{"id":15878,"date":"2026-10-14T04:42:30","date_gmt":"2026-10-14T04:42:30","guid":{"rendered":"http:\/\/french.arabpsychology.com\/theorists\/joshua-tenenbaum-1972-present\/"},"modified":"2026-10-14T04:42:30","modified_gmt":"2026-10-14T04:42:30","slug":"joshua-tenenbaum-1972-present","status":"publish","type":"psych_theorist","link":"https:\/\/french.arabpsychology.com\/?psych_theorist=joshua-tenenbaum-1972-present","title":{"rendered":"Joshua Tenenbaum – 1972 Pr\u00e9sent"},"content":{"rendered":"

Dans l’histoire intellectuelle des sciences de l’esprit, rares sont les chercheurs qui ont r\u00e9ussi \u00e0 op\u00e9rer une refondation th\u00e9orique aussi profonde et transversale que celle men\u00e9e par Joshua Tenenbaum<\/a>. \u00c9mergeant au tournant du XXIe si\u00e8cle, \u00e0 une \u00e9poque o\u00f9 les sciences cognitives \u00e9taient d\u00e9chir\u00e9es par des querelles de chapelles entre le symbolisme classique h\u00e9rit\u00e9 de la cybern\u00e9tique et l’essor imp\u00e9tueux du connexionnisme statistique, Tenenbaum a propos\u00e9 une troisi\u00e8me voie paradigmatique. Son entreprise intellectuelle repose sur une intuition fondamentale : l’intelligence humaine ne consiste ni en une manipulation m\u00e9canique de r\u00e8gles logiques rigides, ni en une simple accumulation passive de corr\u00e9lations statistiques au sein de r\u00e9seaux de neurones opaques. Pour Tenenbaum, l’esprit humain est avant tout un moteur d’inf\u00e9rence probabiliste capable d’\u00e9difier des th\u00e9ories causales riches, abstraites et structur\u00e9es \u00e0 partir d’\u00e9chantillons de donn\u00e9es extraordinairement parsimonieux.<\/p>\n

Professeur au d\u00e9partement des sciences cognitives et c\u00e9r\u00e9brales du Massachusetts Institute of Technology (MIT)<\/a> et figure de proue du Computer Science and Artificial Intelligence Laboratory (CSAIL), Tenenbaum a \u00e9labor\u00e9 une \u0153uvre magistrale qui relie les math\u00e9matiques de l’incertitude \u00e0 la psychologie du d\u00e9veloppement la plus fine. En r\u00e9habilitant le formalisme bay\u00e9sien pour en faire la cl\u00e9 de vo\u00fbte de la rationalit\u00e9 humaine sous contraintes computationnelles, il a apport\u00e9 des r\u00e9ponses novatrices \u00e0 des \u00e9nigmes s\u00e9culaires pos\u00e9es par Platon, David Hume et Willard Van Orman Quine : comment l’\u00eatre humain parvient-il \u00e0 apprendre autant en voyant si peu ? Comment un enfant peut-il, d\u00e8s ses premiers mois de vie, inf\u00e9rer les lois de la gravit\u00e9 ou d\u00e9coder les d\u00e9sirs secrets d’autrui \u00e0 partir d’observations partielles et bruit\u00e9es ?<\/p>\n

Cette \u00e9tude approfondie se propose de retracer l’itin\u00e9raire intellectuel, m\u00e9thodologique et philosophique de Joshua Tenenbaum, depuis ses premi\u00e8res intuitions interdisciplinaires \u00e0 Yale et au MIT jusqu’\u00e0 ses travaux contemporains sur l’intelligence artificielle neuro-symbolique et les langages de programmation probabiliste. En explorant les m\u00e9canismes de la physique intuitive, de la psychologie na\u00efve, des grammaires g\u00e9n\u00e9ratives de concepts et de l’ancrage neural de ces processus, nous analyserons comment Tenenbaum a non seulement r\u00e9volutionn\u00e9 la psychologie cognitive contemporaine, mais a \u00e9galement pos\u00e9 les jalons indispensables \u00e0 l’\u00e9mergence d’une intelligence artificielle authentiquement comparable \u00e0 l’esprit humain.<\/p>\n

1. Introduction biographique et gen\u00e8se intellectuelle de Joshua Tenenbaum<\/h2>\n

1.1 Origines acad\u00e9miques et formation initiale<\/h3>\n

N\u00e9 en 1972 au sein d’un terreau intellectuel stimulant, Joshua Brett Tenenbaum manifeste tr\u00e8s t\u00f4t une curiosit\u00e9 singuli\u00e8re pour les architectures formelles qui sous-tendent les lois de la nature et les processus de la pens\u00e9e. Son parcours acad\u00e9mique s’ouvre \u00e0 l’Universit\u00e9 Yale<\/a>, o\u00f9 il m\u00e8ne de front des \u00e9tudes en physique th\u00e9orique et en sciences cognitives, obtenant son dipl\u00f4me de premier cycle en 1993. Cette double formation s’av\u00e8re fondatrice pour la trajectoire intellectuelle du chercheur : la physique lui inculque le go\u00fbt des principes premiers, de l’\u00e9l\u00e9gance math\u00e9matique, de la recherche d’invariants et de la mod\u00e9lisation parcimonieuse des syst\u00e8mes dynamiques ; les sciences cognitives, quant \u00e0 elles, le confrontent \u00e0 la complexit\u00e9 foisonnante du comportement, de la perception et de l’apprentissage biologique.<\/p>\n

Poursuivant sa trajectoire au Massachusetts Institute of Technology, Tenenbaum y entreprend un doctorat sous la direction de Michael I. Jordan<\/a>, l’un des plus illustres th\u00e9oriciens de l’apprentissage automatique et des statistiques computationnelles. Cette collaboration s’av\u00e8re d\u00e9cisive. Sous la houlette de Jordan, Tenenbaum affine sa ma\u00eetrise des mod\u00e8les graphiques probabilistes et prend la mesure des outils statistiques modernes. Cependant, l\u00e0 o\u00f9 nombre de ses pairs s’orientent exclusivement vers l’optimisation algorithmique pour l’ing\u00e9nierie, Tenenbaum persiste \u00e0 appliquer ces formalismes rigoureux \u00e0 la r\u00e9solution de questions psychologiques fondamentales, jetant les bases d’une synth\u00e8se in\u00e9dite entre math\u00e9matiques de l’apprentissage et psychologie exp\u00e9rimentale.<\/p>\n

Le contexte historique de la fin du vingti\u00e8me si\u00e8cle est alors marqu\u00e9 par une crise de croissance des sciences cognitives. Le cognitivisme orthodoxe, tributaire de la m\u00e9taphore de l’ordinateur s\u00e9quentiel de Turing et von Neumann, montre des signes d’essoufflement face aux ambigu\u00eft\u00e9s du monde r\u00e9el et \u00e0 la flexibilit\u00e9 de la perception. En r\u00e9action, le renouveau connexionniste pr\u00f4ne des repr\u00e9sentations distribu\u00e9es mais \u00e9choue \u00e0 capturer la compositionnalit\u00e9 du raisonnement abstrait. C’est pr\u00e9cis\u00e9ment dans cette br\u00e8che \u00e9pist\u00e9mologique que le jeune Tenenbaum s’installe, m\u00fb par la conviction qu’une synth\u00e8se math\u00e9matique sup\u00e9rieure est n\u00e9cessaire pour d\u00e9passer cette dialectique st\u00e9rile.<\/p>\n

1.2 L’environnement interdisciplinaire du MIT<\/h3>\n

Apr\u00e8s l’obtention de son doctorat en 1999 et un bref passage post-doctoral \u00e0 l’Universit\u00e9 Stanford, Joshua Tenenbaum r\u00e9int\u00e8gre le MIT en 2002 en tant que membre du corps professoral au sein du D\u00e9partement des sciences cognitives et c\u00e9r\u00e9brales (Brain and Cognitive Sciences – BCS). L’environnement du MIT constitue un catalyseur id\u00e9al pour ses ambitions th\u00e9oriques. Il y c\u00f4toie l’h\u00e9ritage vivant de Noam Chomsky, dont la th\u00e9orie de la grammaire universelle et la critique radicale de l’empirisme b\u00e9havioriste continuent d’irradier la linguistique et la philosophie de l’esprit, tout en interagissant quotidiennement avec les pionniers de l’intelligence artificielle symbolique et computationnelle.<\/p>\n

Au sein du MIT, Tenenbaum refuse cat\u00e9goriquement d’adh\u00e9rer aux querelles de tranch\u00e9es opposant symbolistes et connexionnistes. Il per\u00e7oit avec une grande clart\u00e9 que les deux camps capturent des pans r\u00e9els mais incomplets de la cognition : le symbolisme rend compte de la structure hi\u00e9rarchique, de la compositionalit\u00e9 et de la syst\u00e9maticit\u00e9 de la pens\u00e9e, mais s’effondre face au bruit et \u00e0 l’incertitude ; le connexionnisme g\u00e8re magistralement la d\u00e9gradation gracieuse et le traitement continu des signaux sensoriels, mais peine \u00e0 g\u00e9n\u00e9raliser abstraitement et s’av\u00e8re opaque sur le plan th\u00e9orique. Pour d\u00e9passer cette dichotomie, Tenenbaum fonde le Computational Cognitive Science Group<\/em>, un laboratoire de recherche d’avant-garde vou\u00e9 \u00e0 l’unification de ces perspectives.<\/p>\n

