u0153ur n\u00e9vralgique de SOAR, s’\u00e9chelonne typiquement de 10 millisecondes \u00e0 10 secondes. C’est \u00e0 ce niveau pr\u00e9cis qu’op\u00e8re l’architecture proprement dite. Le cycle fondamental de prise de d\u00e9cision \u00e9l\u00e9mentaire de SOAR dure environ 100 millisecondes (une tranche temporelle de 10 \u00e0 100 ms d\u00e9di\u00e9e \u00e0 l’\u00e9laboration et la s\u00e9lection d’un op\u00e9rateur). Ce choix de calibrage n’est pas arbitraire : il correspond avec une pr\u00e9cision remarquable aux donn\u00e9es issues de d\u00e9cennies de psychologie chronom\u00e9trique exp\u00e9rimentale, notamment aux temps de r\u00e9action simples observ\u00e9s dans les t\u00e2ches de d\u00e9tection, aux temps d’inhibition dans l’effet Stroop ou aux balayages m\u00e9moriels dans les protocoles de Sternberg.<\/p>\n Au-del\u00e0 s’\u00e9tendent la bande rationnelle (de quelques minutes \u00e0 plusieurs heures) et la bande sociale (de plusieurs jours \u00e0 des ann\u00e9es). Dans la bande rationnelle, l’agent poursuit des buts stables, accumule des plans d’action et r\u00e9sout des probl\u00e8mes selon le principe de rationalit\u00e9 d’Allen Newell : un agent choisira l’action que ses connaissances lui indiquent comme la plus apte \u00e0 atteindre ses buts. Dans la bande sociale, les dynamiques \u00e9mergent de l’interaction coordonn\u00e9e de multiples agents autonomes sur des p\u00e9riodes \u00e9tendues. En ancrant r\u00e9solument le moteur interne de SOAR au sommet de la bande cognitive, Newell et Laird ont garanti que les comportements observables dans les bandes rationnelle et sociale d\u00e9couleraient organiquement de cycles d’ex\u00e9cution \u00e9l\u00e9mentaires universellement contraints par les limites temporelles de l’architecture cognitive sous-jacente.<\/p>\n L’architecture cognitive SOAR adopte un principe d’organisation fondamental h\u00e9rit\u00e9 des travaux pionniers sur la recherche heuristique : l’Hypoth\u00e8se de l’Espace de Probl\u00e8mes (Problem Space Hypothesis<\/em>). Selon ce postulat central th\u00e9oris\u00e9 par Allen Newell, toute activit\u00e9 cognitive t\u00e9l\u00e9ologique, sans exception, s’exprime et se r\u00e9sout computationnellement par le d\u00e9placement d’un \u00e9tat mental \u00e0 un autre au sein d’un espace de recherche d\u00e9fini de mani\u00e8re formelle. L’espace de probl\u00e8mes n’est pas un artifice m\u00e9thodologique r\u00e9serv\u00e9 aux casse-t\u00eates acad\u00e9miques ; il repr\u00e9sente le cadre \u00e9pist\u00e9mologique absolu au moyen duquel l’esprit humain conceptualise le monde ext\u00e9rieur et ses propres \u00e9tats internes.<\/p>\n Un espace de probl\u00e8mes au sein de SOAR est rigoureusement structur\u00e9 autour de trois composantes canoniques : un \u00e9tat initial (la description symbolique de la situation actuelle de l’agent), un ensemble d’op\u00e9rateurs admissibles (les actions cognitives ou motrices capables de transformer un \u00e9tat symbolique en un nouvel \u00e9tat symbolique), et un \u00e9tat final ou \u00e9tat-but caract\u00e9ris\u00e9 par un ensemble de pr\u00e9dicats et de conditions que l’agent cherche \u00e0 satisfaire. La cognition consiste d\u00e8s lors en une exploration guid\u00e9e, heuristique et computationnelle, de cet espace d’\u00e9tats, navigant \u00e0 travers un r\u00e9seau arborescent de configurations potentielles.<\/p>\n L’universalit\u00e9 de ce paradigme r\u00e9side dans le fait que dans SOAR, un agent ne r\u00e9sout pas seulement un probl\u00e8me ext\u00e9rieur lorsqu’il est immerg\u00e9 dans un espace de probl\u00e8mes : chaque micro-d\u00e9cision, chaque acte de rem\u00e9moration, chaque ajustement attentionnel constitue la navigation dans un espace de probl\u00e8mes microscopique sp\u00e9cifique. Si la t\u00e2che consiste \u00e0 planifier un itin\u00e9raire routier, l’espace d’\u00e9tats est g\u00e9ographique ; si la t\u00e2che est de comprendre une phrase, l’espace d’\u00e9tats est linguistique et syntaxique ; si l’agent rencontre une h\u00e9sitation interne sur le choix d’un outil conceptuel, il bascule dynamiquement dans un nouvel espace de probl\u00e8mes m\u00e9ta-cognitif d\u00e9di\u00e9 au choix de l’op\u00e9rateur. L’espace de probl\u00e8mes est le patron architectural universel impos\u00e9 par SOAR pour conf\u00e9rer une coh\u00e9rence s\u00e9miotique totale \u00e0 l’ensemble des activit\u00e9s c\u00e9r\u00e9brales.<\/p>\n Pour instancier la dynamique de ces espaces de probl\u00e8mes, SOAR utilise un syst\u00e8me de r\u00e8gles de production, d\u00e9riv\u00e9 conceptuellement des travaux de Post et magnifi\u00e9 par les langages de la famille OPS (comme OPS5 d\u00e9velopp\u00e9 par Charles Forgy \u00e0 CMU). Contrairement aux langages de programmation imp\u00e9ratifs traditionnels qui reposent sur un fil d’ex\u00e9cution s\u00e9quentiel rigide gouvern\u00e9 par des boucles conditionnelles explicites, SOAR organise l’int\u00e9gralit\u00e9 de sa m\u00e9moire proc\u00e9durale sous la forme d’un ensemble de r\u00e8gles de production d\u00e9claratives et autonomes, structur\u00e9es sous le formalisme strict : SI [conditions d’activation] ALORS [actions symboliques]<\/em>.<\/p>\n Une caract\u00e9ristique architecturale d\u00e9cisive de SOAR r\u00e9side dans l’absence totale de programme de contr\u00f4le proc\u00e9dural centralis\u00e9. Il n’existe aucun interpr\u00e9teur ex\u00e9cutant une liste ordonn\u00e9e d’instructions pr\u00e9vues par un programmeur humain. Au contraire, le comportement global de l’architecture \u00e9merge de mani\u00e8re enti\u00e8rement opportuniste et bottom-up : toute r\u00e8gle de production dont les conditions logiques figurant dans sa partie gauche (Left-Hand Side<\/em> ou LHS) sont simultan\u00e9ment satisfaites par la configuration pr\u00e9sente de l’esprit est activ\u00e9e et s’ex\u00e9cute imm\u00e9diatement. Si cinquante r\u00e8gles voient leurs conditions satisfaites en m\u00eame temps, elles tirent simultan\u00e9ment, sans qu’un arbitrage s\u00e9quentiel artificiel ne vienne ralentir cette pouss\u00e9e inf\u00e9rentielle.<\/p>\n Cette ex\u00e9cution parall\u00e8le massive du moteur de production conf\u00e8re \u00e0 SOAR une r\u00e9activit\u00e9 cognitive exceptionnelle face aux stimuli externes et aux restructurations internes des donn\u00e9es. Les r\u00e8gles de production dans SOAR ne repr\u00e9sentent pas des actions irr\u00e9versibles dans le monde physique, mais des op\u00e9rateurs microscopiques d’inf\u00e9rence, de suggestion et de critique. Elles ont pour r\u00f4le d’extraire des cons\u00e9quences logiques, de proposer des op\u00e9rateurs pour l’espace de probl\u00e8mes courant ou d’exprimer des pr\u00e9f\u00e9rences relatives sur les options disponibles, pr\u00e9parant ainsi de mani\u00e8re transparente le terrain pour le cycle de d\u00e9cision s\u00e9quentiel de l’architecture.<\/p>\n L’ar\u00e8ne dynamique au sein de laquelle op\u00e8rent les r\u00e8gles de production et o\u00f9 se refl\u00e8te l’\u00e9tat mental instantan\u00e9 de l’agent est la m\u00e9moire de travail (Working Memory<\/em> ou WM). Dans SOAR, la m\u00e9moire de travail est con\u00e7ue de fa\u00e7on hautement formelle comme un vaste graphe relationnel \u00e9tiquet\u00e9, compos\u00e9 d’\u00e9l\u00e9ments fondamentaux appel\u00e9s WMEs (Working Memory Elements<\/em>). Chaque WME est une unit\u00e9 informationnelle d\u00e9clarative irr\u00e9ductible prenant la forme canonique d’un triplet : Cette structure en graphe orient\u00e9 conf\u00e8re \u00e0 la m\u00e9moire de travail de SOAR une expressivit\u00e9 s\u00e9miotique illimit\u00e9e, permettant de repr\u00e9senter des hi\u00e9rarchies conceptuelles arbitrairement profondes, des relations spatiales et causales complexes, ainsi que des topologies contextuelles intriqu\u00e9es. La m\u00e9moire de travail h\u00e9berge l’ensemble des flux sensoriels perceptifs bruts en provenance des capteurs, l’\u00e9tat d’avancement des buts et sous-buts courants de l’agent, ainsi que les descriptions d\u00e9taill\u00e9es des op\u00e9rateurs en cours d’\u00e9valuation. Elle fonctionne comme le th\u00e9\u00e2tre d’op\u00e9rations \u00e9ph\u00e9m\u00e8re de la pens\u00e9e, o\u00f9 la configuration des symboles \u00e9volue au gr\u00e9 des cycles inf\u00e9rentiels.<\/p>\n La gestion de la m\u00e9moire de travail est soumise \u00e0 des lois strictes de maintien de coh\u00e9rence et de persistance dynamique. SOAR distingue formellement les WMEs dits d’\u00e9laboration contextuelle (cr\u00e9\u00e9s par des r\u00e8gles d’inf\u00e9rence d\u00e9ductive) des WMEs d’op\u00e9rateurs (instanci\u00e9s par l’application d’actions d\u00e9lib\u00e9r\u00e9es). Les structures de donn\u00e9es contextuelles g\u00e9n\u00e9r\u00e9es par les inf\u00e9rences automatiques demeurent dans la m\u00e9moire de travail aussi longtemps que les conditions logiques qui ont caus\u00e9 leur apparition restent rigoureusement vraies. D\u00e8s qu’un changement d’\u00e9tat invalide l’une des pr\u00e9misses ayant provoqu\u00e9 l’activation d’une r\u00e8gle, l’architecture SOAR, gr\u00e2ce \u00e0 un m\u00e9canisme automatique de maintenance de v\u00e9rit\u00e9 (Truth Maintenance System<\/em> – TMS), expurge instantan\u00e9ment les WMEs devenus caducs, pr\u00e9servant le graphe mental contre les incoh\u00e9rences \u00e9pist\u00e9miques.