{"id":18021,"date":"2026-10-16T07:21:16","date_gmt":"2026-10-16T07:21:16","guid":{"rendered":"http:\/\/french.arabpsychology.com\/theorists\/terry-sejnowski-1947-a-nos-jours\/"},"modified":"2026-10-16T07:21:16","modified_gmt":"2026-10-16T07:21:16","slug":"terry-sejnowski-1947-a-nos-jours","status":"publish","type":"psych_theorist","link":"https:\/\/french.arabpsychology.com\/?psych_theorist=terry-sejnowski-1947-a-nos-jours","title":{"rendered":"Terry Sejnowski – 1947 \u00e0 nos jours"},"content":{"rendered":"

L\u2019histoire des sciences cognitives et de l\u2019intelligence artificielle moderne est indissociable de la trajectoire intellectuelle de Terrence \u00ab Terry \u00bb Sejnowski<\/strong>. N\u00e9 en 1947, ce th\u00e9oricien et exp\u00e9rimentateur d\u2019exception a incarn\u00e9, plus de cinq d\u00e9cennies durant, la passerelle vivante entre la rigueur formelle de la physique statistique, la complexit\u00e9 foisonnante de la neurobiologie cellulaire et les promesses algorithmiques de l\u2019apprentissage automatique. Alors que la seconde moiti\u00e9 du XXe si\u00e8cle voyait s’affronter deux visions irr\u00e9conciliables de l’esprit \u2014 d’une part, le paradigme symbolique et computationnel issu de l’\u00e9cole de Turing et Newell, r\u00e9duisant la cognition \u00e0 des manipulations logiques de symboles abstraits, et d’autre part, un r\u00e9ductionnisme biologique souvent aveugle aux principes th\u00e9oriques du traitement de l’information \u2014, Terry Sejnowski a propos\u00e9 une troisi\u00e8me voie : celle des neurosciences computationnelles<\/a>.<\/p>\n

En co-inventant la machine de Boltzmann<\/a> aux c\u00f4t\u00e9s de Geoffrey Hinton<\/a>, en concevant le syst\u00e8me NETtalk<\/a> qui a sid\u00e9r\u00e9 la communaut\u00e9 acad\u00e9mique en apprenant \u00e0 prononcer l’anglais \u00e0 partir du texte brut, et en fondant la conf\u00e9rence NeurIPS<\/a>, Sejnowski n’a pas seulement anticip\u00e9 la r\u00e9volution actuelle de l’apprentissage profond (deep learning<\/em>) ; il a d\u00e9montr\u00e9 empiriquement que la structure m\u00eame du tissu nerveux porte en elle les r\u00e8gles fondamentales de l’apprentissage adaptatif, de l’auto-organisation et de l’intelligence. Son \u0153uvre pionni\u00e8re d\u00e9montre que les contraintes biophysiques r\u00e9elles du cerveau \u2014 loin d’\u00eatre de simples imperfections \u00e9volutives \u2014 sont pr\u00e9cis\u00e9ment les catalyseurs math\u00e9matiques qui rendent possible la robustesse ph\u00e9nom\u00e9nale de la perception et de l’action animale.<\/p>\n

\u00c0 travers ce parcours monumental, Terry Sejnowski s’est affirm\u00e9 comme l’un des penseurs les plus influents de l’\u00e9pist\u00e9mologie contemporaine des syst\u00e8mes complexes. Titulaire de la prestigieuse chaire Francis Crick au Salk Institute for Biological Studies<\/a> et professeur \u00e9m\u00e9rite \u00e0 l’Universit\u00e9 de Californie \u00e0 San Diego (UCSD), son \u0153uvre continue de fa\u00e7onner notre compr\u00e9hension des dynamiques corticales, des oscillateurs neuronaux, de la consolidation mn\u00e9sique durant le sommeil et des limites intrins\u00e8ques des architectures artificielles contemporaines. Cette monographie retrace de mani\u00e8re exhaustive l’itin\u00e9raire intellectuel, les d\u00e9couvertes de rupture, les engagements institutionnels et la vision philosophique d’un g\u00e9ant de la pens\u00e9e scientifique moderne.<\/p>\n