Ce groupe devient rapidement un carrefour d’innovation intellectuelle mondial, attirant de jeunes esprits form\u00e9s aux math\u00e9matiques pures, \u00e0 l’informatique th\u00e9orique, \u00e0 la physique statistique et \u00e0 la psychologie d\u00e9veloppementale. La vision de Tenenbaum y est limpide : concevoir des architectures cognitives formelles qui exploitent la puissance des mod\u00e8les probabilistes pour manipuler des structures de donn\u00e9es compositionnelles et symboliques. L’atmosph\u00e8re du laboratoire favorise une transdisciplinarit\u00e9 radicale o\u00f9 les protocoles d’observation de nourrissons croisent sans cesse les th\u00e9or\u00e8mes de convergence stochastique.<\/p>\n

1.3 Positionnement \u00e9pist\u00e9mologique au sein de la psychologie contemporaine<\/h3>\n

Le projet intellectuel de Joshua Tenenbaum s’inscrit en rupture directe avec le behaviorisme r\u00e9siduel qui hantait encore certains pans de la psychologie exp\u00e9rimentale anglo-saxonne, tout en proposant une r\u00e9habilitation math\u00e9matique exigeante des th\u00e9ories internalistes de l’esprit. Pour Tenenbaum, la compr\u00e9hension de la cognition exige de postuler l’existence de repr\u00e9sentations mentales hautement structur\u00e9es et de m\u00e9canismes d’inf\u00e9rence sophistiqu\u00e9s qui interviennent entre le stimulus environnemental et la r\u00e9ponse motrice ou verbale du sujet.<\/p>\n

Sur le plan \u00e9pist\u00e9mologique, Tenenbaum revendique avec constance l’h\u00e9ritage de la tripartition formul\u00e9e par le neuroscientifique britannique David Marr<\/a> dans son ouvrage fondamental Vision<\/em> (1982). Marr distinguait trois niveaux d’analyse indispensables \u00e0 l’explication de tout syst\u00e8me de traitement de l’information : le niveau computationnel (qui sp\u00e9cifie la nature de la t\u00e2che, sa logique formelle et le but poursuivi), le niveau algorithmique ou repr\u00e9sentationnel (qui d\u00e9taille les structures de donn\u00e9es et les processus de transformation utilis\u00e9s), et le niveau de l’impl\u00e9mentation physique (le substrat biologique neuronal ou le mat\u00e9riel informatique).<\/p>\n

Tenenbaum soutient ardemment la primaut\u00e9 m\u00e9thodologique du niveau computationnel pour appr\u00e9hender l’esprit. Avant de se perdre dans les m\u00e9andres de la connectivit\u00e9 synaptique ou de d\u00e9battre des heuristiques de traitement, le chercheur doit d’abord d\u00e9terminer quel probl\u00e8me id\u00e9al l’esprit s’efforce de r\u00e9soudre. En formulant ce probl\u00e8me en termes d’inf\u00e9rence optimale sous incertitude, Tenenbaum red\u00e9finit la t\u00e2che du psychologue : il ne s’agit plus de cataloguer arbitrairement des biais ou des limites cognitives, mais de comprendre la logique adaptative profonde qui permet \u00e0 l’esprit humain de naviguer avec un succ\u00e8s spectaculaire dans un univers fondamentalement ind\u00e9termin\u00e9.<\/p>\n

2. Le paradigme bay\u00e9sien de la cognition humaine<\/h2>\n

2.1 Fondements de l’inf\u00e9rence probabiliste appliqu\u00e9e \u00e0 l’esprit<\/h3>\n

Au c\u0153ur de la r\u00e9volution computationnelle initi\u00e9e par Joshua Tenenbaum se trouve l’application rigoureuse du th\u00e9or\u00e8me de Bayes<\/a> comme mod\u00e8le normatif de l’acquisition des connaissances et de la r\u00e9vision des croyances. Formul\u00e9 initialement par Thomas Bayes au XVIIIe si\u00e8cle, ce th\u00e9or\u00e8me math\u00e9matique prescrit la mani\u00e8re dont un agent rationnel doit mettre \u00e0 jour la probabilit\u00e9 d’une hypoth\u00e8se H<\/em> \u00e0 la lumi\u00e8re d’une nouvelle donn\u00e9e empirique ou preuve D<\/em>. La formule canonique, $P(H|D) = \\frac{P(D|H) P(H)}{P(D)}$<\/span>, met en tension trois composants essentiels : la probabilit\u00e9 a priori $P(H)$<\/span>, qui quantifie la plausibilit\u00e9 intrins\u00e8que de l’hypoth\u00e8se avant l’observation ; la vraisemblance $P(D|H)$<\/span>, qui mesure la compatibilit\u00e9 des donn\u00e9es avec l’hypoth\u00e8se ; et la probabilit\u00e9 a posteriori $P(H|D)$<\/span>, qui repr\u00e9sente la croyance r\u00e9vis\u00e9e.<\/p>\n

Dans la vision de Tenenbaum, ce formalisme offre une r\u00e9ponse math\u00e9matique \u00e9l\u00e9gante au d\u00e9fi de l’induction cognitive. Face \u00e0 des stimuli sensoriels notoirement ambigus, sous-d\u00e9termin\u00e9s et bruit\u00e9s, l’esprit humain ne se contente pas de r\u00e9agir passivement : il s\u00e9lectionne les interpr\u00e9tations du monde qui maximisent la probabilit\u00e9 a posteriori. Les distributions a priori jouent ici un r\u00f4le \u00e9pist\u00e9mologique capital. Loin d’\u00eatre des biais arbitraires d\u00e9formant la r\u00e9alit\u00e9, elles incarnent le savoir accumul\u00e9 par l’\u00e9volution biologique, le d\u00e9veloppement ontog\u00e9n\u00e9tique et l’exp\u00e9rience ant\u00e9rieure, permettant de contraindre drastiquement l’espace colossal des hypoth\u00e8ses th\u00e9oriquement compatibles avec les donn\u00e9es.<\/p>\n

Cette approche unifie avec virtuosit\u00e9 les trois niveaux marriens. Au niveau computationnel, elle pose que la cognition r\u00e9sout des probl\u00e8mes de r\u00e9gression et de classification inverse par inversion bay\u00e9sienne. Au niveau algorithmique, elle explore la mani\u00e8re dont des approximations probabilistes peuvent \u00eatre calcul\u00e9es par l’esprit sans requ\u00e9rir l’int\u00e9gration exhaustive d’espaces d’hypoth\u00e8ses infinis. Au niveau physique enfin, elle fournit un cahier des charges fonctionnel pour guider les neuroscientifiques dans l’identification des circuits corticaux capables d’encoder des densit\u00e9s de probabilit\u00e9 et de propager des signaux d’erreur de pr\u00e9diction.<\/p>\n

2.2 La rationalit\u00e9 optimale sous contraintes<\/h3>\n

L’introduction du paradigme bay\u00e9sien par Tenenbaum a profond\u00e9ment renouvel\u00e9 le d\u00e9bat sur la rationalit\u00e9 humaine, historiquement domin\u00e9 par le programme des \u00ab heuristiques et biais \u00bb fond\u00e9 par Daniel Kahneman et Amos Tversky. Ces derniers avaient mis en lumi\u00e8re les erreurs syst\u00e9matiques commises par les sujets humains dans des t\u00e2ches de jugement statistique, concluant fr\u00e9quemment \u00e0 l’irrationalit\u00e9 fondamentale de l’esprit ou \u00e0 sa d\u00e9pendance envers des r\u00e8gles empiriques approximatives et fallacieuses.<\/p>\n

Tenenbaum propose un changement de perspective radical : ce qui apparaissait comme un biais ou une d\u00e9ficience sous les crit\u00e8res d’une logique formelle d\u00e9contextualis\u00e9e s’av\u00e8re souvent \u00eatre l’expression d’une rationalit\u00e9 optimale op\u00e9rant sous des contraintes s\u00e9v\u00e8res de sparsit\u00e9 informationnelle et de ressources computationnelles limit\u00e9es. L’esprit humain ne cherche pas \u00e0 r\u00e9soudre des \u00e9nigmes math\u00e9matiques artificielles dans des conditions de temps infini, mais \u00e0 survivre et agir dans un environnement o\u00f9 les donn\u00e9es sont rares, bruit\u00e9es et co\u00fbteuses \u00e0 acqu\u00e9rir. Dans ce cadre, la d\u00e9pendance envers des a priori structur\u00e9s n’est pas un d\u00e9faut cognitif, mais une condition sine qua non de l’apprentissage.<\/p>\n

Sur le plan algorithmique, Tenenbaum et ses collaborateurs ont d\u00e9montr\u00e9 que le cerveau humain ne calcule pas analytiquement des int\u00e9grales bay\u00e9siennes insolubles, mais recourt \u00e0 des m\u00e9thodes d’\u00e9chantillonnage probabiliste analogues aux algorithmes de Monte-Carlo par cha\u00eenes de Markov (MCMC)<\/a>. En tirant un petit nombre d’\u00e9chantillons repr\u00e9sentatifs de la distribution de probabilit\u00e9 a posteriori, l’esprit r\u00e9alise un compromis optimal entre pr\u00e9cision d\u00e9cisionnelle et co\u00fbt m\u00e9tabolique ou temporel. Ce concept de \u00ab rationalit\u00e9 limit\u00e9e optimale \u00bb ou de rationalit\u00e9 computationnelle r\u00e9concilie la finesse adaptative de la cognition humaine avec ses limites temporelles et structurelles.<\/p>\n

