Dans l’histoire contemporaine des sciences cognitives, des math\u00e9matiques appliqu\u00e9es et de l’intelligence computationnelle, peu de trajectoires intellectuelles incarnent avec une telle acuit\u00e9 la dissolution f\u00e9conde des fronti\u00e8res disciplinaires que celle de Stuart Geman. N\u00e9 en 1949, ce math\u00e9maticien et th\u00e9oricien visionnaire a profond\u00e9ment reconfigur\u00e9 notre compr\u00e9hension des dynamiques stochastiques \u00e0 l’\u0153uvre tant au sein des syst\u00e8mes artificiels que dans l’architecture complexe du cerveau biologique. \u00c0 une \u00e9poque o\u00f9 l’informatique th\u00e9orique et la psychologie exp\u00e9rimentale empruntaient des trajectoires largement orthogonales, Geman a su d\u00e9celer le fil conducteur universel reliant la m\u00e9canique statistique, l’analyse probabiliste des signaux et les myst\u00e8res fondamentaux de l’inf\u00e9rence perceptive.<\/p>\n
Le g\u00e9nie singulier de Stuart Geman r\u00e9side dans sa capacit\u00e9 \u00e0 traduire des intuitions ph\u00e9nom\u00e9nologiques et biologiques au sein de formalismes math\u00e9matiques d’une rigueur absolue. Qu’il s’agisse de la formulation s\u00e9minale des champs al\u00e9atoires de Markov appliqu\u00e9s \u00e0 la restauration d’images, de l’invention algorithmique de l’\u00e9chantillonneur de Gibbs<\/a> en collaboration avec son fr\u00e8re Donald Geman, ou encore de la formalisation canonique du dilemme biais-variance aux c\u00f4t\u00e9s d’\u00c9lie Bienenstock et de Ren\u00e9 Doursat, son \u0153uvre forme l’\u00e9pine dorsale des architectures modernes de l’apprentissage machine et du paradigme d\u00e9sormais dominant du cerveau bay\u00e9sien. Loin de r\u00e9duire la biologie \u00e0 de simples calculs d\u00e9terministes, il a introduit le hasard non comme un d\u00e9faut du vivant, mais comme la condition m\u00e9canique indispensable de l’adaptabilit\u00e9, de la perception et de l’intelligence.<\/p>\n Explorer la pens\u00e9e de Stuart Geman de 1949 \u00e0 nos jours, c’est entreprendre une travers\u00e9e \u00e9pist\u00e9mologique au c\u0153ur des r\u00e9volutions conceptuelles qui ont red\u00e9fini la nature m\u00eame de l’esprit. \u00c0 travers son enseignement illustre \u00e0 l’Universit\u00e9 Brown<\/a>, ses incursions pionni\u00e8res dans le codage temporel cortical et ses r\u00e9flexions visionnaires sur la compositionnalit\u00e9 grammaticale de la vision, Geman a trac\u00e9 une voie souveraine o\u00f9 la rigueur probabiliste devient le miroir le plus fid\u00e8le de la pens\u00e9e vivante. Ce trait\u00e9 biographique, th\u00e9orique et critique se propose d’analyser l’int\u00e9gralit\u00e9 de son h\u00e9ritage intellectuel, en restituant \u00e0 chaque \u00e9tape sa port\u00e9e fondamentale pour les neurosciences, l’intelligence artificielle et la philosophie de la connaissance.<\/p>\n N\u00e9 au tournant de la seconde moiti\u00e9 du vingti\u00e8me si\u00e8cle, dans un environnement intellectuel am\u00e9ricain en pleine effervescence post-seconde guerre mondiale, Stuart Geman manifeste tr\u00e8s t\u00f4t une curiosit\u00e9 singuli\u00e8re pour les architectures logiques sous-tendant les ph\u00e9nom\u00e8nes physiques. Sa formation universitaire initiale s’amorce \u00e0 l’Universit\u00e9 du Michigan<\/a>, o\u00f9 il d\u00e9croche en 1971 un baccalaur\u00e9at universitaire en physique. Cette impr\u00e9gnation premi\u00e8re au sein des sciences physiques s’av\u00e9rera d\u00e9terminante pour l’ensemble de son corpus th\u00e9orique ult\u00e9rieur : elle lui inculque l’art de mod\u00e9liser des syst\u00e8mes complexes comportant une multitude de degr\u00e9s de libert\u00e9 en interaction, ainsi qu’une familiarit\u00e9 intime avec les concepts de la thermodynamique et de la m\u00e9canique statistique de Boltzmann et de Gibbs.<\/p>\n Toutefois, rapidement conscient des limites d’un r\u00e9ductionnisme physique appliqu\u00e9 aux questions \u00e9mergentes du traitement de l’information, Stuart Geman op\u00e8re une transition m\u00e9thodologique d\u00e9cisive vers les math\u00e9matiques appliqu\u00e9es et l’analyse stochastique en rejoignant le Dartmouth College, o\u00f9 il obtient un Master of Arts. C’est durant cette p\u00e9riode charni\u00e8re qu’il prend la mesure de la puissance expressive du calcul des probabilit\u00e9s face au d\u00e9sordre apparent des signaux naturels. Cette trajectoire l’am\u00e8ne tout naturellement vers le Massachusetts Institute of Technology (MIT)<\/a>, temple de l’ing\u00e9nierie et des math\u00e9matiques fondamentales, o\u00f9 il soutient en 1977 sa th\u00e8se de doctorat sous la direction de figures \u00e9minentes de l’\u00e9cole des probabilit\u00e9s, explorant les \u00e9quations diff\u00e9rentielles stochastiques et leurs conditions de stabilit\u00e9 asymptotique.<\/p>\n Sous cette armature math\u00e9matique de premier plan couve n\u00e9anmoins une fascination pr\u00e9coce et tenace : le fonctionnement intime du cortex c\u00e9r\u00e9bral. Nourri par les lectures des premiers cybern\u00e9ticiens comme Norbert Wiener et Warren McCulloch, mais insatisfait de la na\u00efvet\u00e9 des sch\u00e9mas logiques bool\u00e9ens de l’\u00e9poque, Stuart Geman pressent que le stockage mn\u00e9sique et la reconstruction perceptive ne rel\u00e8vent pas de cases m\u00e9moires adressables, mais d’un processus collectif \u00e9mergeant du bruit statistique synaptique. Son doctorat achev\u00e9, son programme de recherche est d\u00e9j\u00e0 virtuellement trac\u00e9 : mobiliser la quintessence de la th\u00e9orie des processus al\u00e9atoires pour \u00e9lucider l’\u00e9nigme biologique de l’esprit.<\/p>\n D\u00e8s la fin des ann\u00e9es 1970, Stuart Geman rejoint la facult\u00e9 du prestigieux D\u00e9partement de math\u00e9matiques appliqu\u00e9es de l’Universit\u00e9 Brown, \u00e0 Providence dans l’\u00c9tat de Rhode Island. Ce d\u00e9partement, r\u00e9put\u00e9 mondialement pour son refus de la scission entre th\u00e9orie pure et applications pragmatiques, offre au jeune math\u00e9maticien un \u00e9cosyst\u00e8me institutionnel id\u00e9al pour d\u00e9ployer sa vision novatrice. Au sein de cet environnement stimulant, Geman gravit rapidement tous les \u00e9chelons de la hi\u00e9rarchie acad\u00e9mique gr\u00e2ce \u00e0 une s\u00e9rie de publications fulgurantes qui captivent aussi bien la communaut\u00e9 statistique que celle du traitement d’images balbutiant.<\/p>\n Sa titularisation pr\u00e9coce culmine par son accession \u00e0 la prestigieuse chaire de James Manning Professor of Applied Mathematics<\/em>. Loin de s’enfermer dans une posture professorale classique, il transforme son laboratoire en un v\u00e9ritable carrefour d’\u00e9mulation intellectuelle transdisciplinaire. Alors que la plupart des d\u00e9partements de math\u00e9matiques contemporains demeurent herm\u00e9tiques aux sciences de la vie, Stuart Geman tisse des ponts organiques avec les d\u00e9partements de neurobiologie, de sciences cognitives et de psychologie de Brown, alors en pleine mutation sous l’impulsion de pionniers de la perception visuelle et de la m\u00e9moire associative.<\/p>\n Cette installation durable \u00e0 Brown permet \u00e0 Stuart Geman d’ancrer ses recherches dans la longue dur\u00e9e. Il y fonde une tradition de mod\u00e9lisation math\u00e9matique du traitement stochastique de l’information perceptive, attirant des \u00e9tudiants et post-doctorants du monde entier. Sa vision ne consiste pas \u00e0 plaquer artificiellement des formules sur des donn\u00e9es biologiques, mais \u00e0 co-construire une ontologie computationnelle o\u00f9 les contraintes anatomiques du syst\u00e8me nerveux guident l’\u00e9laboration de th\u00e9or\u00e8mes probabilistes novateurs, et o\u00f9 l’abstraction math\u00e9matique offre en retour aux biologistes des outils pr\u00e9dictifs d’une rigueur in\u00e9gal\u00e9e.<\/p>\n L’\u00e9volution intellectuelle de Stuart Geman se caract\u00e9rise par un refus absolu des cloisonnements \u00e9pist\u00e9mologiques rigides. D\u00e8s le d\u00e9but des ann\u00e9es 1980, il comprend que la mod\u00e9lisation de la vision artificielle ne saurait progresser de mani\u00e8re f\u00e9conde si elle continue d’ignorer les d\u00e9couvertes empiriques accumul\u00e9es par les psychophysiciens de la vision humaine. Geman engage ainsi un dialogue continu et exigeant avec les sp\u00e9cialistes de la psychologie de la forme, de la vision binoculaire et des neurosciences int\u00e9gratives, cherchant \u00e0 percer les contraintes structurelles qui permettent au regard humain de donner un sens imm\u00e9diat au chaos des photons frappant la r\u00e9tine.<\/p>\n Le postulat directeur qui anime l’ensemble de ses d\u00e9marches th\u00e9oriques repose sur une id\u00e9e d’une \u00e9l\u00e9gance radicale : les principes math\u00e9matiques r\u00e9gissant la m\u00e9canique statistique et les processus stochastiques ne sont pas de simples artefacts descriptifs, mais dictent les contraintes fonctionnelles incontournables auxquelles l’\u00e9volution biologique a d\u00fb se soumettre pour \u00e9laborer la cognition. Selon Stuart Geman, la nature est une math\u00e9maticienne impitoyable : pour survivre dans un environnement impr\u00e9visible \u00e0 partir de signaux bruit\u00e9s, le cerveau n’a pu faire autrement que d’instancier des architectures proches de l’optimalit\u00e9 bay\u00e9sienne et de la minimisation de l’\u00e9nergie libre.<\/p>\n Cette conviction in\u00e9branlable a valu \u00e0 Geman d’exercer une influence souterraine mais colossale sur les plus prestigieux laboratoires de neurosciences et d’intelligence artificielle<\/a> \u00e0 l’\u00e9chelle plan\u00e9taire. De la c\u00f4te Est des \u00c9tats-Unis jusqu’aux cercles acad\u00e9miques europ\u00e9ens, ses conf\u00e9rences magistrales et ses prises de position \u00e9pist\u00e9mologiques ont inspir\u00e9 des g\u00e9n\u00e9rations de chercheurs, dessinant les contours d’une science unifi\u00e9e de l’esprit o\u00f9 la th\u00e9orie des graphes al\u00e9atoires, l’analyse de Gibbs et la psychologie exp\u00e9rimentale fusionnent dans une m\u00eame trame explicative.<\/p>\n Pour comprendre la port\u00e9e de l’\u00e9difice conceptuel \u00e9rig\u00e9 par Stuart Geman, il convient d’examiner le probl\u00e8me physique et philosophique pos\u00e9 par l’acte perceptif. Le monde ext\u00e9rieur tridimensionnel ne parvient au syst\u00e8me nerveux central qu’\u00e0 travers la m\u00e9diation d’une projection r\u00e9tinienne bidimensionnelle, discontinue, hautement bruit\u00e9e et continuellement d\u00e9form\u00e9e par les mouvements saccadiques des globes oculaires. De fait, l’information visuelle brute capt\u00e9e par les photor\u00e9cepteurs souffre d’une incompl\u00e9tude inh\u00e9rente : une infinit\u00e9 de configurations du monde r\u00e9el est th\u00e9oriquement compatible avec une seule et m\u00eame projection sur le fond de l’\u0153il.