{"id":15881,"date":"2026-10-14T04:50:09","date_gmt":"2026-10-14T04:50:09","guid":{"rendered":"http:\/\/french.arabpsychology.com\/theorists\/judea-pearl-1936-a-nos-jours-causalite-psychologie\/"},"modified":"2026-10-14T04:50:09","modified_gmt":"2026-10-14T04:50:09","slug":"judea-pearl-1936-a-nos-jours-causalite-psychologie","status":"publish","type":"psych_theorist","link":"https:\/\/french.arabpsychology.com\/?psych_theorist=judea-pearl-1936-a-nos-jours-causalite-psychologie","title":{"rendered":"Judea Pearl – 1936 \u00e0 nos jours"},"content":{"rendered":"

L’histoire des sciences computationnelles et de l’\u00e9pist\u00e9mologie contemporaine est jalonn\u00e9e de ruptures conceptuelles majeures, mais peu d’entre elles ont transform\u00e9 aussi radicalement notre compr\u00e9hension de l’intelligence, de l’incertitude et du raisonnement que l’\u0153uvre monumentale de Judea Pearl<\/a>. N\u00e9 en 1936 \u00e0 Tel Aviv, ce chercheur isra\u00e9lo-am\u00e9ricain, laur\u00e9at du prestigieux prix Turing en 2011, a consacr\u00e9 plus d’un demi-si\u00e8cle \u00e0 combler le foss\u00e9 vertigineux qui s\u00e9pare la pure corr\u00e9lation statistique de l’intuition causale humaine. Alors que l’intelligence artificielle du vingti\u00e8me si\u00e8cle oscillait entre le d\u00e9terminisme rigide d’une logique symbolique incapable d’appr\u00e9hender le flou du monde r\u00e9el et les approches purement connexionnistes r\u00e9duisant l’apprentissage \u00e0 une optimisation aveugle, Pearl a \u00e9labor\u00e9 une troisi\u00e8me voie : celle d’une formalisation math\u00e9matique rigoureuse de la pens\u00e9e probabiliste, suivie de l’\u00e9dification d’une th\u00e9orie compl\u00e8te de la causalit\u00e9 structurale.<\/p>\n

L’impact de Judea Pearl d\u00e9passe largement les fronti\u00e8res de l’informatique th\u00e9orique. En introduisant au d\u00e9but des ann\u00e9es 1980 les r\u00e9seaux bay\u00e9siens<\/a>, il a fourni aux sciences cognitives, \u00e0 la m\u00e9decine, \u00e0 la robotique et \u00e0 la statistique moderne un langage universel pour repr\u00e9senter les connaissances incertaines et propager les croyances de mani\u00e8re computationnellement traitable. Pourtant, loin de se reposer sur ce triomphe qui avait d\u00e9j\u00e0 r\u00e9volutionn\u00e9 le domaine de l’intelligence artificielle, Pearl a op\u00e9r\u00e9 au tournant des ann\u00e9es 1990 une seconde r\u00e9volution, plus audacieuse encore. Constatant les limites r\u00e9dhibitoires des probabilit\u00e9s classiques face aux questions fondamentales du \u00ab pourquoi \u00bb et du \u00ab que se passerait-il si \u00bb, il a brav\u00e9 le dogme statistique s\u00e9culaire initi\u00e9 par Karl Pearson et Ronald Fisher, selon lequel la causalit\u00e9 ne serait qu’une illusion non math\u00e9matisable ou une simple corr\u00e9lation robuste. En cr\u00e9ant le mod\u00e8le causal structurel, le calcul des interventions (le c\u00e9l\u00e8bre do-calculus<\/em>) et une th\u00e9orie formelle des contrefactuels, Judea Pearl a dot\u00e9 la science d’outils formels permettant d’interroger directement la r\u00e9alit\u00e9 contrefactuelle et interventionnelle.<\/p>\n