2.3 Formalisation des lois psychologiques classiques<\/h3>\n

L’une des contributions fondatrices de Tenenbaum, qui a d\u00e9finitivement \u00e9tabli son autorit\u00e9 th\u00e9orique dans la communaut\u00e9 des sciences cognitives, a \u00e9t\u00e9 sa r\u00e9interpr\u00e9tation bay\u00e9sienne de la c\u00e9l\u00e8bre loi de g\u00e9n\u00e9ralisation universelle de Roger Shepard<\/a>. En 1987, Shepard avait montr\u00e9 que la probabilit\u00e9 qu’un organisme applique une r\u00e9ponse apprise d’un stimulus \u00e0 un autre d\u00e9cro\u00eet de mani\u00e8re exponentielle en fonction de la distance entre ces deux stimuli dans un espace psychologique m\u00e9trique continu. Bien que Shepard ait \u00e9tay\u00e9 cette loi par des donn\u00e9es empiriques remarquablement universelles couvrant de multiples esp\u00e8ces animales, la justification math\u00e9matique fondamentale de cette fonction exponentielle demeurait incompl\u00e8te.<\/p>\n

Dans un article r\u00e9volutionnaire publi\u00e9 en 2001 avec Thomas Griffiths, Tenenbaum d\u00e9montre que la loi de Shepard d\u00e9coule naturellement des principes premiers de l’inf\u00e9rence bay\u00e9sienne lorsque l’apprenant doit identifier le \u00ab sous-ensemble cons\u00e9quent \u00bb d’un concept sous le principe d’\u00e9chantillonnage al\u00e9atoire. En introduisant l’effet de taille (size principle<\/em>) \u2014 selon lequel des hypoth\u00e8ses conceptuelles plus \u00e9troites conf\u00e8rent une plus grande probabilit\u00e9 a priori aux donn\u00e9es observ\u00e9es et doivent donc recevoir une mise \u00e0 jour bay\u00e9sienne plus forte \u2014, Tenenbaum prouve analytiquement pourquoi la g\u00e9n\u00e9ralisation doit adopter une forme exponentielle face \u00e0 un \u00e9chantillonnage repr\u00e9sentatif.<\/p>\n

Cette r\u00e9ussite formelle ouvre la voie \u00e0 une unification sans pr\u00e9c\u00e9dent d’autres lois psychologiques fondamentales. Des ph\u00e9nom\u00e8nes canoniques tels que la courbe d’oubli d’Ebbinghaus, les gradients d’habituation et les effets de r\u00e9cence en m\u00e9moire trouvent une explication coh\u00e9rente au sein d’un formalisme unique. La fronti\u00e8re traditionnelle entre la perception sensorielle de bas niveau (d\u00e9codage visuel, auditif) et le raisonnement inductif de haut niveau s’efface : toutes deux sont d\u00e9sormais comprises comme des manifestations d’un seul et m\u00eame principe sous-jacent, \u00e0 savoir l’estimation optimale de l’\u00e9tat du monde par inf\u00e9rence probabiliste.<\/p>\n

3. Apprentissage conceptuel et g\u00e9n\u00e9ralisation rapide<\/h2>\n

3.1 L’\u00e9nigme de l’induction \u00e0 partir de donn\u00e9es limit\u00e9es<\/h3>\n

L’un des d\u00e9fis les plus redoutables de la philosophie de la connaissance et de la psychologie cognitive est le probl\u00e8me de l’induction, magistralement formul\u00e9 par Willard Van Orman Quine \u00e0 travers son c\u00e9l\u00e8bre exemple de la traduction radicale et du mot indig\u00e8ne gavagai<\/em>. Lorsqu’un linguiste entend un locuteur autochtone prononcer ce terme en montrant un lapin qui passe, comment peut-il savoir si le mot signifie \u00ab lapin \u00bb, \u00ab partie non d\u00e9tach\u00e9e de lapin \u00bb, \u00ab stade temporel de lapin \u00bb ou \u00ab couleur blanche \u00bb ? En th\u00e9orie pure, une infinit\u00e9 logique d’hypoth\u00e8ses s’av\u00e8re compatible avec chaque observation sensorielle, rendant l’acquisition conceptuelle math\u00e9matiquement impossible en l’absence de contraintes directrices.<\/p>\n

Or, l’esprit humain, et plus particuli\u00e8rement le jeune enfant, r\u00e9sout cette \u00e9nigme avec une aisance d\u00e9concertante. Les \u00eatres humains poss\u00e8dent la facult\u00e9 extraordinaire d’accomplir un apprentissage conceptuel \u00e0 partir d’un seul ou d’une poign\u00e9e d’exemples \u2014 ph\u00e9nom\u00e8ne connu sous le nom de one-shot learning<\/em> ou few-shot learning<\/em>. Un enfant \u00e0 qui l’on montre une seule image d’un animal exotique comme un casoar ou un oryct\u00e9rope est instantan\u00e9ment capable d’identifier d’autres sp\u00e9cimens sous des angles diff\u00e9rents, dans des contextes visuels in\u00e9dits, tout en distinguant l’animal d’esp\u00e8ces morphologiquement proches.<\/p>\n

Tenenbaum a vigoureusement oppos\u00e9 cette ph\u00e9nom\u00e9nologie cognitive aux m\u00e9thodes de l’apprentissage profond (Deep Learning<\/em>) contemporain. Les r\u00e9seaux neuronaux conventionnels requi\u00e8rent l’ingestion de dizaines de milliers, voire de millions d’exemples annot\u00e9s pour extraire des r\u00e9gularit\u00e9s statistiques fragiles et sujettes \u00e0 des erreurs d’interpr\u00e9tation grossi\u00e8res en dehors de leur distribution d’entra\u00eenement. Pour Tenenbaum, cette disparit\u00e9 prouve irr\u00e9futablement que l’apprentissage humain ne repose pas sur une optimisation passive par descente de gradient, mais sur l’application de contraintes inductives a priori puissantes qui canalisent l’espace de recherche conceptuel vers les hypoth\u00e8ses les plus plausibles et explicatives.<\/p>\n

3.2 Mod\u00e8les hi\u00e9rarchiques et abstractions multi-niveaux<\/h3>\n

Pour expliquer formellement comment l’esprit acquiert ces contraintes sans retomber dans un inn\u00e9isme dogmatique et rigide, Tenenbaum d\u00e9veloppe la th\u00e9orie des mod\u00e8les bay\u00e9siens hi\u00e9rarchiques (Hierarchical Bayesian Models<\/em> – HBM). Dans ces architectures probabilistes stratifi\u00e9es, les croyances sont distribu\u00e9es \u00e0 de multiples niveaux d’abstraction interconnect\u00e9s : les donn\u00e9es du monde physique informent des hypoth\u00e8ses sp\u00e9cifiques au niveau inf\u00e9rieur, lesquelles sont \u00e0 leur tour gouvern\u00e9es par des m\u00e9ta-hypoth\u00e8ses ou \u00ab hyper-a priori \u00bb (overhypotheses<\/em>) au niveau sup\u00e9rieur.<\/p>\n

Gr\u00e2ce \u00e0 ce m\u00e9canisme, le syst\u00e8me est capable d’\u00ab apprendre \u00e0 apprendre \u00bb. Par exemple, un enfant observant que diff\u00e9rentes urnes contiennent chacune des billes d’une seule couleur homog\u00e8ne apprend une hyper-hypoth\u00e8se structurelle : \u00ab les sacs contiennent des objets de couleur uniforme \u00bb. D\u00e8s lors, s’il tire une unique bille bleue d’un nouveau sac, il n’a besoin d’aucune donn\u00e9e suppl\u00e9mentaire pour d\u00e9duire que toutes les autres billes du sac sont \u00e9galement bleues. L’inf\u00e9rence sur le sac sp\u00e9cifique devient instantan\u00e9e (one-shot<\/em>) parce qu’elle est guid\u00e9e par l’hyper-a priori acquis ant\u00e9rieurement.<\/p>\n

Les mod\u00e8les hi\u00e9rarchiques de Tenenbaum, d\u00e9velopp\u00e9s notamment en collaboration avec Charles Kemp, ont d\u00e9montr\u00e9 comment des agents artificiels peuvent d\u00e9couvrir de fa\u00e7on autonome la forme structurelle m\u00eame de leurs connaissances : face \u00e0 un ensemble de stimuli, le mod\u00e8le bay\u00e9sien \u00e9value s’il convient de les organiser sous la forme d’un arbre taxonomique, d’un espace m\u00e9trique continu, d’une topologie de graphe ou d’un ordre lin\u00e9aire temporel. Cette d\u00e9couverte de structures relationnelles permet un transfert d’apprentissage spectaculaire entre domaines h\u00e9t\u00e9rog\u00e8nes et fournit le cadre math\u00e9matique manquant pour expliquer l’\u00e9mergence des m\u00e9taconcepts chez l’adulte et l’enfant.<\/p>\n

3.3 La th\u00e9orie g\u00e9om\u00e9trique des repr\u00e9sentations continues<\/h3>\n

Avant d’asseoir sa r\u00e9putation plan\u00e9taire sur les mod\u00e8les probabilistes hi\u00e9rarchiques, Joshua Tenenbaum a apport\u00e9 une contribution fondamentale \u00e0 la g\u00e9om\u00e9trie computationnelle et \u00e0 l’apprentissage non supervis\u00e9 en publiant en 2000 dans la prestigieuse revue Science<\/em> l’algorithme Isomap<\/a>, con\u00e7u avec Vin de Silva et John Langford. Cet algorithme r\u00e9sout le probl\u00e8me de la r\u00e9duction de dimensionnalit\u00e9 non lin\u00e9aire en cherchant les vari\u00e9t\u00e9s g\u00e9om\u00e9triques (manifolds<\/em>) sous-jacentes dissimul\u00e9es dans des donn\u00e9es sensorielles brutes de haute dimension.<\/p>\n