1. Introduction \u00e9pist\u00e9mologique et rep\u00e8res biographiques (1947 \u00e0 nos jours)<\/h2>\n

La trajectoire scientifique de Terry Sejnowski s’inscrit au sein d’une p\u00e9riode charni\u00e8re de l’histoire des sciences : celle o\u00f9 la physique th\u00e9orique a cess\u00e9 d’observer uniquement la mati\u00e8re inerte pour se pencher sur la mati\u00e8re organis\u00e9e, vivante et pensante. Sa biographie acad\u00e9mique illustre la f\u00e9condit\u00e9 d’une d\u00e9marche transdisciplinaire rigoureuse, guid\u00e9e par une ambition centrale : comprendre comment le cerveau produit l’esprit \u00e0 travers des dynamiques physiques distribu\u00e9es.<\/p>\n

1.1 Origines acad\u00e9miques et transition de la physique vers la neurobiologie<\/h3>\n

N\u00e9 \u00e0 Cleveland en 1947, Terry Sejnowski manifeste d\u00e8s sa jeunesse une inclination marqu\u00e9e pour les abstractions de la physique fondamentale et la manipulation des structures formelles. Il entreprend ses \u00e9tudes sup\u00e9rieures \u00e0 l’Universit\u00e9 Case Western Reserve<\/strong>, o\u00f9 il d\u00e9croche son dipl\u00f4me de premier cycle en physique en 1968. Durant ces ann\u00e9es de formation, il acquiert une ma\u00eetrise solide des \u00e9quations diff\u00e9rentielles, de l’\u00e9lectrodynamique classique et, par-dessus tout, de la m\u00e9canique statistique<\/em>. Cette derni\u00e8re discipline, d\u00e9velopp\u00e9e initialement par Maxwell, Boltzmann et Gibbs pour d\u00e9duire les propri\u00e9t\u00e9s thermodynamiques macroscopiques \u00e0 partir des micro-\u00e9tats de particules d\u00e9sordonn\u00e9es, constituera la matrice conceptuelle de toutes ses contributions ult\u00e9rieures.<\/p>\n

Admis \u00e0 l’Universit\u00e9 de Princeton<\/strong> pour son doctorat, Sejnowski se confronte aux d\u00e9veloppements les plus avanc\u00e9s de la physique th\u00e9orique. Cependant, la fin des ann\u00e9es 1960 et le d\u00e9but des ann\u00e9es 1970 marquent \u00e9galement l’essor de la biologie mol\u00e9culaire et les premiers balbutiements de la biophysique des membranes cellulaires, illustr\u00e9s par les \u00e9quations pionni\u00e8res d’Alan Hodgkin et Andrew Huxley<\/a>. L’\u00e9l\u00e9ment d\u00e9clencheur de son basculement intellectuel r\u00e9side dans sa rencontre avec John Hopfield<\/strong>, alors professeur de physique \u00e0 Princeton. Hopfield s’int\u00e9resse d\u00e9j\u00e0 aux processus biologiques comme des syst\u00e8mes d’\u00e9tats collectifs, ouvrant la voie \u00e0 ce qui deviendra la c\u00e9l\u00e8bre formalisation des r\u00e9seaux r\u00e9currents portant son nom.<\/p>\n

Sous la supervision indirecte de Hopfield et l’influence des neurobiologistes de Princeton, Sejnowski d\u00e9cide d’abandonner l’\u00e9tude des particules subatomiques pour se consacrer au calcul neuronal. En 1978, il soutient avec brio sa th\u00e8se de doctorat en physique, intitul\u00e9e A Stochastic Model of Non-Linear Processing in the Nervous System<\/em>. Ce travail pionnier ne se contente pas de plaquer arbitrairement des outils math\u00e9matiques sur des neurones id\u00e9alis\u00e9s : il formule les premi\u00e8res mod\u00e9lisations statistiques du traitement de l’information sous l’angle du bruit biologique et de la non-lin\u00e9arit\u00e9 membranaire. Sejnowski comprend alors que la convergence entre biophysique, m\u00e9canique statistique et psychophysique repr\u00e9sente le seul socle m\u00e9thodologique capable de percer le myst\u00e8re de l’\u00e9mergence cognitive.<\/p>\n