<\/p>\n Face \u00e0 ce constat, Stuart Geman r\u00e9actualise et formalise la c\u00e9l\u00e8bre th\u00e9orie de l’inf\u00e9rence inconsciente<\/a>, formul\u00e9e au dix-neuvi\u00e8me si\u00e8cle par le polymathe allemand Hermann von Helmholtz. L\u00e0 o\u00f9 Helmholtz d\u00e9crivait m\u00e9taphoriquement un jugement inductif non conscient, Geman d\u00e9ploie l’appareil sophistiqu\u00e9 du calcul des probabilit\u00e9s a posteriori. La perception cesse d’\u00eatre une simple capture passive ou une transcription photographique du r\u00e9el ; elle devient un probl\u00e8me inverse mal pos\u00e9<\/em> au sens de Jacques Hadamard, dont la r\u00e9solution math\u00e9matique exige l’application d’un syst\u00e8me robuste de contraintes r\u00e9gularisatrices.<\/p>\n Dans cette perspective \u00e9pist\u00e9mologique, le cerveau humain agit comme un estimateur stochastique qui compense l’ambigu\u00eft\u00e9 des signaux sensoriels par l’application rigoureuse de distributions de probabilit\u00e9s a priori<\/em>. Ces priors<\/em> probabilistes incarnent la connaissance implicite accumul\u00e9e par l’esp\u00e8ce au cours de la phylogen\u00e8se et par l’individu au fil de son ontogen\u00e8se : la lumi\u00e8re vient g\u00e9n\u00e9ralement du haut, les objets poss\u00e8dent une coh\u00e9rence spatiale, les surfaces sont majoritairement r\u00e9guli\u00e8res. D\u00e8s lors, le percept conscient n’est autre que la solution statistiquement la plus vraisemblable d’une \u00e9quation probabiliste r\u00e9solue \u00e0 chaque milliseconde par le syst\u00e8me nerveux.<\/p>\n L’une des perc\u00e9es th\u00e9oriques les plus saisissantes de Stuart Geman consiste \u00e0 jeter un pont d’une rigueur implacable entre la psychologie de la Gestalt<\/a> et la thermodynamique statistique de Ludwig Boltzmann. Les psychologues de la forme du d\u00e9but du vingti\u00e8me si\u00e8cle, tels Kurt Koffka, Wolfgang K\u00f6hler et Max Wertheimer, avaient postul\u00e9 la c\u00e9l\u00e8bre loi de Pr\u00e4gnanz<\/em> (ou loi de bonne forme), selon laquelle le syst\u00e8me perceptif organise spontan\u00e9ment les \u00e9l\u00e9ments visuels disparates selon les configurations les plus simples, sym\u00e9triques et stables possibles, sans jamais parvenir \u00e0 doter cette intuition d’un socle quantitatif irr\u00e9futable.<\/p>\n Stuart Geman d\u00e9montre que cette stabilit\u00e9 ph\u00e9nom\u00e9nologique correspond rigoureusement aux \u00e9tats d’\u00e9nergie minimale observ\u00e9s dans les r\u00e9seaux physiques de spin ou les assemblages mol\u00e9culaires. En formalisant la sc\u00e8ne perceptive comme un syst\u00e8me de particules en interaction r\u00e9gi par une mesure de probabilit\u00e9 dite distribution de Gibbs-Boltzmann, Geman prouve math\u00e9matiquement que la recherche d’une \u00ab bonne forme \u00bb \u00e9quivaut \u00e0 la minimisation d’une fonctionnelle d’\u00e9nergie globale. La pr\u00e9gnance gestaltiste n’est plus un principe philosophique flou, mais l’\u00e9tat d’\u00e9quilibre thermodynamique vers lequel tend un champ markovien.<\/p>\n Dans ce cadre, la stochasticit\u00e9 joue un r\u00f4le capital que Stuart Geman th\u00e9orise avec une virtuosit\u00e9 in\u00e9gal\u00e9e : le concept de \u00ab temp\u00e9rature stochastique \u00bb. Si le syst\u00e8me c\u00e9r\u00e9bral \u00e9tait purement d\u00e9terministe et descendait froidement les gradients d’\u00e9nergie, il demeurerait captif d’innombrables minima locaux, aboutissant \u00e0 des interpr\u00e9tations visuelles erron\u00e9es ou partielles de son environnement. L’introduction d’un niveau ma\u00eetris\u00e9 de bruit thermique al\u00e9atoire permet au r\u00e9seau neuronal d’\u00e9chapper \u00e0 ces pi\u00e8ges computationnels pour explorer l’espace des configurations globales et converger vers l’optimum le plus harmonieux.<\/p>\n \u00c0 travers ses publications \u00e9pist\u00e9mologiques, Stuart Geman s’est dress\u00e9 avec une remarquable fermet\u00e9 contre les d\u00e9rives de l’empirisme simpliste et du tabula-rasisme na\u00eff qui ressurgissent p\u00e9riodiquement en psychologie et en intelligence artificielle. Face aux pr\u00e9tentions de mod\u00e8les pr\u00e9tendant apprendre n’importe quelle structure cognitive \u00e0 partir d’exemples vierges de tout pr\u00e9suppos\u00e9, Geman oppose l’obstacle infranchissable de l’explosion combinatoire. Dans un univers o\u00f9 les dimensions sensorielles sont infinies, un syst\u00e8me d\u00e9pourvu de structures d’accueil formelles est math\u00e9matiquement condamn\u00e9 \u00e0 la paralysie ou \u00e0 la dissolution statistique.<\/p>\n Geman soutient la n\u00e9cessit\u00e9 imp\u00e9rieuse de postulats structurels pr\u00e9existants, grav\u00e9s dans l’architecture m\u00eame de l’appareil cognitif, pour guider l’interpr\u00e9tation des donn\u00e9es psychologiques. Ces contraintes internes ne doivent pas \u00eatre per\u00e7ues comme des limitations \u00e0 l’intelligence, mais tout au contraire comme les conditions indispensables de sa f\u00e9conde flexibilit\u00e9. Sans contraintes a priori sur la continuit\u00e9 des formes ou la conservation des trajectoires, aucun apprentissage n’est th\u00e9oriquement concevable en un temps fini, tant l’espace des hypoth\u00e8ses math\u00e9matiques possibles d\u00e9passe le nombre de particules de l’univers observable.<\/p>\n Cette posture a permis \u00e0 Geman d’orchestrer une synth\u00e8se d’une rare \u00e9l\u00e9gance entre le constructivisme de Jean Piaget et le formalisme bay\u00e9sien le plus exigeant. L’esprit ne se contente pas d’enregistrer passivement l’environnement ; il projette des sch\u00e8mes g\u00e9om\u00e9triques et relationnels structur\u00e9s qui s\u00e9lectionnent et filtrent le flux ph\u00e9nom\u00e9nal. La th\u00e9orie de Stuart Geman offre ainsi aux sciences cognitives modernes leur assise la plus solide : la cognition est une inf\u00e9rence inductive outill\u00e9e, o\u00f9 la rigidit\u00e9 du formalisme probabiliste sert paradoxalement de moteur \u00e0 l’infinie plasticit\u00e9 de l’adaptation biologique.<\/p>\n L’ann\u00e9e 1984 marque une rupture \u00e9pist\u00e9mologique majeure dans l’histoire des math\u00e9matiques appliqu\u00e9es et des sciences de la vision avec la publication d’un article monumental intitul\u00e9 \u00ab Stochastic Relaxation, Gibbs Distributions, and the Bayesian Restoration of Images \u00bb<\/em> dans la revue de r\u00e9f\u00e9rence IEEE Transactions on Pattern Analysis and Machine Intelligence<\/em>. R\u00e9dig\u00e9 en collaboration symbiotique avec son fr\u00e8re Donald Geman, alors professeur \u00e0 l’Universit\u00e9 du Massachusetts, ce m\u00e9moire de recherche constitue un chef-d’\u0153uvre de concision th\u00e9orique et de port\u00e9e applicative, accumulant \u00e0 ce jour des dizaines de milliers de citations acad\u00e9miques \u00e0 travers le monde.<\/p>\n La puissance de cet article r\u00e9side dans la convergence historique inou\u00efe qu’il op\u00e8re entre trois champs disciplinaires qui s’ignoraient alors superbement : le traitement d’images balbutiant, les statistiques spatiales des processus ponctuels et les mod\u00e8les de la physique statistique derivados des r\u00e9seaux de spin d’Ising. Les fr\u00e8res Geman parviennent \u00e0 d\u00e9montrer que le probl\u00e8me apparemment technique de nettoyer une image d\u00e9grad\u00e9e par du bruit blanc ou de reconstruire un signal corrompu par un capteur d\u00e9faillant est isomorphe au probl\u00e8me fondamental que r\u00e9sout le cortex visuel primaire \u00e0 chaque instant de l’\u00e9veil perceptif.<\/p>\n L’onde de choc produite par cette publication sur les chercheurs \u00e9tudiant le traitement pr\u00e9coce au sein du syst\u00e8me nerveux central est imm\u00e9diate et profonde. Pour la premi\u00e8re fois, la communaut\u00e9 scientifique dispose d’un langage unifi\u00e9 et formellement irr\u00e9prochable permettant de formaliser les op\u00e9rations de filtrage, de renforcement de contours et de compl\u00e9tion de textures op\u00e9r\u00e9es par les couches cellulaires de l’aire V1 et du corps genouill\u00e9 lat\u00e9ral, \u00e9tablissant les fr\u00e8res Geman comme les v\u00e9ritables b\u00e2tisseurs de la vision computationnelle moderne.<\/p>\n Au c\u0153ur de la perc\u00e9e de 1984 se trouve l’introduction magistrale des champs al\u00e9atoires de Markov<\/a> (Markov Random Fields ou MRF) spatiaux pour mod\u00e9liser la topographie r\u00e9tinienne. Stuart et Donald Geman con\u00e7oivent l’image non pas comme une matrice de valeurs ind\u00e9pendantes, mais comme une grille r\u00e9guli\u00e8re de sites interconnect\u00e9s formant un graphe non orient\u00e9. Chaque pixel devient une variable al\u00e9atoire dont le comportement stochastique est intimement li\u00e9 \u00e0 la configuration des n\u0153uds qui l’entourent, r\u00e9pliquant fid\u00e8lement l’organisation en r\u00e9seau du tissu neuronal cortical.<\/p>\n La cl\u00e9 de vo\u00fbte de cette mod\u00e9lisation r\u00e9side dans l’exploitation de la propri\u00e9t\u00e9 markovienne locale : la distribution de probabilit\u00e9 conditionnelle d’un site donn\u00e9, sachant l’ensemble de l’image, ne d\u00e9pend exclusivement que de son voisinage topologique imm\u00e9diat (les plus proches voisins cardinaux ou diagonaux). Gr\u00e2ce au c\u00e9l\u00e8bre th\u00e9or\u00e8me de Hammersley-Clifford, Stuart Geman et son fr\u00e8re \u00e9tablissent l’\u00e9quivalence rigoureuse entre ces champs markoviens locaux et les distributions globales de Gibbs, caract\u00e9ris\u00e9es par des fonctions d’\u00e9nergie form\u00e9es de potentiels de clics :<\/p>\n Cette formulation permet de capturer avec une efficacit\u00e9 math\u00e9matique inou\u00efe les r\u00e9gularit\u00e9s \u00e9cologiques fondamentales du monde naturel. Dans un environnement physique r\u00e9el, les photons adjacents proviennent g\u00e9n\u00e9ralement de la m\u00eame surface r\u00e9fl\u00e9chissante ; ils exhibent donc une forte corr\u00e9lation chromatique et lumineuse. Le champ al\u00e9atoire de Markov agit ainsi comme une formalisation probabiliste du principe d’homog\u00e9n\u00e9it\u00e9 spatiale, imposant une contrainte d’apaisement et de lissage qui neutralise spontan\u00e9ment les artefacts et le bruit haute fr\u00e9quence des signaux sensoriels.<\/p>\n Toutefois, une application na\u00efve d’un champ markovien homog\u00e8ne conduirait in\u00e9vitablement \u00e0 un \u00e9cueil perceptif majeur : le surlissage des images, effa\u00e7ant irr\u00e9m\u00e9diablement les ar\u00eates vives, les contours d’objets et les d\u00e9marcations structurelles qui constituent pr\u00e9cis\u00e9ment l’essence de la vision discriminante. C’est ici que le g\u00e9nie de Stuart Geman se manifeste par l’introduction d’un concept conceptuellement r\u00e9volutionnaire : les line processes<\/em> ou \u00ab processus de fronti\u00e8re \u00bb.