Les approches classiques comme l’analyse en composantes principales (ACP) \u00e9chouaient syst\u00e9matiquement d\u00e8s lors que les donn\u00e9es r\u00e9sidaient sur des surfaces repli\u00e9es ou courbes \u2014 comme la c\u00e9l\u00e8bre vari\u00e9t\u00e9 en \u00ab rouleau suisse \u00bb (Swiss roll<\/em>). Isomap surmonte cette impasse en rempla\u00e7ant la distance euclidienne na\u00efve en ligne droite par la distance g\u00e9od\u00e9sique, c’est-\u00e0-dire le plus court chemin calcul\u00e9 le long de la vari\u00e9t\u00e9 elle-m\u00eame, obtenu en construisant un graphe de plus proches voisins et en appliquant l’algorithme de Dijkstra avant d’ex\u00e9cuter un positionnement multidimensionnel classique.<\/p>\n

Pour Tenenbaum, Isomap ne repr\u00e9sentait pas simplement un triomphe d’ing\u00e9nierie math\u00e9matique, mais un pont th\u00e9orique reliant la perception brute aux repr\u00e9sentations cognitives continues. L’algorithme prouvait qu’un syst\u00e8me perceptif pouvait recevoir des flux d’images brutes de visages sous diff\u00e9rents \u00e9clairages et angles de vue, et en extraire automatiquement les v\u00e9ritables degr\u00e9s de libert\u00e9 sous-jacents (tels que la direction du regard ou l’orientation de la t\u00eate) sous la forme d’un continuum g\u00e9om\u00e9trique de basse dimension. Cette capacit\u00e9 \u00e0 d\u00e9gager des invariants topologiques \u00e0 partir de signaux non structur\u00e9s a constitu\u00e9 le socle sur lequel Tenenbaum a ensuite greff\u00e9 ses architectures symboliques et causales.<\/p>\n

4. La physique intuitive et les moteurs de simulation mentale<\/h2>\n

4.1 La m\u00e9taphore du moteur de jeu vid\u00e9o interne<\/h3>\n

Comment les \u00eatres humains parviennent-ils \u00e0 interagir de mani\u00e8re fluide avec leur environnement physique imm\u00e9diat, \u00e9vitant un projectile au vol, anticipant la trajectoire d’un liquide vers\u00e9 ou \u00e9valuant la stabilit\u00e9 d’une pile de vaisselle pr\u00e9caire ? Joshua Tenenbaum et son \u00e9quipe ont r\u00e9volutionn\u00e9 la psychologie de la perception en formulant l’hypoth\u00e8se audacieuse du moteur de physique intuitif (Intuitive Physics Engine<\/em> – IPE). Selon cette th\u00e9orie, le cerveau humain abrite une machinerie cognitive analogue aux moteurs physiques utilis\u00e9s dans les jeux vid\u00e9o modernes ou les logiciels de simulation graphique tridimensionnelle.<\/p>\n

Ce moteur interne n’effectue pas de calculs symboliques lents bas\u00e9s sur des \u00e9quations diff\u00e9rentielles de Newton ou de Lagrange \u00e9crites sur un tableau noir. Il int\u00e8gre plut\u00f4t des principes qualitatifs robustes concernant la masse, la friction, l’\u00e9lasticit\u00e9, la gravit\u00e9 et l’imp\u00e9n\u00e9trabilit\u00e9 des solides, pour ex\u00e9cuter des simulations dynamiques pr\u00e9dictives rapides. Pour corroborer empiriquement cette th\u00e8se, Tenenbaum, Kevin Smith, Peter Battaglia et Tomer Ullman ont con\u00e7u des protocoles exp\u00e9rimentaux innovants impliquant des configurations instables de tours de blocs (de type Jenga). Les participants devaient estimer en une fraction de seconde si la tour allait s’effondrer et de quel c\u00f4t\u00e9 tomberaient les briques.<\/p>\n

Les mod\u00e8les probabilistes de simulation \u00e9labor\u00e9s par le laboratoire de Tenenbaum ont reproduit les r\u00e9ponses humaines avec une pr\u00e9cision stup\u00e9fiante. L’originalit\u00e9 fondamentale de l’approche r\u00e9side dans l’injection syst\u00e9matique de bruit perceptif et d’incertitude dans la simulation mentale : l’esprit humain n’a pas acc\u00e8s \u00e0 la position spatiale exacte ni \u00e0 la masse absolue de chaque bloc au millim\u00e8tre pr\u00e8s. En \u00e9chantillonnant quelques trajectoires physiques plausibles sous conditions stochastiques, le mod\u00e8le pr\u00e9dit non seulement les jugements corrects des sujets, mais \u00e9galement leurs erreurs syst\u00e9matiques et leurs temps de r\u00e9action face \u00e0 des sc\u00e8nes ambigu\u00ebs.<\/p>\n

4.2 Raisonnement contrefactuel et causalit\u00e9 spatio-temporelle<\/h3>\n

L’existence de ce moteur de simulation physique fournit \u00e9galement la base computationnelle indispensable \u00e0 l’exercice d’une facult\u00e9 intellectuelle \u00e9minemment humaine : le raisonnement contrefactuel. \u00catre capable de d\u00e9terminer ce qui aurait pu<\/em> se passer si un \u00e9v\u00e9nement pr\u00e9alable avait \u00e9t\u00e9 modifi\u00e9 constitue le pivot central de la cognition causale et de l’attribution de responsabilit\u00e9 l\u00e9gale ou morale.<\/p>\n

En \u00e9troite r\u00e9sonance avec les travaux fondateurs de Judea Pearl<\/a> sur le calcul causal (do-calculus<\/em>), Tenenbaum et son collaborateur Tobias Gerstenberg ont formalis\u00e9 le raisonnement contrefactuel comme une op\u00e9ration d’intervention au sein d’une simulation probabiliste. Face \u00e0 une sc\u00e8ne o\u00f9 une bille A entre en collision avec une bille B qui tombe ensuite dans une poche, les observateurs humains doivent r\u00e9pondre \u00e0 la question : \u00ab La bille A a-t-elle caus\u00e9 la chute de la bille B ? \u00bb. Pour y r\u00e9pondre, l’esprit applique une simulation contrefactuelle : il r\u00e9initialise l’\u00e9tat physique du monde imm\u00e9diatement avant le choc, retire mentalement la bille A de la trajectoire, et laisse tourner le simulateur dynamique. Si la bille B ne chute pas dans ce monde simul\u00e9 alternatif, la causalit\u00e9 est formellement attribu\u00e9e \u00e0 la bille A.<\/p>\n

Cette th\u00e9orie diff\u00e9rentie rigoureusement la simple corr\u00e9lation statistique, la pr\u00e9diction passive et l’intervention causale active. En combinant la th\u00e9orie des graphes causaux de Pearl avec des simulations dynamiques spatio-temporelles continues, Tenenbaum a surmont\u00e9 les limites des mod\u00e8les causaux purement propositionnels, offrant une explication math\u00e9matique \u00e9l\u00e9gante de la fa\u00e7on dont les jugements causaux humains \u00e9mergent organiquement de la cin\u00e9matique observ\u00e9e.<\/p>\n

4.3 Universalit\u00e9 et ontogen\u00e8se de la physique intuitive<\/h3>\n

Une question fondamentale pos\u00e9e par cette th\u00e9orie est celle de son origine au cours du d\u00e9veloppement humain : ce moteur physique est-il le fruit d’un apprentissage empirique laborieux tout au long de la vie ou repose-t-il sur des fondations neurobiologiques pr\u00e9cocement stabilis\u00e9es ? Les recherches men\u00e9es par Tenenbaum en synergie avec des sp\u00e9cialistes du d\u00e9veloppement infantile comme Elizabeth Spelke et Ren\u00e9e Baillargeon indiquent une \u00e9mergence remarquablement pr\u00e9coce de ces comp\u00e9tences.<\/p>\n

D\u00e8s l’\u00e2ge de trois \u00e0 quatre mois, les nourrissons manifestent un allongement significatif de leurs temps de fixation visuelle lorsqu’ils sont confront\u00e9s \u00e0 des sc\u00e8nes violant les principes \u00e9l\u00e9mentaires de la physique \u2014 par exemple, un objet qui traverse un mur solide, dispara\u00eet sans continuit\u00e9 spatio-temporelle ou reste suspendu dans le vide en l’absence de tout support. Cette sensibilit\u00e9 pr\u00e9coce t\u00e9moigne de l’existence d’un \u00ab noyau de connaissances \u00bb (core knowledge<\/em>) physique inn\u00e9 ou pr\u00e9cocement calibr\u00e9, qui sert de point d’ancrage aux simulations ult\u00e9rieures.<\/p>\n

De surcro\u00eet, la robustesse de ces intuitions physiques s’av\u00e8re universelle \u00e0 travers les cultures humaines les plus diverses, ne variant que marginalement en fonction du niveau d’\u00e9ducation formelle. Cependant, ce simulateur interne pr\u00e9sente des limitations caract\u00e9ristiques : l’esprit humain est souvent tromp\u00e9 par les acc\u00e9l\u00e9rations non lin\u00e9aires complexes, la dynamique des fluides turbulents ou les effets gyroscopiques. Ces illusions m\u00e9caniques syst\u00e9matiques ne r\u00e9futent pas le mod\u00e8le ; au contraire, elles correspondent pr\u00e9cis\u00e9ment aux approximations simplificatrices que tout moteur de rendu physique efficace doit adopter pour fonctionner en temps r\u00e9el avec des ressources de calcul finies.<\/p>\n