<\/p>\n L’\u00e9conomie m\u00e9morielle de l’architecture SOAR articule de fa\u00e7on rigoureuse les structures \u00e0 court terme, repr\u00e9sent\u00e9es par le graphe transitoire de la m\u00e9moire de travail, avec des r\u00e9servoirs massifs de connaissances permanentes \u00e0 long terme. Dans la conception classique de SOAR th\u00e9oris\u00e9e par Newell et Laird, la m\u00e9moire proc\u00e9durale constitue le c\u0153ur d’action exclusif de l’esprit. C’est en elle que r\u00e9side l’int\u00e9gralit\u00e9 du savoir-faire op\u00e9rationnel de l’agent : comment interpr\u00e9ter une sc\u00e8ne perceptive, comment g\u00e9n\u00e9rer des hypoth\u00e8ses explicatives, comment d\u00e9composer une t\u00e2che complexe en sous-objectifs \u00e9l\u00e9mentaires, et comment actionner les effecteurs dans l’environnement.<\/p>\n La m\u00e9moire proc\u00e9durale stocke l’ensemble p\u00e9renne des r\u00e8gles de production. Face \u00e0 des bases de connaissances pouvant compter des dizaines ou des centaines de milliers de r\u00e8gles hautement intriqu\u00e9es, l’un des d\u00e9fis computationnels majeurs r\u00e9side dans l’efficacit\u00e9 du filtrage de motifs (pattern matching<\/em>). SOAR a r\u00e9solu cette contrainte critique en int\u00e9grant une impl\u00e9mentation optimis\u00e9e de l’algorithme Rete<\/a>, con\u00e7u par Charles Forgy. Rete compile l’ensemble des conditions logiques de toutes les r\u00e8gles en un r\u00e9seau de tri acyclique partag\u00e9 (compos\u00e9 de m\u00e9moires alpha pour les tests de pr\u00e9dicats unaires et de m\u00e9moires b\u00eata pour les jointures relationnelles entre variables distinctes). Ainsi, l’ajout ou la suppression d’un WME dans la m\u00e9moire de travail ne d\u00e9clenche pas un r\u00e9examen exhaustif de toutes les r\u00e8gles existantes, mais propage de fa\u00e7on incr\u00e9mentale une onde de modifications l\u00e9g\u00e8res \u00e0 travers le r\u00e9seau Rete, garantissant des temps de cycle stables ind\u00e9pendamment de la taille colossale de la base de r\u00e8gles.<\/p>\n Sur le plan \u00e9pist\u00e9mologique et psychologique, la m\u00e9moire proc\u00e9durale de SOAR jouit d’une immunit\u00e9 th\u00e9orique fondamentale : elle est enti\u00e8rement imp\u00e9n\u00e9trable \u00e0 l’alt\u00e9ration volontaire directe. Un agent SOAR ne peut pas inspecter directement ses propres r\u00e8gles de production comme s’il s’agissait de donn\u00e9es textuelles d\u00e9lib\u00e9r\u00e9es ; il ne peut pas modifier arbitrairement le code d’une r\u00e8gle proc\u00e9durale par une d\u00e9cision de surface. Les r\u00e8gles s’ex\u00e9cutent de fa\u00e7on obligatoire, subconsciente et encapsul\u00e9e, guidant l’infrastructure de la pens\u00e9e sans \u00eatre elles-m\u00eames le produit d’un raisonnement d\u00e9claratif discursif au moment de leur instanciation op\u00e9rationnelle.<\/p>\n Bien que la vision initiale de Newell privil\u00e9giait une m\u00e9moire \u00e0 long terme strictement proc\u00e9durale dans laquelle tous les faits \u00e9taient implicitement cod\u00e9s sous forme de r\u00e8gles de production sp\u00e9cialis\u00e9es, les d\u00e9veloppements ult\u00e9rieurs men\u00e9s par John Laird et son laboratoire \u00e0 l’Universit\u00e9 du Michigan ont d\u00e9montr\u00e9 l’imp\u00e9rative n\u00e9cessit\u00e9 d’int\u00e9grer une m\u00e9moire s\u00e9mantique explicite. Dans les versions modernes comme SOAR 9, la m\u00e9moire s\u00e9mantique formalise le r\u00e9servoir permanent de connaissances d\u00e9claratives d\u00e9contextualis\u00e9es, encyclop\u00e9diques et conceptuelles de l’agent, ind\u00e9pendantes des \u00e9pisodes temporels au cours desquels ces faits ont \u00e9t\u00e9 initialement encod\u00e9s.<\/p>\n Contrairement aux r\u00e8gles d’action de la m\u00e9moire proc\u00e9durale, les entit\u00e9s de la m\u00e9moire s\u00e9mantique sont des topologies d\u00e9claratives passives, organis\u00e9es sous la forme d’un immense r\u00e9seau ontologique de n\u0153uds et d’arcs relationnels. Ces connaissances ne peuvent pas alt\u00e9rer directement la m\u00e9moire de travail par elles-m\u00eames ; elles doivent \u00eatre interrog\u00e9es d\u00e9lib\u00e9r\u00e9ment par l’agent. Lorsqu’un op\u00e9rateur n\u00e9cessite la r\u00e9cup\u00e9ration d’un fait (par exemple, conna\u00eetre la capitale d’un pays ou les propri\u00e9t\u00e9s physiques d’un mat\u00e9riau), il d\u00e9pose un motif de recherche (un cue<\/em>) dans un champ de commande d\u00e9di\u00e9 de la m\u00e9moire de travail.<\/p>\n Le m\u00e9canisme de s\u00e9lection et d’extraction de la m\u00e9moire s\u00e9mantique s’inspire directement des meilleures th\u00e9ories de la psychologie cognitive de la m\u00e9moire. Il combine un filtrage structurel exact avec des m\u00e9canismes quantitatifs d’activation de base (base-level activation<\/em>), mod\u00e9lisant la loi de la pratique et de la r\u00e9cence de Richard Shiffrin et John Anderson. Les concepts fr\u00e9quemment et r\u00e9cemment \u00e9voqu\u00e9s voient leur force d’activation s’accro\u00eetre, tandis que les faits dormants n\u00e9cessitent un indice contextuel plus riche pour franchir le seuil d’extraction et \u00eatre mat\u00e9rialis\u00e9s dans la m\u00e9moire de travail. Cette dualit\u00e9 proc\u00e9durale-s\u00e9mantique conf\u00e8re \u00e0 SOAR une flexibilit\u00e9 cognitive exceptionnelle, distinguant la ma\u00eetrise motrice du savoir th\u00e9orique.<\/p>\n L’architecture moderne de SOAR franchit une \u00e9tape suppl\u00e9mentaire vers la fid\u00e9lit\u00e9 neuro-cognitive en incorporant un module d\u00e9di\u00e9 \u00e0 la m\u00e9moire \u00e9pisodique. D\u00e9finie par le psychologue Endel Tulving comme la capacit\u00e9 des organismes sup\u00e9rieurs \u00e0 voyager mentalement dans le temps pour se rem\u00e9morer des \u00e9v\u00e9nements v\u00e9cus dans leur singularit\u00e9 autobiographique et spatio-temporelle, la m\u00e9moire \u00e9pisodique r\u00e9pond \u00e0 un manque critique des syst\u00e8mes symboliques classiques : l’amn\u00e9sie historique du contexte d’apprentissage.<\/p>\n Dans SOAR, la m\u00e9moire \u00e9pisodique proc\u00e8de \u00e0 un enregistrement continu, chronologique et transparent d’instantan\u00e9s (snapshots<\/em>) de la m\u00e9moire de travail \u00e0 chaque transition d\u00e9cisionnelle critique. Chaque enregistrement capture l’\u00e9tat exact des perceptions de l’agent, les op\u00e9rateurs s\u00e9lectionn\u00e9s, les buts actifs et les r\u00e9sultats imm\u00e9diats de l’action \u00e0 un instant temporel pr\u00e9cis $t$<\/span>. Cette capture massive d’informations structur\u00e9es s’effectue sans que l’agent n’ait besoin de programmer explicitement une routine de sauvegarde, r\u00e9pliquant ainsi le caract\u00e8re automatique de l’encodage \u00e9pisodique humain.<\/p>\n Le processus de rappel de cette m\u00e9moire temporelle repose sur un algorithme de correspondance floue et contextuelle. Lorsqu’un agent est confront\u00e9 \u00e0 une situation d’impasse in\u00e9dite ou \u00e0 une ambigu\u00eft\u00e9 d\u00e9cisionnelle, il peut formuler une requ\u00eate \u00e9pisodique contenant des fragments de sa m\u00e9moire de travail actuelle. Le sous-syst\u00e8me \u00e9pisodique identifie alors dans l’histoire autobiographique de l’agent le moment pass\u00e9 dont la topologie symbolique maximise le degr\u00e9 de similarit\u00e9 avec l’indice pr\u00e9sent\u00e9, r\u00e9injectant dans la m\u00e9moire de travail le contexte temporel complet de l’\u00e9v\u00e9nement retrouv\u00e9. Cette capacit\u00e9 ouvre la voie \u00e0 un raisonnement r\u00e9trospectif complexe, \u00e0 l’apprentissage \u00e0 partir d’un cas unique (one-shot case-based reasoning<\/em>) et \u00e0 la v\u00e9rification temporelle d’hypoth\u00e8ses causales sans n\u00e9cessiter une formulation pr\u00e9alable de r\u00e8gles abstraites complexes.<\/p>\n Le dynamisme interne de l’esprit mod\u00e9lis\u00e9 par SOAR bat au rythme d’une boucle ferm\u00e9e fondamentale : le cycle cognitif. Ce cycle, calibr\u00e9 pour s’ex\u00e9cuter en quelques dizaines de millisecondes, se d\u00e9compose en phases rigoureusement agenc\u00e9es, dont la premi\u00e8re et la plus calculatoirement intensive est la phase d’\u00e9laboration. Lors de cette phase, le syst\u00e8me se consacre \u00e0 l’expansion logique et d\u00e9ductive maximale de toutes les informations disponibles dans l’instant, sans engager d’action d\u00e9finitive ni modifier l’\u00e9tat contextuel global de la t\u00e2che en cours.<\/p>\n Au d\u00e9but de l’\u00e9laboration, de nouvelles informations perceptives peuvent \u00eatre inject\u00e9es dans la m\u00e9moire de travail depuis le monde ext\u00e9rieur. Imm\u00e9diatement, le r\u00e9seau de r\u00e8gles de production s’active de mani\u00e8re it\u00e9rative et massivement parall\u00e8le. Une premi\u00e8re vague de r\u00e8gles tire simultan\u00e9ment, d\u00e9rivant de nouveaux WMEs par pure inf\u00e9rence logique. L’apparition de ces nouveaux symboles dans le graphe de la m\u00e9moire de travail satisfait \u00e0 son tour les pr\u00e9misses d’autres r\u00e8gles jusqu’alors dormantes, d\u00e9clenchant une deuxi\u00e8me vague d’activations, et ainsi de suite. Cette cascade inf\u00e9rentielle se poursuit de fa\u00e7on strictement monotone : les r\u00e8gles d’\u00e9laboration ne peuvent que proposer des faits ou sugg\u00e9rer des candidats op\u00e9rateurs, sans effacer ni contredire de fa\u00e7on destructrice l’\u00e9tat en cours de structuration.