<\/p>\n Les processus de fronti\u00e8re consistent en l’insertion d’un r\u00e9seau dual entrelac\u00e9 de variables al\u00e9atoires discr\u00e8tes, positionn\u00e9es non pas sur les sites de pixels eux-m\u00eames, mais sur les interstices situ\u00e9s entre deux pixels adjacents. Ces variables latentes agissent comme des interrupteurs bool\u00e9ens : lorsqu’elles s’activent (valeur 1), elles rompent temporairement la contrainte de continuit\u00e9 markovienne entre les deux sites voisins, signalant la pr\u00e9sence d’une ar\u00eate physique dans le monde r\u00e9el. Le co\u00fbt \u00e9nerg\u00e9tique global est alors modul\u00e9 pour p\u00e9naliser la cr\u00e9ation d\u00e9sordonn\u00e9e de ruptures, n’autorisant l’activation d’une fronti\u00e8re que si le gradient de luminance franchit un seuil de vraisemblance critique.<\/p>\n Sur le plan de la psychologie cognitive, cette innovation mod\u00e9lise avec une \u00e9l\u00e9gance sid\u00e9rante les ph\u00e9nom\u00e8nes bien document\u00e9s de contours illusoires<\/a>, \u00e0 l’image du c\u00e9l\u00e8bre triangle de Kanizsa. Le mod\u00e8le computationnel des fr\u00e8res Geman d\u00e9montre comment le r\u00e9seau stochastique peut spontan\u00e9ment aligner des processus de fronti\u00e8re contigus sous l’effet de contraintes d’\u00e9nergie favorisant les lignes douces et continues, reliant des amorces visuelles fragmentaires pour cr\u00e9er une d\u00e9limitation perceptive nette l\u00e0 o\u00f9 aucune variation de contraste physique n’existe sur le capteur. Stuart Geman r\u00e9sout ainsi avec virtuosit\u00e9 le compromis s\u00e9culaire entre le lissage intracontour et la pr\u00e9servation rigide des fronti\u00e8res signifiantes de l’objet visuel.<\/p>\n L’\u00e9tablissement de la formulation th\u00e9orique des distributions de Gibbs n’\u00e9tait qu’une premi\u00e8re \u00e9tape ; encore fallait-il concevoir un proc\u00e9d\u00e9 algorithmique capable d’\u00e9chantillonner efficacement des espaces de configurations d’une dimensionnalit\u00e9 vertigineuse, exc\u00e9dant largement les capacit\u00e9s de calcul analytique traditionnelles. C’est dans ce contexte que Stuart et Donald Geman mettent au point l’algorithme d’\u00e9chantillonnage stochastique local, baptis\u00e9 universellement l’\u00e9chantillonneur de Gibbs<\/a>, qui allait devenir l’un des piliers des m\u00e9thodes de Monte-Carlo par cha\u00eenes de Markov (MCMC).<\/p>\n Le principe op\u00e9rationnel de l’\u00e9chantillonneur de Gibbs brille par sa limpidit\u00e9 math\u00e9matique. Plut\u00f4t que de tenter d’actualiser simultan\u00e9ment l’ensemble des variables du syst\u00e8me d’un seul bloc \u2014 ce qui engendrerait des co\u00fbts combinatoires prohibitifs \u2014, l’algorithme proc\u00e8de par actualisation s\u00e9quentielle it\u00e9rative. \u00c0 chaque \u00e9tape, une variable unique est s\u00e9lectionn\u00e9e (soit de mani\u00e8re d\u00e9terministe le long d’un balayage spatial, soit de fa\u00e7on al\u00e9atoire), et son nouvel \u00e9tat est tir\u00e9 au sort \u00e0 partir de sa distribution conditionnelle sachant uniquement l’\u00e9tat actuel de son voisinage imm\u00e9diat.<\/p>\n La contribution monumentale de Stuart Geman a \u00e9t\u00e9 de prouver rigoureusement, \u00e0 travers un appareil de th\u00e9or\u00e8mes sur les cha\u00eenes de Markov \u00e0 temps discret, que cette succession ininterrompue de transitions locales, modestes et strictement stochastiques garantit la convergence asymptotique de l’\u00e9tat global du syst\u00e8me vers la distribution a posteriori<\/em> invariante souhait\u00e9e, ind\u00e9pendamment de la configuration initiale al\u00e9atoire dont le syst\u00e8me est parti. Cette d\u00e9monstration offrait \u00e0 la science une m\u00e9thode universelle pour sonder les distributions de probabilit\u00e9s multidimensionnelles les plus r\u00e9calcitrantes.<\/p>\n Si l’impact de l’\u00e9chantillonneur de Gibbs sur la science des donn\u00e9es et les statistiques computationnelles s’est r\u00e9v\u00e9l\u00e9 titanesque, sa r\u00e9sonance au sein des neurosciences th\u00e9oriques fut sans doute encore plus profonde. Stuart Geman per\u00e7oit imm\u00e9diatement que l’architecture algorithmique de l’\u00e9chantillonneur de Gibbs offre une m\u00e9taphore extraordinairement f\u00e9conde du fonctionnement physiologique du n\u00e9ocortex. Le cortex c\u00e9r\u00e9bral n’est pas structur\u00e9 comme une unit\u00e9 centrale de traitement Von Neumann dot\u00e9e d’une horloge synchrone globale, mais se pr\u00e9sente comme un tapis dense de colonnes corticales \u00e0 connectivit\u00e9 pr\u00e9dominante horizontale et locale.<\/p>\n Dans ce cadre, la stochasticit\u00e9 inh\u00e9rente \u00e0 l’ouverture des canaux ioniques et la lib\u00e9ration probabiliste des v\u00e9sicules de neurotransmetteurs \u00e0 la fente synaptique cessent d’\u00eatre consid\u00e9r\u00e9es comme des tares ou du \u00ab bruit thermique ind\u00e9sirable \u00bb. Stuart Geman avance l’hypoth\u00e8se r\u00e9volutionnaire de l’\u00e9chantillonnage neuronal<\/em> : le cortex ne calcule pas de mani\u00e8re analytique et d\u00e9terministe les probabilit\u00e9s de son environnement ; il g\u00e9n\u00e8re en continu des \u00e9chantillons stochastiques repr\u00e9sentatifs d’une distribution interne a posteriori, simulant dans sa chair m\u00eame les hypoth\u00e8ses perceptives les plus plausibles.<\/p>\n Cette conception jette une lumi\u00e8re \u00e9blouissante sur les \u00e9nigmes s\u00e9culaires de la psychologie de la perception, \u00e0 commencer par le ph\u00e9nom\u00e8ne des figures bistables, telles que le cube de Necker ou le vase de Rubin, ainsi que la rivalit\u00e9 binoculaire<\/a>. Face \u00e0 un stimulus visuel intrins\u00e8quement \u00e9quivoque, le syst\u00e8me perceptif ne converge pas vers une moyenne floue ou une superposition paradoxale ; il alterne spontan\u00e9ment entre deux interpr\u00e9tations stables au cours du temps. L’\u00e9chantillonneur de Gibbs formalise rigoureusement cette dynamique : le r\u00e9seau neuronal oscille entre deux attracteurs \u00e9nerg\u00e9tiques \u00e9quivalents, le bruit stochastique fournissant l’\u00e9nergie d’activation n\u00e9cessaire pour basculer p\u00e9riodiquement d’un puits de potentiel \u00e0 l’autre.<\/p>\n L’autre innovation majeure introduite par Stuart Geman dans son article de 1984 r\u00e9side dans le couplage de l’\u00e9chantillonneur de Gibbs avec la technique du recuit simul\u00e9<\/a> (simulated annealing), initialement inspir\u00e9e de la m\u00e9tallurgie et introduite dans les probl\u00e8mes d’optimisation par Kirkpatrick et ses pairs. Geman d\u00e9montre le th\u00e9or\u00e8me fondamental \u00e9tablissant le calendrier logarithmique de d\u00e9croissance de la temp\u00e9rature stochastique garantissant la convergence presque s\u00fbre vers l’optimum global de la fonction d’\u00e9nergie :<\/p>\n o\u00f9 (c) est une constante proportionnelle \u00e0 la profondeur maximale des puits de potentiel locaux, et (k) repr\u00e9sente l’it\u00e9ration temporelle. Cette d\u00e9monstration \u00e9tablit le fondement math\u00e9matique absolu de l’optimisation stochastique globale.<\/p>\n Transpos\u00e9e sur le terrain de la psychologie cognitive et de la psychologie de la cr\u00e9ativit\u00e9, cette formulation livre un mod\u00e8le computationnel \u00e9blouissant de la r\u00e9solution de probl\u00e8mes et de la gen\u00e8se de l’insight<\/em>. Dans les phases initiales de la r\u00e9flexion face \u00e0 une \u00e9nigme conceptuelle ardue, une \u00ab temp\u00e9rature cognitive \u00bb \u00e9lev\u00e9e autorise une exploration diffuse, indisciplin\u00e9e et hautement stochastique de l’espace mental, autorisant le franchissement audacieux de barri\u00e8res d’\u00e9nergie conceptuelles apparemment infranchissables.<\/p>\n Au fil du processus de maturation mentale et d’incubation psychologique, la temp\u00e9rature stochastique d\u00e9cro\u00eet graduellement. Le syst\u00e8me cognitif resserre ses associations, restreint son exploration aux bassins d’attraction les plus prometteurs et se stabilise dans un \u00e9tat final hautement structur\u00e9 et optimis\u00e9. Stuart Geman fournit ainsi le soubassement formel de ce que la psychologie gestaltiste nommait la r\u00e9organisation soudaine du champ ph\u00e9nom\u00e9nal (l’effet \u00ab Eur\u00eaka \u00bb), montrant que la cr\u00e9ativit\u00e9 humaine n’est pas un miracle t\u00e9l\u00e9ologique, mais la dynamique thermodynamique rigoureuse d’un r\u00e9seau stochastique en phase de refroidissement programm\u00e9.<\/p>\n Au d\u00e9but des ann\u00e9es 1990, l’engouement renaissant pour les r\u00e9seaux de neurones artificiels et les mod\u00e8les connexionnistes non param\u00e9triques suscite une vague d’optimisme d\u00e9mesur\u00e9e au sein des communaut\u00e9s scientifiques. Nombreux sont ceux qui proclament que des architectures universelles, entra\u00een\u00e9es sur des banques de donn\u00e9es massives sans pr\u00e9structuration sp\u00e9cifique, suffiront \u00e0 \u00e9muler l’ensemble des fonctions cognitives sup\u00e9rieures. C’est pour d\u00e9construire cette illusion th\u00e9orique que Stuart Geman, en collaboration \u00e9troite avec \u00c9lie Bienenstock et Ren\u00e9 Doursat, publie en 1992 dans la revue Neural Computation<\/em> un article retentissant qui allait changer \u00e0 jamais la face de la th\u00e9orie de l’apprentissage statistique : \u00ab Neural Networks and the Bias\/Variance Dilemma \u00bb<\/em>.<\/p>\n Dans ce texte fondateur, les auteurs appliquent une d\u00e9composition math\u00e9matique impitoyable de l’erreur quadratique moyenne de pr\u00e9diction d’un estimateur face \u00e0 une fonction inconnue. Pour tout ensemble de donn\u00e9es d’apprentissage fini (D), l’erreur esp\u00e9r\u00e9e en un point (x) se scinde rigoureusement en trois composantes additives irr\u00e9ductibles :<\/p>\n $$\\mathbb{E}_{D}\\left[(y – \\hat{f}(x; D))^2\\right] = \\text{Biais}^2 + \\text{Variance} + \\sigma^2$$<\/span><\/p>\n o\u00f9 le bruit (sigma^2) repr\u00e9sente la variance intrins\u00e8que non r\u00e9ductible du signal naturel, le biais mesure l’\u00e9cart syst\u00e9matique entre la moyenne des mod\u00e8les appris et la r\u00e9alit\u00e9 fonctionnelle sous-jacente, et la variance quantifie la sensibilit\u00e9 et l’instabilit\u00e9 du mod\u00e8le face aux fluctuations al\u00e9atoires de l’\u00e9chantillon d’entra\u00eenement.