La question de la nature de la pens\u00e9e et de sa mod\u00e9lisation formelle constitue l’un des axes cardinaux des sciences computationnelles contemporaines. Depuis la formalisation math\u00e9matique de l’esprit initi\u00e9e au milieu du XXe si\u00e8cle, la mod\u00e9lisation cognitive tente d’\u00e9lucider une \u00e9nigme fondamentale : par quels m\u00e9canismes computationnels des syst\u00e8mes physiques peuvent-ils engendrer la perception, le langage, l’abstraction et le raisonnement logique ? Pour r\u00e9pondre \u00e0 ce d\u00e9fi \u00e9pist\u00e9mologique, deux paradigmes rivaux et compl\u00e9mentaires ont vu le jour, structurant des d\u00e9cennies de d\u00e9bats th\u00e9oriques, d’innovations m\u00e9thodologiques et de confrontations empiriques au sein de la psychologie cognitive, de la linguistique et de l’intelligence artificielle.<\/p>\n
D’un c\u00f4t\u00e9, l’approche symbolique classique, souvent qualifi\u00e9e de fonctionnaliste ou de computationnalisme orthodoxe, postule que la cognition s’articule autour de la manipulation syntaxique de symboles formels discrets. H\u00e9riti\u00e8re de la logique math\u00e9matique de Frege et de Russell ainsi que de la formalisation de la machine universelle de Turing<\/a>, cette \u00e9cole con\u00e7oit l’esprit humain \u00e0 l’image d’un ordinateur s\u00e9quentiel ex\u00e9cutant des algorithmes logiques sur des structures de donn\u00e9es propositionnelles. De l’autre c\u00f4t\u00e9, le connexionnisme, revivifi\u00e9 sous les auspices contemporains des r\u00e9seaux de neurones profonds et de l’apprentissage automatique statistique, rejette le primat de la r\u00e8gle logique explicite au profit d’un traitement distribu\u00e9 en parall\u00e8le inspir\u00e9 de l’architecture micro-structurelle du syst\u00e8me nerveux central. Dans ce second paradigme, l’intelligence \u00e9merge de la dynamique non lin\u00e9aire d’un grand nombre d’unit\u00e9s de calcul \u00e9l\u00e9mentaires connect\u00e9es par des poids synaptiques continuellement ajust\u00e9s par l’exp\u00e9rience.<\/p>\n Cette confrontation th\u00e9orique d\u00e9passe largement la simple querelle d’ing\u00e9nierie logicielle ou d’efficacit\u00e9 op\u00e9rationnelle appliqu\u00e9e aux donn\u00e9es massives. Elle touche aux fondements ontologiques de la cognition : la pens\u00e9e humaine est-elle intrins\u00e8quement propositionnelle, combinatoire et explicable en vertu d’une grammaire universelle interne, ou est-elle le r\u00e9sultat d’une g\u00e9om\u00e9trie statistique hautement multidimensionnelle, capable d’induire des r\u00e9gularit\u00e9s floues \u00e0 partir de l’interaction sensorimotrice avec le monde ? Cet article explore exhaustivement les architectures, les implications philosophiques et les d\u00e9veloppements actuels de l’IA symbolique et des r\u00e9seaux de neurones appliqu\u00e9s \u00e0 la mod\u00e9lisation cognitive, afin d’esquisser les contours d’une synth\u00e8se unifi\u00e9e au sein des sciences de l’esprit.<\/p>\n La mod\u00e9lisation cognitive se distingue de l’intelligence artificielle purement orient\u00e9e vers la performance d’ing\u00e9nierie par son engagement empirique et \u00e9pist\u00e9mique envers la r\u00e9alit\u00e9 biologique et psychologique de l’esprit. Alors que l’intelligence artificielle appliqu\u00e9e vise \u00e0 optimiser la r\u00e9solution d’une t\u00e2che donn\u00e9e sans consid\u00e9ration n\u00e9cessaire pour les contraintes psychologiques humaines, la mod\u00e9lisation cognitive cherche \u00e0 formuler des th\u00e9ories algorithmiques pr\u00e9cises capables de reproduire, de pr\u00e9dire et d’expliquer les comportements observ\u00e9s chez les organismes vivants : temps de r\u00e9action, patrons d’erreurs syst\u00e9matiques, limitations de la m\u00e9moire de travail et \u00e9tapes du d\u00e9veloppement de l’enfant.<\/p>\n Au c\u0153ur de cette discipline se trouve l’opposition matricielle entre le paradigme symbolique et le paradigme sous-symbolique. L’intelligence artificielle symbolique, souvent d\u00e9sign\u00e9e sous l’acronyme GOFAI (Good Old-Fashioned Artificial Intelligence<\/em>), s’est cristallis\u00e9e dans la seconde moiti\u00e9 des ann\u00e9es 1950, principalement lors de la c\u00e9l\u00e8bre conf\u00e9rence de Dartmouth en 1956. Port\u00e9e par des pionniers tels qu’Herbert Simon, Allen Newell, John McCarthy et Marvin Minsky, cette approche postule un fonctionnalisme structural : la pens\u00e9e est une op\u00e9ration m\u00e9canique sur des symboles arbitraires d\u00e9nu\u00e9s de sens mat\u00e9riel intrins\u00e8que mais dot\u00e9s d’une syntaxe rigoureuse. Les symboles repr\u00e9sentent des objets, des relations ou des concepts du monde r\u00e9el, et leur composition r\u00e9pond aux lois de la logique formelle. Cette conception d\u00e9coule directement des fondations pos\u00e9es par la th\u00e9orie de la calculabilit\u00e9 et par les th\u00e9or\u00e8mes d’incompl\u00e9tude de G\u00f6del, postulant que tout raisonnement rationnel peut \u00eatre discr\u00e9tis\u00e9 et transcrit sous la forme d’un programme informatique proc\u00e9dural.<\/p>\n Concomitamment, mais en marge de ce courant dominant initial, le paradigme sous-symbolique ou connexionniste a puis\u00e9 sa source dans les travaux pionniers de Warren McCulloch et Walter Pitts en 1943, ainsi que dans les propositions de Donald Hebb en 1949 relatives \u00e0 la plasticit\u00e9 synaptique. Ce paradigme con\u00e7oit l’activit\u00e9 mentale non pas comme l’application d\u00e9terministe de r\u00e8gles syntaxiques sur des symboles atomiques, mais comme la r\u00e9sultante macroscopique d’interactions num\u00e9riques locales au sein d’un maillage r\u00e9ticulaire dense d’unit\u00e9s simples. Les repr\u00e9sentations y sont dites sous-symboliques dans la mesure o\u00f9 aucun n\u0153ud isol\u00e9 du r\u00e9seau ne porte de signification conceptuelle univoque ; la signification est distribu\u00e9e sous forme de vecteurs d’activation \u00e0 travers l’ensemble du r\u00e9seau. L’int\u00e9r\u00eat \u00e9pist\u00e9mologique de comparer ces deux cadres r\u00e9side dans le fait qu’ils incarnent deux lectures orthogonales de la causalit\u00e9 cognitive : d’une part, une causalit\u00e9 descendante (top-down<\/em>) r\u00e9gie par des structures logiques de haut niveau impos\u00e9es au syst\u00e8me, d’autre part, une causalit\u00e9 ascendante (bottom-up<\/em>) o\u00f9 les r\u00e9gularit\u00e9s abstraites \u00e9mergent organiquement de la dynamique statistique du substrat mat\u00e9riel.<\/p>\n L’histoire de la science cognitive computationnelle est scand\u00e9e par des phases d’h\u00e9g\u00e9monie th\u00e9orique et de vives controverses id\u00e9ologiques. Apr\u00e8s une premi\u00e8re vague d’enthousiasme pour les r\u00e9seaux neuronaux simples avec le Perceptron de Frank Rosenblatt dans les ann\u00e9es 1950, la publication de l’ouvrage critique de Marvin Minsky et Seymour Papert en 1969 porta un coup s\u00e9v\u00e8re au connexionnisme pr\u00e9coce. En d\u00e9montrant formellement l’incapacit\u00e9 d’un perceptron monocouche \u00e0 r\u00e9soudre des fonctions non lin\u00e9airement s\u00e9parables telles que le OU exclusif (XOR), Minsky et Papert marginalis\u00e8rent durablement le paradigme sous-symbolique au profit d’une domination \u00e9crasante de l’IA symbolique durant pr\u00e8s de deux d\u00e9cennies.<\/p>\n Il fallut attendre le milieu des ann\u00e9es 1980 pour que le connexionnisme renaisse de mani\u00e8re spectaculaire, catalys\u00e9 par la formalisation de l’algorithme de r\u00e9tropropagation du gradient par David Rumelhart, Geoffrey Hinton et Ronald Williams, ainsi que par la publication en 1986 de l’ouvrage fondateur du groupe PDP (Parallel Distributed Processing<\/em>) dirig\u00e9 par David Rumelhart et James McClelland. Cette r\u00e9\u00e9mergence suscita une riposte intellectuelle vigoureuse de la part des tenants du computationnisme classique. Le point culminant de cette rivalit\u00e9 historique s’incarna dans l’article s\u00e9minal de Jerry Fodor et Zenon Pylyshyn publi\u00e9 en 1988 dans la revue Cognition<\/em>, intitul\u00e9 Connectionism and cognitive architecture: A critical analysis<\/em>.