<\/p>\n Ce processus r\u00e9cursif converge in\u00e9vitablement vers un \u00e9tat d’\u00e9quilibre informationnel absolu nomm\u00e9 la quiescence cognitive (quiescence<\/em>). La quiescence est atteinte au moment exact o\u00f9 plus aucune r\u00e8gle de production de la m\u00e9moire proc\u00e9durale ne voit ses conditions satisfaites par l’\u00e9tat enrichi de la m\u00e9moire de travail. Aucune inf\u00e9rence suppl\u00e9mentaire ne pouvant \u00eatre d\u00e9duite de la configuration pr\u00e9sente des connaissances, la phase d’\u00e9laboration s’ach\u00e8ve naturellement. Cet \u00e9tat de stabilit\u00e9 computationnelle garantit que toutes les cons\u00e9quences logiques imm\u00e9diates de la situation ont \u00e9t\u00e9 pleinement explicit\u00e9es avant que le syst\u00e8me ne bascule dans la s\u00e9lection d’une action.<\/p>\n Une fois la quiescence atteinte lors de l’\u00e9laboration, l’architecture SOAR entre dans sa phase de d\u00e9cision proprement dite. Cette \u00e9tape hautement s\u00e9quentielle a pour mission exclusive d’arbitrer entre toutes les options concurrentes g\u00e9n\u00e9r\u00e9es lors de la phase pr\u00e9c\u00e9dente et de s\u00e9lectionner un op\u00e9rateur unique qui prendra en charge la progression du syst\u00e8me dans l’espace de probl\u00e8mes courant. L’originalit\u00e9 absolue de SOAR r\u00e9side ici dans son refus de recourir \u00e0 des m\u00e9triques num\u00e9riques d’utilit\u00e9 arbitraires au profit d’une s\u00e9mantique symbolique qualitative et rigoureuse des pr\u00e9f\u00e9rences.<\/p>\n Durant l’\u00e9laboration, les r\u00e8gles de production ne d\u00e9cident pas de l’action finale : elles se contentent de d\u00e9poser dans la m\u00e9moire de travail des objets symboliques de pr\u00e9f\u00e9rences d\u00e9crivant la valeur relative ou absolue des diff\u00e9rents op\u00e9rateurs propos\u00e9s. SOAR dispose d’un vocabulaire formel standardis\u00e9 de pr\u00e9f\u00e9rences, comprenant :<\/p>\n Le moteur d\u00e9cisionnel fixe de SOAR proc\u00e8de alors \u00e0 l’\u00e9valuation de ce graphe de pr\u00e9f\u00e9rences au moyen d’un algorithme de d\u00e9cision non-monotone strict. Il \u00e9limine d’abord tous les op\u00e9rateurs rejet\u00e9s, v\u00e9rifie si une pr\u00e9f\u00e9rence de type Require<\/em> pr\u00e9vaut sans contradiction, puis applique les relations d’ordre partiel d\u00e9finies par les pr\u00e9dicats de sup\u00e9riorit\u00e9. Si cette d\u00e9lib\u00e9ration logique produit un op\u00e9rateur unique non ambigu qui domine indiscutablement tous les autres, celui-ci est officiellement s\u00e9lectionn\u00e9 et install\u00e9 dans le contexte mental comme l’op\u00e9rateur courant. En revanche, si la s\u00e9mantique des pr\u00e9f\u00e9rences aboutit \u00e0 une contradiction insoluble, \u00e0 un cercle logique ou \u00e0 une indistinction parfaite entre plusieurs choix, le processus d\u00e9cisionnel s’interrompt : l’architecture d\u00e9tecte alors l’\u00e9mergence d’une impasse (impasse<\/em>).<\/p>\n D\u00e8s lors qu’un op\u00e9rateur a \u00e9t\u00e9 victorieusement d\u00e9sign\u00e9 \u00e0 l’issue de la phase de d\u00e9cision, le cycle cognitif s’oriente vers la phase d’ex\u00e9cution et d’interaction avec le substrat incarn\u00e9 ou simul\u00e9 de l’agent. L’op\u00e9rateur s\u00e9lectionn\u00e9 devient le moteur direct de transformation de l’\u00e9tat mental : son installation active un sous-ensemble sp\u00e9cialis\u00e9 de r\u00e8gles de production dont la seule fonction est d’appliquer concr\u00e8tement ses instructions.<\/p>\n Cette application peut s’av\u00e9rer purement interne et conceptuelle, consistant \u00e0 restructurer les \u00e9l\u00e9ments du graphe de la m\u00e9moire de travail (par exemple, marquer un probl\u00e8me math\u00e9matique comme r\u00e9solu, reformuler une hypoth\u00e8se de recherche ou instancier une nouvelle taxonomie conceptuelle). Cependant, lorsque l’op\u00e9rateur poss\u00e8de une port\u00e9e d’action dirig\u00e9e vers l’environnement ext\u00e9rieur, son ex\u00e9cution implique le d\u00e9p\u00f4t de commandes motrices structur\u00e9es dans un module d\u00e9di\u00e9 de la m\u00e9moire de travail nomm\u00e9 le lien de sortie (Output Link<\/em>). Ces structures symboliques d’action sont converties par les interfaces mat\u00e9rielles ou les pilotes d’actionneurs en signaux physiques continus (activation de servomoteurs robotiques, commandes de pilotage de trajectoire, \u00e9missions phon\u00e9tiques vocales).<\/p>\n Simultan\u00e9ment, le lien d’entr\u00e9e (Input Link<\/em>) de la m\u00e9moire de travail re\u00e7oit en flux continu les r\u00e9percussions physiques des actions ex\u00e9cut\u00e9es ainsi que les dynamiques propres de l’environnement ind\u00e9pendantes de l’agent. Les capteurs transforment les flux physiques en nouveaux WMEs symboliques qui p\u00e9n\u00e8trent le syst\u00e8me. D\u00e8s que ces nouvelles donn\u00e9es sensorielles sont incorpor\u00e9es et que l’op\u00e9rateur en cours a accompli sa mission (ou a \u00e9t\u00e9 interrompu par une modification impr\u00e9vue du contexte rendant caduques ses conditions de maintien), l’op\u00e9rateur est d\u00e9sactiv\u00e9 et retir\u00e9 du contexte central. Le cycle de d\u00e9cision s’ach\u00e8ve pour recommencer instantan\u00e9ment une nouvelle phase d’\u00e9laboration. Ce balancement perp\u00e9tuel entre expansion inf\u00e9rentielle, arbitrage logique et ex\u00e9cution motrice sous contrainte sensorielle assure la fermeture herm\u00e9neutique de la boucle perception-d\u00e9cision-action.<\/p>\n Le v\u00e9ritable tour de force conceptuel et technique de l’architecture SOAR, qui la distingue de la quasi-totalit\u00e9 des architectures concurrentes, r\u00e9side dans son traitement philosophique et computationnel de l’\u00e9chec et de l’incertitude. Alors que dans la plupart des syst\u00e8mes informatiques, une ind\u00e9termination logique ou l’absence de r\u00e8gle applicable conduit \u00e0 une lev\u00e9e d’exception fatale ou \u00e0 l’arr\u00eat du programme, SOAR \u00e9rige l’impossibilit\u00e9 de choisir un op\u00e9rateur en un signal positif : l’\u00e9mergence d’une impasse (impasse<\/em>).<\/p>\n L’architecture classifie les d\u00e9faillances de la phase de d\u00e9cision en une typologie exhaustive de quatre grandes familles d’impasses structurelles :<\/p>\n D\u00e8s lors que l’\u00e9valuateur de pr\u00e9f\u00e9rences conclut \u00e0 la pr\u00e9sence irr\u00e9ductible de l’une de ces quatre impasses, le mat\u00e9riel architectural invariable de SOAR intervient sans qu’aucune programmation explicite de l’utilisateur ne soit requise. De mani\u00e8re totalement r\u00e9flexive et transparente, l’architecture engendre dans la m\u00e9moire de travail un nouveau niveau de repr\u00e9sentation : un sous-\u00e9tat mental (substate<\/em>). Ce sous-\u00e9tat a pour finalit\u00e9 t\u00e9l\u00e9ologique exclusive d’abriter la r\u00e9solution de l’impasse qui vient d’interrompre le cycle d\u00e9cisionnel parent.<\/p>\n La beaut\u00e9 th\u00e9orique de ce m\u00e9canisme r\u00e9side dans son principe de r\u00e9cursion cognitive int\u00e9grale. Le sous-\u00e9tat nouvellement cr\u00e9\u00e9 ne fait pas appel \u00e0 un moteur de r\u00e9solution d’exception distinct ou appauvri : il instancie \u00e0 nouveau l’int\u00e9gralit\u00e9 de l’architecture SOAR au sein de lui-m\u00eame. Ce sous-\u00e9tat est dot\u00e9 de son propre espace de probl\u00e8mes, dans lequel la \u00ab\u00a0t\u00e2che\u00a0\u00bb consiste pr\u00e9cis\u00e9ment \u00e0 trouver la connaissance manquante capable de dissoudre le blocage du niveau sup\u00e9rieur. Par exemple, si une impasse d’\u00e9galit\u00e9 oppose deux op\u00e9rateurs $A$<\/span> et $B$<\/span>, le sous-but attribu\u00e9 au sous-\u00e9tat sera de d\u00e9terminer lequel de ces deux op\u00e9rateurs est objectivement sup\u00e9rieur dans le contexte global de la mission.<\/p>\n Ce processus de r\u00e9cursion peut se propager sans aucune restriction formelle de profondeur. Si, au cours de la tentative de r\u00e9solution d’une impasse au sein d’un premier sous-\u00e9tat, le syst\u00e8me se heurte \u00e0 une nouvelle ambigu\u00eft\u00e9 d\u00e9cisionnelle, une sous-impasse se d\u00e9clare, engendrant un sous-sous-\u00e9tat, empilant ainsi de fa\u00e7on vertigineuse des niveaux d’abstraction et de m\u00e9ta-raisonnement. \u00c0 l’int\u00e9rieur de ces espaces hi\u00e9rarchiques, l’agent peut planifier des simulations en avant (lookahead search<\/em>), \u00e9valuer mentalement les cons\u00e9quences virtuelles de chaque option sans les ex\u00e9cuter dans le monde r\u00e9el, d\u00e9lib\u00e9rer sur ses propres axiomes ou interroger de mani\u00e8re cibl\u00e9e ses m\u00e9moires s\u00e9mantique et \u00e9pisodique.<\/p>\n L’exploration d\u00e9lib\u00e9rative men\u00e9e au sein du sous-\u00e9tat finit par porter ses fruits : le syst\u00e8me d’inf\u00e9rence d\u00e9couvre ou construit la structure symbolique manquante. S’il s’agissait d’une impasse d’\u00e9galit\u00e9, l’agent produit une nouvelle pr\u00e9f\u00e9rence relative d\u00e9clarant formellement que l’op\u00e9rateur $A$<\/span> est meilleur que $B$<\/span> apr\u00e8s avoir simul\u00e9 mentalement leurs r\u00e9sultats respectifs. S’il s’agissait d’une impasse d’inapplicabilit\u00e9 d’op\u00e9rateur, le m\u00e9ta-raisonnement a d\u00e9compos\u00e9 l’op\u00e9rateur en sous-\u00e9tapes ex\u00e9cutables dont l’ach\u00e8vement finalise la transition attendue.