5. La psychologie intuitive et la th\u00e9orie computationnelle de l’esprit<\/h2>\n

5.1 Le mod\u00e8le de planification inverse (Inverse Planning)<\/h3>\n

Si la physique intuitive permet \u00e0 l’\u00eatre humain de comprendre les corps inertes, la psychologie intuitive (ou \u00ab th\u00e9orie de l’esprit \u00bb) lui conf\u00e8re le pouvoir d’interagir avec ses cong\u00e9n\u00e8res en d\u00e9codant leurs \u00e9tats mentaux invisibles : leurs d\u00e9sirs, leurs croyances, leurs intentions et leurs \u00e9motions. Pour formaliser cette comp\u00e9tence sociale extraordinaire, Joshua Tenenbaum, Chris Baker et Rebecca Saxe ont forg\u00e9 le mod\u00e8le computationnel r\u00e9volutionnaire de la \u00ab planification inverse \u00bb (Bayesian Inverse Planning<\/em>).<\/p>\n

Ce mod\u00e8le repose sur l’hypoth\u00e8se fondatrice que l’esprit humain utilise un principe de rationalit\u00e9 t\u00e9l\u00e9ologique a priori : nous supposons par d\u00e9faut que les autres agents agissent de mani\u00e8re rationnelle pour satisfaire leurs d\u00e9sirs en fonction de leurs croyances, tout en minimisant le co\u00fbt de leurs actions physiques. D\u00e8s lors, lorsqu’un observateur humain voit un individu contourner un obstacle pour atteindre un objet pr\u00e9cis, le probl\u00e8me se pose sous la forme d’une inversion math\u00e9matique d’un processus de d\u00e9cision markovien (MDP) : connaissant les trajectoires motrices ex\u00e9cut\u00e9es dans l’espace et les contraintes g\u00e9om\u00e9triques du terrain, l’esprit humain calcule r\u00e9troactivement par inf\u00e9rence bay\u00e9sienne la distribution de probabilit\u00e9 sur les objectifs probables de l’agent.<\/p>\n

La puissance du mod\u00e8le de planification inverse r\u00e9side dans sa capacit\u00e9 \u00e0 d\u00e9sambigu\u00efser des conduites sociales complexes en contexte d’incertitude. Si un individu modifie sa trajectoire au cours du temps ou h\u00e9site entre deux embranchements, l’observateur recalcule instantan\u00e9ment la probabilit\u00e9 de ses intentions r\u00e9vis\u00e9es. Ce cadre algorithmique d\u00e9montre avec \u00e9clat que nous ne percevons pas autrui comme de simples automates cin\u00e9matiques, mais que nous projetons continuellement un mod\u00e8le d’optimisation rationnelle au sein de son int\u00e9riorit\u00e9 subjective.<\/p>\n

5.2 Cognition sociale pr\u00e9coce et d\u00e9veloppement de la th\u00e9orie de l’esprit<\/h3>\n

L’application du formalisme de la planification inverse bay\u00e9sienne \u00e0 la psychologie du d\u00e9veloppement a permis d’\u00e9clairer sous un jour nouveau l’\u00e9mergence des comp\u00e9tences sociales chez le tr\u00e8s jeune enfant. Les c\u00e9l\u00e8bres exp\u00e9riences men\u00e9es par Kuhlmeier, Wynn et Bloom avaient r\u00e9v\u00e9l\u00e9 que des nourrissons de six \u00e0 dix mois manifestent d\u00e9j\u00e0 une nette pr\u00e9f\u00e9rence pour des formes g\u00e9om\u00e9triques anim\u00e9es qui en \u00ab aident \u00bb d’autres \u00e0 gravir une colline, par rapport \u00e0 celles qui les \u00ab bloquent \u00bb activement.<\/p>\n

En transposant ces protocoles exp\u00e9rimentaux dans des simulations bay\u00e9siennes formelles, Tenenbaum et son \u00e9quipe ont prouv\u00e9 que les nourrissons ne r\u00e9agissent pas \u00e0 des r\u00e9gularit\u00e9s visuelles superficielles de trajectoires, mais calculent une v\u00e9ritable \u00ab valeur sociale \u00bb des agents. Le mod\u00e8le \u00e9value le co\u00fbt physique consenti par le personnage aidant pour faciliter l’action du protagoniste, et le compare au co\u00fbt additionnel impos\u00e9 par le personnage entravant. D\u00e8s que l’on manipule artificiellement ces co\u00fbts, les pr\u00e9dictions computationnelles s’alignent avec une rigueur stup\u00e9fiante sur le comportement de regard pr\u00e9f\u00e9rentiel des b\u00e9b\u00e9s.<\/p>\n

Plus tard dans l’ontogen\u00e8se, vers l’\u00e2ge de quatre ans, les enfants franchissent le cap crucial de la compr\u00e9hension des \u00ab fausses croyances \u00bb, \u00e9valu\u00e9 traditionnellement par le test de Sally et Anne : comprendre qu’un individu peut agir sur la base d’une repr\u00e9sentation erron\u00e9e du monde. Tenenbaum mod\u00e9lise cette transition non pas comme l’acquisition d’un nouveau module c\u00e9r\u00e9bral ad hoc, mais comme l’expansion hi\u00e9rarchique du mod\u00e8le de planification inverse : l’espace des hypoth\u00e8ses de l’apprenant s’enrichit d’une variable latente \u00e9pist\u00e9mique d\u00e9couplant l’\u00e9tat r\u00e9el de l’environnement de la croyance interne de l’agent observ\u00e9, r\u00e9solvant avec brio une \u00e9nigme d\u00e9veloppementale d\u00e9battue depuis des d\u00e9cennies.<\/p>\n

5.3 Interaction entre physique intuitive et psychologie intuitive<\/h3>\n

L’une des perc\u00e9es th\u00e9oriques les plus novatrices du laboratoire de Tenenbaum r\u00e9side dans l’int\u00e9gration \u00e9troite de la physique intuitive et de la psychologie intuitive au sein d’une architecture cognitive unifi\u00e9e, souvent qualifi\u00e9e de \u00ab th\u00e9orie des esprits dans les corps \u00bb. Dans le monde r\u00e9el, ces deux domaines de connaissances ne fonctionnent jamais de mani\u00e8re \u00e9tanche : nos d\u00e9ductions sur la psychologie d’un agent d\u00e9pendent intrins\u00e8quement de notre compr\u00e9hension des contraintes physiques qui p\u00e8sent sur son anatomie et son environnement.<\/p>\n

Pour mesurer \u00e0 quel point un individu d\u00e9sire ardemment un but pr\u00e9cis, l’esprit humain calcule l’effort physique n\u00e9cessaire pour surmonter les obstacles gravitationnels ou topologiques qui s’interposent. Si un agent saute par-dessus un muret d’un m\u00e8tre pour ramasser une pomme, nous en d\u00e9duisons une motivation bien sup\u00e9rieure \u00e0 celle qu’il manifesterait s’il s’\u00e9tait content\u00e9 de tendre le bras. Tenenbaum et ses \u00e9tudiants ont formalis\u00e9 cette dialectique \u00e0 travers des mod\u00e8les computationnels o\u00f9 le simulateur de physique intuitive sert de composant d’\u00e9valuation des co\u00fbts au sein de la fonction d’utilit\u00e9 du mod\u00e8le de psychologie intuitive.<\/p>\n

Cette interaction permet \u00e9galement d’op\u00e9rer la distinction ontologique fondamentale entre les entit\u00e9s inanim\u00e9es et les agents anim\u00e9s. Un caillou qui d\u00e9vale une pente ne d\u00e9pense pas d’\u00e9nergie autonome et ob\u00e9it passivement aux forces de la gravit\u00e9 et aux forces normales du sol ; un renard qui escalade cette m\u00eame pente d\u00e9ploie une \u00e9nergie interne dirig\u00e9e vers un but qui compense la gravit\u00e9. Les mod\u00e8les de Tenenbaum montrent que d\u00e8s lors qu’une trajectoire physique d\u00e9vie de mani\u00e8re syst\u00e9matique de la g\u00e9od\u00e9sique de moindre action m\u00e9canique en l’absence de forces externes identifiables, l’esprit bascule imm\u00e9diatement de l’explication par le moteur physique \u00e0 l’interpr\u00e9tation par le moteur psychologique.<\/p>\n

6. Le langage de la pens\u00e9e probabiliste et la programmation cognitive<\/h2>\n

6.1 L’hypoth\u00e8se du langage de la pens\u00e9e probabiliste (Probabilistic LoT)<\/h3>\n

Dans les ann\u00e9es 1970, le philosophe Jerry Fodor<\/a> avait formul\u00e9 l’hypoth\u00e8se provocatrice du \u00ab Langage de la Pens\u00e9e \u00bb (Language of Thought<\/em> – LoT), selon laquelle les processus cognitifs de haut niveau op\u00e8rent sur un syst\u00e8me symbolique mental interne dot\u00e9 d’une syntaxe combinatoire analogue \u00e0 un langage formel, garantissant les propri\u00e9t\u00e9s fondamentales de productivit\u00e9 et de compositionnalit\u00e9 de la pens\u00e9e. Cependant, la vision fodorienne pr\u00e9sentait une faiblesse r\u00e9dhibitoire : son incapacit\u00e9 constitutive \u00e0 rendre compte de l’incertitude empirique, de la flexibilit\u00e9 contextuelle et de la robustesse face au bruit sensoriel.<\/p>\n