<\/p>\n Fodor et Pylyshyn y d\u00e9velopp\u00e8rent une attaque ontologique contre le mod\u00e8le connexionniste, articul\u00e9e autour de trois propri\u00e9t\u00e9s fondamentales de l’esprit humain : la productivit\u00e9, la compositionnalit\u00e9 et la syst\u00e9maticit\u00e9. Selon eux, l’esprit est capable de g\u00e9n\u00e9rer un nombre infini de pens\u00e9es distinctes \u00e0 partir d’un ensemble fini de primitives symboliques (productivit\u00e9). De surcro\u00eet, la signification d’une pens\u00e9e complexe d\u00e9pend directement de la signification de ses parties constituantes et des r\u00e8gles syntaxiques combinatoires qui les unissent (compositionnalit\u00e9). Enfin, la capacit\u00e9 de concevoir une relation donn\u00e9e implique intrins\u00e8quement la capacit\u00e9 de concevoir sa transposition structurelle : quiconque est capable de comprendre la proposition \u00ab Jean aime Marie \u00bb est structurellement capable de comprendre la proposition \u00ab Marie aime Jean \u00bb (syst\u00e9matique). Fodor et Pylyshyn affirm\u00e8rent que les r\u00e9seaux connexionnistes, en op\u00e9rant par de simples associations statistiques vectorielles, ne pouvaient manifester une telle syst\u00e9maticit\u00e9 intrins\u00e8que sans recourir \u00e0 un codage symbolique sous-jacent, rel\u00e9guant au mieux le connexionnisme au rang de simple technologie d’impl\u00e9mentation mat\u00e9rielle de l’architecture symbolique classique. Cette querelle s’est trouv\u00e9e profond\u00e9ment reconfigur\u00e9e au XXIe si\u00e8cle sous l’impulsion de l’apprentissage profond (Deep Learning<\/em>), qui a d\u00e9montr\u00e9 des capacit\u00e9s empiriques stup\u00e9fiantes dans le traitement du langage naturel et de la vision, relan\u00e7ant avec acuit\u00e9 le d\u00e9bat sur l’\u00e9mergence spontan\u00e9e de structures compositionnelles au sein d’architectures purement neuronales.<\/p>\n Pour clarifier ce d\u00e9bat \u00e9pist\u00e9mologique et d\u00e9passer les antagonismes m\u00e9thodologiques st\u00e9riles, l’int\u00e9gration du cadre conceptuel propos\u00e9 par le neuroscientifique David Marr dans son ouvrage Vision<\/em> (1982) s’av\u00e8re indispensable. Marr a formalis\u00e9 une grille de lecture triadique stipulant que tout syst\u00e8me de traitement de l’information complexe, qu’il soit biologique ou artificiel, doit \u00eatre analys\u00e9 \u00e0 trois niveaux distincts d’abstraction : le niveau computationnel, le niveau algorithmique et repr\u00e9sentationnel, et le niveau de l’impl\u00e9mentation physique.<\/p>\n Le premier niveau, dit computationnel<\/strong>, d\u00e9finit la finalit\u00e9 t\u00e9l\u00e9ologique du syst\u00e8me : quelle est la fonction math\u00e9matique calcul\u00e9e, quel est l’objectif global de la t\u00e2che, et quelle est la logique formelle qui sous-tend son accomplissement ? \u00c0 ce niveau d’analyse, l’approche symbolique et l’approche connexionniste peuvent parfois trouver un terrain d’accord, car toutes deux cherchent \u00e0 mod\u00e9liser des facult\u00e9s cognitives pr\u00e9cises, telles que la cat\u00e9gorisation d’objets, la planification d’itin\u00e9raires ou la s\u00e9lection lexicale lors de la parole. Les deux paradigmes tentent de caract\u00e9riser la mani\u00e8re dont des entr\u00e9es informationnelles sont transform\u00e9es en sorties adaptatives ad\u00e9quates par rapport aux exigences de l’environnement.<\/p>\n C’est au deuxi\u00e8me niveau, le niveau algorithmique et repr\u00e9sentationnel<\/strong>, que la divergence entre symbolistes et connexionnistes devient ontologiquement inconciliable. Ce niveau s’int\u00e9resse \u00e0 la forme concr\u00e8te des repr\u00e9sentations manipul\u00e9es et aux s\u00e9quences d’op\u00e9rations transformationnelles qui leur sont appliqu\u00e9es. Pour le paradigme symbolique, les repr\u00e9sentations sont form\u00e9es d’expressions discr\u00e8tes gouvern\u00e9es par une syntaxe stricte, et les algorithmes sont des instructions de manipulation de listes, des parcours d’arbres ou des applications de r\u00e8gles d’inf\u00e9rence d\u00e9ductive. \u00c0 l’inverse, pour le paradigme connexionniste, les repr\u00e9sentations sont des points dans des espaces m\u00e9triques continus \u00e0 haute dimension (vecteurs de r\u00e9els), et les algorithmes consistent en des multiplications matricielles, des passages \u00e0 travers des fonctions d’activation non lin\u00e9aires et des descentes de gradient stochastique. L’information n’y est pas manipul\u00e9e selon sa structure syntaxique explicite, mais en vertu de sa proximit\u00e9 g\u00e9om\u00e9trique et de sa r\u00e9sonance \u00e9nerg\u00e9tique globale.<\/p>\n Enfin, le troisi\u00e8me niveau, celui de l’impl\u00e9mentation physique<\/strong>, s’attache \u00e0 la r\u00e9alisation mat\u00e9rielle du syst\u00e8me : comment les algorithmes et les repr\u00e9sentations sont-ils concr\u00e8tement encod\u00e9s dans le substrat physique, qu’il s’agisse de circuits int\u00e9gr\u00e9s en silicium ou de r\u00e9seaux de neurones biologiques au sein du cortex c\u00e9r\u00e9bral ? Traditionnellement, l’IA symbolique revendiquait une th\u00e8se de r\u00e9alisabilit\u00e9 multiple radicale h\u00e9rit\u00e9e de la philosophie de l’esprit de Hilary Putnam : l’architecture formelle de l’esprit \u00e9tant ind\u00e9pendante du support mat\u00e9riel, la biologie neuronale n’\u00e9tait consid\u00e9r\u00e9e que comme un d\u00e9tail d’ing\u00e9nierie contingent sans valeur explicative pour la psychologie cognitive. \u00c0 l’oppos\u00e9, les connexionnistes postulent que les contraintes architecturales du syst\u00e8me nerveux central \u2013 son parall\u00e9lisme massif, sa vitesse de transmission \u00e9lectrochimique lente, son absence d’unit\u00e9 arithm\u00e9tique et logique centrale \u2013 dictent imp\u00e9rieusement la nature m\u00eame des algorithmes cognitifs viables. L’ignorance du niveau d’impl\u00e9mentation est vue par ces derniers comme une erreur fondamentale qui a conduit le mod\u00e8le symbolique \u00e0 postuler des m\u00e9canismes cognitifs biologiquement irr\u00e9alisables.<\/p>\n L’\u00e9difice th\u00e9orique de l’IA symbolique repose sur une pierre angulaire formul\u00e9e par Allen Newell et Herbert Simon lors de leur conf\u00e9rence du prix Turing en 1976 : l’Hypoth\u00e8se du Syst\u00e8me de Symboles Physiques<\/strong> (Physical Symbol System Hypothesis<\/em> ou PSSH). Selon cet \u00e9nonc\u00e9 aux ambitions universelles, un syst\u00e8me de symboles physiques poss\u00e8de les moyens n\u00e9cessaires et suffisants pour g\u00e9n\u00e9rer une action intelligente g\u00e9n\u00e9rale. Cette hypoth\u00e8se ne constitue pas une simple m\u00e9taphore po\u00e9tique comparant l’esprit \u00e0 une machine, mais un th\u00e9or\u00e8me \u00e9pist\u00e9mologique affirmant une \u00e9quivalence stricte de nature entre les processus de la pens\u00e9e humaine et les m\u00e9canismes informatiques de manipulation formelle de jetons symboliques.<\/p>\n Dans ce cadre, la nature des repr\u00e9sentations est rigoureusement d\u00e9finie. Un symbole est une entit\u00e9 physique distincte (un jeton ou token<\/em>) capable de d\u00e9signer ou de r\u00e9f\u00e9rer \u00e0 une entit\u00e9 externe ou interne. Les symboles peuvent \u00eatre assembl\u00e9s selon des r\u00e8gles de grammaire syntaxique pr\u00e9cises pour former des structures de donn\u00e9es complexes ou des expressions symboliques compos\u00e9es. Ces expressions poss\u00e8dent une s\u00e9mantique v\u00e9rifonctionnelle : la valeur de v\u00e9rit\u00e9 ou la signification d’un \u00e9nonc\u00e9 compos\u00e9 d\u00e9coule d\u00e9terministement de la signification de ses atomes constitutifs et des connecteurs logiques qui les unissent (conjonction, disjonction, n\u00e9gation, implication). La pens\u00e9e est donc conceptualis\u00e9e comme une d\u00e9rivation logique au sein d’un calcul propositionnel ou d’une logique des pr\u00e9dicats du premier ordre.<\/p>\n Sur le plan op\u00e9rationnel, l’intelligence se mat\u00e9rialise principalement \u00e0 travers des syst\u00e8mes de production<\/strong>. D\u00e9velopp\u00e9s initialement par Emil Post en math\u00e9matiques pures, les syst\u00e8mes de production appliqu\u00e9s \u00e0 la psychologie cognitive par Newell et Simon reposent sur des collections modulaires de r\u00e8gles dites \u00ab Condition-Action \u00bb ou r\u00e8gles \u00ab Si-Alors \u00bb (IF-THEN<\/em>). L’ex\u00e9cution d’un tel syst\u00e8me est r\u00e9gie par un cycle cognitif \u00e9l\u00e9mentaire en trois phases :<\/p>\n Gr\u00e2ce \u00e0 ce m\u00e9canisme purement syntaxique, le syst\u00e8me engendre un comportement t\u00e9l\u00e9ologique orient\u00e9 vers un but, simulant de fa\u00e7on remarquable les \u00e9tapes d\u00e9lib\u00e9ratives de la pens\u00e9e logique humaine.<\/p>\n Afin de transformer ces principes abstraits en mod\u00e8les empiriquement v\u00e9rifiables, les chercheurs en sciences cognitives computationnelles ont d\u00e9velopp\u00e9 des architectures cognitives unifi\u00e9es<\/strong>. Contrairement aux mod\u00e8les experts sp\u00e9cialis\u00e9s dans un domaine restreint, une architecture cognitive vise \u00e0 formaliser l’ensemble des m\u00e9canismes invariants de l’esprit humain \u00e0 travers une plateforme computationnelle unique capable de soutenir des simulations dans des domaines aussi divers que l’attention visuelle, l’arithm\u00e9tique mentale, la r\u00e9solution de probl\u00e8mes spatiaux ou le contr\u00f4le a\u00e9rien.