<\/p>\n Le coup de tonnerre provoqu\u00e9 par l’article de Geman et ses collaborateurs tient \u00e0 la d\u00e9monstration sans appel du caract\u00e8re incontournable de ce compromis. R\u00e9duire \u00e0 n\u00e9ant le biais impose d’octroyer au mod\u00e8le une flexibilit\u00e9 architecturale infinie, ce qui fait in\u00e9luctablement exploser sa variance statistique. Inversement, restreindre drastiquement la variance requiert de brider l’architecture par de fortes contraintes pr\u00e9alables, risquant d’introduire un biais structurel excessif si ces contraintes ne correspondent pas \u00e0 la g\u00e9om\u00e9trie de la cible. Stuart Geman d\u00e9montre ainsi qu’aucun syst\u00e8me apprenant, qu’il soit de silicium ou de chair, ne peut s’affranchir de ce dilemme universel.<\/p>\n L’impact de la d\u00e9composition de Geman, Bienenstock et Doursat sur les sciences du d\u00e9veloppement cognitif a \u00e9t\u00e9 sismique. Elle a constitu\u00e9 la r\u00e9futation math\u00e9matique d\u00e9finitive du mod\u00e8le b\u00e9havioriste strict et des doctrines empiristes radicales qui pr\u00e9tendaient que l’esprit du nourrisson pouvait d\u00e9river l’int\u00e9gralit\u00e9 des lois du langage, de la syntaxe et de la physique intuitive par une simple induction statistique passive \u00e0 partir de son environnement imm\u00e9diat.<\/p>\n Stuart Geman apporte la preuve formelle que sans biais inductif<\/em> fort \u2014 c’est-\u00e0-dire sans contraintes a priori inn\u00e9es, fa\u00e7onn\u00e9es par des millions d’ann\u00e9es de s\u00e9lection naturelle \u2014, la variance d’un apprenant g\u00e9n\u00e9raliste face au monde r\u00e9el est virtuellement infinie. Un enfant confront\u00e9 \u00e0 la parole de ses parents serait incapable de converger vers la structure grammaticale de sa langue maternelle s’il devait \u00e9valuer toutes les hypoth\u00e8ses combinatoires permises par un r\u00e9seau non contraint ; la pauvret\u00e9 statistique du stimulus d\u00e9nonc\u00e9e par Noam Chomsky<\/a> trouve ainsi chez Stuart Geman sa justification quantitative absolue.<\/p>\n Loin de s’enfermer dans un nativisme dogmatique et rigide, les travaux de Geman permettent d’op\u00e9rer une r\u00e9conciliation historique et lumineuse entre le nativisme linguistique et les m\u00e9canismes d’apprentissage statistique chez l’enfant. Les contraintes inn\u00e9es ne fournissent pas des connaissances finies pr\u00e9-c\u00e2bl\u00e9es, mais r\u00e9duisent drastiquement l’espace des fonctions admissibles, abaissant la variance statistique \u00e0 un niveau tel qu’un apprentissage rapide, robuste et exempt de surinterpr\u00e9tation devient possible avec un nombre infime d’exemples empiriques. Les ph\u00e9nom\u00e8nes universels d’acquisition lexicale et de surg\u00e9n\u00e9ralisation morphologique (lorsque l’enfant applique une r\u00e8gle r\u00e9guli\u00e8re \u00e0 un verbe irr\u00e9gulier) s’expliquent d\u00e8s lors comme l’expression visible d’un biais r\u00e9gulateur salutaire luttant victorieusement contre la variance.<\/p>\n Une autre d\u00e9clinaison passionnante du dilemme biais-variance explor\u00e9e par Stuart Geman touche \u00e0 la pathologie de l’induction statistique : le surapprentissage, ou overfitting<\/a>. Lorsqu’un mod\u00e8le statistique dispose d’une variance excessive, il n’apprend plus les r\u00e9gularit\u00e9s structurelles sous-jacentes du ph\u00e9nom\u00e8ne ; il m\u00e9morise par c\u0153ur le bruit idiosyncratique et les contingences \u00e9ph\u00e9m\u00e8res de son ensemble d’apprentissage, perdant toute facult\u00e9 de g\u00e9n\u00e9ralisation face \u00e0 des situations in\u00e9dites.<\/p>\n Geman propose d’interpr\u00e9ter certains d\u00e9r\u00e8glements psychologiques et cognitifs humains \u00e0 travers le prisme formel de cette variance incontr\u00f4l\u00e9e. Une pens\u00e9e incapable d’abstraction, hypersensible aux moindres variations anecdotiques de l’environnement, peut \u00eatre mod\u00e9lis\u00e9e comme un syst\u00e8me cognitif en \u00e9tat de surapprentissage pathologique. Les phobies sp\u00e9cifiques graves, o\u00f9 un traumatisme isol\u00e9 et fortuit entra\u00eene une g\u00e9n\u00e9ralisation panique irrationnelle, ou encore certaines rigidit\u00e9s observ\u00e9es dans les troubles du spectre de l’autisme, trouvent dans cette faille de la r\u00e9gularisation stochastique un mod\u00e8le computationnel d’une \u00e9clatante pertinence.<\/p>\n Corolairement, Stuart Geman d\u00e9montre que les m\u00e9canismes d’oubli s\u00e9lectif, de compression synaptique et de simplification conceptuelle qui caract\u00e9risent l’appareil psychique ne sont pas des imperfections biologiques ou des d\u00e9faillances de notre m\u00e9moire, mais des r\u00e9gulateurs statistiques indispensables. Pour penser le monde avec justesse, le cerveau doit d\u00e9lib\u00e9r\u00e9ment sacrifier la fid\u00e9lit\u00e9 anecdotique au profit de l’invariance structurelle. L’intelligence adaptative r\u00e9side pr\u00e9cis\u00e9ment dans la d\u00e9couverte de ce point d’\u00e9quilibre miraculeux et instable o\u00f9 le biais et la variance s’annulent mutuellement pour laisser place \u00e0 la v\u00e9ritable compr\u00e9hension.<\/p>\n Tout au long de sa prolifique carri\u00e8re, Stuart Geman a maintenu une posture d’une rare lucidit\u00e9 critique face aux vagues successives d’enthousiasme entourant le connexionnisme artificiel. Alors que l’algorithme de r\u00e9tropropagation du gradient (backpropagation) s’imposait dans les ann\u00e9es 1980 et 1990 comme le standard ind\u00e9passable de l’entra\u00eenement des r\u00e9seaux de neurones multicouches, Geman ne cessa de souligner son invraisemblance biologique criante. La r\u00e9tropropagation exige en effet la transmission bidirectionnelle r\u00e9trograde d’erreurs continues le long de canaux synaptiques d\u00e9volus \u00e0 l’excitation ant\u00e9rograde, une op\u00e9ration sans aucun \u00e9quivalent mesurable dans la cytoarchitecture corticale.<\/p>\n Plaidant pour un r\u00e9alisme biophysique accru, Stuart Geman s’est fait le d\u00e9fenseur acharn\u00e9 de r\u00e8gles d’apprentissage strictement locales. Dans un r\u00e9seau biologique, chaque synapse ne dispose que de deux sources d’information pour moduler son efficacit\u00e9 de transmission : l’\u00e9tat de d\u00e9polarisation de son \u00e9l\u00e9ment pr\u00e9synaptique et le potentiel de membrane de son compartiment postsynaptique. En s’inspirant des formulations fondatrices de Donald Hebb, Geman a d\u00e9velopp\u00e9 des formalismes o\u00f9 la plasticit\u00e9 synaptique s’auto-organise sans superviseur omniscient ni calcul r\u00e9trograde global.<\/p>\n De surcro\u00eet, Geman a insist\u00e9 avec v\u00e9h\u00e9mence sur l’int\u00e9gration imp\u00e9rative de la stochasticit\u00e9 au niveau \u00e9l\u00e9mentaire de la jonction synaptique. Loin d’\u00eatre des transmetteurs de signaux continus et parfaits, les neurones r\u00e9els lib\u00e8rent leurs quanta de neurotransmetteurs selon des lois de Poisson \u00e9minemment al\u00e9atoires. Stuart Geman a prouv\u00e9 que cette incertitude synaptique n’est pas un obstacle \u00e0 la robustesse computationnelle, mais fournit la force motrice m\u00eame qui autorise le r\u00e9seau \u00e0 \u00e9chapper aux configurations rigides et \u00e0 \u00e9chantillonner la complexit\u00e9 dynamique du monde avec une consommation \u00e9nerg\u00e9tique minimale.<\/p>\n Le c\u00e9l\u00e8bre concept d’\u00ab assembl\u00e9e neuronale \u00bb, formul\u00e9 par Donald Hebb en 1949 \u2014 l’ann\u00e9e m\u00eame de la naissance de Stuart Geman \u2014, postulait que des groupes de cellules interconnect\u00e9es et synchronis\u00e9es forment les unit\u00e9s \u00e9l\u00e9mentaires de la repr\u00e9sentation mentale et de la pens\u00e9e. Cependant, cette intuition s\u00e9duisante manquait d’un cadre math\u00e9matique formel permettant d’expliquer comment de telles assembl\u00e9es pouvaient persister dans le temps sans s’embraser dans une crise \u00e9pileptiforme ou s’\u00e9teindre sous l’effet de l’inhibition.<\/p>\n Stuart Geman r\u00e9investit ce concept r\u00e9volutionnaire en le fusionnant avec la th\u00e9orie des attracteurs probabilistes issue des champs markoviens. Il d\u00e9montre que les assembl\u00e9es cellulaires h\u00e9bbiennes se comportent comme des bassins d’attraction dans un paysage d’\u00e9nergie libre stochastique. L’activation conjointe d’un sous-ensemble de neurones creuse un puits de potentiel qui stabilise dynamiquement la configuration active face aux pertes ponctuelles ou \u00e0 la mort programm\u00e9e de milliers de neurones isol\u00e9s, conf\u00e9rant \u00e0 la m\u00e9moire humaine sa fabuleuse tol\u00e9rance aux pannes physiques.<\/p>\n Cette approche stochastique offre en outre l’explication formelle la plus satisfaisante du ph\u00e9nom\u00e8ne psychologique de r\u00e9activation associative ou \u00ab compl\u00e9tion de motifs \u00bb (pattern completion). Lorsqu’un individu est expos\u00e9 \u00e0 un indice perceptif partiel, fragment\u00e9 ou d\u00e9grad\u00e9 \u2014 telle la simple silhouette d’un visage familier aper\u00e7ue dans la p\u00e9nombre \u2014, le champ markovien neuronal s’oriente imm\u00e9diatement, sous la contrainte des connexions r\u00e9currentes sym\u00e9triques, vers le fond du puits de Gibbs correspondant, restaurant instantan\u00e9ment la repr\u00e9sentation globale unifi\u00e9e de l’objet dans la conscience du sujet.<\/p>\n L’apport de Stuart Geman \u00e0 la compr\u00e9hension de la plasticit\u00e9 synaptique<\/a> adaptative se distingue par une focalisation constante sur les distributions statistiques de l’environnement naturel. Pour Geman, l’adaptation du r\u00e9seau c\u00e9r\u00e9bral ne vise pas \u00e0 maximiser une r\u00e9compense arbitraire ou \u00e0 cat\u00e9goriser des labels abstraits ; elle constitue une optimisation continue destin\u00e9e \u00e0 faire co\u00efncider la structure interne du r\u00e9seau avec la distribution de probabilit\u00e9 g\u00e9n\u00e9ratrice du monde physique environnant.<\/p>\n Dans ce mod\u00e8le g\u00e9n\u00e9ratif interne, les poids synaptiques encodent silencieusement les d\u00e9pendances de Markov d’ordre sup\u00e9rieur du biotope dans lequel l’organisme \u00e9volue. Lorsque l’environnement est riche en contours verticaux et horizontaux, comme dans les for\u00eats ou les paysages naturels terrestres, les synapses horizontales du cortex visuel primaire modifient leur connectivit\u00e9 pour refl\u00e9ter ces r\u00e9gularit\u00e9s statistiques fondamentales, rendant le traitement des stimuli familiers extraordinairement \u00e9conome sur le plan m\u00e9tabolique.