Joshua Tenenbaum a r\u00e9alis\u00e9 un tour de force conceptuel en mariant la th\u00e9orie fodorienne du symbolisme combinatoire avec les formalismes statistiques de l’inf\u00e9rence bay\u00e9sienne, fondant ainsi l’hypoth\u00e8se du Probabilistic Language of Thought<\/em> (PLoT). Dans ce paradigme r\u00e9conciliateur, les concepts mentaux ne sont pas de simples pr\u00e9dicats logiques rigides, mais des expressions g\u00e9n\u00e9r\u00e9es par une grammaire formelle probabiliste non contextuelle. Cette grammaire d\u00e9finit un espace infini d’hypoth\u00e8ses causales et structurelles au moyen de r\u00e8gles r\u00e9cursives de composition.<\/p>\n

La dimension probabiliste r\u00e9sout miraculeusement le probl\u00e8me classique de la prolif\u00e9ration combinatoire. Alors qu’un syst\u00e8me symbolique conventionnel est noy\u00e9 sous un nombre astronomique de formules logiques \u00e9quiprobables, le moteur bay\u00e9sien de Tenenbaum attribue une distribution de probabilit\u00e9 \u00e0 chaque d\u00e9rivation syntaxique. Les structures les plus simples et les plus parcimonieuses re\u00e7oivent un a priori plus \u00e9lev\u00e9 en vertu du principe du rasoir d’Ockham math\u00e9matis\u00e9 par la complexit\u00e9 de Kolmogorov, tandis que la vraisemblance empirique \u00e9limine impitoyablement les hypoth\u00e8ses contredites par les observations.<\/p>\n

6.2 Langages de programmation probabiliste : Church et Gen<\/h3>\n

Pour donner un corps informatique concret et op\u00e9rationnel \u00e0 cette vision philosophique du PLoT, Joshua Tenenbaum a activement soutenu et cor\u00e9alis\u00e9 la conception de nouveaux langages de programmation probabiliste universels. Le projet pionnier a \u00e9t\u00e9 le langage Church<\/strong>, d\u00e9velopp\u00e9 \u00e0 la fin des ann\u00e9es 2000 avec son brillant doctorant Noah Goodman<\/a>. Nomm\u00e9 en hommage au logicien Alonzo Church, ce langage \u00e9tend le lambda-calcul et le langage Lisp en int\u00e9grant des primitives d’\u00e9valuation stochastique et des op\u00e9rateurs universels d’inf\u00e9rence conditionnelle.<\/p>\n

Dans Church, une croyance ou une th\u00e9orie mentale n’est plus repr\u00e9sent\u00e9e comme une simple table de nombres ou un graphe statique, mais comme un v\u00e9ritable programme informatique probabiliste<\/em> ex\u00e9cutable. Ce programme d\u00e9crit le processus g\u00e9n\u00e9ratif par lequel les causes sous-jacentes engendrent les cons\u00e9quences observables du monde. L’apprentissage conceptuel ne consiste plus \u00e0 optimiser des poids continus le long de connexions synaptiques, mais \u00e0 effectuer une synth\u00e8se de programme : le cerveau cherche le code algorithmique le plus court et le plus probable capable d’engendrer les donn\u00e9es empiriques recueillies.<\/p>\n

Plus r\u00e9cemment, cette lign\u00e9e s’est enrichie avec le d\u00e9veloppement de Gen<\/strong>, un langage de programmation probabiliste de nouvelle g\u00e9n\u00e9ration con\u00e7u au MIT avec Marco Cusumano-Towner et Vikash Mansinghka. Gen permet aux chercheurs de combiner des mod\u00e8les g\u00e9n\u00e9ratifs symboliques complexes avec des algorithmes d’inf\u00e9rence programmables hautement performants, m\u00ealant \u00e9chantillonnage de Monte-Carlo, m\u00e9thodes s\u00e9quentielles et r\u00e9seaux de neurones profonds utilis\u00e9s comme propositions d’inf\u00e9rence amortie. Ces environnements logiciels ont m\u00e9tamorphos\u00e9 la psychologie computationnelle en permettant de mod\u00e9liser des repr\u00e9sentations cognitives d’une complexit\u00e9 jusque-l\u00e0 inatteignable.<\/p>\n

6.3 Avantages explicatifs sur les mod\u00e8les purement connexionnistes<\/h3>\n

L’approche par programmation probabiliste conf\u00e8re aux th\u00e9ories de Joshua Tenenbaum une sup\u00e9riorit\u00e9 explicative manifeste sur les mod\u00e8les purement connexionnistes ou neuronaux distribu\u00e9s, particuli\u00e8rement sur trois crit\u00e8res \u00e9pist\u00e9mologiques cruciaux : l’explicabilit\u00e9 intrins\u00e8que, la g\u00e9n\u00e9ralisation hors domaine et la modularit\u00e9 fonctionnelle.<\/p>\n

Premi\u00e8rement, les repr\u00e9sentations apprises sous la forme de programmes probabilistes sont intrins\u00e8quement interpr\u00e9tables et transparentes. Alors qu’un r\u00e9seau de neurones multicouches encode ses connaissances au sein de milliards de poids matriciels dont l’interpr\u00e9tation s\u00e9mantique demeure \u00e9nigmatique, le code issu d’une synth\u00e8se bay\u00e9sienne dans Church ou Gen est imm\u00e9diatement lisible par un \u00eatre humain : on peut y inspecter les variables causales, les branchements conditionnels et les boucles r\u00e9cursives qui capturent la structure causale du domaine \u00e9tudi\u00e9.<\/p>\n

Deuxi\u00e8mement, cette compositionnalit\u00e9 symbolique permet une g\u00e9n\u00e9ralisation syst\u00e9matique hors distribution d’entra\u00eenement (out-of-distribution generalization<\/em>). Un mod\u00e8le de programmation probabiliste capable de comprendre le concept d’\u00ab empilement de blocs \u00bb peut instantan\u00e9ment appliquer cette notion \u00e0 des bo\u00eetes de conserve, des livres ou des pierres, sans n\u00e9cessiter de r\u00e9apprentissage adaptatif massif. Troisi\u00e8mement enfin, cette approche respecte la modularit\u00e9 cognitive mise en \u00e9vidence par la neuropsychologie et la psychologie du d\u00e9veloppement : les sous-programmes d\u00e9volus \u00e0 la vision, \u00e0 la m\u00e9canique physique et \u00e0 la d\u00e9duction intentionnelle peuvent s’appeler mutuellement au sein d’une architecture coh\u00e9rente sans risquer de corrompre leurs invariants fonctionnels respectifs.<\/p>\n

7. Le d\u00e9veloppement cognitif : L’enfant en tant que scientifique<\/h2>\n

7.1 L’analogie de l’enfant-chercheur formalis\u00e9e<\/h3>\n

Depuis les travaux fondateurs de Jean Piaget, l’id\u00e9e selon laquelle l’enfant se comporte comme un \u00ab petit scientifique \u00bb construisant activement sa compr\u00e9hension du monde par assimilation et accommodation constitue une m\u00e9taphore s\u00e9duisante de la psychologie du d\u00e9veloppement. Cependant, cette intuition manquait cruellement d’une formalisation math\u00e9matique et computationnelle rigoureuse. C’est \u00e0 travers une collaboration historique et f\u00e9conde avec la psychologue Alison Gopnik<\/a> (Universit\u00e9 de Californie \u00e0 Berkeley) que Joshua Tenenbaum a transform\u00e9 cette m\u00e9taphore po\u00e9tique en une v\u00e9ritable th\u00e9orie scientifique quantitative.<\/p>\n

Dans ce cadre bay\u00e9sien d\u00e9veloppemental, l’apprentissage infantile est formellement d\u00e9crit comme un processus d’induction de mod\u00e8les scientifiques : formulation d’hypoth\u00e8ses causales, calcul de leur vraisemblance face aux indices empiriques, mise \u00e0 jour des probabilit\u00e9s a posteriori et s\u00e9lection d’exp\u00e9riences cruciales pour d\u00e9partager des th\u00e9ories concurrentes. L’exploration spontan\u00e9e et le jeu chez le tr\u00e8s jeune enfant cessent d’\u00eatre consid\u00e9r\u00e9s comme des activit\u00e9s motrices d\u00e9sordonn\u00e9es ; ils sont analys\u00e9s comme la collecte exp\u00e9rimentale de donn\u00e9es actives optimisant le gain informationnel (information gain<\/em> ou r\u00e9duction de l’entropie de Shannon).<\/p>\n

Tenenbaum et ses coll\u00e8gues, notamment Laura Schulz et Hyowon Gweon, ont d\u00e9montr\u00e9 lors d’exp\u00e9riences contr\u00f4l\u00e9es saisissantes que lorsqu’un jouet pr\u00e9sente un comportement ambigu ou contradictoire, les enfants de deux \u00e0 quatre ans orientent sp\u00e9cifiquement leur jeu vers des manipulations susceptibles d’isoler la variable causale critique. L’enfant ne se contente pas d’absorber passivement des stimuli ; il est guid\u00e9 par une curiosit\u00e9 intrins\u00e8que calcul\u00e9e rationnellement, agissant en v\u00e9ritable exp\u00e9rimentateur probabiliste qui con\u00e7oit des protocoles d’action pour tester la validit\u00e9 de ses th\u00e9ories internes.<\/p>\n

7.2 Transitions conceptuelles et changements th\u00e9oriques<\/h3>\n

L’un des d\u00e9fis les plus redoutables de l’\u00e9pist\u00e9mologie piag\u00e9tienne \u00e9tait d’expliquer la nature m\u00e9canique des \u00ab stades \u00bb de d\u00e9veloppement et les transitions qualitatives discontinues entre ces stades. Pourquoi un enfant s’accroche-t-il pendant des mois \u00e0 une conception erron\u00e9e de la conservation de la mati\u00e8re avant de basculer soudainement vers une compr\u00e9hension adulte et stable ? Comment mod\u00e9liser ces r\u00e9volutions scientifiques miniatures, comparables aux changements de paradigme d\u00e9crits par Thomas Kuhn dans l’histoire des sciences ?<\/p>\n