<\/p>\n L’architecture paradigmatique la plus influente et la plus rigoureusement \u00e9prouv\u00e9e exp\u00e9rimentalement est ACT-R<\/a><\/strong> (Adaptive Control of Thought\u2013Rational<\/em>), con\u00e7ue par John R. Anderson \u00e0 l’Universit\u00e9 Carnegie Mellon. ACT-R impl\u00e9mente une distinction neuro-fonctionnelle majeure entre deux types de m\u00e9moire : la m\u00e9moire d\u00e9clarative et la m\u00e9moire proc\u00e9durale. La m\u00e9moire d\u00e9clarative stocke les faits et les connaissances sous la forme d’unit\u00e9s d’information discr\u00e8tes appel\u00e9es chunks<\/em>. Chaque chunk<\/em> poss\u00e8de un sch\u00e9ma fixe compos\u00e9 d’un type relationnel et d’attributs typ\u00e9s. La m\u00e9moire proc\u00e9durale, quant \u00e0 elle, encode le savoir-faire op\u00e9ratoire sous forme de r\u00e8gles de production. Ce qui conf\u00e8re \u00e0 ACT-R sa puissance explicative unique est l’adjonction syst\u00e9matique d’une couche sous-symbolique continue venant r\u00e9guler l’acc\u00e8s aux structures symboliques. L’activation d’un chunk<\/em> en m\u00e9moire de travail d\u00e9pend d’une \u00e9quation math\u00e9matique int\u00e9grant son historique d’utilisation pass\u00e9 (loi de la pratique et de l’oubli de Ebbinghaus) et sa pertinence contextuelle imm\u00e9diate calcul\u00e9e par propagation bay\u00e9sienne d’activation :<\/p>\n Cette composante subsymbolique permet \u00e0 ACT-R de pr\u00e9dire avec une pr\u00e9cision millim\u00e9trique les temps de r\u00e9action mesur\u00e9s chez des sujets humains lors d’exp\u00e9rimentations psychologiques, ainsi que les probabilit\u00e9s de rappel m\u00e9moriel et d’omission sous contrainte de temps. De plus, l’architecture ACT-R est modulaire, reliant ses m\u00e9moires \u00e0 des tampons d’acc\u00e8s (buffers<\/em>) synchronis\u00e9s avec des modules perceptifs (vision, audition) et moteurs, valid\u00e9s par des \u00e9tudes d’imagerie par r\u00e9sonance magn\u00e9tique fonctionnelle (IRMf) \u00e9tablissant des correspondances entre des modules sp\u00e9cifiques d’ACT-R et des structures c\u00e9r\u00e9brales anatomiques identifiables (telles que les ganglions de la base pour le d\u00e9clenchement des productions ou le cortex pr\u00e9frontal pour le module d’objectifs).<\/p>\n Une autre architecture fondamentale est Soar<\/a><\/strong> (originellement State, Operator And Result<\/em>), initi\u00e9e par John Laird, Allen Newell et Paul Rosenbloom. Soar postule que l’ensemble du comportement orient\u00e9 vers un but est conceptualis\u00e9 comme une recherche syst\u00e9matique au sein d’espaces d’\u00e9tats (state spaces<\/em>). Lorsque les connaissances proc\u00e9durales courantes d’un agent Soar sont insuffisantes pour d\u00e9terminer l’action suivante \u2013 une condition structurelle baptis\u00e9e \u00ab impasse \u00bb \u2013, l’architecture cr\u00e9e automatiquement un sous-objectif d’ordre sup\u00e9rieur (subgoaling<\/em>) afin de r\u00e9soudre cette ambigu\u00eft\u00e9 \u00e9pist\u00e9mique. Une fois l’impasse surmont\u00e9e par d\u00e9lib\u00e9ration et exploration m\u00e9tacognitive, Soar d\u00e9clenche un m\u00e9canisme d’apprentissage endog\u00e8ne nomm\u00e9 le chunking<\/em> : le syst\u00e8me compile la trajectoire de r\u00e9solution du sous-but en une nouvelle r\u00e8gle de production unitaire synth\u00e9tique. Ainsi, la confrontation future \u00e0 une situation contextuelle identique n’engendrera plus aucune impasse d\u00e9lib\u00e9rative mais d\u00e9clenchera imm\u00e9diatement l’ex\u00e9cution directe de l’action idoine. Soar formalise ainsi une th\u00e9orie puissante de la transition de la performance r\u00e9flexive novice vers l’automatisme expert.<\/p>\n Les succ\u00e8s analytiques de l’IA symbolique dans la mod\u00e9lisation cognitive sont ind\u00e9niables. Sa force premi\u00e8re r\u00e9side dans sa totale transparence explicative<\/strong>. Chaque \u00e9tape computationnelle au sein d’un syst\u00e8me \u00e0 base de r\u00e8gles est intrins\u00e8quement d\u00e9chiffrable et v\u00e9rifiable : il est possible d’isoler avec une exactitude absolue la r\u00e8gle de production mobilis\u00e9e, l’\u00e9tat pr\u00e9cis des variables syntaxiques et le graphe de d\u00e9pendance causal ayant conduit \u00e0 une d\u00e9duction ou \u00e0 une d\u00e9cision. Cette propri\u00e9t\u00e9 conf\u00e8re aux mod\u00e8les symboliques une pertinence clinique et ergonomique majeure lorsqu’il s’agit d’analyser l’\u00e9tiologie d’un raisonnement erron\u00e9 ou d’auditer la s\u00e9curit\u00e9 d\u00e9cisionnelle d’un syst\u00e8me homme-machine critique. De plus, l’approche symbolique excelle dans l’apprentissage dit \u00ab \u00e0 coup unique \u00bb (one-shot learning<\/em>) : l’insertion explicite d’une seule r\u00e8gle logique ou d’un nouvel axiome transforme instantan\u00e9ment le comportement global du syst\u00e8me, mod\u00e9lisant avec fid\u00e9lit\u00e9 la capacit\u00e9 humaine \u00e0 comprendre une consigne formelle in\u00e9dite ou \u00e0 assimiler une contrainte juridique nouvelle sans requ\u00e9rir des millions d’exemples empiriques pr\u00e9alables.<\/p>\n Cependant, le mod\u00e8le symbolique s’est heurt\u00e9 \u00e0 des impasses \u00e9pist\u00e9mologiques et computationnelles qui ont gravement \u00e9rod\u00e9 sa pr\u00e9tention \u00e0 incarner une th\u00e9orie compl\u00e8te de la cognition. La plus redoutable de ces apories est connue sous le nom de probl\u00e8me de l’ancrage des symboles<\/strong> (Symbol Grounding Problem<\/em>), rigoureusement th\u00e9oris\u00e9 par le philosophe et cogniticien Stevan Harnad en 1990. Harnad pose une question d\u00e9vastatrice : comment les symboles formels manipul\u00e9s \u00e0 l’int\u00e9rieur d’un syst\u00e8me clos peuvent-ils acqu\u00e9rir une quelconque signification intrins\u00e8que par rapport aux entit\u00e9s physiques r\u00e9elles du monde ext\u00e9rieur ?<\/p>\n Dans un syst\u00e8me purement symbolique, un symbole tel que \u00ab CHEVAL \u00bb n’est reli\u00e9 qu’\u00e0 d’autres symboles arbitraires, par exemple \u00ab A_QUATRE_PATTES \u00bb et \u00ab ANIMAL_HERBIVORE \u00bb. Le syst\u00e8me est prisonnier d’une circularit\u00e9 herm\u00e9neutique infinie, comparable \u00e0 un individu cherchant \u00e0 comprendre le sens d’un dictionnaire r\u00e9dig\u00e9 dans une langue inconnue \u00e0 l’aide d’un lexique r\u00e9dig\u00e9 dans cette m\u00eame langue inconnue. Sans connexion causale directe, ph\u00e9nom\u00e9nologique et perceptive entre le jeton symbolique abstrait et le flux sensorimoteur issu de l’environnement, le syst\u00e8me manipule des \u00e9tiquettes syntaxiques vides, d\u00e9pourvues d’intentionnalit\u00e9 intrins\u00e8que, illustrant l’exp\u00e9rience de pens\u00e9e de la \u00ab Chambre Chinoise \u00bb propos\u00e9e par John Searle en 1980.<\/p>\n Par ailleurs, l’IA symbolique manifeste une sensibilit\u00e9 pathologique au bruit<\/strong> et une fragilit\u00e9 structurelle (brittleness<\/em>) insurmontable face \u00e0 la complexit\u00e9 du monde r\u00e9el. Parce que sa logique repose sur des conditions bool\u00e9ennes strictes, une infime variation dans les entr\u00e9es sensorielles (une ombre impr\u00e9vue sur une image, une syllabe mal prononc\u00e9e, une pr\u00e9misse l\u00e9g\u00e8rement incoh\u00e9rente) emp\u00eache l’appariement syntaxique de s’op\u00e9rer, provoquant l’interruption brutale du programme ou l’inf\u00e9rence de contradictions catastrophiques (principe d’explosion de la logique classique o\u00f9 du faux peut d\u00e9couler n’importe quelle proposition). Les syst\u00e8mes de r\u00e8gles s’av\u00e8rent incapables d’absorber la fluidit\u00e9, le flou conceptuel et la d\u00e9gradation graduelle qui caract\u00e9risent pourtant la perception et l’action chez les organismes biologiques.<\/p>\n En rupture frontale avec la conception s\u00e9quentielle et logique de l’IA symbolique, le connexionnisme propose de mod\u00e9liser les \u00e9tats mentaux sous la forme de configurations d’activation \u00e9mergeant d’un maillage r\u00e9ticulaire hautement intriqu\u00e9. Le cadre th\u00e9orique du Traitement Distribu\u00e9 en Parall\u00e8le<\/strong> (PDP), formalis\u00e9 par David Rumelhart et James McClelland, repose sur une axiomatique computationnelle radicalement diff\u00e9rente, articul\u00e9e autour de huit composants constitutifs :<\/p>\n La distinction la plus profonde avec le computationnisme classique r\u00e9side dans l’adoption de repr\u00e9sentations distribu\u00e9es<\/strong>. Alors qu’un syst\u00e8me symbolique encode le concept de \u00ab chat \u00bb via un n\u0153ud localis\u00e9 unique ou un identifiant textuel immuable, un r\u00e9seau PDP encode ce concept sous la forme d’un motif complexe d’activation distribu\u00e9 sur des centaines ou des millions d’unit\u00e9s de calcul. R\u00e9ciproquement, chaque unit\u00e9 individuelle participe simultan\u00e9ment \u00e0 l’encodage d’une multitude d’autres concepts distincts (\u00ab chien \u00bb, \u00ab fourrure \u00bb, \u00ab carnivore \u00bb). Le sens n’est plus log\u00e9 dans un symbole isol\u00e9, mais \u00e9merge de la position occup\u00e9e par le vecteur d’activation global dans un espace vectoriel continu \u00e0 tr\u00e8s haute dimension (embedding space<\/em>).