Explorer l’itin\u00e9raire intellectuel de Judea Pearl, de ses premi\u00e8res d\u00e9couvertes en ing\u00e9nierie jusqu’\u00e0 ses plaidoyers contemporains pour une intelligence artificielle causale capable de surpasser le simple ajustement de courbes de l’apprentissage profond<\/a>, revient \u00e0 plonger dans l’une des aventures intellectuelles les plus f\u00e9condes du si\u00e8cle \u00e9coul\u00e9. Ce voyage traverse la formalisation des graphes acycliques dirig\u00e9s, la r\u00e9solution d\u00e9finitive du paradoxe de Simpson, l’analyse philosophique du libre arbitre et de la responsabilit\u00e9 morale, ainsi que la refondation m\u00e9thodologique de l’\u00e9pid\u00e9miologie et des sciences sociales. \u00c0 travers son \u0153uvre, Pearl ne s’est pas content\u00e9 de programmer des machines : il a r\u00e9v\u00e9l\u00e9 l’architecture logique de notre propre imagination, d\u00e9montrant avec une clart\u00e9 limpide que la v\u00e9ritable intelligence ne r\u00e9side pas dans l’accumulation passive de donn\u00e9es, mais dans la capacit\u00e9 \u00e0 b\u00e2tir des mod\u00e8les du monde pour en sonder les myst\u00e8res inobserv\u00e9s et les futurs possibles.<\/p>\n

1. Biographie intellectuelle et gen\u00e8se scientifique de Judea Pearl<\/h2>\n

1.1 Les premi\u00e8res ann\u00e9es et la formation acad\u00e9mique<\/h3>\n

Judea Pearl na\u00eet en 1936 \u00e0 Tel Aviv, au sein d’une famille profond\u00e9ment impr\u00e9gn\u00e9e de culture humaniste et de rigueur intellectuelle, dans ce qui \u00e9tait alors la Palestine sous mandat britannique. D\u00e8s son plus jeune \u00e2ge, il manifeste une curiosit\u00e9 insatiable pour les ph\u00e9nom\u00e8nes physiques et une inclination marqu\u00e9e pour les structures abstraites des math\u00e9matiques. \u00c9lev\u00e9 \u00e0 Bnei Brak, une ville o\u00f9 cohabitent traditions s\u00e9culaires et ferveur pionni\u00e8re, Pearl est fascin\u00e9 par la m\u00e9canique du monde naturel, cherchant spontan\u00e9ment \u00e0 d\u00e9composer chaque m\u00e9canisme en ses \u00e9l\u00e9ments constituants pour en comprendre le fonctionnement intime. Cette disposition d’esprit analytique le conduit naturellement vers des \u00e9tudes d’ing\u00e9nierie \u00e9lectrique au sein du prestigieux Technion – Institut de technologie d’Isra\u00ebl<\/a> \u00e0 Ha\u00effa. Il y obtient son baccalaur\u00e9at universitaire en sciences en 1960, d\u00e9veloppant une ma\u00eetrise approfondie de la th\u00e9orie des circuits, de l’\u00e9lectromagn\u00e9tisme et des \u00e9quations diff\u00e9rentielles qui r\u00e9gissent les syst\u00e8mes physiques dynamiques.<\/p>\n

Anim\u00e9 par la volont\u00e9 d’approfondir les aspects fondamentaux de la physique appliqu\u00e9e et du traitement de l’information, Judea Pearl \u00e9migre aux \u00c9tats-Unis au d\u00e9but des ann\u00e9es 1960 pour poursuivre sa formation aux cycles sup\u00e9rieurs. Il rejoint d’abord le Newark College of Engineering (aujourd’hui le New Jersey Institute of Technology), o\u00f9 il d\u00e9croche une ma\u00eetrise en g\u00e9nie \u00e9lectrique en 1961, avant d’int\u00e9grer l’Universit\u00e9 Rutgers pour obtenir une ma\u00eetrise en physique en 1965. Cette double comp\u00e9tence en ing\u00e9nierie des syst\u00e8mes et en physique th\u00e9orique culmine avec l’obtention de son doctorat en g\u00e9nie \u00e9lectrique \u00e0 l’\u00c9cole polytechnique de Brooklyn (aujourd’hui la New York University Tandon School of Engineering) la m\u00eame ann\u00e9e. Sa th\u00e8se doctorale, r\u00e9dig\u00e9e sous la direction de mentors exigeants, explore les propri\u00e9t\u00e9s \u00e9lectromagn\u00e9tiques et les dynamiques de vortex dans les films supraconducteurs, un sujet \u00e0 la pointe de la physique du solide de l’\u00e9poque qui pr\u00e9figure les architectures mat\u00e9rielles \u00e9mergentes.<\/p>\n