<\/p>\n \u00c0 la seconde pr\u00e9cise o\u00f9 l’information cruciale \u00e9merge dans le sous-\u00e9tat et se trouve projet\u00e9e ou r\u00e9f\u00e9renc\u00e9e dans la m\u00e9moire de travail du niveau parent, la condition structurelle de l’impasse dispara\u00eet instantan\u00e9ment. L’impasse n’ayant plus de raison d’\u00eatre, le niveau hi\u00e9rarchique sup\u00e9rieur retrouve imm\u00e9diatement sa fluidit\u00e9 d\u00e9cisionnelle : l’arbitrage des pr\u00e9f\u00e9rences peut enfin d\u00e9signer un op\u00e9rateur gagnant et le cycle d\u00e9cisionnel reprend son cours naturel l\u00e0 o\u00f9 il s’\u00e9tait suspendu.<\/p>\n Dans le m\u00eame \u00e9lan, l’architecture SOAR d\u00e9clenche un m\u00e9canisme automatique impitoyable de nettoyage structurel (garbage collection<\/em> contextuel). L’int\u00e9gralit\u00e9 du sous-\u00e9tat \u00e9ph\u00e9m\u00e8re, avec ses dizaines ou centaines d’\u00e9tats interm\u00e9diaires de simulation, ses hypoth\u00e8ses abandonn\u00e9es et ses structures d’exploration provisoires, est expurg\u00e9e de la m\u00e9moire de travail sans laisser de traces r\u00e9siduelles encombrantes. Toutefois, ce travail cognitif intense n’est pas perdu pour la post\u00e9rit\u00e9 : c’est pr\u00e9cis\u00e9ment sur cette transition entre la disparition d’un sous-\u00e9tat et la r\u00e9activation du niveau parent que se greffe l’\u00e2me de l’apprentissage dans SOAR : le m\u00e9canisme de chunking<\/em>.<\/p>\n L’une des th\u00e8ses les plus audacieuses formul\u00e9es par Allen Newell et Paul Rosenbloom au d\u00e9but des ann\u00e9es 1980 stipule que l’esprit humain ne met en \u0153uvre qu’un seul et unique m\u00e9canisme g\u00e9n\u00e9ral d’apprentissage, capable d’expliquer \u00e0 lui seul l’int\u00e9gralit\u00e9 des gains d’expertise, de l’acquisition des comp\u00e9tences motrices et de la m\u00e9morisation conceptuelle : l’apprentissage par agr\u00e9gation symbolique, universellement d\u00e9sign\u00e9 sous le terme de chunking<\/em>. Ce concept trouve son origine historique directe dans les travaux s\u00e9minales de George Miller<\/a> en 1956 sur la limitation de la capacit\u00e9 de traitement de la m\u00e9moire imm\u00e9diate \u00e0 \u00ab\u00a0sept plus ou moins deux\u00a0\u00bb blocs d’information (chunks<\/em>).<\/p>\n Miller d\u00e9montrait que la m\u00e9moire humaine contourne sa finitude structurelle en regroupant des \u00e9l\u00e9ments disparates en des unit\u00e9s conceptuelles int\u00e9gr\u00e9es d’ordre sup\u00e9rieur (comme lorsqu’une suite de douze chiffres est m\u00e9moris\u00e9e sous forme de quatre num\u00e9ros de d\u00e9partements ou d’ann\u00e9es c\u00e9l\u00e8bres). Newell et Rosenbloom ont \u00e9lev\u00e9 cette observation psychologique au rang de principe computationnel universel : le chunking<\/em> dans SOAR est le processus architectural permanent par lequel une s\u00e9quence complexe de d\u00e9lib\u00e9rations, d’inf\u00e9rences et de r\u00e9solutions d’impasses men\u00e9e au travers de multiples cycles cognitifs est compil\u00e9e en une unique et nouvelle r\u00e8gle de production monolithique.<\/p>\n Dans la philosophie originelle de SOAR, le chunking<\/em> n’est pas une proc\u00e9dure p\u00e9riph\u00e9rique que l’agent invoque occasionnellement lorsqu’il a du temps de calcul libre ou qu’il d\u00e9cide formellement d’\u00e9tudier un manuel. Le chunking<\/em> est omnipr\u00e9sent, ininterrompu et universel : il op\u00e8re en continu, en arri\u00e8re-plan de chaque sous-\u00e9tat cr\u00e9\u00e9, apprenant de chaque instant d’h\u00e9sitation et convertissant imm\u00e9diatement chaque effort r\u00e9flexif de r\u00e9solution d’impasse en une comp\u00e9tence proc\u00e9durale p\u00e9renne.<\/p>\n Le fonctionnement interne de la cr\u00e9ation d’un chunk repose sur une analyse algorithmique r\u00e9trospective d’une rigueur absolue : le tra\u00e7age des d\u00e9pendances causales ou backtracing<\/em>. Lorsqu’un sous-\u00e9tat parvient \u00e0 g\u00e9n\u00e9rer un r\u00e9sultat (result<\/em>) qui r\u00e9sout l’impasse du niveau parent, l’architecture SOAR inspecte l’historique complet des instanciations de r\u00e8gles ayant conduit \u00e0 la formulation de ce r\u00e9sultat au sein du sous-\u00e9tat.<\/p>\n Le m\u00e9canisme de backtracing<\/em> remonte la cha\u00eene des causes logiques en partant du r\u00e9sultat produit. Il identifie scrupuleusement tous les \u00e9l\u00e9ments de la m\u00e9moire de travail (WMEs) qui appartenaient d\u00e9j\u00e0 au niveau sup\u00e9rieur (avant la cr\u00e9ation du sous-\u00e9tat) et qui ont servi de pr\u00e9misses n\u00e9cessaires et d\u00e9terminantes pour activer les r\u00e8gles internes ayant forg\u00e9 la solution. Tous les \u00e9tats mentaux interm\u00e9diaires, les branches mortes d’exploration et les d\u00e9lib\u00e9rations infructueuses explor\u00e9es dans le sous-\u00e9tat sont impitoyablement ignor\u00e9s : seules subsistent les conditions initiales critiques sans lesquelles le r\u00e9sultat n’aurait pu advenir.<\/p>\n Une fois cet ensemble minimal de conditions n\u00e9cessaires extrait, l’architecture proc\u00e8de \u00e0 une \u00e9tape fondamentale de g\u00e9n\u00e9ralisation par variabilisation. Tous les identifiants symboliques singuliers et \u00e9ph\u00e9m\u00e8res propres \u00e0 l’instance courante du probl\u00e8me sont remplac\u00e9s par des variables logiques universelles. Par exemple, si la d\u00e9lib\u00e9ration a conclu que la table d’op\u00e9ration sp\u00e9cifique L’impact th\u00e9orique et pratique du chunking<\/em> sur la mod\u00e9lisation du comportement cognitif est d’une profondeur inou\u00efe. Sur le plan de la psychologie computationnelle, le chunking<\/em> a permis \u00e0 Allen Newell et Paul Rosenbloom de reproduire formellement et pour la toute premi\u00e8re fois la fameuse Loi de puissance de la pratique<\/em> (Power Law of Practice<\/em>), observ\u00e9e exp\u00e9rimentalement par Snoddy, Crossman et Fitts dans des centaines de protocoles d’apprentissage moteur et mental \u00e0 travers le monde. Cette loi universelle stipule que le temps de r\u00e9alisation $T$<\/span> d’une t\u00e2che diminue en fonction du nombre d’essais $N$<\/span> selon une fonction puissance stricte de la forme :<\/p>\n T = a \u00b7 N \u2212b<\/sup><\/em><\/p>\n o\u00f9 $a$<\/span> repr\u00e9sente le temps initial et $b$<\/span> l’exposant d’acc\u00e9l\u00e9ration de la ma\u00eetrise. Dans SOAR, cette \u00e9mergence math\u00e9matique n’a pas \u00e9t\u00e9 obtenue en ajustant artificiellement des courbes statistiques a posteriori<\/em>, mais d\u00e9coule directement de la dynamique combinatoire du chunking<\/em>. Au d\u00e9but de l’apprentissage d’une t\u00e2che, l’agent rencontre de multiples impasses d\u00e9cisionnelles successives, n\u00e9cessitant un temps d’\u00e9laboration substantiel au sein de sous-\u00e9tats r\u00e9cursifs pour concevoir chaque action. \u00c0 chaque r\u00e9solution d’impasse, des chunks sont inject\u00e9s dans la m\u00e9moire proc\u00e9durale. Lors des essais ult\u00e9rieurs, les conditions de la situation correspondent imm\u00e9diatement aux pr\u00e9misses des nouveaux chunks compil\u00e9s : ceux-ci tirent d\u00e8s la premi\u00e8re phase d’\u00e9laboration, fournissant directement les pr\u00e9f\u00e9rences d\u00e9cisionnelles optimales sans requ\u00e9rir l’ouverture d’aucun sous-\u00e9tat.<\/p>\n Ce m\u00e9canisme mod\u00e9lise fid\u00e8lement la transition cognitive fondamentale th\u00e9oris\u00e9e par Shiffrin et Schneider entre les processus contr\u00f4l\u00e9s et les processus automatiques. Ce qui r\u00e9clamait initialement un effort d\u00e9lib\u00e9ratif intense, conscient, lent et s\u00e9quentiel (l’\u00e9quivalent du traitement contr\u00f4l\u00e9 chez l’adulte apprenant \u00e0 conduire ou \u00e0 jouer d’un instrument de musique) est progressivement court-circuit\u00e9 par une armature de r\u00e8gles de production directes qui s’ex\u00e9cutent de fa\u00e7on inconsciente, fluide, massivement parall\u00e8le et instantan\u00e9e. L’apprentissage dans SOAR n’est rien d’autre que cette conversion irr\u00e9versible de la d\u00e9lib\u00e9ration r\u00e9flexive en r\u00e9flexes cognitifs d’une redoutable efficacit\u00e9 computationnelle.<\/p>\n La trajectoire \u00e9volutive de l’architecture SOAR s’\u00e9tend sur plus de quatre d\u00e9cennies de m\u00e9tamorphoses technologiques et d’ajustements conceptuels profonds. Les premi\u00e8res incarnations de l’architecture, d\u00e9velopp\u00e9es entre 1982 et la fin des ann\u00e9es 1980 (de SOAR 1 \u00e0 SOAR 4), \u00e9taient intrins\u00e8quement filles de leur temps. \u00c9crites dans l’\u00e9cosyst\u00e8me acad\u00e9mique du langage Lisp<\/a> et fortement tributaires de l’interpr\u00e9teur OPS5, ces versions pionni\u00e8res \u00e9taient principalement con\u00e7ues pour explorer les fondements formels des espaces de probl\u00e8mes universels et valider l’Hypoth\u00e8se du syst\u00e8me de symboles physiques dans des environnements clos et formellement bien d\u00e9finis (cryptarithm\u00e9tique, tour de Hano\u00ef, blocs de Schrdlu, d\u00e9monstration logique).