<\/p>\n Le calcul cognitif ne proc\u00e8de plus par d\u00e9rivation d\u00e9ductive d’\u00e9tape en \u00e9tape le long d’une cha\u00eene logique, mais par l’\u00e9volution dynamique d’un syst\u00e8me non lin\u00e9aire tendant vers un attracteur ou un \u00e9tat d’\u00e9quilibre \u00e9nerg\u00e9tique minimal. Dans des architectures telles que les r\u00e9seaux de Hopfield ou les machines de Boltzmann, le traitement cognitif s’apparente \u00e0 une satisfaction douce de contraintes multiples (soft constraint satisfaction<\/em>) : le r\u00e9seau \u00e9value en parall\u00e8le d’innombrables indices contextuels partiellement contradictoires, convergeant naturellement vers l’interpr\u00e9tation s\u00e9mantique globale la plus plausible qui minimise l’\u00e9nergie libre ou l’erreur globale de reconstruction.<\/p>\n L’attrait irr\u00e9sistible du mod\u00e8le connexionniste pour les neurosciences cognitives tient \u00e0 son enracinement dans les principes architecturaux du tissu c\u00e9r\u00e9bral. Le cerveau humain h\u00e9berge environ 86 milliards de neurones, chacun \u00e9tant connect\u00e9 en moyenne \u00e0 dix mille synapses, fonctionnant avec une cadence d’oscillation temporelle remarquablement lente (de l’ordre de quelques millisecondes) par rapport aux microprocesseurs modernes cadenc\u00e9s en gigahertz. Malgr\u00e9 cette lenteur \u00e9lectrophysiologique relative, l’esprit humain parvient \u00e0 identifier un visage familier ou \u00e0 cat\u00e9goriser une sc\u00e8ne visuelle complexe en moins de 150 millisecondes. Ce constat empirique \u2013 connu historiquement sous le nom de \u00ab contrainte des cent \u00e9tapes \u00bb formul\u00e9e par Jerome Feldman \u2013 rend hautement improbable l’ex\u00e9cution d’algorithmes symboliques s\u00e9quentiels n\u00e9cessitant des millions de d\u00e9ductions logiques successives pour parvenir \u00e0 une d\u00e9cision perceptive.<\/p>\n Au c\u0153ur du paradigme connexionniste r\u00e9side le principe d’apprentissage inductif continu<\/strong>. Contrairement aux syst\u00e8mes experts n\u00e9cessitant l’explicitation manuelle laborieuse de r\u00e8gles d’inf\u00e9rence par un ing\u00e9nieur cogniticien, les r\u00e9seaux de neurones extraient de fa\u00e7on autonome les r\u00e9gularit\u00e9s statistiques latentes \u00e0 partir d’\u00e9chantillons perceptifs bruts. Ce processus s’appuie historiquement sur les intuitions de Donald Hebb (1949), synth\u00e9tis\u00e9es dans la maxime selon laquelle des neurones qui s’activent ensemble renforcent leurs connexions mutuelles (Neurons that fire together, wire together<\/em>). Cette plasticit\u00e9 synaptique hebbienne, confirm\u00e9e biologiquement par la d\u00e9couverte de la potentialisation \u00e0 long terme (LTP), permet au r\u00e9seau d’apprendre des associations contextuelles sans aucune supervision externe.<\/p>\n Cette approche a culmin\u00e9 avec le d\u00e9veloppement d’algorithmes d’apprentissage supervis\u00e9, semi-supervis\u00e9 et autosupervis\u00e9 d’une extraordinaire sophistication math\u00e9matique. La r\u00e9tropropagation du gradient d’erreur (error backpropagation<\/em>) permet de propager le diff\u00e9rentiel entre la pr\u00e9diction vectorielle g\u00e9n\u00e9r\u00e9e par le r\u00e9seau et l’\u00e9tat empirique attendu depuis les couches de sortie jusqu’aux couches sensorielles profondes. Par application rigoureuse du th\u00e9or\u00e8me de d\u00e9rivation en cha\u00eene du calcul diff\u00e9rentiel infinit\u00e9simal, le r\u00e9seau ajuste incr\u00e9mentalement l’int\u00e9gralit\u00e9 de ses param\u00e8tres synaptiques afin de minimiser une fonction de co\u00fbt empirique :<\/p>\n Gr\u00e2ce \u00e0 cette dynamique d’optimisation continue, les r\u00e9seaux de neurones manifestent une propri\u00e9t\u00e9 cognitive fondamentale observ\u00e9e chez les \u00eatres vivants : la d\u00e9gradation progressive des performances<\/strong> (graceful degradation<\/em>). Si l’on applique une l\u00e9sion structurelle partielle \u00e0 un r\u00e9seau connexionniste (destruction al\u00e9atoire de n\u0153uds ou perturbation gaussienne des poids synaptiques), le mod\u00e8le ne s’effondre pas de fa\u00e7on catastrophique comme le ferait un programme informatique traditionnel confront\u00e9 \u00e0 une instruction corrompue. Au contraire, ses performances d\u00e9clinent de mani\u00e8re diffuse, douce et proportionnelle \u00e0 l’ampleur du traumatisme inflig\u00e9, reproduisant fid\u00e8lement les tableaux cliniques observ\u00e9s en neuropsychologie humaine lors d’accidents vasculaires c\u00e9r\u00e9braux ou d’affections neurod\u00e9g\u00e9n\u00e9ratives affectant la m\u00e9moire s\u00e9mantique.<\/p>\n En d\u00e9pit de leur puissance ph\u00e9nom\u00e9nologique et de leurs triomphes empiriques contemporains dans le domaine des technologies num\u00e9riques, les r\u00e9seaux de neurones se heurtent \u00e0 des limitations conceptuelles majeures lorsqu’on cherche \u00e0 les \u00e9riger en mod\u00e8le explicatif exhaustif de l’appareil cognitif humain. La premi\u00e8re de ces apories concerne l’opacit\u00e9 computationnelle<\/strong>, couramment d\u00e9sign\u00e9e sous l’appellation d’\u00ab effet bo\u00eete noire \u00bb (black-box problem<\/em>). Bien que l’architecture globale d’un r\u00e9seau profond et ses fonctions math\u00e9matiques constituantes soient parfaitement transparentes et d\u00e9terministes, la nature pr\u00e9cise des repr\u00e9sentations internes distribu\u00e9es \u00e0 travers des dizaines de millions d’hyperparam\u00e8tres demeure largement inaccessible \u00e0 une interpr\u00e9tation s\u00e9mantique univoque. Dans la perspective de l’\u00e9pist\u00e9mologie des sciences, un mod\u00e8le dont on ne peut d\u00e9duire analytiquement la logique interne des repr\u00e9sentations ne constitue pas une v\u00e9ritable explication th\u00e9orique d’un processus psychologique, mais plut\u00f4t une m\u00e9taphore num\u00e9rique opaque qui mime la performance empirique sans \u00e9clairer les m\u00e9canismes sous-jacents.<\/p>\n La deuxi\u00e8me limitation fondamentale, document\u00e9e d\u00e8s la fin des ann\u00e9es 1980 par Michael McCloskey et Neal Cohen, est le ph\u00e9nom\u00e8ne d’oubli catastrophique<\/strong> (catastrophic forgetting<\/em> ou catastrophic interference<\/em>). Lorsque l’on entra\u00eene un r\u00e9seau de neurones standard sur une nouvelle t\u00e2che perceptive apr\u00e8s qu’il a ma\u00eetris\u00e9 une t\u00e2che ant\u00e9rieure, l’ajustement global des poids synaptiques requis pour int\u00e9grer les nouvelles r\u00e9gularit\u00e9s \u00e9crase de mani\u00e8re instantan\u00e9e et irr\u00e9m\u00e9diable les patrons synaptiques sous-tendant la m\u00e9moire de la t\u00e2che premi\u00e8re. Ce comportement est diam\u00e9tralement oppos\u00e9 \u00e0 la dynamique de la m\u00e9moire humaine, capable d’apprentissage continu et cumulatif sans d\u00e9truire les acquis mn\u00e9siques biographiques ou conceptuels anciens. Si le cerveau biologique r\u00e9sout cette difficult\u00e9 par une architecture complexe \u00e0 double syst\u00e8me (th\u00e9orie des m\u00e9moires compl\u00e9mentaires associant l’encodage rapide et transitoire de l’hippocampe \u00e0 la consolidation lente et stable du n\u00e9ocortex), les r\u00e9seaux connexionnistes \u00e9l\u00e9mentaires \u00e9chouent \u00e0 reproduire cette stabilit\u00e9 structurelle sans adjonction de m\u00e9canismes compensatoires complexes.<\/p>\n Enfin, la critique formul\u00e9e par Fodor et Pylyshyn demeure une pierre d’achoppement conceptuelle irr\u00e9solue. Les r\u00e9seaux de neurones \u00e9prouvent des difficult\u00e9s chroniques \u00e0 garantir une v\u00e9ritable g\u00e9n\u00e9ralisation hors distribution<\/strong> (out-of-distribution generalization<\/em>) et \u00e0 appliquer de mani\u00e8re syst\u00e9matique des r\u00e8gles combinatoires abstraites lorsqu’ils sont confront\u00e9s \u00e0 des stimuli dont la forme structurelle n’a jamais \u00e9t\u00e9 rencontr\u00e9e dans les corpus d’entra\u00eenement statistique. Comme l’ont soulign\u00e9 Gary Marcus et de nombreux linguistes g\u00e9n\u00e9ratifs chomskyens, un r\u00e9seau de neurones peut pr\u00e9dire avec brio la r\u00e9gularit\u00e9 statistique d’une suite lexicale sans pour autant poss\u00e9der une ma\u00eetrise conceptuelle explicite de la structure arborescente et hi\u00e9rarchique qui ordonne la syntaxe du langage naturel. Le r\u00e9seau demeure un puissant interpolateur g\u00e9om\u00e9trique \u00e0 l’int\u00e9rieur de sa vari\u00e9t\u00e9 de donn\u00e9es, mais peine \u00e0 extrapoler au-del\u00e0 selon les principes stricts du raisonnement d\u00e9ductif exact.