<\/p>\n Cette perspective computationnelle \u00e9claire d’un jour nouveau les dramatiques exp\u00e9riences historiques de privation sensorielle pr\u00e9coce men\u00e9es par Hubel et Wiesel. Stuart Geman montre math\u00e9matiquement que lorsqu’un jeune mammif\u00e8re est priv\u00e9 d’exp\u00e9riences visuelles structur\u00e9es durant sa p\u00e9riode critique, la rupture brutale des r\u00e9gularit\u00e9s markoviennes emp\u00eache l’abaissement du biais inductif ad\u00e9quat. Le r\u00e9seau synaptique, incapable de stabiliser ses champs al\u00e9atoires, sombre dans une variance aberrante ou fige ses connexions dans des configurations \u00e9nerg\u00e9tiques d\u00e9sordonn\u00e9es, entra\u00eenant une c\u00e9cit\u00e9 fonctionnelle d\u00e9finitive malgr\u00e9 l’int\u00e9grit\u00e9 de l’\u0153il.<\/p>\n L’un des axes de recherche les plus visionnaires poursuivis par Stuart Geman d\u00e8s la seconde moiti\u00e9 de sa carri\u00e8re concerne la compositionnalit\u00e9<\/a> de la pens\u00e9e et de la perception. Alors que la communaut\u00e9 de l’intelligence artificielle s’enfermait progressivement dans des repr\u00e9sentations purement distribu\u00e9es o\u00f9 les concepts sont dissous dans des millions de poids vectoriels opaques, Geman a d\u00e9fendu avec une vigueur in\u00e9branlable le principe fr\u00e9g\u00e9en selon lequel le sens d’un tout complexe est fonction de la structure de ses composants \u00e9l\u00e9mentaires et des r\u00e8gles gouvernant leur assemblage.<\/p>\n Geman souligne que la vision humaine ne fonctionne absolument pas comme une bo\u00eete noire vectorielle insensible aux relations spatiales internes. Nous ne reconnaissons pas une chaise ou une silhouette humaine parce qu’un hyperplan s\u00e9pare miraculeusement des pixels dans un espace \u00e0 dix mille dimensions, mais parce que notre esprit identifie des parties distinctes (pieds, assise, dossier ; t\u00eate, torse, membres) li\u00e9es entre elles par des contraintes g\u00e9om\u00e9triques explicites et embo\u00eet\u00e9es de fa\u00e7on rigoureusement hi\u00e9rarchique.<\/p>\n Sur le plan math\u00e9matique, Stuart Geman d\u00e9montre que la compositionnalit\u00e9 est l’unique arme capable de terrasser l’explosion combinatoire qui guette toute tentative d’intelligence g\u00e9n\u00e9rale. En r\u00e9utilisant un vocabulaire fini de briques structurelles \u00e9l\u00e9mentaires (segments, angles, courbes, surfaces simples) partageables au sein d’une infinit\u00e9 de configurations globales, l’appareil cognitif peut appr\u00e9hender un nombre incommensurable d’objets in\u00e9dits sans n\u00e9cessiter l’augmentation disproportionn\u00e9e de son volume n\u00e9ocortical.<\/p>\n Pour formaliser cette intuition structurelle, Stuart Geman d\u00e9veloppe le cadre r\u00e9volutionnaire des \u00ab grammaires stochastiques d’images \u00bb (Stochastic Image Grammars), \u00e9rigeant un pont conceptuel magistral entre la linguistique computationnelle de Noam Chomsky et la vision par ordinateur. Dans cette architecture th\u00e9orique, la reconnaissance d’une sc\u00e8ne visuelle complexe n’est plus trait\u00e9e comme une r\u00e9gression num\u00e9rique, mais comme une v\u00e9ritable analyse syntaxique probabiliste<\/em> (parsing visuel).<\/p>\n De m\u00eame qu’une grammaire hors-contexte g\u00e9n\u00e8re des phrases en appliquant r\u00e9cursivement des r\u00e8gles de d\u00e9rivation \u00e0 des syntagmes nominaux et verbaux, la grammaire d’images de Geman d\u00e9finit des r\u00e8gles de production spatiale qui d\u00e9rivent des formes complexes \u00e0 partir de primitives g\u00e9om\u00e9triques. Chaque r\u00e8gle de d\u00e9rivation est assortie d’une p\u00e9nalit\u00e9 \u00e9nerg\u00e9tique ou d’une distribution de probabilit\u00e9 capturant la tol\u00e9rance aux d\u00e9formations spatiales, aux variations d’\u00e9chelle et aux flexions articulaires :<\/p>\n Cette symbiose entre syntaxe formelle et stochasticit\u00e9 probabiliste r\u00e9sonne profond\u00e9ment avec les d\u00e9couvertes de la psycholinguistique cognitive. Stuart Geman montre que les m\u00e9canismes neurobiologiques d\u00e9volus au d\u00e9chiffrement de la structure du monde visible et ceux d\u00e9di\u00e9s \u00e0 la compr\u00e9hension du langage partagent un m\u00eame socle op\u00e9ratoire : ils traquent sans rel\u00e2che les arbres hi\u00e9rarchiques de relations cach\u00e9es derri\u00e8re la s\u00e9quence lin\u00e9aire ou la mosa\u00efque bidimensionnelle des apparences.<\/p>\n La puissance du mod\u00e8le compositionnel d\u00e9velopp\u00e9 par Stuart Geman r\u00e9side dans sa capacit\u00e9 in\u00e9gal\u00e9e \u00e0 r\u00e9soudre l’une des \u00e9nigmes les plus redoutables de la psychologie cognitive : la constance perceptive<\/a>. Comment l’\u00eatre humain parvient-il \u00e0 reconna\u00eetre instantan\u00e9ment son ami, qu’il le voie de face, de profil, \u00e9clair\u00e9 par une lumi\u00e8re rasante, \u00e0 cinquante m\u00e8tres de distance, ou partiellement dissimul\u00e9 derri\u00e8re un obstacle feuillu ?<\/p>\n Les mod\u00e8les empiristes purement bas\u00e9s sur l’apparence des pixels \u00e9chouent lamentablement face \u00e0 de telles transformations, car la corr\u00e9lation brute des signaux s’effondre \u00e0 z\u00e9ro. \u00c0 l’inverse, la grammaire stochastique de Geman excelle dans cette t\u00e2che en dissociant radicalement la structure topologique invariante de l’objet des instanciations m\u00e9triques variables de ses parties. Le graphe de d\u00e9rivation syntaxique demeure parfaitement stable et identifiable, quand bien m\u00eame les d\u00e9formations g\u00e9om\u00e9triques locales sont absorb\u00e9es par la flexibilit\u00e9 probabiliste des r\u00e8gles de production.<\/p>\n Cette approche a trouv\u00e9 des applications spectaculaires dans la mod\u00e9lisation de l’identification faciale et la lecture des expressions \u00e9motionnelles universelles. Les variations infimes de tension musculaire sur les l\u00e8vres ou les sourcils ne sont plus des perturbations parasites pour le syst\u00e8me de Geman ; elles deviennent des modulations param\u00e9triques \u00e9l\u00e9gantes au sein d’une grammaire universelle du visage humain, r\u00e9conciliant la prodigieuse plasticit\u00e9 expressive de notre esp\u00e8ce avec l’invariance immuable de notre identit\u00e9 visuelle.<\/p>\n Au d\u00e9but des ann\u00e9es 1990, les neurosciences cellulaires sont d\u00e9chir\u00e9es par un d\u00e9bat paradigmatique d’une intensit\u00e9 rare quant \u00e0 la nature du code neural. D’un c\u00f4t\u00e9, les partisans de l’\u00e9cole classique d’Edgar Adrian soutiennent la doctrine du codage par fr\u00e9quence moyenne de d\u00e9charge (rate coding<\/em>), postulant que l’unique variable porteuse de sens r\u00e9side dans le nombre de potentiels d’action \u00e9mis par un neurone au cours d’une fen\u00eatre temporelle donn\u00e9e. De l’autre c\u00f4t\u00e9, une avant-garde th\u00e9orique avance l’hypoth\u00e8se audacieuse du codage par synchronie temporelle fine (temporal binding<\/em>), o\u00f9 la pr\u00e9cision temporelle \u00e0 l’\u00e9chelle de la milliseconde orchestre l’assemblage des informations corticales.<\/p>\n Stuart Geman intervient dans cette ar\u00e8ne avec sa rigueur math\u00e9matique proverbiale. Il souligne avec force les limites computationnelles fatales du mod\u00e8le fond\u00e9 exclusivement sur la fr\u00e9quence moyenne : la moyenne temporelle d\u00e9truit irr\u00e9m\u00e9diablement l’information ultra-rapide n\u00e9cessaire aux d\u00e9cisions vitales de survie, lesquelles s’ex\u00e9cutent en moins de cent millisecondes au sein des aires visuelles ventrales. Un syst\u00e8me visuel qui devrait attendre d’int\u00e9grer des dizaines de d\u00e9charges pour conna\u00eetre la fr\u00e9quence d’\u00e9mission d’une cellule serait trop lent face aux pr\u00e9dateurs de la savane ancestrale.<\/p>\n Geman mobilise des outils statistiques in\u00e9dits pour analyser la structure temporelle fine des trains de potentiels d’action (spike trains). Il prouve que la co\u00efncidence temporelle et les d\u00e9charges quasi simultan\u00e9es de neurones distants constituent un canal de communication infiniment plus riche et r\u00e9actif que la fr\u00e9quence pure, capable de v\u00e9hiculer des \u00e9tats combinatoires d’une densit\u00e9 informationnelle vertigineuse sans pour autant saturer l’activit\u00e9 m\u00e9tabolique du cerveau.<\/p>\n Cette investigation approfondie de la chronom\u00e9trie neuronale permet \u00e0 Stuart Geman d’apporter une contribution fondamentale \u00e0 la r\u00e9solution du c\u00e9l\u00e8bre probl\u00e8me de la liaison<\/a> (Binding Problem), formul\u00e9 en psychologie cognitive par Anne Treisman et ses contemporains. Comment le syst\u00e8me nerveux parvient-il \u00e0 combiner la couleur rouge trait\u00e9e dans l’aire V4, le mouvement circulaire calcul\u00e9 dans l’aire MT\/V5 et la forme elliptique isol\u00e9e dans le cortex inf\u00e9rotemporal pour projeter dans la conscience l’exp\u00e9rience perceptuelle unifi\u00e9e d’un \u00ab ballon rouge qui roule \u00bb, \u00e9vitant que la couleur rouge ne se lie erron\u00e9ment \u00e0 un autre objet de l’arri\u00e8re-plan ?<\/p>\n S’appuyant sur les intuitions de Christoph von der Malsburg, Geman formalise la synchronisation stochastique comme la r\u00e9ponse math\u00e9matique \u00e0 cette \u00e9nigme. Deux populations de neurones distantes spatialement signalent qu’elles traitent des attributs appartenant au m\u00eame objet physique en verrouillant la phase temporelle de leurs d\u00e9charges d’action respectives. L’\u00e9tiquette de liaison n’est pas un c\u00e2blage anatomique fixe \u2014 ce qui supposerait un nombre infini de \u00ab neurones grand-m\u00e8re \u00bb impossibles \u00e0 h\u00e9berger dans le cr\u00e2ne \u2014, mais un \u00e9v\u00e9nement relationnel \u00e9mergent et transitoire, orchestr\u00e9 par une r\u00e9sonance temporelle dynamique.<\/p>\n Cette liaison par synchronie temporelle poss\u00e8de des r\u00e9percussions directes sur les th\u00e9ories de l’attention s\u00e9lective et l’\u00e9mergence de ce que Ned Block nomme la \u00ab conscience d’acc\u00e8s \u00bb. L’attention focalis\u00e9e agit comme un faisceau coordinateur qui amplifie la coh\u00e9rence de phase des oscillateurs corticaux pertinents, permettant au percept s\u00e9lectionn\u00e9 d’\u00e9merger de la toile de fond stochastique pour entrer dans l’espace de travail neuronal global, tandis que les stimuli non pertinents demeurent dans une d\u00e9synchronisation statistique inaudible pour les aires motrices et d\u00e9cisionnelles.<\/p>\n L’engagement de Stuart Geman dans la controverse du code temporel ne s’est pas limit\u00e9 \u00e0 des sp\u00e9culations conceptuelles ; il a con\u00e7u des m\u00e9thodologies statistiques d’une sophistication redoutable pour traquer empiriquement ces motifs de d\u00e9charge coordonn\u00e9s au sein des enregistrements \u00e9lectrophysiologiques multi-\u00e9lectrodes in vivo. La t\u00e2che \u00e9tait titanesque : comment prouver formellement que la synchronisation observ\u00e9e entre trois, quatre ou dix neurones n’est pas le simple fruit du hasard statistique ou le sous-produit banal d’une bouff\u00e9e d’excitabilit\u00e9 globale du r\u00e9seau cortical ?