<\/p>\n Toutefois, la lourdeur d’ex\u00e9cution de Lisp et les contraintes computationnelles de l’\u00e9poque ont rapidement dress\u00e9 une barri\u00e8re infranchissable face aux ambitions de passage \u00e0 l’\u00e9chelle du projet. L’av\u00e8nement de SOAR 5 \u00e0 la fin des ann\u00e9es 1980 a marqu\u00e9 un tournant strat\u00e9gique majeur : l’int\u00e9gralit\u00e9 de l’architecture a \u00e9t\u00e9 r\u00e9\u00e9crite de z\u00e9ro en langage C sous l’\u00e9gide de John Laird. Cette refonte titanesque a d\u00e9cupl\u00e9 la vitesse d’ex\u00e9cution du moteur de production et permis la gestion de bases de connaissances comptant non plus quelques dizaines, mais des dizaines de milliers de r\u00e8gles de production simultan\u00e9es.<\/p>\n C’est \u00e9galement au cours de cette \u00e8re fondatrice qu’a \u00e9merg\u00e9 l’un des spectres les plus redoutables de l’intelligence artificielle symbolique : le ph\u00e9nom\u00e8ne de l’accumulation pathologique des r\u00e8gles, baptis\u00e9 par Steven Minton le probl\u00e8me de l’utilit\u00e9<\/em> (Utility Problem<\/em>). Les chercheurs ont constat\u00e9 avec effroi que l’apprentissage continu par chunking<\/em> non r\u00e9gul\u00e9 pouvait se retourner contre l’architecture elle-m\u00eame : \u00e0 force d’agr\u00e9ger des milliers de r\u00e8gles ultra-sp\u00e9cifiques, le r\u00e9seau Rete finissait par \u00eatre satur\u00e9 par la complexit\u00e9 combinatoire des jointures logiques de ses m\u00e9moires b\u00eata. Le temps requis pour v\u00e9rifier la non-applicabilit\u00e9 de myriades de r\u00e8gles apprises d\u00e9passait le temps que le syst\u00e8me aurait pris pour r\u00e9soudre le probl\u00e8me \u00e0 nouveau depuis le d\u00e9but ! Cette crise th\u00e9orique a contraint l’\u00e9quipe \u00e0 repenser de fond en comble la syntaxe des r\u00e8gles et la machinerie interne de variabilisation du chunking<\/em>.<\/p>\n Au d\u00e9but des ann\u00e9es 1990, sous l’impulsion croissante de programmes de recherche financ\u00e9s par la DARPA<\/a> et le d\u00e9partement de la D\u00e9fense des \u00c9tats-Unis, l’architecture SOAR a \u00e9t\u00e9 somm\u00e9e de quitter le confort capitonn\u00e9 des \u00e9nigmes de laboratoire pour affronter l’\u00e9preuve du feu des environnements dynamiques, ouverts, hostiles et strictement assujettis \u00e0 des contraintes de temps r\u00e9el. Ce d\u00e9fi a donn\u00e9 naissance \u00e0 SOAR 6, puis \u00e0 SOAR 7 et 8, marquant la maturation de l’architecture vers le statut de plateforme industrielle pour agents autonomes interactifs.<\/p>\n Cette transition a exig\u00e9 une restructuration interne radicale du cycle cognitif. Dans les premi\u00e8res versions, le syst\u00e8me s’enfermait dans une phase d’\u00e9laboration jusqu’\u00e0 quiescence totale avant de consentir \u00e0 regarder \u00e0 nouveau le monde ext\u00e9rieur, ce qui le rendait vuln\u00e9rable \u00e0 des catastrophes cin\u00e9tiques dans des contextes de simulation de vol supersonique o\u00f9 une milliseconde d’inattention perceptuelle pouvait provoquer un crash. L’architecture a donc \u00e9t\u00e9 r\u00e9am\u00e9nag\u00e9e pour autoriser une perception asynchrone et interrompable : les interfaces de communication avec le monde ext\u00e9rieur (les fameux liens Cette \u00e8re a culmin\u00e9 avec le triomphe de SOAR 7 et 8 dans des simulations militaires distribu\u00e9es d’une envergure colossale, dont le projet mythique TacAir-Soar<\/em>. L’architecture a prouv\u00e9 au monde entier qu’un syst\u00e8me symbolique complexe pouvait diriger des escadrilles enti\u00e8res d’avions de chasse virtuels, coop\u00e9rant en langage quasi-naturel, s’adaptant aux tactiques changeantes de pilotes humains r\u00e9els et prenant des d\u00e9cisions tactiques en quelques fractions de seconde. Les r\u00e8gles de SOAR n’\u00e9taient plus de simples abstractions conceptuelles ; elles guidaient des trajectoires de missiles et coordonnaient des strat\u00e9gies d’engagement op\u00e9rationnel en temps r\u00e9el.<\/p>\n L’aube du vingt-et-uni\u00e8me si\u00e8cle a inaugur\u00e9 la mutation la plus profonde de toute l’histoire du projet : la conception de SOAR 9 sous la direction magistrale de John Laird \u00e0 l’Universit\u00e9 du Michigan. Tirant les le\u00e7ons d’ann\u00e9es de confrontations avec les neurosciences cognitives et reconnaissant l’incompl\u00e9tude du mod\u00e8le symbolique proc\u00e9dural pur de Newell face \u00e0 certains aspects de la cognition biologique, SOAR 9 a bris\u00e9 le dogme de l’uniformit\u00e9 pour embrasser un paradigme hybride modulaire extraordinairement sophistiqu\u00e9.<\/p>\n L’innovation architecturale la plus spectaculaire de SOAR 9 est l’incorporation de l’apprentissage par renforcement (Reinforcement Learning<\/em> – RL) directement au c\u0153ur du m\u00e9canisme de d\u00e9cision symbolique. Alors que traditionnellement, les pr\u00e9f\u00e9rences d’op\u00e9rateurs \u00e9taient qualitatives et d\u00e9terministes, SOAR 9 introduit des pr\u00e9f\u00e9rences num\u00e9riques d’indiff\u00e9rence (numeric-indifferent preferences<\/em>) dont le poids scalaire est continuellement r\u00e9ajust\u00e9 en fonction des r\u00e9compenses intrins\u00e8ques ou extrins\u00e8ques r\u00e9colt\u00e9es par l’agent dans l’environnement, au moyen de r\u00e8gles math\u00e9matiques d\u00e9riv\u00e9es du Q-learning ou de SARSA :<\/p>\n \u0394Q(s, a) = \u03b1 \u00b7 [r + \u03b3 \u00b7 Q(s’, a’) \u2212 Q(s, a)]<\/em><\/p>\n Parall\u00e8lement \u00e0 cette symbiose entre symboles et probabilit\u00e9s d’action, SOAR 9 a officiellement int\u00e9gr\u00e9 les modules distincts de m\u00e9moire s\u00e9mantique et de m\u00e9moire \u00e9pisodique d\u00e9crits pr\u00e9c\u00e9demment, conf\u00e9rant \u00e0 l’agent une profondeur mn\u00e9sique multidimensionnelle. Enfin, l’architecture s’est enrichie du Spatial Visual System<\/em> (SVS – Syst\u00e8me Spatio-Visuel), une machinerie cognitive d\u00e9di\u00e9e capable de manipuler des repr\u00e9sentations g\u00e9om\u00e9triques analogiques continues en 2D et 3D sans les traduire pr\u00e9matur\u00e9ment en symboles discrets. L’agent SOAR contemporain peut d\u00e9sormais simuler mentalement des trajectoires spatiales de collision, estimer des occlusions physiques par le biais d’un moteur g\u00e9om\u00e9trique continu et extraire dynamiquement des pr\u00e9dicats relationnels qualitatifs pour nourrir ses r\u00e8gles symboliques de haut niveau. SOAR 9 repr\u00e9sente ainsi l’\u00e9tat de l’art absolu de la r\u00e9conciliation entre la manipulation de symboles physiques et la computation sous-symbolique continue.<\/p>\n Dans l’ar\u00e8ne des grandes architectures cognitives computationnelles, la comparaison entre SOAR et ACT-R (Adaptive Control of Thought – Rational<\/em>), con\u00e7ue par John R. Anderson<\/a> \u00e9galement \u00e0 l’Universit\u00e9 Carnegie Mellon, constitue l’un des d\u00e9bats scientifiques les plus stimulants de l’histoire des sciences cognitives. Bien que partageant un h\u00e9ritage commun fond\u00e9 sur les syst\u00e8mes de production et l’Hypoth\u00e8se du syst\u00e8me de symboles physiques, les deux syst\u00e8mes reposent sur des choix \u00e9pist\u00e9mologiques et des architectures computationnelles fondamentalement distincts.<\/p>\n La divergence premi\u00e8re r\u00e9side dans leur orientation t\u00e9l\u00e9ologique fondatrice. SOAR a \u00e9t\u00e9 con\u00e7ue d’abord et avant tout comme une architecture computationnellement compl\u00e8te orient\u00e9e vers la r\u00e9solution g\u00e9n\u00e9rale de probl\u00e8mes et la flexibilit\u00e9 d’action d’agents intelligents autonomes : son imp\u00e9ratif est l’accomplissement robuste de la t\u00e2che, la gestion du contr\u00f4le et l’universalit\u00e9 de la m\u00e9thode heuristique. ACT-R, en revanche, a \u00e9t\u00e9 fa\u00e7onn\u00e9e d\u00e8s ses origines comme un mod\u00e8le descriptif ultra-pr\u00e9cis de l’\u00e9cologie cognitive humaine, guid\u00e9 par une m\u00e9thodologie que John Anderson nomme l’analyse rationnelle. L’obsession premi\u00e8re d’ACT-R n’est pas de r\u00e9ussir une t\u00e2che d’ing\u00e9nierie complexe, mais de r\u00e9pliquer au milli\u00e8me de seconde pr\u00e8s les distributions de temps de r\u00e9action exp\u00e9rimentaux, les courbes d’oubli exponentielles et les patterns d’erreurs commis par des sujets humains dans des t\u00e2ches de laboratoire de m\u00e9moire ou d’attention partag\u00e9e.<\/p>\n Cette divergence se traduit dans leurs m\u00e9canismes fondamentaux :<\/p>\n L’ascension fulgurante du connexionnisme \u00e0 partir du milieu des ann\u00e9es 1980, suivie de l’h\u00e9g\u00e9monie contemporaine de l’apprentissage profond (Deep Learning<\/em>) fond\u00e9 sur les r\u00e9seaux de neurones artificiels et les architectures de type Transformers<\/em>, a plac\u00e9 l’architecture SOAR au c\u0153ur du grand schisme de l’intelligence artificielle : l’affrontement titanesque entre l’approche symbolique (descendante, logique, discr\u00e8te) et l’approche sous-symbolique (ascendante, statistique, continue).<\/p>\n Pour les tenants du connexionnisme radical, les syst\u00e8mes fond\u00e9s sur les symboles physiques comme SOAR souffrent d’une fragilit\u00e9 cong\u00e9nitale : ils sont consid\u00e9r\u00e9s comme rigides, incapables de traiter la d\u00e9gradation progressive du signal (brittle<\/em>), excessivement d\u00e9pendants d’une mod\u00e9lisation manuelle des ontologies du monde et d\u00e9sarm\u00e9s face \u00e0 la richesse amorphe des signaux sensoriels bruts (vision matricielle de pixels, ondes sonores continues). En r\u00e9ponse, les d\u00e9fenseurs de SOAR soulignent les tares \u00e9pist\u00e9mologiques r\u00e9dhibitoires des r\u00e9seaux neuronaux profonds actuels : opacit\u00e9 d\u00e9cisionnelle absolue (le probl\u00e8me de la bo\u00eete noire), absence totale d’explicabilit\u00e9 et de tra\u00e7abilit\u00e9 causale des inf\u00e9rences, hallucination factuelle due au caract\u00e8re purement stochastique des pr\u00e9dictions lexicales, et incapacit\u00e9 dramatique \u00e0 accomplir une v\u00e9ritable g\u00e9n\u00e9ralisation compositionnelle hors distribution.