<\/p>\n L’ab\u00eeme conceptuel qui s\u00e9pare les deux paradigmes s’enracine dans la texture m\u00eame des entit\u00e9s informationnelles qu’ils mobilisent et dans la nature temporelle et causale de leurs calculs. Pour l’IA symbolique, les repr\u00e9sentations sont atomiques, discr\u00e8tes, univoques et spatialement localis\u00e9es<\/strong>. Un symbole correspond \u00e0 un r\u00e9f\u00e9rent identifiable et s’articule avec d’autres au sein d’une combinatoire r\u00e9gie par une syntaxe stricte. Ce formalisme implique une s\u00e9parabilit\u00e9 totale entre les structures de donn\u00e9es (qui portent l’information) et les moteurs d’inf\u00e9rence (qui ex\u00e9cutent les op\u00e9rations sur ces structures). Le traitement y est fondamentalement s\u00e9quentiel et discret : le syst\u00e8me progresse pas \u00e0 pas, chaque transition d’\u00e9tat \u00e9tant d\u00e9clench\u00e9e par la validation explicite d’une clause logique.<\/p>\n \u00c0 l’inverse, au sein des r\u00e9seaux de neurones, les repr\u00e9sentations sont continues, diffuses, intriqu\u00e9es et distribu\u00e9es<\/strong>. L’information n’est jamais contenue dans une unit\u00e9 isol\u00e9e, mais dispers\u00e9e dans la structure g\u00e9om\u00e9trique d’un espace vectoriel multidimensionnel. Il n’existe aucune dichotomie formelle entre les donn\u00e9es et le programme : les connaissances sont directement imprim\u00e9es dans les connexions physiques du r\u00e9seau (les poids synaptiques), tandis que l’ex\u00e9cution n’est autre que la dynamique d’activation parall\u00e8le traversant ce r\u00e9seau. Le temps cognitif n’y est pas con\u00e7u comme une succession d’\u00e9tapes algorithmiques discr\u00e8tes, mais comme la trajectoire fluide et convergente d’un syst\u00e8me dynamique tendant vers une configuration d’\u00e9nergie minimale.<\/p>\n La gen\u00e8se du savoir au sein de ces deux architectures r\u00e9pond \u00e0 des \u00e9pist\u00e9mologies diam\u00e9tralement oppos\u00e9es. L’approche symbolique s’inscrit dans une tradition rationaliste et d\u00e9ductive o\u00f9 la connaissance est principalement instill\u00e9e de mani\u00e8re descendante (top-down<\/em>). L’architecte cogniticien formalise a priori les axiomes, les ontologies conceptuelles et les r\u00e8gles de production qui gouvernent le domaine d’expertise vis\u00e9. L’inf\u00e9rence consiste d\u00e8s lors \u00e0 appliquer ces v\u00e9rit\u00e9s g\u00e9n\u00e9rales \u00e0 des instanciations factuelles sp\u00e9cifiques via des m\u00e9canismes formels tels que le modus ponens<\/em>, la r\u00e9solution de Robinson ou l’unification logique. L’apprentissage y est souvent con\u00e7u comme une acquisition d\u00e9clarative directe ou comme une compilation de r\u00e8gles pr\u00e9existantes (par exemple, le chunking<\/em> de Soar), requ\u00e9rant un volume de donn\u00e9es minimal pour devenir imm\u00e9diatement op\u00e9rationnel.<\/p>\n Le connexionnisme, pour sa part, s’affilie \u00e0 une posture philosophique empiriste et inductive. Aucune r\u00e8gle conceptuelle formelle n’est programm\u00e9e a priori dans le syst\u00e8me. Ce dernier apprend exclusivement par exposition ascendante (bottom-up<\/em>) \u00e0 une volum\u00e9trie massive de donn\u00e9es empiriques issues de l’environnement. Les r\u00e9gularit\u00e9s conceptuelles, loin d’\u00eatre cod\u00e9es sous forme d’instructions proc\u00e9durales explicites, \u00e9mergent spontan\u00e9ment sous forme d’invariants g\u00e9om\u00e9triques dans les couches profondes du r\u00e9seau. L’inf\u00e9rence sous-jacente ne rel\u00e8ve pas de la certitude logique formelle, mais d’une approximation probabiliste continue : le r\u00e9seau calcule des distributions conditionnelles et op\u00e8re une reconnaissance de formes (pattern recognition<\/em>) fond\u00e9e sur la similitude structurelle dans l’espace latent.<\/p>\n L’\u00e9valuation des deux approches au prisme des crit\u00e8res de validit\u00e9 psychologique et neurobiologique met en lumi\u00e8re une tension irr\u00e9ductible entre la fid\u00e9lit\u00e9 au substrat biologique et la compr\u00e9hensibilit\u00e9 humaine du mod\u00e8le.<\/p>\n Sur le plan de l’alignement neurobiologique, l’IA symbolique pr\u00e9sente une fid\u00e9lit\u00e9 quasi nulle. Le syst\u00e8me nerveux central humain n’abrite aucun processeur central s\u00e9quentiel, aucune m\u00e9moire vive adressable par des pointeurs discrets, et aucune horloge centrale synchronisant des instructions symboliques. Les r\u00e8gles d\u00e9terministes ignorent superbement le caract\u00e8re stochastique, bruit\u00e9 et massivement parall\u00e8le des d\u00e9charges neuronales. En revanche, face au bruit sensoriel, cette rigidit\u00e9 architecturale handicape lourdement le mod\u00e8le symbolique : une distorsion minime du signal d’entr\u00e9e fait \u00e9chouer la reconnaissance syntaxique. Cependant, cette rigidit\u00e9 offre un avantage inestimable en mati\u00e8re de v\u00e9rifiabilit\u00e9 \u00e9pist\u00e9mique<\/strong>. Chaque d\u00e9cision, diagnostic ou d\u00e9duction peut \u00eatre retrac\u00e9 de mani\u00e8re causale absolue \u00e0 travers l’arbre de preuve logique, satisfaisant ainsi aux exigences les plus strictes de l’explicabilit\u00e9 cognitive.<\/p>\n Les r\u00e9seaux de neurones, a contrario, b\u00e9n\u00e9ficient d’une r\u00e9sonance biologique \u00e9vidente avec l’architecture m\u00e9soscopique du cortex. Leur r\u00e9silience face au bruit sensoriel, aux donn\u00e9es lacunaires ou aux alt\u00e9rations mat\u00e9rielles partielles est exceptionnelle, calquant avec fid\u00e9lit\u00e9 les facult\u00e9s de robustesse adaptative observ\u00e9es dans le r\u00e8gne animal. N\u00e9anmoins, cette r\u00e9silience a pour tribut une opacit\u00e9 analytique profonde : la cartographie g\u00e9om\u00e9trique d’un espace latent \u00e0 des milliers de dimensions d\u00e9fie la capacit\u00e9 de conceptualisation de l’observateur humain, transformant la validation du mod\u00e8le cognitif en une d\u00e9marche d’investigation ph\u00e9nom\u00e9nologique indirecte analogue \u00e0 celle men\u00e9e par les neuroscientifiques explorant un cerveau biologique inconnu.<\/p>\n Le tableau comparatif suivant synth\u00e9tise les lignes de fracture fondamentales opposant l’IA symbolique aux r\u00e9seaux de neurones au sein de la mod\u00e9lisation cognitive :<\/p>\n Par-del\u00e0 leurs pol\u00e9miques doctrinales manifestes, l’approche symbolique et l’approche connexionniste partagent un socle \u00e9pist\u00e9mologique commun qui les unit indissolublement au sein du grand projet des sciences de l’esprit. L’une comme l’autre rejettent cat\u00e9goriquement le dualisme cart\u00e9sien des substances : elles affirment avec vigueur une ontologie strictement physicaliste et moniste. Pour les deux traditions, les ph\u00e9nom\u00e8nes mentaux, depuis les sensations primaires jusqu’aux contemplations philosophiques les plus abstraites, sont le r\u00e9sultat de processus physiques mat\u00e9riels ob\u00e9issant \u00e0 des lois causales rigoureuses. Elles partagent l’ambition fondatrice de formuler une th\u00e9orie algorithmique de l’intelligence<\/strong>, postulant que l’esprit n’est pas un myst\u00e8re m\u00e9taphysique insondable, mais un syst\u00e8me hautement sophistiqu\u00e9 de traitement de l’information dont les principes directeurs peuvent \u00eatre int\u00e9gralement d\u00e9crits sous forme math\u00e9matique et simul\u00e9s sur des calculateurs universels.<\/p>\n De surcro\u00eet, les chercheurs de l’un et l’autre camp se soumettent \u00e0 la m\u00eame discipline m\u00e9thodologique : l’exigence d’un isomorphisme fonctionnel<\/strong> entre le mod\u00e8le informatique artificiel et les manifestations comportementales observables chez l’humain ou l’animal. Qu’il s’agisse d’un chercheur concevant une architecture de r\u00e8gles sous ACT-R ou d’un neurobiologiste computationnel entra\u00eenant un r\u00e9seau de neurones r\u00e9currents, tous deux confrontent la validit\u00e9 de leurs simulations aux m\u00eames protocoles exp\u00e9rimentaux issus de la psychophysique et de la psychologie cognitive. Ils comparent les latences chronom\u00e9triques (temps de r\u00e9action), analysent la distribution des confusions perceptives, mod\u00e9lisent les courbes d’apprentissage de listes verbales et traquent les perturbations fonctionnelles induites par des l\u00e9sions cibl\u00e9es, validant ainsi la scientificit\u00e9 de leurs d\u00e9marches par le respect scrupuleux de la m\u00e9thode exp\u00e9rimentale.