Recrut\u00e9 par les c\u00e9l\u00e8bres laboratoires de recherche de la Radio Corporation of America (RCA)<\/a> \u00e0 Princeton, puis par la division de recherche de l’Electronic Memories, Inc., Pearl travaille activement sur la conception de m\u00e9moires supraconductrices \u00e0 base d’effet Josephson et sur des dispositifs de stockage d’information \u00e0 haute densit\u00e9. Durant ces ann\u00e9es industrielles, il publie d’importantes contributions sur la th\u00e9orie du traitement du signal, les propri\u00e9t\u00e9s param\u00e9triques des mat\u00e9riaux magn\u00e9tiques et la physique de l’information. Cependant, son esprit s’\u00e9mancipe progressivement des contingences strictement mat\u00e9rielles du mat\u00e9riel \u00e9lectronique. L’av\u00e8nement des premiers ordinateurs num\u00e9riques et l’\u00e9mergence des concepts cybern\u00e9tiques le poussent \u00e0 s’interroger sur la nature m\u00eame du traitement de l’information : comment concevoir des algorithmes capables de prendre des d\u00e9cisions optimales face \u00e0 des signaux bruit\u00e9s et fragmentaires ?<\/p>\n

Ce questionnement existentiel pour un ing\u00e9nieur de son calibre le conduit \u00e0 franchir le pas acad\u00e9mique d\u00e9finitif. En 1969, Judea Pearl est recrut\u00e9 par l’Universit\u00e9 de Californie \u00e0 Los Angeles (UCLA<\/a>) au sein du d\u00e9partement d’informatique nouvellement cr\u00e9\u00e9 dans le sillage des pionniers d’ARPANET. Ce tournant marque le d\u00e9but d’une r\u00e9orientation disciplinaire spectaculaire vers l’intelligence artificielle, un domaine alors domin\u00e9 par les promesses mirifiques mais fragiles de la logique symbolique. \u00c0 UCLA, Pearl commence par \u00e9tudier la th\u00e9orie des graphes appliqu\u00e9e \u00e0 l’optimisation combinatoire et publie en 1984 un ouvrage de r\u00e9f\u00e9rence sur les heuristiques de recherche, intitul\u00e9 Heuristics: Intelligent Search Strategies for Computer Problem Solving<\/em>. Cet ouvrage fondamental th\u00e9orise les algorithmes d’exploration arborescente tels que A* et pose les bases m\u00e9thodologiques d’une r\u00e9flexion qui ne cessera de hanter le chercheur : la mod\u00e9lisation de la rationalit\u00e9 humaine sous contrainte computationnelle.<\/p>\n

1.2 \u00c9mergence de l’int\u00e9r\u00eat pour l’incertitude et la mod\u00e9lisation cognitive<\/h3>\n

Au d\u00e9but des ann\u00e9es 1980, le paysage de l’intelligence artificielle est domin\u00e9 de mani\u00e8re quasi h\u00e9g\u00e9monique par le paradigme des syst\u00e8mes experts. Ces syst\u00e8mes, reposant sur des moteurs d’inf\u00e9rence fonctionnant en logique formelle du premier ordre et exploitant de vastes bases de r\u00e8gles d\u00e9terministes de type \u00ab SI condition ALORS action \u00bb, pr\u00e9tendent rivaliser avec les sp\u00e9cialistes humains dans des domaines pointus comme le diagnostic m\u00e9dical ou la prospection g\u00e9ologique. Pourtant, Judea Pearl per\u00e7oit avec une lucidit\u00e9 critique les failles b\u00e9antes de cette approche. Confront\u00e9s \u00e0 la r\u00e9alit\u00e9 empirique, ces syst\u00e8mes s’effondrent sous le poids de leur propre rigidit\u00e9 combinatoire. Le monde r\u00e9el n’est ni binaire ni parfaitement observable ; il est satur\u00e9 de bruit, d’exceptions impr\u00e9vues, de donn\u00e9es manquantes et d’ambigu\u00eft\u00e9s contextuelles que la logique bool\u00e9enne classique se r\u00e9v\u00e8le incapable de traiter sans introduire une explosion intol\u00e9rable de micro-r\u00e8gles contradictoires.<\/p>\n