<\/p>\n Dans une s\u00e9rie d’articles m\u00e9thodologiques remarquables, Geman et ses collaborateurs d\u00e9veloppent des tests d’hypoth\u00e8ses non param\u00e9triques r\u00e9volutionnaires, capables de d\u00e9mystifier les faux positifs caus\u00e9s par les fluctuations non stationnaires des taux de d\u00e9charge globaux. En concevant des algorithmes de r\u00e9\u00e9chantillonnage temporel sophistiqu\u00e9s (tels que le dithering de spikes), ils parviennent \u00e0 isoler les corr\u00e9lations temporelles d’ordre sup\u00e9rieur qui ne peuvent sous aucun pr\u00e9texte \u00eatre expliqu\u00e9es par des variations marginales de fr\u00e9quence.<\/p>\n Ces outils statistiques d’une rigueur clinique ont apport\u00e9 une caution m\u00e9thodologique inestimable aux travaux pionniers de neurophysiologistes majeurs comme Wolf Singer<\/a> \u00e0 Francfort. Gr\u00e2ce \u00e0 la vigilance analytique de Geman, la preuve a pu \u00eatre administr\u00e9e que le cerveau de mammif\u00e8re orchestre bel et bien des symphonies temporelles ultra-pr\u00e9cises dans la bande de fr\u00e9quence gamma (30-80 Hz), transformant ce qui n’\u00e9tait qu’une conjecture disput\u00e9e en l’un des corpus empiriques les plus fascinants de la neurobiologie contemporaine.<\/p>\n Au cours des deux derni\u00e8res d\u00e9cennies, les sciences cognitives ont \u00e9t\u00e9 balay\u00e9es par un tsunami paradigmatique majeur : l’adoption unanime de l’hypoth\u00e8se du cerveau bay\u00e9sien<\/a> (Bayesian Brain Hypothesis). Aujourd’hui omnipr\u00e9sent \u00e0 travers la th\u00e9orie du codage pr\u00e9dictif formul\u00e9e par Karl Friston et Andy Clark, ce cadre stipule que l’appareil cognitif dans son int\u00e9gralit\u00e9 \u2014 de la perception sensorielle jusqu’au raisonnement logique et \u00e0 l’action motrice \u2014 fonctionne comme une formidable machine d’inf\u00e9rence statistique active d\u00e9volue \u00e0 la minimisation perp\u00e9tuelle de l’erreur de pr\u00e9diction ou \u00e9nergie libre variationnelle.<\/p>\n Il est historiquement ind\u00e9niable que la filiation intellectuelle directe de cette r\u00e9volution plonge ses racines dans les th\u00e9or\u00e8mes fondateurs formul\u00e9s par Stuart Geman d\u00e8s les ann\u00e9es 1980. En d\u00e9montrant la viabilit\u00e9 computationnelle des architectures bay\u00e9siennes complexes \u00e0 travers les champs al\u00e9atoires de Markov et l’\u00e9chantillonneur de Gibbs, Geman a fourni l’armature formelle sans laquelle le concept de cerveau bay\u00e9sien n’aurait jamais pu d\u00e9passer le stade de la m\u00e9taphore philosophique floue pour devenir une science empiriquement quantifiable.<\/p>\n Les algorithmes actuels de message-passing<\/em> cortical et de propagation de croyances hi\u00e9rarchiques (belief propagation) ne sont au fond que des extensions directes, optimis\u00e9es pour la topologie neuronale, des dynamiques de relaxation stochastique formalis\u00e9es par les fr\u00e8res Geman. Stuart Geman a prouv\u00e9 que loin d’\u00eatre un luxe r\u00e9serv\u00e9 aux supercalculateurs, l’estimation des probabilit\u00e9s a posteriori peut \u00eatre r\u00e9alis\u00e9e organiquement par des r\u00e9seaux d’\u00e9l\u00e9ments simples s’\u00e9changeant des messages locaux, inscrivant ainsi son nom au panth\u00e9on des architectes de la cognition moderne.<\/p>\n L’h\u00e9ritage de Stuart Geman s’est \u00e9tendu de mani\u00e8re spectaculaire au domaine florissant de la psychopathologie computationnelle<\/a>. Si le cerveau normal \u00e9quilibre avec virtuosit\u00e9 ses distributions a priori et la pr\u00e9cision stochastique des signaux sensoriels, la d\u00e9r\u00e9gulation de cet \u00e9quilibre probabiliste offre un cadre explicatif d’une puissance in\u00e9dite pour mod\u00e9liser les d\u00e9sordres psychiatriques majeurs au niveau m\u00e9canistique le plus profond.<\/p>\n La schizophr\u00e9nie, en particulier, a \u00e9t\u00e9 r\u00e9interpr\u00e9t\u00e9e avec brio \u00e0 travers les mod\u00e8les g\u00e9n\u00e9ratifs markoviens de Geman. Une baisse pathologique de la pr\u00e9cision accord\u00e9e aux donn\u00e9es sensorielles brutes (ou une hyper-pond\u00e9ration aberrante des croyances a priori<\/em>) brise l’ancrage stochastique du syst\u00e8me dans la r\u00e9alit\u00e9 physique. Les hallucinations visuelles et auditives ne sont plus des bruits chaotiques inexplicables, mais des \u00ab percepts a posteriori \u00bb g\u00e9n\u00e9r\u00e9s spontan\u00e9ment par le r\u00e9seau de Gibbs int\u00e9rieur lorsque les contraintes du monde ext\u00e9rieur cessent de r\u00e9gulariser la relaxation stochastique corticale ; le cerveau hallucine ce que son a priori projette sans contradiction sensorielle.<\/p>\n Inversement, les troubles du spectre de l’autisme trouvent une mod\u00e9lisation magistrale dans la configuration oppos\u00e9e : une sous-pond\u00e9ration massive des a priori contextuels au profit d’une hypersensibilit\u00e9 brute aux d\u00e9tails sensoriels imm\u00e9diats (variance incontr\u00f4l\u00e9e). Incapable d’appliquer les contraintes de r\u00e9gularisation markoviennes qui unifient normalement les sc\u00e8nes visuelles et sociales, le sujet autiste se retrouve submerg\u00e9 par un flot ph\u00e9nom\u00e9nal discontinu, fragment\u00e9 et assourdissant. Stuart Geman a ainsi dot\u00e9 la m\u00e9decine de l’esprit d’un miroir math\u00e9matique d’une sensibilit\u00e9 diagnostique et \u00e9tiologique sans pr\u00e9c\u00e9dent.<\/p>\n Un autre pan remarquable de la psychologie contemporaine profond\u00e9ment transform\u00e9 par les contributions de Geman concerne la rationalit\u00e9 humaine et l’\u00e9tude des biais cognitifs. Durant des d\u00e9cennies, les travaux illustres de Daniel Kahneman et Amos Tversky avaient accr\u00e9dit\u00e9 l’id\u00e9e que l’esprit humain est structurellement irrationnel, truff\u00e9 de biais heuristiques grossiers le d\u00e9tournant syst\u00e9matiquement des lois \u00e9l\u00e9mentaires de la logique formelle et du calcul des probabilit\u00e9s.<\/p>\n Sous la lentille de l’\u0153uvre de Stuart Geman, cette suppos\u00e9e irrationnalit\u00e9 a \u00e9t\u00e9 r\u00e9habilit\u00e9e de mani\u00e8re \u00e9clatante \u00e0 travers le paradigme de la \u00ab rationalit\u00e9 limit\u00e9e stochastique \u00bb (resource-rational analysis). Geman a d\u00e9montr\u00e9 que le calcul bay\u00e9sien exact et exhaustif dans des environnements naturels complexes est un probl\u00e8me formellement insoluble en temps fini, en raison de son statut NP-difficile. D\u00e8s lors, le cerveau ne peut mat\u00e9riellement pas se payer le luxe d’une optimisation infinie ; il doit d\u00e9ployer des approximations stochastiques rapides via un \u00e9chantillonnage restreint de Gibbs ne mobilisant que quelques tirages locaux.<\/p>\n Ce que Kahneman et Tversky consid\u00e9raient comme des \u00ab biais cognitifs fautifs \u00bb (comme l’heuristique de repr\u00e9sentativit\u00e9 ou l’effet d’ancrage) s’av\u00e8re en r\u00e9alit\u00e9 \u00eatre la signature \u00e9clatante d’un estimateur stochastique optimal op\u00e9rant sous des contraintes s\u00e9v\u00e8res de ressources computationnelles et temporelles. Des \u00e9tudes exp\u00e9rimentales rigoureuses men\u00e9es tant chez l’adulte humain que chez le primate non humain ont confirm\u00e9 que l’appareil cognitif \u00e9chantillonne le monde avec une pr\u00e9cision bay\u00e9sienne rigoureusement calibr\u00e9e sur le co\u00fbt \u00e9nerg\u00e9tique de la prise de d\u00e9cision, illustrant une fois de plus la profonde v\u00e9rit\u00e9 de la vision gemanienne.<\/p>\n Malgr\u00e9 l’\u00e9l\u00e9gance sublime de l’\u00e9difice math\u00e9matique \u00e9rig\u00e9 par Stuart Geman, son applicationnisme cognitif n’a pas manqu\u00e9 de susciter d’\u00e2pres d\u00e9bats \u00e9pist\u00e9mologiques au fil des d\u00e9cennies. La principale critique adress\u00e9e aux mod\u00e8les markoviens et \u00e0 l’\u00e9chantillonneur de Gibbs repose sur le paradoxe du co\u00fbt computationnel : la convergence prouv\u00e9e par les fr\u00e8res Geman en 1984 est une convergence asymptotique garantie \u00e0 la limite d’un temps infini. Or, la survie biologique exige l’imm\u00e9diatet\u00e9 : une proie doit identifier un pr\u00e9dateur et d\u00e9clencher une fuite motrice en quelques dizaines de millisecondes.<\/p>\n Cette tension temporelle a constitu\u00e9 le cheval de bataille de psychologues renomm\u00e9s, au premier rang desquels Gerd Gigerenzer. Ce dernier fustige la mod\u00e9lisation bay\u00e9sienne de l’esprit, la taxant d’ang\u00e9lisme math\u00e9matique incapable de d\u00e9crire la vie psychologique r\u00e9elle, laquelle s’appuierait plut\u00f4t sur des heuristiques \u00ab rapides et frugales \u00bb (fast and frugal heuristics) exemptes de toute pond\u00e9ration probabiliste complexe. Comment concilier la lenteur de la dynamique de relaxation thermodynamique de Gibbs avec la fulgurance d’un jugement instinctif ?<\/p>\n Face \u00e0 ces objections vigoureuses, Stuart Geman a toujours oppos\u00e9 la nuance d’une ing\u00e9nierie biologique adaptative. Ses travaux ont d\u00e9montr\u00e9 qu’il n’est nullement n\u00e9cessaire d’attendre la convergence infinie pour extraire du sens d’un champ al\u00e9atoire : les premi\u00e8res it\u00e9rations stochastiques fournissent d\u00e9j\u00e0 une approximation grossi\u00e8re mais extraordinairement informative de l’\u00e9tat latent, amplement suffisante pour initier un r\u00e9flexe de survie. L’\u00e9chantillonneur de Gibbs cortical fonctionne ainsi selon un compromis adaptatif continu, troquant d\u00e9lib\u00e9r\u00e9ment la certitude math\u00e9matique absolue contre la v\u00e9locit\u00e9 op\u00e9ratoire indispensable \u00e0 la conservation de la vie.<\/p>\n L’av\u00e8nement triomphal de l’apprentissage profond contemporain (Deep Learning<\/a>) depuis les ann\u00e9es 2010 a cr\u00e9\u00e9 une fracture th\u00e9orique fascinante qui \u00e9claire d’une lumi\u00e8re singuli\u00e8re la posture intellectuelle de Stuart Geman. Tandis que le monde technologique s’extasie devant des r\u00e9seaux de neurones profonds comptant des centaines de milliards de param\u00e8tres entra\u00een\u00e9s par force brute sur des supercalculateurs plan\u00e9taires, Geman n’a cess\u00e9 d’alerter la communaut\u00e9 scientifique sur la fragilit\u00e9 structurelle et l’opacit\u00e9 conceptuelle de ce mod\u00e8le d’ing\u00e9nierie.