<\/p>\n Lorsqu’on analyse ces paradigmes non plus au travers du prisme de leurs m\u00e9taphores de surface, mais sous l’angle rigoureux de la th\u00e9orie math\u00e9matique de la calculabilit\u00e9, leurs fronti\u00e8res conceptuelles tendent \u00e0 s’estomper pour r\u00e9v\u00e9ler une profonde \u00e9quivalence formelle. Au niveau computationnel le plus fondamental, les deux approches partagent exactement la m\u00eame classe de puissance algorithmique : celle des machines de Turing universelles. Tout programme symbolique, aussi intriqu\u00e9 et ramifi\u00e9 soit-il, peut \u00eatre ultimement simul\u00e9 par un r\u00e9seau de neurones appropri\u00e9 ; r\u00e9ciproquement, tout r\u00e9seau de neurones, consistant en des s\u00e9quences de calculs matriciels finis, s’ex\u00e9cute couramment sous forme d’instructions s\u00e9quentielles au sein de microprocesseurs traditionnels de type von Neumann.<\/p>\n Cette convergence formelle est \u00e9tay\u00e9e par un r\u00e9sultat math\u00e9matique majeur \u00e9tabli \u00e0 la fin des ann\u00e9es 1980 : le th\u00e9or\u00e8me d’approximation universelle<\/strong>, d\u00e9montr\u00e9 notamment par George Cybenko (1989) pour les fonctions d’activation sigmo\u00efdales et g\u00e9n\u00e9ralis\u00e9 par Kurt Hornik (1991). Ce th\u00e9or\u00e8me stipule qu’un r\u00e9seau de neurones artificiels multicouche \u00e0 propagation avant, dot\u00e9 d’une seule couche cach\u00e9e comportant un nombre suffisant de neurones non lin\u00e9aires, est capable d’approcher avec une pr\u00e9cision arbitraire n’importe quelle fonction continue d\u00e9finie sur un sous-ensemble compact de l’espace euclidien de dimension finie. D\u00e8s lors, toute table de v\u00e9rit\u00e9 logique, tout ensemble fini de r\u00e8gles d\u00e9ductives et toute grammaire formelle peuvent \u00eatre rigoureusement transcrits sous forme de surfaces d’activation continues au sein d’un r\u00e9seau connexionniste ad\u00e9quat.<\/p>\n Plus fascinant encore est le constat empirique contemporain montrant que des r\u00e9seaux de neurones profonds, entra\u00een\u00e9s sur des corpus volumineux de donn\u00e9es linguistiques ou visuelles brutes sans aucune contrainte syntaxique a priori, finissent par d\u00e9velopper spontan\u00e9ment, au sein de leurs couches interm\u00e9diaires les plus profondes, des g\u00e9om\u00e9tries d’activation refl\u00e9tant une organisation quasi symbolique. Des analyses par sonde lin\u00e9aire (linear probing<\/em>) r\u00e9v\u00e8lent la formation de sous-espaces lin\u00e9aires orthogonaux encodant distinctement des cat\u00e9gories abstraites, des relations de parent\u00e9, des accords grammaticaux de genre et de nombre, ou encore des hi\u00e9rarchies taxonomiques, d\u00e9montrant que la dichotomie entre manipulation symbolique et substrat vectoriel rel\u00e8ve davantage d’un continuum de description que d’une fracture ontologique infranchissable.<\/p>\n Face \u00e0 la constatation que les facult\u00e9s cognitives humaines int\u00e8grent \u00e0 la fois des comp\u00e9tences intuitives ultra-rapides et des comp\u00e9tences analytiques d\u00e9lib\u00e9ratives lentes, la science cognitive contemporaine converge vers une vision unifi\u00e9e transcendant les querelles de clocher. Cette perspective trouve une assise conceptuelle f\u00e9conde dans les th\u00e9ories du double processus<\/strong> (dual-process theories<\/em>) popularis\u00e9es en psychologie par des chercheurs comme Jonathan Evans, Keith Stanovich et Daniel Kahneman.<\/p>\n Dans ce cadre, la cognition humaine est articul\u00e9e autour de deux r\u00e9gimes computationnels distincts mais en interaction constante :<\/p>\n L’intelligence humaine n’est la pr\u00e9rogative exclusive ni du Syst\u00e8me 1 ni du Syst\u00e8me 2, mais r\u00e9side dans la symbiose harmonieuse de ces deux modalit\u00e9s. Cette reconnaissance de leur compl\u00e9mentarit\u00e9 fonctionnelle a donn\u00e9 naissance au champ de recherche particuli\u00e8rement dynamique de l’intelligence artificielle neuro-symbolique<\/strong>. Ce mouvement vise \u00e0 construire des architectures hybrides int\u00e9gr\u00e9es o\u00f9 des modules neuronaux profonds absorbent et compressent l’ambigu\u00eft\u00e9 des flux sensoriels perceptifs, pour projeter ces repr\u00e9sentations sous forme de concepts symboliques discrets manipulables par des moteurs d’inf\u00e9rence logique, lesquels peuvent en retour contraindre et r\u00e9gulariser l’apprentissage statistique du r\u00e9seau par l’injection formelle de connaissances pr\u00e9alables.<\/p>\n L’utilisation de l’IA symbolique s’impose avec une pertinence incontestable d\u00e8s lors qu’un chercheur se propose de mod\u00e9liser des facult\u00e9s mentales o\u00f9 la manipulation de structures formelles explicites et la conformit\u00e9 stricte \u00e0 des r\u00e8gles logiques ou normatives constituent le c\u0153ur de la comp\u00e9tence cognitive.<\/p>\n Le domaine d’excellence par excellence r\u00e9side dans la planification complexe et la r\u00e9solution de probl\u00e8mes dans des espaces discrets ferm\u00e9s<\/strong>. Les t\u00e2ches embl\u00e9matiques \u00e9tudi\u00e9es par la psychologie cognitive, telles que le probl\u00e8me de la Tour de Hano\u00ef, les jeux de strat\u00e9gie formels (\u00e9checs, dames) ou la planification d’itin\u00e9raires sous contraintes temporelles strictes, s’articulent admirablement sous la forme d’arbres de recherche d’\u00e9tats au sein desquels des op\u00e9rateurs logiques transforment un \u00e9tat initial en un \u00e9tat but vis\u00e9. Des architectures comme Soar ou ACT-R permettent de documenter avec une rigueur absolue la s\u00e9quence des d\u00e9cisions d’un sujet, en explicitant le moment pr\u00e9cis o\u00f9 les limites de la m\u00e9moire de travail forcent l’adoption d’heuristiques de r\u00e9duction des \u00e9carts (analyse fins-moyens).<\/p>\n Un deuxi\u00e8me sanctuaire de la mod\u00e9lisation symbolique r\u00e9side dans l’\u00e9tude de la syntaxe formelle et de la comp\u00e9tence linguistique g\u00e9n\u00e9rative<\/strong> au sens chomskyen. La capacit\u00e9 humaine \u00e0 d\u00e9terminer instantan\u00e9ment si une phrase complexe imbriqu\u00e9e comportant de multiples propositions subordonn\u00e9es relatives est grammaticalement bien form\u00e9e d\u00e9coule de structures syntaxiques hi\u00e9rarchiques et arborescentes non lin\u00e9aires que les syst\u00e8mes de r\u00e9\u00e9criture symboliques (grammaires cat\u00e9gorielles, grammaires d’unification) formalisent avec une \u00e9l\u00e9gance et une exhaustivit\u00e9 descriptive in\u00e9gal\u00e9es.<\/p>\n Enfin, la mod\u00e9lisation des processus m\u00e9tacognitifs et du contr\u00f4le ex\u00e9cutif<\/strong> constitue un terrain d’\u00e9lection du formalisme symbolique. Lorsqu’il s’agit d’\u00e9tudier comment un apprenant s’auto-\u00e9value, r\u00e9gule sa strat\u00e9gie d’\u00e9tude, formule mentalement des hypoth\u00e8ses scientifiques ou verbalise consciemment un protocole exp\u00e9rimental (analyse de protocoles verbaux par la pens\u00e9e \u00e0 voix haute), la nature s\u00e9quentielle, d\u00e9clarative et inspectable des syst\u00e8mes de production refl\u00e8te fid\u00e8lement la structure du discours int\u00e9rieur conscient humain.<\/p>\n \u00c0 l’autre p\u00f4le de l’appareil psychologique, le connexionnisme s’impose comme l’unique cadre th\u00e9orique viable pour mod\u00e9liser les op\u00e9rations cognitives sous-jacentes \u00e0 la perception sensorielle pr\u00e9coce et interm\u00e9diaire<\/strong>. Les m\u00e9canismes par lesquels le cortex visuel primaire (aire V1) d\u00e9compose une sc\u00e8ne optique continue en champs r\u00e9cepteurs orient\u00e9s d\u00e9tecteurs de contours, pour propager ensuite cette information \u00e0 travers la voie ventrale occipito-temporale jusqu’\u00e0 l’identification invariante de cat\u00e9gories d’objets ou de visages complexes dans le cortex temporal inf\u00e9rieur, trouvent dans les r\u00e9seaux de neurones convolutifs (CNN) et les mod\u00e8les de transformeurs visuels des \u00e9quivalents informatiques remarquables. Le calcul continu et le filtrage non lin\u00e9aire spatialement distribu\u00e9 capturent la ph\u00e9nom\u00e9nologie du signal sensoriel brut avec laquelle le formalisme symbolique est structurellement incapable d’interagir directement.<\/p>\n De m\u00eame, la mod\u00e9lisation de l’apprentissage sensorimoteur et du contr\u00f4le moteur fin<\/strong> rel\u00e8ve imp\u00e9rativement de la dynamique connexionniste. Les trajectoires motrices, telles que la coordination \u0153il-main lors de la pr\u00e9hension d’un objet en mouvement ou le maintien de l’\u00e9quilibre postural, reposent sur des boucles de r\u00e9troaction proprioceptives continues, des pr\u00e9dictions cin\u00e9matiques d’\u00e9tats futurs et des fonctions de co\u00fbt \u00e9nerg\u00e9tiques que les syst\u00e8mes connexionnistes r\u00e9currents (tels que les r\u00e9seaux \u00e0 m\u00e9moire de court et long terme LSTM ou les r\u00e9seaux de neurones \u00e0 temps continu) simulent avec un r\u00e9alisme physique inaccessible aux syst\u00e8mes de r\u00e8gles discr\u00e8tes.