<\/p>\n Dans SOAR, chaque d\u00e9lib\u00e9ration, chaque tir de r\u00e8gle et chaque s\u00e9lection d’op\u00e9rateur est un acte logique transparent, auditable au symbole pr\u00e8s par un observateur humain. L’architecture poss\u00e8de nativement la solution au redoutable \u00ab\u00a0probl\u00e8me de liaison\u00a0\u00bb (binding problem<\/em>) qui tourmente les r\u00e9seaux neuronaux : lier dynamiquement une variable abstraite \u00e0 une instance circonstancielle au moyen d’un identifiant relationnel de la m\u00e9moire de travail est une op\u00e9ration native triviale dans SOAR, alors qu’elle requiert des contorsions d’attention matricielle colossales dans les architectures de type Transformer<\/em>. L’enjeu contemporain le plus prometteur ne r\u00e9side plus dans une guerre d’annihilation mutuelle, mais dans l’\u00e9laboration d’architectures hybrides neuro-symboliques, o\u00f9 des r\u00e9seaux profonds assument l’extraction perceptive de traits invariants \u00e0 la p\u00e9riph\u00e9rie, tandis que le moteur SOAR op\u00e8re comme contr\u00f4leur d\u00e9lib\u00e9ratif rationnel au sommet de la hi\u00e9rarchie cognitive.<\/p>\n L’application de SOAR au contr\u00f4le d’agents physiques incarn\u00e9s dans le monde r\u00e9el (la robotique autonome) a confront\u00e9 l’architecture aux th\u00e9ories de la cognition incarn\u00e9e (Embodied Cognition<\/em>) et aux architectures r\u00e9actives alternatives, au premier rang desquelles figure l’architecture de subsomption introduite par Rodney Brooks<\/a> \u00e0 la fin des ann\u00e9es 1980. Brooks proclamait famously que \u00ab l’\u00e9l\u00e9phant ne joue pas aux \u00e9checs \u00bb et que l’intelligence v\u00e9ritable pouvait \u00e9merger sans aucune repr\u00e9sentation symbolique du monde, par simple couplage serr\u00e9 entre capteurs et actionneurs au sein de machines \u00e0 \u00e9tats finis augment\u00e9es.<\/p>\n Face \u00e0 ce d\u00e9fi r\u00e9actif, SOAR a d\u00fb prouver sa capacit\u00e9 \u00e0 surmonter le c\u00e9l\u00e8bre Probl\u00e8me de l’ancrage des symboles<\/em> (Symbol Grounding Problem<\/em>) formul\u00e9 par Stevan Harnad : comment des jetons symboliques abstraits comme La r\u00e9ponse apport\u00e9e par John Laird et la communaut\u00e9 SOAR a consist\u00e9 \u00e0 int\u00e9grer l’architecture au sein de structures robotiques hi\u00e9rarchiques de type 3-Tier (architecture \u00e0 trois couches). Dans ce sch\u00e9ma tripartite moderne, SOAR n’a plus la charge suicidaire de calculer la tension milliseconde par milliseconde des moteurs \u00e9lectriques : elle occupe le sommet de la pyramide en tant que contr\u00f4leur d\u00e9lib\u00e9ratif de haut niveau. Les couches r\u00e9actives inf\u00e9rieures g\u00e8rent l’\u00e9vitement r\u00e9flexe d’obstacles et la cin\u00e9matique inverse des membres articul\u00e9s, tandis que SOAR supervise la planification strat\u00e9gique, diagnostique les pannes impr\u00e9vues par r\u00e9solution d’impasses, r\u00e9ordonne les sous-buts t\u00e9l\u00e9ologiques et enrichit sa m\u00e9moire \u00e9pisodique des succ\u00e8s et des d\u00e9boires rencontr\u00e9s sur le terrain. L’architecture a ainsi prouv\u00e9 que la d\u00e9lib\u00e9ration symbolique demeure indispensable d\u00e8s lors qu’un robot doit accomplir des missions complexes s’\u00e9tendant au-del\u00e0 de la r\u00e9activit\u00e9 imm\u00e9diate de l’instant.<\/p>\n L’un des premiers titres de gloire de l’architecture SOAR a \u00e9t\u00e9 sa capacit\u00e9 \u00e0 servir d’instrument de laboratoire virtuel pour mod\u00e9liser des protocoles d’exp\u00e9rimentation humaine et valider des hypoth\u00e8ses fondamentales en psychologie cognitive. D\u00e8s les ann\u00e9es 1980 et 1990, des chercheurs ont utilis\u00e9 SOAR pour r\u00e9pliquer informatiquement des comportements d’apprentissage complexes chez l’adulte, allant de la r\u00e9solution de probl\u00e8mes cryptarithm\u00e9tiques (comme l’\u00e9nigme classique L’architecture a excell\u00e9 dans l’analyse fine des effets d’interf\u00e9rence et des pathologies de l’attention. En impl\u00e9mentant formellement les repr\u00e9sentations de buts sous forme d’\u00e9l\u00e9ments de m\u00e9moire de travail en comp\u00e9tition dans le syst\u00e8me de production, les mod\u00e9lisateurs ont pu pr\u00e9dire avec une pr\u00e9cision millim\u00e9trique les augmentations de temps de latence induites par l’effet Stroop (le conflit cognitif entre la couleur de l’encre et le mot s\u00e9mantique affich\u00e9) ou reproduire les courbes d’erreurs commises par des sujets soumis \u00e0 des t\u00e2ches de double t\u00e2che \u00e0 haute saturation mentale.<\/p>\n Cette rigueur de mod\u00e9lisation a rapidement trouv\u00e9 des d\u00e9bouch\u00e9s appliqu\u00e9s de grande valeur dans le domaine de l’ergonomie cognitive et de l’ing\u00e9nierie des facteurs humains. Des mod\u00e8les computationnels bas\u00e9s sur SOAR ont \u00e9t\u00e9 d\u00e9ploy\u00e9s pour concevoir et tester virtuellement les interfaces des cockpits d’avions civils et militaires, les salles de contr\u00f4le des centrales nucl\u00e9aires ou les syst\u00e8mes de t\u00e9l\u00e9communication complexes. En simulant informatiquement la charge de travail mentale d’un op\u00e9rateur humain, en anticipant les goulets d’\u00e9tranglement attentionnels et en identifiant les situations d’impasse cognitive susceptibles de provoquer des b\u00e9vues catastrophiques sous stress, SOAR a permis d’optimiser l’ergonomie des syst\u00e8mes critiques bien avant la fabrication de leurs premiers prototypes physiques.<\/p>\n L’apog\u00e9e pratique et historique de SOAR demeure sans conteste le projet colossal TacAir-Soar<\/strong> (Tactical Airborne Soar<\/em>), d\u00e9velopp\u00e9 au cours des ann\u00e9es 1990 sous la direction conjointe de John Laird \u00e0 l’Universit\u00e9 du Michigan, de Paul Rosenbloom \u00e0 l’USC Information Sciences Institute (ISI), et d’Allen Newell jusqu’\u00e0 sa disparition. Financ\u00e9 par la DARPA dans le cadre du programme STOW (Synthetic Theater of War<\/em>), l’objectif de TacAir-Soar \u00e9tait titanesque : automatiser int\u00e9gralement le comportement d\u00e9cisionnel et tactique des pilotes de chasseurs militaires am\u00e9ricains pour des simulations d’entra\u00eenement a\u00e9rien \u00e0 tr\u00e8s grande \u00e9chelle.<\/p>\n Le point d’orgue de ce d\u00e9ploiement a \u00e9t\u00e9 atteint lors de l’exercice interarm\u00e9es op\u00e9rationnel STOW-97<\/strong>, o\u00f9 l’ensemble des missions d’appui a\u00e9rien, de sup\u00e9riorit\u00e9 a\u00e9rienne et d’interdiction de combat de la force a\u00e9rienne am\u00e9ricaine, de la marine (Navy) et du corps des Marines a \u00e9t\u00e9 ex\u00e9cut\u00e9 par des agents autonomes gouvern\u00e9s par SOAR. Les chiffres documentant cette r\u00e9alisation forcent l’admiration computationnelle :<\/p>\n Les agents TacAir-Soar ont fait preuve d’une robustesse stup\u00e9fiante. Non seulement ils pilotaient leurs avions respectifs en r\u00e9agissant en quelques fractions de seconde aux man\u0153uvres \u00e9vasives d’avions ennemis pilot\u00e9s par des pilotes humains d’\u00e9lite de l’Air Force, mais ils communiquaient \u00e9galement entre eux et avec les contr\u00f4leurs au sol via des canaux radio simul\u00e9s en utilisant la phras\u00e9ologie militaire standard. Les pilotes humains engag\u00e9s dans les simulateurs ont \u00e9t\u00e9 incapables de distinguer le comportement tactique des agents SOAR de celui d’\u00e9quipages humains chevronn\u00e9s, d\u00e9montrant magistralement qu’une architecture cognitive symbolique pouvait soutenir un niveau d’autonomie, de r\u00e9silience et de complexit\u00e9 strat\u00e9gique sans pr\u00e9c\u00e9dent dans l’histoire de l’informatique.<\/p>\n Le langage naturel constitue sans conteste l’expression supr\u00eame de la cognition humaine. D\u00e8s lors, une architecture pr\u00e9tendant incarner une th\u00e9orie unifi\u00e9e de l’esprit ne pouvait faire l’impasse sur la linguistique computationnelle. C’est dans cette perspective qu’a \u00e9t\u00e9 d\u00e9velopp\u00e9 NL-Soar<\/strong> (Natural Language Soar<\/em>), un environnement enti\u00e8rement int\u00e9gr\u00e9 au sein de l’architecture pour mod\u00e9liser la compr\u00e9hension et la production du discours en temps r\u00e9el.<\/p>\n Contrairement aux analyseurs syntaxiques industriels classiques (parsers<\/em>) qui traitent les phrases comme des cha\u00eenes de caract\u00e8res statiques soumises \u00e0 des grammaires formelles hors-contexte d\u00e9sincarn\u00e9es, NL-Soar impl\u00e9mente une compr\u00e9hension incr\u00e9mentale mot \u00e0 mot, calqu\u00e9e sur les contraintes psycholinguistiques r\u00e9elles de l’\u00e9coute humaine. \u00c0 chaque fois qu’un mot est per\u00e7u sur le lien d’entr\u00e9e de la m\u00e9moire de travail, les r\u00e8gles de production s’activent pour attacher imm\u00e9diatement ce nouveau token linguistique \u00e0 l’arbre syntaxique en cours d’\u00e9laboration, tout en projetant simultan\u00e9ment ses implications s\u00e9mantiques dans la repr\u00e9sentation de la situation globale de l’agent.