Les pionniers des syst\u00e8mes experts, conscients de ce probl\u00e8me, avaient tent\u00e9 d’adjoindre \u00e0 leurs architectures des rustines num\u00e9riques ad hoc, telles que les coefficients de certitude du syst\u00e8me MYCIN ou les logiques floues naissantes. Pearl rejette cat\u00e9goriquement ces exp\u00e9dients non fond\u00e9s, soulignant qu’ils violent les principes les plus \u00e9l\u00e9mentaires de la coh\u00e9rence inductive et conduisent rapidement \u00e0 des d\u00e9rives inf\u00e9rentielles aberrantes. Il observe que l’esprit humain, confront\u00e9 au doute et \u00e0 la contingence, ne proc\u00e8de pas par accumulation de r\u00e8gles d\u00e9terministes fragilis\u00e9es par des pond\u00e9rations arbitraires, mais d\u00e9ploie une intuition ph\u00e9nom\u00e9nologique sophistiqu\u00e9e, capable d’\u00e9valuer la vraisemblance relative d’hypoth\u00e8ses concurrentes \u00e0 la lumi\u00e8re d’indices perceptifs parcellaires. Cette intuition humaine n’est pas le fruit d’un calcul global omniscient, mais d’une organisation modulaire et distribu\u00e9e de la pens\u00e9e.<\/p>\n

C’est \u00e0 cette \u00e9poque que Judea Pearl op\u00e8re un choix intellectuel \u00e0 contre-courant des dogmes \u00e9tablis de l’informatique : il entreprend de r\u00e9habiliter le formalisme probabiliste, issu des travaux du r\u00e9v\u00e9rend Thomas Bayes et de Pierre-Simon de Laplace, pour mod\u00e9liser le jugement humain et l’architecture cognitive des syst\u00e8mes intelligents. \u00c0 l’\u00e9poque, la majorit\u00e9 des chercheurs en intelligence artificielle m\u00e9prisaient les probabilit\u00e9s, les jugeant trop lourdes sur le plan computationnel en raison de la n\u00e9cessit\u00e9 de manipuler des tables de probabilit\u00e9s conjointes de taille exponentielle par rapport au nombre de variables. Pearl per\u00e7oit imm\u00e9diatement l’erreur fondamentale de ses pairs : l’esprit humain ne calcule pas des int\u00e9grales sur des espaces continus \u00e0 mille dimensions, mais exploite des propri\u00e9t\u00e9s d’ind\u00e9pendance conditionnelle locale.<\/p>\n

En s’inspirant des m\u00e9canismes psychologiques de l’attention et de la cat\u00e9gorisation, Pearl d\u00e9montre que l’incertitude n’est pas une anomalie \u00e9pist\u00e9mique \u00e0 \u00e9liminer, mais l’\u00e9l\u00e9ment central de toute cognition adaptative. Pour mod\u00e9liser cette capacit\u00e9, il est imp\u00e9ratif de repr\u00e9senter explicitement les relations de d\u00e9pendance informationnelle qui lient les concepts entre eux. Ce constat fondateur marque l’acte de naissance d’un programme de recherche qui allait non seulement sortir l’intelligence artificielle de son \u00ab deuxi\u00e8me hiver \u00bb, mais \u00e9galement poser les jalons d’une refonte compl\u00e8te de la mod\u00e9lisation cognitive computationnelle. Pearl comprend que la structure topologique de nos connaissances pr\u00e9c\u00e8de et conditionne le calcul de nos croyances.<\/p>\n