<\/p>\n Enfin, le connexionnisme r\u00e8gne sans partage dans l’explication des ph\u00e9nom\u00e8nes d’intuition s\u00e9mantique, de compl\u00e9tion de motifs (pattern completion) et de cat\u00e9gorisation par prototypes<\/strong> sous r\u00e9gime de forte incertitude. La m\u00e9moire s\u00e9mantique humaine ne fonctionne pas comme une table relationnelle rigide, mais comme un espace associatif fluide o\u00f9 des concepts sont reconnus m\u00eame lorsque leurs attributs d\u00e9finitoires habituels sont massivement alt\u00e9r\u00e9s ou absents (reconna\u00eetre qu’un chien \u00e0 trois pattes sans fourrure demeure un chien). En stockant l’information sous forme d’attracteurs dans des paysages \u00e9nerg\u00e9tiques multidimensionnels, les r\u00e9seaux neuronaux rendent compte spontan\u00e9ment de cette flexibilit\u00e9 conceptuelle holistique qui fait la marque distinctive de l’intelligence biologique vivante.<\/p>\n Afin de guider le chercheur en sciences cognitives computationnelles dans le choix de son architecture de mod\u00e9lisation, un ensemble de crit\u00e8res m\u00e9thodologiques explicites doit \u00eatre scrupuleusement \u00e9valu\u00e9 en amont de toute impl\u00e9mentation :<\/p>\n Il s’agit d’une illusion d’optique r\u00e9pandue, largement aliment\u00e9e par les succ\u00e8s m\u00e9diatiques spectaculaires des grands mod\u00e8les de langage contemporains (LLM). L’approche symbolique conserve une pertinence \u00e9pist\u00e9mologique et fonctionnelle absolue au sein des sciences cognitives pour plusieurs raisons majeures.<\/p>\n Premi\u00e8rement, les architectures de r\u00e9seaux de neurones profonds pures demeurent intrins\u00e8quement incapables d’offrir des garanties formelles de v\u00e9racit\u00e9 et de causalit\u00e9 stricte<\/strong>. En op\u00e9rant exclusivement par corr\u00e9lations statistiques et pr\u00e9dictions probabilistes de jetons lexicaux subs\u00e9quents au sein de distributions g\u00e9om\u00e9triques, ces mod\u00e8les sont sujets au ph\u00e9nom\u00e8ne bien document\u00e9 des \u00ab hallucinations \u00bb, forgeant avec une assurance lexicale parfaite des affirmations factuellement ou logiquement aberrantes. Le raisonnement math\u00e9matique rigoureux, l’application intransigeante de contraintes d\u00e9ontiques ou juridiques et la d\u00e9duction formelle \u00e9chappent \u00e0 la fiabilisation statistique pure d\u00e8s lors qu’on sort du domaine d’interpolation des donn\u00e9es pr\u00e9alables.<\/p>\n Deuxi\u00e8mement, les architectures symboliques fondatrices telles qu’ACT-R continuent d’occuper une position h\u00e9g\u00e9monique irrempla\u00e7able dans la recherche ergonomique appliqu\u00e9e, l’analyse des facteurs humains dans l’aviation militaire et civile, et la simulation computationnelle de la cognition humaine individuelle. Alors qu’un mod\u00e8le neuronal profond exige des t\u00e9raoctets de donn\u00e9es d’apprentissage sans rapport avec l’exposition sensorielle d’un \u00eatre humain r\u00e9el au cours de sa vie, une architecture comme ACT-R simule l’acquisition d’une t\u00e2che \u00e0 partir de quelques dizaines d’essais, pr\u00e9disant fid\u00e8lement les charges cognitives subjectives et les erreurs d’inattention humaines sous stress op\u00e9rationnel, un exploit hors de port\u00e9e du Deep Learning<\/em> conventionnel.<\/p>\n Le probl\u00e8me de l’ancrage des symboles formul\u00e9 par Harnad trouve ses \u00e9l\u00e9ments de r\u00e9solution les plus convaincants au sein des recherches contemporaines sur la cognition incarn\u00e9e<\/strong> (Embodied Cognition<\/em>) et l’intelligence artificielle multimodale. Les architectures pionni\u00e8res ont longtemps \u00e9chou\u00e9 \u00e0 ancrer leurs symboles parce qu’elles traitaient le langage de mani\u00e8re autarcique, d\u00e9sincarn\u00e9e et d\u00e9connect\u00e9e de tout engagement perceptuel et sensori-moteur dans l’environnement.<\/p>\n Pour d\u00e9passer cette aporie, les mod\u00e8les r\u00e9cents s’appuient sur des espaces d’alignement multimodal<\/strong> (tels que les architectures couplant transformeurs visuels et textuels). Dans ces syst\u00e8mes, le vecteur latent correspondant au mot abstrait \u00ab tasse \u00bb n’est plus seulement associ\u00e9 \u00e0 des d\u00e9finitions lexicographiques circulaires, mais se trouve math\u00e9matiquement ancr\u00e9 dans le m\u00eame espace g\u00e9om\u00e9trique dense que des repr\u00e9sentations visuelles r\u00e9elles de tasses sous des \u00e9clairages vari\u00e9s, des enregistrements sonores de tasses s’entrechoquant et des affordances cin\u00e9matiques de pr\u00e9hension manuelle. Dans le champ de la robotique d\u00e9veloppementale incarn\u00e9e, des agents virtuels ou physiques apprennent la signification des concepts spatiaux et relationnels (tels que \u00ab pousser \u00bb, \u00ab au-dessus de \u00bb, \u00ab lourd \u00bb) en manipulant physiquement des objets dans des environnements interactifs simul\u00e9s r\u00e9gis par les lois de la gravit\u00e9 newtonienne. Le symbole cesse d’\u00eatre une \u00e9tiquette syntaxique orpheline pour devenir le pointeur condens\u00e9 d’une m\u00e9moire sensorimotrice et sensorielle incarn\u00e9e.<\/p>\n L’intelligence artificielle neuro-symbolique<\/strong> d\u00e9signe une nouvelle g\u00e9n\u00e9ration de paradigmes computationnels con\u00e7us sp\u00e9cifiquement pour op\u00e9rer la synth\u00e8se structurelle entre la robustesse empirique des r\u00e9seaux connexionnistes et la rigueur compositionnelle des langages formels. Loin d’\u00eatre une simple juxtaposition m\u00e9canique de deux programmes distincts, elle introduit des formalismes math\u00e9matiques novateurs capables d’int\u00e9grer des contraintes d\u00e9ductives \u00e0 l’int\u00e9rieur m\u00eame du calcul diff\u00e9rentiel des r\u00e9seaux.<\/p>\n L’un des mod\u00e8les les plus embl\u00e9matiques de cette r\u00e9volution \u00e9pist\u00e9mologique est constitu\u00e9 par les R\u00e9seaux de Tenseurs Logiques<\/strong> (Logic Tensor Networks<\/em> ou LTN). Dans les LTN, les concepts et les individus du monde r\u00e9el sont encod\u00e9s sous forme de vecteurs continus, tandis que les relations, pr\u00e9dicats et axiomes de la logique du premier ordre sont impl\u00e9ment\u00e9s sous forme d’op\u00e9rateurs diff\u00e9rentiables s’appuyant sur les math\u00e9matiques des t-normes de la logique floue (fuzzy logic<\/em>). Ainsi, les \u00e9nonc\u00e9s logiques stricts (par exemple : \u00ab Tous les humains sont mortels \u00bb) ne sont plus des barri\u00e8res rigides insolubles mais se traduisent en surfaces de perte diff\u00e9rentiables int\u00e9gr\u00e9es \u00e0 la fonction de co\u00fbt d’apprentissage. Le syst\u00e8me peut alors \u00eatre optimis\u00e9 de bout en bout par simple descente de gradient stochastique, contraignant les repr\u00e9sentations vectorielles internes \u00e0 satisfaire harmonieusement l’ensemble des th\u00e9or\u00e8mes d\u00e9ductifs impos\u00e9s.<\/p>\n D’autres approches remarquables incluent DeepProbLog<\/strong>, qui int\u00e8gre le calcul des probabilit\u00e9s et la programmation logique formelle (Prolog) avec les r\u00e9seaux de neurones profonds, ou encore le Neuro-Symbolic Concept Learner<\/strong> (NSCL), qui apprend simultan\u00e9ment \u00e0 segmenter visuellement des sc\u00e8nes en objets tridimensionnels, \u00e0 extraire leurs propri\u00e9t\u00e9s discr\u00e8tes et \u00e0 ex\u00e9cuter de mani\u00e8re r\u00e9cursive des programmes symboliques pour r\u00e9pondre \u00e0 des requ\u00eates s\u00e9mantiques complexes. Cette r\u00e9conciliation m\u00e9thodologique red\u00e9finit la mod\u00e9lisation cognitive en fournissant enfin aux chercheurs un cadre th\u00e9orique universel unifi\u00e9, capable d’embrasser dans un m\u00eame continuum computationnel depuis la micro-structure de la perception sensorielle jusqu’au sommet de l’abstraction r\u00e9flexive de la pens\u00e9e.<\/p>\n Au terme de cette exploration comparative approfondie, il appara\u00eet avec une clart\u00e9 \u00e9clatante que l’IA symbolique et les r\u00e9seaux de neurones ne doivent pas \u00eatre appr\u00e9hend\u00e9s comme des id\u00e9ologies rivales irr\u00e9conciliables vou\u00e9es \u00e0 une \u00e9limination mutuelle, mais plut\u00f4t comme deux explorations fondamentales de la machinerie cognitive op\u00e9r\u00e9es \u00e0 des \u00e9chelles d’abstraction compl\u00e9mentaires. Chacun des deux paradigmes a durablement enrichi la compr\u00e9hension scientifique de l’esprit humain en apportant des \u00e9clairages d\u00e9cisifs sur des pans distincts de son architecture fonctionnelle.<\/p>\n L’IA symbolique classique a \u00e9tabli les fondations rigoureuses de la grammaire de la rationalit\u00e9<\/strong>. Elle a d\u00e9montr\u00e9 comment la d\u00e9lib\u00e9ration intentionnelle, la formulation d’hypoth\u00e8ses, la d\u00e9duction propositionnelle et la structuration hi\u00e9rarchique des buts et sous-buts pouvaient \u00e9merger d’un substrat m\u00e9canique d\u00e9terministe. Elle a dot\u00e9 les sciences cognitives d’architectures computationnelles puissantes comme ACT-R et Soar, sans lesquelles la chronom\u00e9trie mentale, l’architecture de la m\u00e9moire de travail et l’analyse minutieuse des erreurs humaines demeureraient de pures conjectures descriptives d\u00e9nu\u00e9es de moteurs causaux pr\u00e9cis.