<\/p>\n Cette approche int\u00e9gr\u00e9e conf\u00e8re \u00e0 NL-Soar une capacit\u00e9 unique \u00e0 r\u00e9soudre les ambigu\u00eft\u00e9s lexicales et structurelles \u00e0 la vol\u00e9e. Face aux c\u00e9l\u00e8bres phrases \u00e0 issue trompeuse (garden-path sentences<\/em>) comme \u00ab The horse raced past the barn fell<\/em> \u00bb, qui pi\u00e8gent temporairement le syst\u00e8me cognitif humain, NL-Soar reproduit fid\u00e8lement la m\u00eame dynamique psychologique : le syst\u00e8me g\u00e9n\u00e8re d’abord une structure syntaxique par d\u00e9faut fond\u00e9e sur les pr\u00e9f\u00e9rences de surface ; lorsqu’il bute sur le verbe final en contradiction avec l’arbre syntaxique b\u00e2ti, une impasse d’inapplicabilit\u00e9 se d\u00e9clare. L’agent ouvre alors un sous-\u00e9tat de r\u00e9interpr\u00e9tation m\u00e9ta-syntaxique pour r\u00e9parer l’arbre grammatical et r\u00e9soudre l’incoh\u00e9rence, apprenant au passage, gr\u00e2ce au chunking<\/em>, une r\u00e8gle nouvelle lui permettant d’anticiper cette construction lors de futures lectures.<\/p>\n Malgr\u00e9 ses triomphes techniques ind\u00e9niables, l’architecture SOAR a \u00e9t\u00e9 au c\u0153ur de controverses computationnelles majeures au sein de la communaut\u00e9 de l’intelligence artificielle. La premi\u00e8re et la plus virulente concerne la viabilit\u00e9 de son m\u00e9canisme d’apprentissage par chunking<\/em> \u00e0 tr\u00e8s grande \u00e9chelle, cristallis\u00e9e autour du redoutable probl\u00e8me de l’utilit\u00e9<\/em> (Utility Problem<\/em>), mis en lumi\u00e8re par Steven Minton et approfondi par Milind Tambe et Paul Rosenbloom dans les ann\u00e9es 1990.<\/p>\n L’axiome fondamental de Newell stipulait que plus un syst\u00e8me apprend de r\u00e8gles par agr\u00e9gation, plus il devient performant et rapide. Or, l’exp\u00e9rimentation \u00e0 grande \u00e9chelle a r\u00e9v\u00e9l\u00e9 un paradoxe cuisant : l’accumulation massive et effr\u00e9n\u00e9e de chunks dans la m\u00e9moire proc\u00e9durale peut d\u00e9grader de fa\u00e7on catastrophique les performances temporelles de l’agent. La raison de cette d\u00e9g\u00e9n\u00e9rescence computationnelle plonge au c\u0153ur des entrailles math\u00e9matiques de l’algorithme Rete :<\/p>\n Cette vuln\u00e9rabilit\u00e9 a contraint John Laird et son \u00e9quipe \u00e0 d\u00e9ployer d’immenses efforts d’ing\u00e9nierie algorithmique tout au long de l’\u00e9volution de SOAR 8 et 9 pour concevoir des m\u00e9canismes de simplification syntaxique des chunks, interdire la cr\u00e9ation de r\u00e8gles structurellement instables, et impl\u00e9menter des processus d’oubli adaptatif et d’\u00e9lagage dynamique des r\u00e8gles dont le ratio co\u00fbt computationnel \/ gain d\u00e9cisionnel s’av\u00e9rait d\u00e9ficitaire.<\/p>\n Sur le front de la philosophie de l’esprit, SOAR a essuy\u00e9 les foudres des critiques de l’intelligence artificielle symbolique classique, au premier rang desquelles tr\u00f4ne la c\u00e9l\u00e8bre exp\u00e9rience de pens\u00e9e de la Chambre Chinoise<\/em> formul\u00e9e par John Searle<\/a> en 1980. Pour Searle, aucun syst\u00e8me physique de manipulation de symboles, quel que soit le degr\u00e9 de sophistication de ses espaces de probl\u00e8mes ou de ses r\u00e8gles de production, ne peut faire \u00e9merger une authentique compr\u00e9hension s\u00e9mantique ou une intentionnalit\u00e9 intrins\u00e8que.<\/p>\n Dans l’optique searlienne, l’agent SOAR n’est rien d’autre que l’incarnation litt\u00e9rale de l’homme enferm\u00e9 dans la pi\u00e8ce close, manipulant des id\u00e9ogrammes dont il ignore totalement le sens en appliquant machinalement un manuel de syntaxe (les r\u00e8gles du r\u00e9seau Rete). L’agent fait correspondre des structures de graphes avec d’autres structures de graphes, calcule des pr\u00e9f\u00e9rences et r\u00e9sout des impasses formelles, mais il n’y a \u00ab personne chez lui \u00bb : il n’\u00e9prouve aucun \u00e9tat mental ph\u00e9nom\u00e9nal, ne poss\u00e8de aucun acc\u00e8s ontologique au r\u00e9el et demeure enferm\u00e9 dans une syntaxe aveugle.<\/p>\n Cette critique philosophique s’accompagne d’une r\u00e9serve majeure formul\u00e9e par les neurosciences affectives et cognitives contemporaines : l’absence presque totale d’un mod\u00e8le unifi\u00e9 des \u00e9motions primaires et de la conscience ph\u00e9nom\u00e9nale au sein du noyau originel de SOAR. Si l’architecture mod\u00e9lise avec une \u00e9l\u00e9gance magistrale l’esprit rationnel, cart\u00e9sien et m\u00e9thodique d’un joueur d’\u00e9checs ou d’un pilote de ligne chevronn\u00e9, elle est historiquement muette sur les processus visc\u00e9raux, hormonaux et \u00e9motionnels qui, selon Antonio Damasio, sont indispensables \u00e0 l’exercice m\u00eame de la rationalit\u00e9 humaine. L’omission des sensations brutes (les qualia<\/em>) et la r\u00e9duction de l’ensemble de la ph\u00e9nom\u00e9nologie mentale \u00e0 des n\u0153uds relationnels discrets d’un graphe de m\u00e9moire de travail limitent incontestablement la pr\u00e9tention de SOAR \u00e0 constituer une th\u00e9orie exhaustive de l’exp\u00e9rience v\u00e9cue.<\/p>\n Sur le plan purement pratique et sociologique au sein de la communaut\u00e9 scientifique, l’architecture SOAR a souvent p\u00e2ti d’une r\u00e9putation tenace de complexit\u00e9 hercul\u00e9enne et d’aust\u00e9rit\u00e9 conceptuelle. Programmer un agent au sein de SOAR ne ressemble en rien au d\u00e9veloppement dans des langages imp\u00e9ratifs modernes (comme Python, C++ ou Java) ni \u00e0 l’entra\u00eenement standard de mod\u00e8les d’apprentissage automatique via des biblioth\u00e8ques logicielles contemporaines comme PyTorch ou TensorFlow.<\/p>\n L’architecture exige du chercheur ou de l’ing\u00e9nieur qu’il adopte une posture intellectuelle totalement contre-intuitive :<\/p>\n Cette sophistication m\u00e9thodologique intransigeante a engendr\u00e9 un isolement relatif de la communaut\u00e9 des utilisateurs de SOAR au fil des d\u00e9cennies. Alors que l’intelligence artificielle mondiale s’embrasait successivement pour les r\u00e9seaux bay\u00e9siens, les machines \u00e0 vecteurs de support (SVM), puis la d\u00e9ferlante de l’apprentissage profond dop\u00e9 aux cartes graphiques massivement parall\u00e8les, le paradigme SOAR est parfois apparu aux yeux des nouvelles g\u00e9n\u00e9rations d’\u00e9tudiants comme une citadelle symbolique imprenable et herm\u00e9tique, cantonn\u00e9e \u00e0 un noyau d’initi\u00e9s gravitant autour des universit\u00e9s historiques du projet (Michigan, CMU, USC).<\/p>\n Malgr\u00e9 les critiques et les revirements de mode au sein de la recherche acad\u00e9mique, l’h\u00e9ritage intellectuel l\u00e9gu\u00e9 par Allen Newell \u00e0 travers l’architecture SOAR demeure l’un des sommets incontest\u00e9s de l’histoire de la pens\u00e9e computationnelle. La contribution fondamentale de Newell \u2014 reconnue d\u00e8s 1975 par le Prix Turing d\u00e9cern\u00e9 conjointement avec Herbert Simon \u2014 a \u00e9t\u00e9 de prouver qu’il \u00e9tait scientifiquement l\u00e9gitime et techniquement r\u00e9alisable d’int\u00e9grer l’ensemble des fragments disjoints de l’esprit au sein d’une armature formelle unifi\u00e9e.<\/p>\n Le projet SOAR a r\u00e9volutionn\u00e9 la m\u00e9thodologie des sciences cognitives en imposant la contrainte de compl\u00e9tude computationnelle comme standard de rigueur \u00e9pist\u00e9mique. Apr\u00e8s Newell, les psychologues th\u00e9oriciens ne pouvaient plus se contenter de dessiner des diagrammes conceptuels constitu\u00e9s de bo\u00eetes et de fl\u00e8ches vagues \u00e9tiquet\u00e9es \u00ab\u00a0m\u00e9moire \u00e0 long terme\u00a0\u00bb ou \u00ab\u00a0attention s\u00e9lective\u00a0\u00bb sans s’engager sur les m\u00e9canismes algorithmiques exacts et les contraintes temporelles capables d’animer ces abstractions dans un cycle de d\u00e9cision ferm\u00e9. SOAR a d\u00e9montr\u00e9 de mani\u00e8re p\u00e9remptoire qu’une th\u00e9orie psychologique ne peut atteindre sa pl\u00e9nitude scientifique que si elle s’incarne dans une machinerie op\u00e9rationnelle capable de survivre et d’agir de fa\u00e7on autonome dans des environnements interactifs.<\/p>\n L’influence de Newell s’\u00e9tend bien au-del\u00e0 de son architecture \u00e9ponyme : elle a f\u00e9cond\u00e9 la philosophie de l’esprit computationaliste, irrigu\u00e9 les travaux sur les syst\u00e8mes multi-agents, et servi d’\u00e9talon de mesure auquel toutes les architectures cognitives ult\u00e9rieures \u2014 d’ACT-R \u00e0 CLARION, en passant par LIDA ou EPIC \u2014 ont d\u00fb se mesurer pour justifier de leur pertinence structurelle et fonctionnelle.<\/p>\n Loin d’\u00eatre un mausol\u00e9e fig\u00e9 dans les gloires pass\u00e9es des ann\u00e9es 1990, l’architecture SOAR demeure un laboratoire d’innovation d’une vitalit\u00e9 intellectuelle remarquable, pilot\u00e9 avec une constance admirable par John Laird et son \u00e9quipe au sein du Centre de Recherche sur les Architectures Cognitives de l’Universit\u00e9 du Michigan. L’axe de recherche contemporain le plus ambitieux et le plus novateur du laboratoire porte sur ce que Laird a th\u00e9oris\u00e9 sous le concept d’Interactive Task Learning<\/strong> (ITL – Apprentissage Interactif de T\u00e2ches).