2. Les r\u00e9seaux bay\u00e9siens : R\u00e9volutionner le raisonnement probabiliste<\/h2>\n

2.1 Fondements formels des r\u00e9seaux bay\u00e9siens<\/h3>\n

L’acte fondateur de la r\u00e9volution probabiliste op\u00e9r\u00e9e par Judea Pearl est mat\u00e9rialis\u00e9 par la publication en 1988 de son ouvrage majeur, Probabilistic Reasoning in Intelligent Systems: Networks of Plausible Inference<\/em><\/a>. Dans ce trait\u00e9, Pearl formalise pour la premi\u00e8re fois le concept de r\u00e9seau bay\u00e9sien<\/a>, une structure math\u00e9matique \u00e9l\u00e9gante unifiant la th\u00e9orie des graphes et le calcul des probabilit\u00e9s. Formellement, un r\u00e9seau bay\u00e9sien est un graphe orient\u00e9 acyclique (DAG, pour Directed Acyclic Graph<\/em>) not\u00e9 $G = (V, E)$<\/span>, o\u00f9 l’ensemble des n\u0153uds $V$<\/span> repr\u00e9sente des variables al\u00e9atoires discr\u00e8tes ou continues, et l’ensemble des arcs orient\u00e9s $E$<\/span> encode des d\u00e9pendances statistiques directes entre ces variables. L’acyclicit\u00e9 du graphe garantit l’absence de boucles causales ou informationnelles directes, permettant d’ordonner topologiquement les variables du mod\u00e8le.<\/p>\n

La puissance conceptuelle de ce formalisme r\u00e9side dans le th\u00e9or\u00e8me de factorisation de la probabilit\u00e9 conjointe. Soit un ensemble de $n$<\/span> variables al\u00e9atoires $X = {X_1, X_2, dots, X_n}$<\/span>. Sans hypoth\u00e8se simplificatrice, la loi de probabilit\u00e9 conjointe $P(X_1, X_2, dots, X_n)$<\/span> n\u00e9cessite la sp\u00e9cification d’un nombre exponentiel de param\u00e8tres ($2^n – 1$<\/span> dans le cas de variables binaires), ce qui rend le stockage et l’inf\u00e9rence totalement insolubles pour des syst\u00e8mes complexes. Un r\u00e9seau bay\u00e9sien r\u00e9sout cette mal\u00e9diction de la dimensionnalit\u00e9 en exploitant la propri\u00e9t\u00e9 markovienne locale : chaque variable $X_i$<\/span> est conditionnellement ind\u00e9pendante de ses non-descendants dans le graphe, sachant ses parents directs $\\text{Pa}(X_i)$<\/span>. En vertu de cette propri\u00e9t\u00e9, la distribution conjointe se factorise de mani\u00e8re remarquablement compacte sous la forme du produit canonique :<\/p>\n

P(X_1, X_2, …, X_n) = ∏ P(X_i | Pa(X_i))<\/p>\n

Cette d\u00e9composition modulaire r\u00e9duit drastiquement le nombre de param\u00e8tres n\u00e9cessaires, rendant la mod\u00e9lisation de syst\u00e8mes comptant des centaines, voire des milliers de variables, parfaitement accessible aux ordinateurs modernes. Cependant, pour que ce formalisme soit pleinement op\u00e9rationnel, il \u00e9tait indispensable de pouvoir lire directement sur la structure du graphe les ind\u00e9pendances conditionnelles induites par cette factorisation. C’est ici que Pearl r\u00e9alise l’une de ses perc\u00e9es math\u00e9matiques les plus c\u00e9l\u00e8bres : l’invention du crit\u00e8re de d-s\u00e9paration<\/strong> (s\u00e9paration directionnelle). La d-s\u00e9paration permet de d\u00e9terminer de mani\u00e8re purement algorithmique si deux ensembles de variables $X$<\/span> et $Y$<\/span> sont conditionnellement ind\u00e9pendants \u00e9tant donn\u00e9 un troisi\u00e8me ensemble de variables observ\u00e9es $Z$<\/span>.<\/p>\n

Le crit\u00e8re de d-s\u00e9paration repose sur l’analyse de tous les chemins non orient\u00e9s reliant un n\u0153ud de $X$<\/span> \u00e0 un n\u0153ud de $Y$<\/span>, et examine le comportement des n\u0153uds interm\u00e9diaires selon trois configurations topologiques \u00e9l\u00e9mentaires :
\nles cha\u00eenes causales directes ($A \\rightarrow B \\rightarrow C$<\/span>), les bifurcations ou causes communes ($A \\leftarrow B \\rightarrow C$<\/span>), et les structures en collision ($A \\rightarrow B \\leftarrow C$<\/span>), souvent appel\u00e9es collisionneurs<\/em> ou configurations en V. Pearl d\u00e9montre math\u00e9matiquement qu’un chemin est bloqu\u00e9 par l’ensemble de conditionnement $Z$<\/span> si l’une des conditions suivantes est remplie :<\/p>\n