Les mod\u00e8les bay\u00e9siens hi\u00e9rarchiques de Tenenbaum fournissent une explication \u00e9l\u00e9gante de cette dynamique non lin\u00e9aire. Dans une architecture bay\u00e9sienne hi\u00e9rarchique, une th\u00e9orie na\u00efve n’est pas abandonn\u00e9e d\u00e8s l’apparition d’une premi\u00e8re anomalie empirique isol\u00e9e : le terme de vraisemblance peut tol\u00e9rer des exceptions sous forme de bruit exp\u00e9rimental ou d’artefacts sans d\u00e9truire l’a priori \u00e9tabli. Il se produit une r\u00e9sistance structurelle du mod\u00e8le mental existant, qui absorbe les donn\u00e9es divergentes par des ajustements marginaux au niveau inf\u00e9rieur.<\/p>\n

Cependant, \u00e0 mesure que les donn\u00e9es contradictoires s’accumulent, la probabilit\u00e9 globale de la th\u00e9orie dominante s’\u00e9rode silencieusement jusqu’\u00e0 franchir un point de bascule critique (tipping point<\/em>). D\u00e8s lors qu’une th\u00e9orie alternative concurrente \u2014 jusque-l\u00e0 p\u00e9nalis\u00e9e par sa faible probabilit\u00e9 a priori \u2014 accumule une vraisemblance empirique cumulative sup\u00e9rieure, la distribution a posteriori s’effondre de mani\u00e8re brutale et bascule vers ce nouveau paradigme explicatif. Tenenbaum a math\u00e9matiquement mod\u00e9lis\u00e9 ces transitions discontinues sans avoir besoin de postuler des sauts biologiques ad hoc, montrant comment une dynamique de mise \u00e0 jour probabiliste continue peut engendrer des r\u00e9volutions cognitives d’apparence abrupte.<\/p>\n

7.3 Apprentissage du langage et ancrage s\u00e9mantique<\/h3>\n

L’application du paradigme bay\u00e9sien au d\u00e9veloppement du langage chez Tenenbaum a permis de renouveler la querelle historique entre l’inn\u00e9isme radical de Chomsky et l’empirisme statistique des mod\u00e8les de langage contemporains. Tenenbaum soutient que l’acquisition lexicale et grammaticale s’effectue par induction probabiliste contrainte sur des grammaires compositionnelles, permettant \u00e0 l’enfant d’extraire la structure syntaxique profonde sans requ\u00e9rir des millions de phrases de correction explicite.<\/p>\n

Au niveau s\u00e9mantique, Tenenbaum a collabor\u00e9 avec Michael Frank pour \u00e9laborer le mod\u00e8le du Rational Speech Act<\/em> (RSA). Le framework RSA con\u00e7oit la communication humaine comme un jeu d’inf\u00e9rence bay\u00e9sienne r\u00e9cursive : un locuteur rationnel formule son \u00e9nonc\u00e9 en anticipant comment un auditeur id\u00e9al va interpr\u00e9ter ses mots au vu du contexte perceptif commun, tandis que l’auditeur d\u00e9crypte le message en d\u00e9duisant les intentions informatives du locuteur. Cette formalisation math\u00e9matique de la pragmatique linguistique au sens de Paul Grice capture avec une virtuosit\u00e9 in\u00e9gal\u00e9e la fa\u00e7on dont nous comprenons les sous-entendus, les m\u00e9taphores et les implicatures scalaires (par exemple d\u00e9duire que \u00ab certains \u00e9l\u00e8ves ont r\u00e9ussi \u00bb implique pragmatiquement que \u00ab tous n’ont pas r\u00e9ussi \u00bb).<\/p>\n

En ancrant le langage dans des repr\u00e9sentations causales du monde physique et des agents sociaux, Tenenbaum r\u00e9sout en outre le redoutable probl\u00e8me de l’ancrage des symboles (symbol grounding problem<\/em>) pos\u00e9 par Stevan Harnad : les mots ne renvoient pas st\u00e9rilement \u00e0 d’autres mots dans un dictionnaire ferm\u00e9 de vecteurs num\u00e9riques, mais \u00e0 des programmes ex\u00e9cutables au sein de nos moteurs de physique et de psychologie intuitives, conf\u00e9rant ainsi au langage un sens ancr\u00e9 dans l’exp\u00e9rience v\u00e9cue de la r\u00e9alit\u00e9.<\/p>\n

8. Neurosciences computationnelles et ancrage biologique<\/h2>\n

8.1 L’impl\u00e9mentation neurale de l’inf\u00e9rence bay\u00e9sienne<\/h3>\n

Si la primaut\u00e9 accord\u00e9e au niveau computationnel de David Marr a constitu\u00e9 la signature \u00e9pist\u00e9mologique de Joshua Tenenbaum, ce dernier n’a jamais sous-estim\u00e9 l’imp\u00e9ratif de r\u00e9concilier ses mod\u00e8les math\u00e9matiques avec les contraintes neurophysiologiques du cerveau biologique. L’interrogation centrale peut se r\u00e9sumer ainsi : comment une matrice biologique de dizaines de milliards de neurones interconnect\u00e9s par des synapses \u00e9lectrochimiques peut-elle r\u00e9aliser mat\u00e9riellement des op\u00e9rations d’inf\u00e9rence bay\u00e9sienne, de simulation dynamique et de synth\u00e8se de programmes probabilistes ?<\/p>\n

Pour r\u00e9pondre \u00e0 cette question, Tenenbaum a dialogu\u00e9 \u00e9troitement avec des neuroscientifiques computationnels pionniers comme Alexandre Pouget, Sophie Den\u00e8ve et Peter Dayan. Deux grandes hypoth\u00e8ses d’impl\u00e9mentation neurale ont \u00e9t\u00e9 explor\u00e9es. La premi\u00e8re est celle du codage probabiliste par populations de neurones (Probabilistic Population Codes<\/em> – PPC), o\u00f9 l’activit\u00e9 combin\u00e9e de sous-r\u00e9seaux corticaux repr\u00e9sente explicitement les param\u00e8tres (moyenne, variance) de distributions de probabilit\u00e9 continues, les lois de l’alg\u00e8bre synaptique effectuant naturellement l’addition de logarithmes de vraisemblance requise par la r\u00e8gle de Bayes.<\/p>\n

La seconde hypoth\u00e8se, activement soutenue par Tenenbaum, est celle de l’\u00e9chantillonnage neuronal stochastique : les fluctuations spontan\u00e9es et le caract\u00e8re bruit\u00e9 des potentiels d’action dans le cortex ne constitueraient pas un d\u00e9faut d’ing\u00e9nierie biologique, mais le reflet m\u00eame de l’ex\u00e9cution d’un algorithme de Monte-Carlo cellulaire. Dans cette optique, l’\u00e9tat d’activation d’un groupe neuronal \u00e0 un instant pr\u00e9cis repr\u00e9sente un \u00e9chantillon individuel tir\u00e9 de la distribution de probabilit\u00e9 a posteriori. Cette vision s’harmonise magnifiquement avec les th\u00e9ories du codage pr\u00e9dictif cortical d\u00e9fendues par Karl Friston, tout en y injectant des structures de donn\u00e9es compositionnelles infiniment plus riches que les simples pr\u00e9dictions d’intensit\u00e9s lumineuses.<\/p>\n

8.2 Localisation c\u00e9r\u00e9brale de la physique et de la psychologie intuitives<\/h3>\n

Au-del\u00e0 de la th\u00e9orie synaptique, Joshua Tenenbaum a supervis\u00e9 des recherches de neuro-imagerie fonctionnelle par r\u00e9sonance magn\u00e9tique (IRMf) d’une port\u00e9e majeure, en \u00e9troite collaboration avec Rebecca Saxe<\/a> et Nancy Kanwisher<\/a> au MIT, afin de cartographier l’architecture anatomique des moteurs cognitifs de l’esprit.<\/p>\n

Ces \u00e9tudes ont d\u00e9montr\u00e9 l’existence d’une double dissociation neuro-fonctionnelle \u00e9clatante entre les circuits d\u00e9volus \u00e0 la physique intuitive et ceux d\u00e9di\u00e9s \u00e0 la psychologie intuitive. Les travaux dirig\u00e9s par Jason Fischer et Tenenbaum ont mis en \u00e9vidence qu’un r\u00e9seau cortical sp\u00e9cifique \u2014 impliquant le cortex pari\u00e9tal et le cortex pr\u00e9moteur dorsal frontal \u2014 s’active vigoureusement d\u00e8s lors qu’un participant observe des sc\u00e8nes physiques dynamiques ou juge la stabilit\u00e9 de tours de blocs, m\u00eame lorsqu’aucune r\u00e9ponse motrice n’est requise. Ce r\u00e9seau ne r\u00e9pond pas \u00e0 la simple analyse visuelle des formes ou des couleurs, mais s’active s\u00e9lectivement en fonction de l’intensit\u00e9 des calculs dynamiques de trajectoire et de masse n\u00e9cessaires \u00e0 la pr\u00e9diction causale.<\/p>\n