<\/p>\n L’ITL vise un changement de paradigme radical : au lieu de programmer manuellement les milliers de r\u00e8gles d’une t\u00e2che (comme au temps h\u00e9ro\u00efque de TacAir-Soar) ou d’entra\u00eener des r\u00e9seaux de neurones sur des millions d’exemples massifs hors-ligne, un agent SOAR contemporain apprend des t\u00e2ches totalement in\u00e9dites en temps r\u00e9el, par interaction directe en langage naturel et multimodal avec un instructeur humain bienveillant. Gr\u00e2ce \u00e0 la synergie fusionn\u00e9e entre ses m\u00e9moires s\u00e9mantique et \u00e9pisodique, son syst\u00e8me visuo-spatial (SVS) et son moteur universel de sous-buts :<\/p>\n Ce programme de recherche place SOAR sur la voie royale de l’Intelligence Artificielle G\u00e9n\u00e9rale (AGI) : une intelligence non pas fa\u00e7onn\u00e9e pour exceller dans une t\u00e2che unique et ferm\u00e9e (comme battre le champion du monde de Go), mais con\u00e7ue pour appr\u00e9hender une infinit\u00e9 de t\u00e2ches impr\u00e9vues avec la plasticit\u00e9, l’\u00e9conomie d’\u00e9chantillonnage et la flexibilit\u00e9 dialogique propres aux organismes cognitifs sup\u00e9rieurs.<\/p>\n Au terme de cette analyse approfondie, une question \u00e9pist\u00e9mologique fondamentale s’impose avec acuit\u00e9 : le projet grandiose d’une Th\u00e9orie Unifi\u00e9e de la Cognition<\/em> port\u00e9 par Allen Newell a-t-il pleinement atteint ses objectifs ou a-t-il r\u00e9v\u00e9l\u00e9 la nature irr\u00e9ductiblement fractale et h\u00e9t\u00e9rog\u00e8ne de l’esprit ?<\/p>\n Le bilan ne saurait \u00eatre univoque. Si l’on \u00e9value le projet \u00e0 l’aune du r\u00e9ductionnisme initial le plus radical \u2014 l’espoir de Newell de r\u00e9duire l’int\u00e9gralit\u00e9 de l’esprit \u00e0 un syst\u00e8me de symboles physiques homog\u00e8ne o\u00f9 l’unique m\u00e9moire proc\u00e9durale et l’unique m\u00e9canisme de chunking<\/em> suffiraient \u00e0 tout expliquer \u2014, force est de constater que la nature a r\u00e9sist\u00e9 \u00e0 cette \u00e9pure th\u00e9orique. L’\u00e9volution m\u00eame de SOAR 1 vers SOAR 9 est l’histoire fascinante de capitulations et d’enrichissements successifs face \u00e0 la complexit\u00e9 du r\u00e9el : il a fallu r\u00e9introduire des m\u00e9moires s\u00e9mantique et \u00e9pisodique d\u00e9coupl\u00e9es, incorporer des activations sous-symboliques par renforcement statistique, greffer des moteurs g\u00e9om\u00e9triques continus et admettre que la perception ne se r\u00e9duit pas \u00e0 une liste de pr\u00e9dicats logiques discrets.<\/p>\n Pourtant, au regard de son ambition unificatrice fondamentale, SOAR s’impose comme un triomphe intellectuel sans \u00e9quivalent. Elle a prouv\u00e9 que la diversit\u00e9 foisonnante des facult\u00e9s mentales ne condamne pas les sciences cognitives au relativisme ou \u00e0 l’\u00e9parpillement m\u00e9thodologique infini. En conservant son noyau d\u00e9cisionnel invariable fond\u00e9 sur les espaces de probl\u00e8mes, la s\u00e9mantique rigoureuse des pr\u00e9f\u00e9rences, la m\u00e9tacognition r\u00e9flexive par les impasses et l’apprentissage par d\u00e9pendances causales, SOAR a r\u00e9ussi \u00e0 maintenir sous un m\u00eame toit computationnel coh\u00e9rent la perception, la d\u00e9duction, la simulation interne, l’apprentissage continu et l’action incarn\u00e9e. Quarante ans apr\u00e8s ses premiers balbutiements dans les bureaux de Carnegie Mellon, l’architecture SOAR d’Allen Newell et John Laird demeure un phare majestueux guidant la qu\u00eate s\u00e9culaire de l’humanit\u00e9 pour d\u00e9chiffrer le myst\u00e8re le plus profond de l’univers : l’architecture formelle de sa propre pens\u00e9e.<\/p>\n Anderson, J. R. (1993). Rules of the mind<\/em>. Lawrence Erlbaum Associates.<\/p>\n Anderson, J. R., Bothell, D., Byrne, M. D., Douglass, S., Lebiere, C., & Qin, Y. (2004). An integrated theory of the mind. Psychological Review<\/em>, 111(4), 1036\u20131060. https:\/\/doi.org\/10.1037\/0033-295X.111.4.1036<\/a><\/p>\n1. Introduction et gen\u00e8se historique de l’architecture SOAR<\/h2>\n
1.1 Le contexte intellectuel de la r\u00e9volution cognitive \u00e0 Carnegie Mellon<\/h3>\n
1.2 La collaboration s\u00e9minale entre Allen Newell et John Laird<\/h3>\n
1.3 D\u00e9finition \u00e9pist\u00e9mologique et objectifs du projet SOAR<\/h3>\n
2. Les fondements th\u00e9oriques : La th\u00e9orie unifi\u00e9e de la cognition<\/h2>\n
2.1 Le manifeste de Newell : ‘Unified Theories of Cognition’<\/h3>\n
2.2 L’hypoth\u00e8se du syst\u00e8me de symboles physiques<\/h3>\n
2.3 L’\u00e9chelle temporelle de l’action humaine<\/h3>\n
3. Architecture structurelle et composants fondamentaux<\/h2>\n
3.1 La repr\u00e9sentation par espaces de probl\u00e8mes (Problem Spaces)<\/h3>\n
3.2 Le syst\u00e8me de production et le moteur de r\u00e8gles<\/h3>\n
3.3 La m\u00e9moire de travail (Working Memory) et ses graphes<\/h3>\n
(Identifiant ^Attribut Valeur)<\/code>. Par exemple, une observation perceptive indiquant qu’un objet est cubique et rouge sera cod\u00e9e sous forme de plusieurs WMEs connect\u00e9s au m\u00eame identifiant racine : (O1 ^type bloc)<\/code>, (O1 ^forme cube)<\/code>, (O1 ^couleur rouge)<\/code>.<\/p>\n4. Organisation mn\u00e9sique : Syst\u00e8mes \u00e0 court terme et \u00e0 long terme<\/h2>\n
4.1 La m\u00e9moire proc\u00e9durale comme c\u0153ur d’action<\/h3>\n
4.2 L’int\u00e9gration de la m\u00e9moire s\u00e9mantique<\/h3>\n
4.3 La m\u00e9moire \u00e9pisodique et la capture temporelle<\/h3>\n
5. Le cycle cognitif de d\u00e9cision et d’action<\/h2>\n
5.1 La phase d’\u00e9laboration<\/h3>\n
5.2 La phase de d\u00e9cision et la s\u00e9mantique des pr\u00e9f\u00e9rences<\/h3>\n
\n
5.3 L’ex\u00e9cution motrice et la r\u00e9troaction perceptive<\/h3>\n
6. La gestion des impasses et la cr\u00e9ation universelle de sous-buts<\/h2>\n
6.1 Typologie syst\u00e9matique des impasses d\u00e9cisionnelles<\/h3>\n
\n
6.2 G\u00e9n\u00e9ration automatique d’architectures de sous-\u00e9tats<\/h3>\n
6.3 R\u00e9solution de l’impasse et retour au niveau parent<\/h3>\n
7. Le m\u00e9canisme d’apprentissage paradigmatique : Le Chunking<\/h2>\n
7.1 D\u00e9finition computationnelle et origine th\u00e9orique de l’agr\u00e9gation<\/h3>\n
7.2 Fonctionnement m\u00e9canique de la cr\u00e9ation de chunks<\/h3>\n
T42<\/code> ne pouvait supporter la charge du moteur M108<\/code> parce que le poids de ce dernier exc\u00e9dait un seuil critique, la r\u00e8gle cr\u00e9\u00e9e formulera une abstraction : pour tout support $X$<\/span> et pour toute charge $Y$<\/span>, si le poids de $Y$<\/span> est sup\u00e9rieur \u00e0 la tol\u00e9rance de $X$<\/span>, alors rejeter l’op\u00e9rateur d’installation. Cette r\u00e8gle compil\u00e9e \u2014 le chunk<\/em> \u2014 est instantan\u00e9ment compil\u00e9e dans le r\u00e9seau Rete de la m\u00e9moire proc\u00e9durale, disponible d\u00e8s le cycle cognitif subs\u00e9quent.<\/p>\n7.3 Impact psychologique sur la performance et l’automatisation<\/h3>\n
8. L’\u00e9volution de l’architecture : De SOAR 1 \u00e0 SOAR 9<\/h2>\n
8.1 Les premi\u00e8res g\u00e9n\u00e9rations : SOAR 1 \u00e0 5<\/h3>\n
8.2 La transition vers les syst\u00e8mes temps r\u00e9el : SOAR 6 \u00e0 8<\/h3>\n
input-link<\/code> et output-link<\/code>) ont \u00e9t\u00e9 d\u00e9coupl\u00e9es du moteur d’inf\u00e9rence profond.<\/p>\n8.3 SOAR 9 et l’int\u00e9gration non symbolique contemporaine<\/h3>\n
9. SOAR dans le paysage des architectures cognitives : Analyse comparative<\/h2>\n
9.1 SOAR face \u00e0 ACT-R de John Anderson<\/h3>\n
\n
9.2 Confrontation avec le paradigme connexionniste et le Deep Learning<\/h3>\n
9.3 SOAR et les architectures robotiques modernes<\/h3>\n
bloc<\/code>, rouge<\/code> ou saisir<\/code> peuvent-ils acqu\u00e9rir un sens intrins\u00e8que r\u00e9el sans \u00eatre connect\u00e9s de mani\u00e8re continue aux boucles sensorimotrices de bas niveau de l’organisme ? Dans les premi\u00e8res tentatives d’int\u00e9gration robotique, SOAR souffrait d’une d\u00e9connexion temporelle : le temps que le moteur de production d\u00e9cide symboliquement de la trajectoire d’\u00e9vitement, le robot physique avait d\u00e9j\u00e0 percut\u00e9 l’obstacle cin\u00e9tique.<\/p>\n10. Applications concr\u00e8tes en sciences cognitives et intelligence artificielle<\/h2>\n
10.1 Mod\u00e9lisation de la psychologie humaine et ergonomie cognitive<\/h3>\n
DONALD + GERALD = ROBERT<\/code>) \u00e0 l’acquisition de strat\u00e9gies expertes dans le jeu d’\u00e9checs, en passant par les t\u00e2ches de m\u00e9morisation de s\u00e9quences alphab\u00e9tiques ou num\u00e9riques.<\/p>\n10.2 Les agents virtuels intelligents et TacAir-Soar<\/h3>\n
\n
10.3 Traitement du langage naturel et compr\u00e9hension de texte<\/h3>\n
11. Critiques \u00e9pist\u00e9mologiques, limites computationnelles et controverses<\/h2>\n
11.1 Le probl\u00e8me de l’utilit\u00e9 des connaissances acquises (Utility Problem)<\/h3>\n
\n
11.2 L’ancrage des symboles et la ph\u00e9nom\u00e9nologie de la conscience<\/h3>\n
11.3 Complexit\u00e9 de programmation et accessibilit\u00e9 m\u00e9thodologique<\/h3>\n
\n
12. L’h\u00e9ritage intellectuel d’Allen Newell et l’avenir de SOAR<\/h2>\n
12.1 L’impact durable sur les th\u00e9ories cognitives computationnelles<\/h3>\n
12.2 Les axes actuels de recherche sous la direction de John Laird<\/h3>\n
\n
12.3 Bilan de la vision de Newell : O\u00f9 en est l’unification cognitive ?<\/h3>\n
R\u00e9f\u00e9rences<\/h2>\n