<\/p>\n Geman reproche sans d\u00e9tour aux architectures actuelles leur statut de \u00ab bo\u00eetes noires \u00bb empiriques et leur rejet d\u00e9lib\u00e9r\u00e9 de la compositionnalit\u00e9 explicite. Un r\u00e9seau profond conventionnel ne sait pas ce qu’est une surface, une continuit\u00e9 ou une hi\u00e9rarchie syntaxique ; il corr\u00e8le aveugl\u00e9ment des motifs statistiques dans des espaces matriciels disproportionn\u00e9s. Les alertes pr\u00e9coces lanc\u00e9es par Geman en 1992 sur le surapprentissage et l’instabilit\u00e9 de la variance se sont spectaculairement v\u00e9rifi\u00e9es \u00e0 travers le ph\u00e9nom\u00e8ne des attaques contradictoires (adversarial attacks<\/em>) : la simple alt\u00e9ration d’un pixel invisible \u00e0 l’\u0153il humain suffit \u00e0 faire prendre un bus scolaire pour une autruche \u00e0 un r\u00e9seau profond ultra-performant.<\/p>\n Pour Stuart Geman, ces failles grotesques confirment que l’intelligence artificielle contemporaine a commis une erreur de trajectoire en abandonnant la rigueur des contraintes g\u00e9om\u00e9triques et des grammaires stochastiques au profit de l’accumulation brute de donn\u00e9es. Le cerveau humain n’a pas besoin de millions d’images pour apprendre \u00e0 reconna\u00eetre un chaton ; son biais inductif structural, fond\u00e9 sur les lois compositionnelles que Geman a formalis\u00e9es, lui permet d’apprendre avec une robustesse et une frugalit\u00e9 que le Deep Learning actuel demeure radicalement incapable d’\u00e9galer.<\/p>\n Enfin, sur le plan purement biophysique, plusieurs neurobiologistes ont point\u00e9 les limites inh\u00e9rentes \u00e0 l’analogie thermodynamique postul\u00e9e par les distributions de Gibbs. Les th\u00e9or\u00e8mes de convergence d\u00e9montr\u00e9s par les fr\u00e8res Geman en 1984 reposent sur une condition math\u00e9matique stricte et incontournable : la sym\u00e9trie absolue des interactions synaptiques matricielles ((J_{ij} = J_{ji})) assurant la r\u00e9versibilit\u00e9 microscopique du syst\u00e8me et l’existence d’une v\u00e9ritable fonctionnelle d’\u00e9nergie globale.<\/p>\n Or, la r\u00e9alit\u00e9 anatomique du syst\u00e8me nerveux central viole frontalement cette hypoth\u00e8se de sym\u00e9trie : la connectivit\u00e9 synaptique entre deux neurones corticaux est \u00e9minemment asym\u00e9trique et directionnelle. De plus, les organismes vivants ne sont pas des syst\u00e8mes ferm\u00e9s \u00e0 l’\u00e9quilibre thermique, mais des structures thermodynamiquement ouvertes, travers\u00e9es en permanence par d’immenses flux d’\u00e9nergie et de mati\u00e8re, op\u00e9rant dans des r\u00e9gimes de non-\u00e9quilibre stationnaire r\u00e9gis par des cycles limites non conservatifs.<\/p>\n De surcro\u00eet, la calibration exp\u00e9rimentale du param\u00e8tre de \u00ab temp\u00e9rature stochastique \u00bb dans le tissu c\u00e9r\u00e9bral s’av\u00e8re d’une complexit\u00e9 insurmontable pour les neurophysiologistes de terrain. Si l’analogie de Geman conserve une valeur heuristique et math\u00e9matique monumentale pour penser les contraintes macroscopiques du traitement d’information, elle ne saurait \u00eatre assimil\u00e9e \u00e0 une description litt\u00e9rale et exhaustive des micro-courants \u00e9lectrochimiques circulant dans les circuits dendritiques, rappelant que tout mod\u00e8le formel de la cognition demeure une cartographie abstraite qui ne doit jamais \u00eatre confondue avec le territoire biologique qu’elle tente d’arpenter.<\/p>\n Au-del\u00e0 de ses d\u00e9couvertes de premier ordre, Stuart Geman s’est impos\u00e9 comme une figure magistrale de la transmission acad\u00e9mique au sein de l’Universit\u00e9 Brown. Sa m\u00e9thodologie d’enseignement, cisel\u00e9e au fil de plus de quatre d\u00e9cennies au sein de la chaire James Manning, a marqu\u00e9 de fa\u00e7on ind\u00e9l\u00e9bile des g\u00e9n\u00e9rations d’\u00e9tudiants de premier cycle et de doctorants. Geman a toujours refus\u00e9 l’enseignement m\u00e9canique des math\u00e9matiques appliqu\u00e9es qui r\u00e9duirait cette discipline souveraine \u00e0 une simple bo\u00eete \u00e0 outils techniques d\u00e9connect\u00e9e des interrogations philosophiques et humaines fondamentales.<\/p>\n Dans ses s\u00e9minaires l\u00e9gendaires, il s’attachait \u00e0 faire dialoguer les \u00e9quations diff\u00e9rentielles stochastiques les plus ardues avec les paradoxes de l’\u00e9pist\u00e9mologie de David Hume et les observations minutieuses des pionniers de la psychophysique allemande. Il inculquait \u00e0 ses disciples une m\u00e9fiance salutaire et absolue envers les simulations informatiques opaques conduites sans contr\u00f4le th\u00e9orique pr\u00e9alable : pour Stuart Geman, ex\u00e9cuter un calcul num\u00e9rique sans en avoir au pr\u00e9alable anticip\u00e9 analytiquement le comportement asymptotique constituait une h\u00e9r\u00e9sie intellectuelle.<\/p>\n Cette insistance intransigeante sur l’\u00e9l\u00e9gance formelle, la clart\u00e9 conceptuelle et la pertinence biologique a fait germer \u00e0 Brown une v\u00e9ritable p\u00e9pini\u00e8re de talents. Sous son mentorat attentif et exigeant, des dizaines de jeunes chercheurs ont appris \u00e0 naviguer sans crainte entre la rigueur de la th\u00e9orie de la mesure et l’observation empirique de l’\u00e9lectrophysiologie corticale, occupant aujourd’hui les postes les plus prestigieux au sein des facult\u00e9s de neurosciences, de math\u00e9matiques et d’ing\u00e9nierie \u00e0 travers toute la plan\u00e8te.<\/p>\n L’itin\u00e9raire acad\u00e9mique de Stuart Geman se singularise par une aptitude exceptionnelle \u00e0 f\u00e9d\u00e9rer des esprits brillants issus d’horizons \u00e9pist\u00e9mologiques radicalement divergents. Sa symbiose intellectuelle au long cours avec \u00c9lie Bienenstock<\/a> demeure un mod\u00e8le d’orf\u00e8vrerie th\u00e9orique : ensemble, ils ont diss\u00e9qu\u00e9 sans rel\u00e2che les myst\u00e8res de l’invariance perceptive, de la plasticit\u00e9 synaptique et des grammaires stochastiques d’objets, produisant des avanc\u00e9es qui continuent d’irriguer la litt\u00e9rature contemporaine.<\/p>\n De m\u00eame, son partenariat scientifique \u00e9troit avec des neurophysiologistes de premier plan, explorant l’enregistrement simultan\u00e9 de centaines de neurones par matrices d’\u00e9lectrodes in vivo chez les primates \u00e9veill\u00e9s, a permis de confronter imm\u00e9diatement ses mod\u00e8les statistiques abstraits \u00e0 la r\u00e9alit\u00e9 rugueuse des donn\u00e9es biologiques. Geman ne concevait pas de th\u00e9oriser dans une tour d’ivoire : il passait de longues heures dans les laboratoires d’\u00e9lectrophysiologie \u00e0 scruter la forme brute des potentiels d’action pour d\u00e9celer la signature math\u00e9matique cach\u00e9e des processus stochastiques sous-jacents.<\/p>\n Enfin, son dialogue ininterrompu avec les linguistes, les informaticiens et les philosophes de l’esprit de Brown a permis d’enrichir continuellement ses travaux d’une profondeur s\u00e9mantique exceptionnelle. En croisant la linguistique structurale, la th\u00e9orie de la complexit\u00e9 algorithmique et la mod\u00e9lisation corticale, Stuart Geman a prouv\u00e9 que la qu\u00eate des myst\u00e8res de l’intelligence ne saurait triompher que par l’alliance inconditionnelle des sciences dures et des sciences de l’humain.<\/p>\n L’ampleur titanesque et l’originalit\u00e9 ind\u00e9passable des contributions de Stuart Geman lui ont valu les honneurs acad\u00e9miques les plus \u00e9minents accord\u00e9s par la communaut\u00e9 scientifique internationale. Cons\u00e9cration supr\u00eame pour un chercheur am\u00e9ricain, il a \u00e9t\u00e9 \u00e9lu membre titulaire de la prestigieuse Acad\u00e9mie nationale des sciences des \u00c9tats-Unis<\/a> (National Academy of Sciences), t\u00e9moignant de la reconnaissance unanime de ses pairs pour son r\u00f4le de pionnier indiscut\u00e9 de la stochasticit\u00e9 computationnelle.<\/p>\n Parall\u00e8lement, il a \u00e9t\u00e9 distingu\u00e9 par l’attribution de bourses d’honneur et de titres de Fellow au sein d’institutions majeures telles que l’Institute of Mathematical Statistics (IMS) et l’Institute of Electrical and Electronics Engineers (IEEE). Ses publications historiques ont \u00e9t\u00e9 couronn\u00e9es par de multiples prix r\u00e9trospectifs, consacrant des articles dont l’impact, loin de s’\u00e9roder avec l’\u00e9coulement des d\u00e9cennies, a continu\u00e9 de cro\u00eetre de mani\u00e8re exponentielle au fil du temps.<\/p>\n Aujourd’hui, les concepts forg\u00e9s par Stuart Geman \u2014 des champs al\u00e9atoires de Markov \u00e0 l’\u00e9chantillonneur de Gibbs, en passant par le dilemme biais-variance \u2014 ne sont plus seulement des citations savantes r\u00e9serv\u00e9es aux sp\u00e9cialistes ; ils sont devenus des chapitres canoniques et obligatoires de tous les manuels de r\u00e9f\u00e9rence universitaires en vision artificielle, en statistiques modernes, en apprentissage machine et en neurosciences computationnelles, attestant de l’universalit\u00e9 intemporelle de son legs intellectuel.<\/p>\n Alors que le vingt-et-uni\u00e8me si\u00e8cle avance et que les limites intrins\u00e8ques des r\u00e9seaux de neurones profonds de premi\u00e8re g\u00e9n\u00e9ration apparaissent de plus en plus au grand jour \u2014 hallucinations d\u00e9lirantes des grands mod\u00e8les linguistiques, absence totale de raisonnement causal, vuln\u00e9rabilit\u00e9 extr\u00eame aux corruptions de distribution \u2014, l’intelligence artificielle mondiale op\u00e8re un retour spectaculaire vers les principes pr\u00e9curseurs formul\u00e9s par Stuart Geman. Le nouveau paradigme dominant, baptis\u00e9 l’intelligence artificielle neuro-symbolique<\/a>, cherche pr\u00e9cis\u00e9ment \u00e0 r\u00e9aliser la symbiose tant attendue entre l’apprentissage statistique sur les donn\u00e9es et la structure compositionnelle des grammaires explicites.<\/p>\n Les chercheurs contemporains red\u00e9couvrent la pertinence inou\u00efe des grammaires stochastiques d’images de Geman pour pallier l’opacit\u00e9 et l’instabilit\u00e9 des mod\u00e8les actuels. En mariant la souplesse perceptuelle des r\u00e9seaux neuronaux avec des repr\u00e9sentations logiques hi\u00e9rarchis\u00e9es d\u00e9coupant le r\u00e9el en parties, en relations et en fonctions d’\u00e9nergie r\u00e9gulatrices, cette nouvelle g\u00e9n\u00e9ration de syst\u00e8mes artificiels parvient enfin \u00e0 faire preuve d’explicabilit\u00e9, de sobri\u00e9t\u00e9 computationnelle et d’une remarquable robustesse g\u00e9n\u00e9rale face \u00e0 des sc\u00e9narios in\u00e9dits.