\u00c0 l’inverse, d\u00e8s que la sc\u00e8ne observ\u00e9e implique des entit\u00e9s anim\u00e9es dont il faut d\u00e9coder les intentions, ce r\u00e9seau physique dorsal s’\u00e9teint au profit d’un ensemble neuro-anatomique totalement distinct : le r\u00e9seau de la th\u00e9orie de l’esprit, comprenant de fa\u00e7on saillante le carrefour temporo-pari\u00e9tal (temporo-parietal junction<\/em> – TPJ), le pr\u00e9cun\u00e9us et le cortex pr\u00e9frontal m\u00e9dian. Ces d\u00e9couvertes empiriques apportent une confirmation \u00e9clatante \u00e0 la th\u00e9orie de Tenenbaum : la physique intuitive et la psychologie intuitive ne sont pas de simples fictions th\u00e9oriques commodes, mais correspondent \u00e0 des modules computationnels profond\u00e9ment ancr\u00e9s dans l’architecture mat\u00e9rielle du syst\u00e8me nerveux central humain.<\/p>\n

8.3 Le Center for Brains, Minds and Machines (CBMM)<\/h3>\n

L’institutionnalisation de cette synth\u00e8se interdisciplinaire a trouv\u00e9 son apog\u00e9e en 2013 avec la cr\u00e9ation du Center for Brains, Minds and Machines<\/em> (CBMM), un consortium de recherche interdisciplinaire colossal financ\u00e9 par la National Science Foundation (NSF) et codirig\u00e9 au MIT et \u00e0 Harvard par Joshua Tenenbaum et Tomaso Poggio. L’\u00e9nonc\u00e9 de mission du CBMM est d’une audace \u00e9pist\u00e9mologique rare : r\u00e9aliser une ing\u00e9nierie inverse de l’intelligence biologique pour r\u00e9soudre les myst\u00e8res des neurosciences, tout en utilisant les d\u00e9couvertes du cerveau pour inventer l’intelligence artificielle du futur.<\/p>\n

Au sein du CBMM, Tenenbaum a incarn\u00e9 le r\u00f4le de visionnaire int\u00e9grateur, cr\u00e9ant des synergies in\u00e9dites entre psychologues exp\u00e9rimentalistes, neurophysiologistes \u00e9tudiant le cortex visuel des primates, math\u00e9maticiens de la th\u00e9orie statistique de l’apprentissage et ing\u00e9nieurs en robotique humano\u00efde. Le centre a impos\u00e9 une m\u00e9thodologie de recherche unifi\u00e9e o\u00f9 toute th\u00e9orie psychologique de la cognition doit \u00eatre formalis\u00e9e sous la forme d’un mod\u00e8le computationnel testable sur des t\u00e2ches r\u00e9elles, tout en \u00e9tant confront\u00e9e aux donn\u00e9es d’imagerie c\u00e9r\u00e9brale et de chronom\u00e9trie comportementale.<\/p>\n

Cette approche symbiotique a transform\u00e9 le paysage acad\u00e9mique mondial en prouvant que la s\u00e9paration traditionnelle entre sciences de l’esprit et ing\u00e9nierie logicielle appartenait au pass\u00e9. Sous la direction scientifique de Tenenbaum, le CBMM est devenu la p\u00e9pini\u00e8re des th\u00e9ories les plus avanc\u00e9es sur la vision s\u00e9mantique, la m\u00e9moire \u00e9pisodique causale et la coordination sociale entre agents biologiques et artificiels.<\/p>\n

9. Critique de l’IA contemporaine et vision d’une intelligence \u00e0 \u00e9chelle humaine<\/h2>\n

9.1 Les limites intrins\u00e8ques du Deep Learning selon Tenenbaum<\/h3>\n

\u00c0 une \u00e9poque o\u00f9 l’engouement m\u00e9diatique et industriel pour l’apprentissage profond (Deep Learning) confinait \u00e0 une euphorie sans nuance, Joshua Tenenbaum a formul\u00e9 une critique intellectuelle p\u00e9n\u00e9trante, argument\u00e9e et mesur\u00e9e des limites fondamentales des r\u00e9seaux de neurones profonds. Dans un article programmatique majeur publi\u00e9 en 2017 dans Behavioral and Brain Sciences<\/em> avec Brenden Lake, Tomer Ullman et Samuel Gershman (\u00ab Building Machines That Learn and Think Like People<\/em> \u00bb), il a pos\u00e9 un diagnostic sans concession sur les impasses \u00e9pist\u00e9mologiques du tout-statistique.<\/p>\n

Tenenbaum d\u00e9montre que les r\u00e9seaux de neurones profonds, qu’ils s’appellent convolutifs ou r\u00e9currents, demeurent d’admirables outils d’ajustement de courbes statistiques de haute dimension et de reconnaissance de formes (pattern recognition<\/em>), mais \u00e9chouent tragiquement \u00e0 b\u00e2tir de v\u00e9ritables mod\u00e8les causaux du monde. Leurs faiblesses sont structurelles : vuln\u00e9rabilit\u00e9 catastrophique aux exemples contradictoires (adversarial attacks<\/em>) o\u00f9 un bruit invisible modifie totalement leur pr\u00e9diction ; incapacit\u00e9 \u00e0 raisonner de fa\u00e7on compositionnelle et contrefactuelle ; et d\u00e9pendance vorace envers des volumes d\u00e9mesur\u00e9s de donn\u00e9es annot\u00e9es pour apprendre des concepts \u00e9l\u00e9mentaires qu’un nourrisson ma\u00eetrise en quelques secondes.<\/p>\n

Pour Tenenbaum, ces architectures confondent la corr\u00e9lation superficielle des pixels ou des tokens textuels avec la compr\u00e9hension ontologique de la r\u00e9alit\u00e9. Un mod\u00e8le profond peut d\u00e9crire fid\u00e8lement des millions de sc\u00e8nes sans poss\u00e9der la moindre notion physique de ce qu’est un objet p\u00e9renne, sans comprendre qu’une tasse pos\u00e9e sur le bord d’une table risque de tomber si on la heurte, et sans r\u00e9aliser que les personnages repr\u00e9sent\u00e9s dans une image ont des d\u00e9sirs et des croyances qui motivent leurs gestes. En un mot, il manque au Deep Learning ce qui constitue le socle m\u00eame de la cognition humaine : le bon sens intuitif (common sense<\/em>).<\/p>\n

9.2 Vers des architectures hybrides neuro-symboliques<\/h3>\n

Loin de se borner \u00e0 une posture critique st\u00e9rile, Joshua Tenenbaum a \u00e9t\u00e9 l’un des premiers chercheurs de premier plan \u00e0 concevoir et impl\u00e9menter des architectures computationnelles r\u00e9solvant ces limitations fondamentales : les syst\u00e8mes hybrides neuro-symboliques<\/strong>. L’id\u00e9e motrice consiste \u00e0 op\u00e9rer un mariage harmonieux entre la puissance perceptuelle ascendante des r\u00e9seaux de neurones et la rigueur explicative descendante des repr\u00e9sentations symboliques et probabilistes.<\/p>\n

Cette synth\u00e8se a trouv\u00e9 une illustration magistrale dans le d\u00e9veloppement du Neuro-Symbolic Concept Learner<\/em> (NSCL), con\u00e7u avec Chuang Gan, Jiajun Wu et d’autres collaborateurs du MIT. Face \u00e0 des \u00e9nigmes visuelles complexes tir\u00e9es de benchmarks exigeants comme CLEVR (qui posent des questions complexes telles que : \u00ab De quelle mati\u00e8re est l’objet cylindrique situ\u00e9 derri\u00e8re la petite sph\u00e8re rouge ? \u00bb), le NSCL n’utilise pas un r\u00e9seau de neurones de bout en bout comme une bo\u00eete noire opaque. Au lieu de cela, un module neuronal extrait les masques et les attributs visuels continus des objets dans l’image, tandis qu’un analyseur de langage naturel d\u00e9code la question sous forme d’un programme fonctionnel symbolique. Le programme est ensuite ex\u00e9cut\u00e9 de fa\u00e7on d\u00e9terministe sur les repr\u00e9sentations d’objets structur\u00e9es.<\/p>\n

Les r\u00e9sultats de cette approche hybride sont spectaculaires : le syst\u00e8me requiert un volume de donn\u00e9es d’entra\u00eenement immens\u00e9ment inf\u00e9rieur \u00e0 celui des r\u00e9seaux profonds classiques pour atteindre une pr\u00e9cision quasi-parfaite ; il est capable de g\u00e9n\u00e9raliser instantan\u00e9ment \u00e0 des questions contenant des combinaisons d’objets et de relations logiques jamais rencontr\u00e9es lors de la phase d’apprentissage ; et surtout, son processus d\u00e9cisionnel est d’une clart\u00e9 totale, chaque \u00e9tape de l’ex\u00e9cution du programme pouvant \u00eatre inspect\u00e9e et valid\u00e9e formellement par un op\u00e9rateur humain.<\/p>\n

9.3 Les crit\u00e8res d’une v\u00e9ritable intelligence artificielle g\u00e9n\u00e9rale<\/h3>\n

\u00c0 travers ses recherches sur l’intelligence \u00e0 \u00e9chelle humaine, Joshua Tenenbaum a profond\u00e9ment red\u00e9fini le cahier des charges th\u00e9orique de ce que devrait \u00eatre une authentique Intelligence Artificielle G\u00e9n\u00e9rale (AGI)<\/a>. Refusant les m\u00e9triques superficielles bas\u00e9es sur la r\u00e9ussite de tests standardis\u00e9s ou la g\u00e9n\u00e9ration de textes plausibles, Tenenbaum a articul\u00e9 les comp\u00e9tences minimales indispensables qu’une machine doit poss\u00e9der pour pr\u00e9tendre \u00e0 une cognition v\u00e9ritable :<\/p>\n