<\/p>\n Les r\u00e9seaux de neurones connexionnistes, pour leur part, ont r\u00e9v\u00e9l\u00e9 la texture statistique sous-jacente de la cognition<\/strong>. Ils ont lev\u00e9 le voile sur les m\u00e9canismes par lesquels un cerveau biologique, soumis au bombardement incessant d’un environnement physique bruit\u00e9, chaotique et incomplet, parvient \u00e0 auto-organiser des repr\u00e9sentations cat\u00e9gorielles robustes sans recourir \u00e0 un pr\u00e9cepteur divin codant manuellement des r\u00e8gles formelles. Le connexionnisme a rendu justice \u00e0 la plasticit\u00e9 adaptative, \u00e0 la satisfaction simultan\u00e9e de contraintes douces, \u00e0 la r\u00e9silience biologique et \u00e0 la continuit\u00e9 g\u00e9om\u00e9trique au sein de laquelle s’enracine la perception du vivant.<\/p>\n L’affrontement historique qui a d\u00e9chir\u00e9 la communaut\u00e9 des sciences cognitives tout au long de la fin du XXe si\u00e8cle appara\u00eet r\u00e9trospectivement comme une querelle de niveaux de description<\/strong> au sens de David Marr. L’erreur des symbolistes fut de d\u00e9cr\u00e9ter arbitrairement l’insignifiance cognitive du niveau d’impl\u00e9mentation physique et de vouloir plaquer une logique propositionnelle rigide sur les m\u00e9canismes perceptifs \u00e9l\u00e9mentaires. Sym\u00e9triquement, l’illusion r\u00e9ductrice de certains connexionnistes radicaux fut d’imaginer que l’empilement indiscrimin\u00e9 de connexions vectorielles homog\u00e8nes suffirait \u00e0 faire \u00e9merger miraculeusement, sans contrainte architecturale interne pr\u00e9alable, la syst\u00e9maticit\u00e9, la productivit\u00e9 infinie et l’explicabilit\u00e9 formelle qui caract\u00e9risent le sommet de la pens\u00e9e humaine.<\/p>\n L’horizon des sciences de l’esprit s’oriente r\u00e9solument vers le d\u00e9passement de ce dualisme conceptuel pour \u00e9difier une mod\u00e9lisation cognitive multiniveau et holistique<\/strong>. Ce mouvement de convergence se trouve vigoureusement acc\u00e9l\u00e9r\u00e9 par les avanc\u00e9es contemporaines des neurosciences th\u00e9oriques, en particulier par le paradigme du codage pr\u00e9dictif<\/strong> (Predictive Coding<\/em>) et le principe de l’\u00e9nergie libre formul\u00e9s par Karl Friston. Dans cette perspective unifi\u00e9e, le cerveau est conceptualis\u00e9 comme une machine d’inf\u00e9rence bay\u00e9sienne active hi\u00e9rarchis\u00e9e, cherchant continuellement \u00e0 minimiser l’\u00e9cart entre ses pr\u00e9dictions descendantes (top-down<\/em>) fond\u00e9es sur des mod\u00e8les g\u00e9n\u00e9ratifs internes du monde et les flux sensoriels ascendants (bottom-up<\/em>) parvenant de la p\u00e9riph\u00e9rie corporelle.<\/p>\n Dans ce m\u00e9tacadre th\u00e9orique, l’opposition entre symboles et vecteurs perd son caract\u00e8re antinomique pour s’ordonner selon une hi\u00e9rarchie continue de granularit\u00e9 spatio-temporelle :<\/p>\n La science computationnelle de l’esprit s’engage ainsi dans son \u00e8re de maturit\u00e9 \u00e9pist\u00e9mologique. En unissant la force de g\u00e9n\u00e9ralisation statistique des r\u00e9seaux de neurones profonds \u00e0 la transparence causale, la rigueur logique et la puissance compositionnelle des syst\u00e8mes formels symboliques, les chercheurs forgent les outils th\u00e9oriques et logiciels capables de r\u00e9concilier enfin le cerveau de chair et l’esprit logique au sein d’une seule et m\u00eame architecture intelligible.<\/p>\n1. Introduction : Les fondements computationnels de la mod\u00e9lisation cognitive<\/h2>\n
1.1 D\u00e9finition et \u00e9mergence des paradigmes symbolique et sous-symbolique<\/h3>\n
1.2 La querelle historique : Computationnisme classique vs. Connexionnisme<\/h3>\n
1.3 Niveaux d’explication de David Marr appliqu\u00e9s au d\u00e9bat<\/h3>\n
2. L’approche symbolique : L’esprit comme manipulateur de repr\u00e9sentations discr\u00e8tes<\/h2>\n
2.1 L’hypoth\u00e8se du syst\u00e8me de symboles physiques (Newell & Simon)<\/h3>\n
\n
2.2 Architectures cognitives majeures bas\u00e9es sur les r\u00e8gles<\/h3>\n
2.3 Forces et apories du mod\u00e8le symbolique<\/h3>\n
3. L’approche connexionniste : Les r\u00e9seaux de neurones et le traitement distribu\u00e9<\/h2>\n
3.1 Principes du traitement distribu\u00e9 en parall\u00e8le (PDP)<\/h3>\n
\n
3.2 Plausibilit\u00e9 biologique et apprentissage inductif<\/h3>\n
3.3 Limites intrins\u00e8ques et d\u00e9fis th\u00e9oriques<\/h3>\n
4. Diff\u00e9rences cl\u00e9s entre l’IA symbolique et les r\u00e9seaux de neurones<\/h2>\n
4.1 Nature des repr\u00e9sentations et dynamique de traitement<\/h3>\n
4.2 Apprentissage vs. Inf\u00e9rence et conception des r\u00e8gles<\/h3>\n
4.3 Plausibilit\u00e9 cognitive, robustesse et explicabilit\u00e9<\/h3>\n
\n\n
\n \nDimension Conceptuelle<\/th>\n IA Symbolique (GOFAI)<\/th>\n R\u00e9seaux de Neurones (Connexionnisme)<\/th>\n<\/tr>\n<\/thead>\n \n Ontologie des repr\u00e9sentations<\/strong><\/td>\n Symboles physiques discrets, atomiques, d\u00e9notatifs et manipulables syntaxiquement.<\/td>\n Vecteurs d’activation continus distribu\u00e9s dans des espaces latents de haute dimension.<\/td>\n<\/tr>\n \n Dynamique de calcul<\/strong><\/td>\n Traitement s\u00e9quentiel d\u00e9terministe le long de cha\u00eenes d’inf\u00e9rence logique (r\u00e8gles Si-Alors).<\/td>\n Traitement massivement parall\u00e8le non lin\u00e9aire ; relaxation \u00e9nerg\u00e9tique d’un syst\u00e8me dynamique.<\/td>\n<\/tr>\n \n \u00c9pist\u00e9mologie sous-jacente<\/strong><\/td>\n Rationalisme et fonctionnalisme de haut niveau ; formalisation descendante (top-down<\/em>).<\/td>\n Empirisme statistique et \u00e9mergentisme structurel ; formalisation ascendante (bottom-up<\/em>).<\/td>\n<\/tr>\n \n Alignement neurobiologique<\/strong><\/td>\n Fid\u00e9lit\u00e9 mat\u00e9rielle quasi nulle ; ind\u00e9pendance revendiqu\u00e9e du logiciel par rapport au substrat.<\/td>\n Inspiration neurobiologique directe (plasticit\u00e9 hebbienne, topologies r\u00e9ticulaires corticales).<\/td>\n<\/tr>\n \n Tol\u00e9rance aux pannes et au bruit<\/strong><\/td>\n Extr\u00eame rigidit\u00e9 ; fragilit\u00e9 structurelle (brittleness<\/em>) face aux donn\u00e9es bruit\u00e9es ou incompl\u00e8tes.<\/td>\n Tr\u00e8s haute r\u00e9silience ; d\u00e9gradation progressive et gracieuse des performances sous alt\u00e9ration.<\/td>\n<\/tr>\n \n Explicabilit\u00e9 et auditabilit\u00e9<\/strong><\/td>\n Totale transparence analytique ; tra\u00e7abilit\u00e9 absolue des d\u00e9rivations et des r\u00e8gles mobilis\u00e9es.<\/td>\n Opacit\u00e9 structurelle inh\u00e9rente (\u00ab bo\u00eete noire \u00bb) ; interpr\u00e9tabilit\u00e9 g\u00e9om\u00e9trique complexe.<\/td>\n<\/tr>\n \n Compositionnalit\u00e9 et syst\u00e9maticit\u00e9<\/strong><\/td>\n Garantie intrins\u00e8que par les axiomes de la syntaxe combinatoire et de la logique propositionnelle.<\/td>\n Propri\u00e9t\u00e9 contingente et approximative ; difficult\u00e9s d’extrapolation stricte hors distribution.<\/td>\n<\/tr>\n \n R\u00e9gime d’apprentissage<\/strong><\/td>\n Acquisition rapide de nouvelles connaissances formelles par instruction explicite (one-shot<\/em>).<\/td>\n Ajustement incr\u00e9mental lent n\u00e9cessitant d’importants corpus d’apprentissage statistique.<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n 5. Similitudes et convergences computationnelles<\/h2>\n
5.1 Objectifs th\u00e9oriques communs en sciences cognitives<\/h3>\n
5.2 \u00c9quivalence computationnelle et universalit\u00e9<\/h3>\n
5.3 Compl\u00e9mentarit\u00e9 fonctionnelle et \u00e9mergence neuro-symbolique<\/h3>\n
\n
6. Crit\u00e8res de s\u00e9lection : Quelle approche pour quelle fonction cognitive ?<\/h2>\n
6.1 Domaines d’\u00e9lection de la mod\u00e9lisation symbolique<\/h3>\n
6.2 Domaines d’\u00e9lection des r\u00e9seaux de neurones<\/h3>\n
6.3 Cadre d\u00e9cisionnel m\u00e9thodologique pour le chercheur<\/h3>\n
\n
7. Foire aux questions (FAQ)<\/h2>\n
7.1 L’approche symbolique est-elle rendue obsol\u00e8te par les succ\u00e8s du Deep Learning ?<\/h3>\n
7.2 Comment les mod\u00e8les r\u00e9cents tentent-ils de r\u00e9soudre le probl\u00e8me de l’ancrage des symboles ?<\/h3>\n
7.3 Qu’est-ce que l’IA neuro-symbolique et comment red\u00e9finit-elle la mod\u00e9lisation cognitive ?<\/h3>\n
8. Conclusion : Vers une synth\u00e8se unifi\u00e9e de la science computationnelle de l’esprit<\/h2>\n
8.1 Bilan comparatif des apports th\u00e9oriques<\/h3>\n
8.2 Horizons \u00e9pist\u00e9mologiques et perspectives futures<\/h3>\n
\n
R\u00e9f\u00e9rences<\/h2>\n
\n