<\/p>\n Cette trajectoire dessine un alignement futur fascinant entre les architectures de silicium et les \u00e9tapes fondamentales du d\u00e9veloppement cognitif de l’enfant. En dotant les agents autonomes de biais inductifs inn\u00e9s mod\u00e9lisant les invariants physiques et causaux \u00e9l\u00e9mentaires du monde \u2014 tels que Geman les th\u00e9orisait d\u00e8s 1992 \u2014, la science computationnelle se rapproche enfin de l’id\u00e9al gemanien : une intelligence artificielle qui ne se contente pas de singer la m\u00e9moire statistique de l’humanit\u00e9, mais qui partage v\u00e9ritablement les principes structurels par lesquels notre cerveau extrait la lumi\u00e8re du chaos.<\/p>\n L’une des r\u00e9sonances les plus \u00e9blouissantes de l’\u0153uvre de Stuart Geman avec l’actualit\u00e9 scientifique la plus br\u00fblante r\u00e9side sans conteste dans la filiation directe qui unit ses mod\u00e8les de relaxation de Gibbs aux formidables mod\u00e8les de diffusion<\/a> g\u00e9n\u00e9ratifs contemporains (tels que Stable Diffusion, Midjourney ou DALL-E). Les ing\u00e9nieurs qui con\u00e7oivent aujourd’hui ces syst\u00e8mes capables de g\u00e9n\u00e9rer des \u0153uvres d’art visuelles d’une finesse inou\u00efe \u00e0 partir d’un simple prompt textuel mobilisent sans le savoir les \u00e9quations exactes de d\u00e9-bruitage stochastique it\u00e9ratif conceptualis\u00e9es par Stuart et Donald Geman en 1984.<\/p>\n Dans ce processus, une image commence sous la forme d’un bruit blanc purement al\u00e9atoire, puis, sous la contrainte d’un guidage \u00e9nerg\u00e9tique (le texte ou l’intention conceptuelle), l’algorithme retire pas \u00e0 pas le d\u00e9sordre thermique par une succession d’actualisations markoviennes locales pour faire \u00e9merger une forme signifiante d’une beaut\u00e9 saisissante. Sur le plan de la psychologie de l’esprit, cela valide la th\u00e9orie gemanienne selon laquelle l’imagination humaine n’est autre qu’un processus dynamique de relaxation stochastique op\u00e9rant sous des contraintes intentionnelles l\u00e2ches.<\/p>\n Ce formalisme offre d\u00e9sormais aux sciences cognitives des perspectives vertigineuses pour explorer computationnellement la m\u00e9canique intime des processus oniriques et des associations libres de la psych\u00e9 humaine. Durant le sommeil paradoxal, lorsque le syst\u00e8me nerveux central se coupe des influx r\u00e9tiniens ext\u00e9rieurs, les champs al\u00e9atoires de Markov corticaux s’auto-excitent sous l’effet du bruit synaptique thermique, d\u00e9rivant librement dans le paysage des bassins d’attraction mn\u00e9siques accumul\u00e9s. Les r\u00eaves ne sont plus un myst\u00e8re insondable : ils sont la respiration stochastique naturelle d’un cerveau qui r\u00e9\u00e9chantillonne sans fin ses propres potentiels d’\u00e9nergie int\u00e9rieure.<\/p>\n Au terme de cette travers\u00e9e de plus de sept d\u00e9cennies d’histoire intellectuelle, l’apport paradigmatique de Stuart Geman \u00e0 la compr\u00e9hension de l’appareil psychique se d\u00e9tache avec une clart\u00e9 souveraine. Loin d’avoir r\u00e9duit l’esprit \u00e0 une machine froide et pr\u00e9visible, Geman a prouv\u00e9 que la transcendance cognitive \u00e9merge pr\u00e9cis\u00e9ment de la collision intime et harmonieuse entre le d\u00e9terminisme des lois g\u00e9om\u00e9triques universelles et le souffle impr\u00e9visible de la stochasticit\u00e9 \u00e9l\u00e9mentaire.<\/p>\n Pour Stuart Geman, le hasard stochastique n’a jamais constitu\u00e9 une tare, une d\u00e9g\u00e9n\u00e9rescence biologique ou une imperfection du syst\u00e8me nerveux central face \u00e0 la pr\u00e9cision absolue du calcul formel. Tout au contraire, le d\u00e9sordre statistique est la force m\u00e9canique lib\u00e9ratrice sans laquelle aucun cerveau ne pourrait jamais s’adapter, g\u00e9n\u00e9raliser, percevoir l’in\u00e9dit, s’affranchir des pi\u00e8ges des impasses d\u00e9terministes et cr\u00e9er des mondes int\u00e9rieurs nouveaux. C’est le bruit al\u00e9atoire qui donne \u00e0 l’intelligence sa respiration, et ce sont les contraintes markoviennes qui lui insufflent son sens.<\/p>\n De 1949 jusqu’aux aubes \u00e9mergentes des neurosciences de demain, la voix de Stuart Geman continuera de r\u00e9sonner comme celle d’un b\u00e2tisseur \u00e9ternel de la science de la pens\u00e9e. En apprenant aux hommes \u00e0 lire l’esprit non comme un livre de r\u00e8gles rigides, mais comme un oc\u00e9an probabiliste chatoyant o\u00f9 chaque particule de bruit concourt \u00e0 l’illumination globale de la conscience, il a l\u00e9gu\u00e9 \u00e0 l’humanit\u00e9 bien plus qu’une suite de th\u00e9or\u00e8mes immortels : il nous a offert le miroir math\u00e9matique le plus sublime et le plus profond dans lequel notre propre intelligence puisse contempler son irr\u00e9ductible myst\u00e8re.<\/p>\n Une exploration acad\u00e9mique approfondie de la vie et des contributions de Stuart Geman \u00e0 la mod\u00e9lisation cognitive, aux neurosciences computationnelles et \u00e0 la vision.<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"closed","template":"","categories":[1578,647],"tags":[7364,28139,28138,2915,28137],"class_list":["post-17976","psych_theorist","type-psych_theorist","status-publish","hentry","category-neurosciences-computationnelles","category-psychologie-cognitive","tag-biais-variance","tag-champs-aleatoires-de-markov","tag-echantillonneur-de-gibbs","tag-perception-visuelle","tag-stuart-geman"],"_links":{"self":[{"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/psych_theorist\/17976","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/psych_theorist"}],"about":[{"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/types\/psych_theorist"}],"author":[{"embeddable":true,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=17976"}],"version-history":[{"count":0,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/psych_theorist\/17976\/revisions"}],"wp:attachment":[{"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=17976"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=17976"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=17976"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}1. 1. Introduction biographique et gen\u00e8se acad\u00e9mique d’un pionnier interdisciplinaire (1949 \u00e0 nos jours)<\/h2>\n
1.1 1.1 Jeunesse, formation intellectuelle et contexte acad\u00e9mique initial<\/h3>\n
1.2 1.2 L’installation \u00e0 l’Universit\u00e9 Brown et la fondation de la chaire James Manning<\/h3>\n
1.3 1.3 \u00c9volution transversale : Des math\u00e9matiques pures aux sciences de l’esprit<\/h3>\n
2. 2. Fondements \u00e9pist\u00e9mologiques : Les math\u00e9matiques stochastiques comme miroir de la cognition<\/h2>\n
2.1 2.1 La nature fondamentalement probabiliste du syst\u00e8me perceptif humain<\/h3>\n
2.2 2.2 L’analogie thermodynamique dans la psychologie de la forme (Gestalt)<\/h3>\n
2.3 2.3 Le rejet de l’empirisme simpliste et la d\u00e9fense de contraintes structurelles<\/h3>\n
3. 3. L’article fondateur de 1984 : Champs al\u00e9atoires de Markov et restauration d’images<\/h2>\n
3.1 3.1 La collaboration historique entre Stuart Geman et Donald Geman<\/h3>\n
3.2 3.2 Mod\u00e9lisation spatiale par champs al\u00e9atoires de Markov (MRF)<\/h3>\n
3.3 3.3 Les \u00ab processus de fronti\u00e8re \u00bb (Line Processes) et la segmentation perceptive<\/h3>\n
4. 4. L’\u00e9chantillonneur de Gibbs : Dynamique algorithmique et plausibilit\u00e9 cognitive<\/h2>\n
4.1 4.1 M\u00e9canismes op\u00e9rationnels de l’\u00e9chantillonnage stochastique local<\/h3>\n
4.2 4.2 L’\u00e9chantillonneur de Gibbs comme mod\u00e8le du fonctionnement cortical<\/h3>\n
4.3 4.3 Du recuit simul\u00e9 \u00e0 la dynamique de la r\u00e9solution de probl\u00e8mes<\/h3>\n
5. 5. Le dilemme biais-variance (1992) : Une r\u00e9volution dans la th\u00e9orie de l’apprentissage<\/h2>\n
5.1 5.1 La publication s\u00e9minale de Geman, Bienenstock et Doursat<\/h3>\n
5.2 5.2 Les cons\u00e9quences fondamentales pour la psychologie du d\u00e9veloppement<\/h3>\n
5.3 5.3 Le risque du surapprentissage (overfitting) dans la cognition humaine<\/h3>\n
6. 6. R\u00e9seaux neuronaux, connectivit\u00e9 fonctionnelle et architectures c\u00e9r\u00e9brales<\/h2>\n
6.1 6.1 Comparaison critique entre connexionnisme artificiel et r\u00e9seaux biologiques<\/h3>\n
6.2 6.2 Les mod\u00e8les d’assembl\u00e9es neuronales de Hebb sous l’angle stochastique<\/h3>\n
6.3 6.3 L’apport aux th\u00e9ories de la plasticit\u00e9 synaptique adaptative<\/h3>\n
7. 7. Compositionnalit\u00e9 et grammaires visuelles : La pens\u00e9e par structures hi\u00e9rarchiques<\/h2>\n
7.1 7.1 Le principe de compositionnalit\u00e9 appliqu\u00e9 au traitement de l’information visuelle<\/h3>\n
7.2 7.2 Les \u00ab grammaires stochastiques d’images \u00bb : Un pont entre langage et vision<\/h3>\n
7.3 7.3 Mod\u00e9lisation de l’invariance perceptive et de la flexibilit\u00e9 s\u00e9mantique<\/h3>\n
8. 8. Temporel, synchronie et codage neural : D\u00e9crypter le code de la conscience<\/h2>\n
8.1 8.1 Le d\u00e9bat sur le codage par fr\u00e9quence (Rate Coding) contre codage temporel (Temporal Binding)<\/h3>\n
8.2 8.2 Le probl\u00e8me de la liaison (Binding Problem) en psychologie cognitive<\/h3>\n
8.3 8.3 D\u00e9tection statistique d’activit\u00e9s coordonn\u00e9es non al\u00e9atoires dans le cortex<\/h3>\n
9. 9. La r\u00e9volution bay\u00e9sienne en sciences cognitives : L’h\u00e9ritage intellectuel de Geman<\/h2>\n
9.1 9.1 L’av\u00e8nement du \u00ab Cerveau bay\u00e9sien \u00bb (Bayesian Brain Hypothesis)<\/h3>\n
9.2 9.2 Applications \u00e0 la psychopathologie computationnelle<\/h3>\n
9.3 9.3 Prise de d\u00e9cision sous incertitude et biais cognitifs<\/h3>\n
10. 10. Controverses, d\u00e9bats \u00e9pist\u00e9mologiques et limites m\u00e9thodologiques<\/h2>\n
10.1 10.1 Le co\u00fbt computationnel de l’optimalit\u00e9 bay\u00e9sienne face \u00e0 l’imm\u00e9diatet\u00e9 cognitive<\/h3>\n
10.2 10.2 Tension entre le Deep Learning moderne et les mod\u00e8les explicites de Geman<\/h3>\n
10.3 10.3 Limites de la m\u00e9taphore thermodynamique en biologie de l’esprit<\/h3>\n
11. 11. L’impact p\u00e9dagogique et le mentorat \u00e0 Brown University<\/h2>\n
11.1 11.1 Une m\u00e9thodologie d’enseignement au carrefour des humanit\u00e9s et de la rigueur math\u00e9matique<\/h3>\n
11.2 11.2 Collaborations transdisciplinaires marquantes<\/h3>\n
11.3 11.3 Distinctions acad\u00e9miques et reconnaissance par la communaut\u00e9 scientifique<\/h3>\n
12. 12. H\u00e9ritage contemporain et perspectives d’avenir pour l’\u00e9tude de l’esprit humain<\/h2>\n
12.1 12.1 Vers une intelligence artificielle neuro-symbolique ancr\u00e9e dans les principes de Geman<\/h3>\n
12.2 12.2 La mod\u00e9lisation de l’imagination et de la cr\u00e9ativit\u00e9 humaine<\/h3>\n
12.3 12.3 La p\u00e9rennit\u00e9 d’une vision de l’esprit : L’alliance ind\u00e9fectible du sens et du hasard<\/h3>\n
R\u00e9f\u00e9rences<\/h2>\n
\n