1.2 Positionnement au carrefour des neurosciences et de l’intelligence artificielle<\/h3>\n

Apr\u00e8s son doctorat, Sejnowski accomplit un s\u00e9jour postdoctoral d\u00e9terminant au sein du d\u00e9partement de neurobiologie de la Harvard Medical School<\/strong>, aux c\u00f4t\u00e9s de figures l\u00e9gendaires telles que Stephen Kuffler, David Hubel et Torsten Wiesel. Plong\u00e9 au c\u0153ur de la physiologie exp\u00e9rimentale, il apprend l’art minutieux de l’enregistrement \u00e9lectrophysiologique intracellulaire. Cette immersion lui conf\u00e8re un avantage th\u00e9orique immense sur ses contemporains informaticiens : il conna\u00eet intimement la r\u00e9alit\u00e9 biologique, les contraintes anatomiques de l’axone, le retard synaptique et la variabilit\u00e9 intrins\u00e8que des d\u00e9charges neuronales.<\/p>\n

Au d\u00e9but des ann\u00e9es 1980, Sejnowski est recrut\u00e9 au d\u00e9partement de biophysique de l’Universit\u00e9 Johns Hopkins<\/strong> \u00e0 Baltimore. C’est durant cette p\u00e9riode qu’il commence \u00e0 nouer des liens \u00e9troits avec la communaut\u00e9 montante des chercheurs connexionnistes, notamment \u00e9tablie sur la c\u00f4te Ouest autour de David Rumelhart et James McClelland \u00e0 l’Universit\u00e9 de Californie \u00e0 San Diego (UCSD)<\/strong>. Sejnowski r\u00e9alise que les th\u00e9oriciens de l’intelligence artificielle d’alors sont bloqu\u00e9s dans des abstractions g\u00e9om\u00e9triques na\u00efves ou des formalismes logiques st\u00e9riles, tandis que les neurobiologistes s’enferment dans une description purement taxonomique sans cadres unificateurs.<\/p>\n

En 1989, Terry Sejnowski franchit une \u00e9tape institutionnelle majeure en rejoignant simultan\u00e9ment le Salk Institute for Biological Studies<\/strong> \u00e0 La Jolla et le d\u00e9partement de neurosciences de l’UCSD. Au Salk Institute, il fonde le Laboratoire de Neurobiologie Computationnelle (CNL)<\/em>, un centre de recherche d’avant-garde con\u00e7u d\u00e8s le d\u00e9part pour abattre les fronti\u00e8res entre les simulations math\u00e9matiques et l’exp\u00e9rimentation biologique. Il s’y lie d’une amiti\u00e9 intellectuelle profonde avec Francis Crick<\/a>, le co-d\u00e9couvreur de la structure de l’ADN, qui a lui-m\u00eame r\u00e9orient\u00e9 ses recherches vers l’\u00e9lucidation neurobiologique de la conscience. Ensemble, Sejnowski et Crick plaident inlassablement pour que l’IA s’ancre dans les r\u00e9alit\u00e9s de l’anatomie c\u00e9r\u00e9brale et pour que la neurobiologie adopte la mod\u00e9lisation computationnelle comme m\u00e9thode de validation formelle.<\/p>\n

1.3 Vision programmatique : le cerveau comme syst\u00e8me dynamique complexe<\/h3>\n

L’\u00e9pist\u00e9mologie d\u00e9velopp\u00e9e par Terry Sejnowski s’articule autour d’un rejet cat\u00e9gorique du paradigme computationnel symbolique<\/em> classique, domin\u00e9 par le computationnalisme fonctionnaliste de Jerry Fodor et la m\u00e9taphore de l’ordinateur de von Neumann. Pour Sejnowski, le cerveau ne saurait \u00eatre assimil\u00e9 \u00e0 une unit\u00e9 centrale de traitement ex\u00e9cutant s\u00e9quentiellement des algorithmes pr\u00e9programm\u00e9s sur des donn\u00e9es symboliques passives. Le cerveau est avant tout un syst\u00e8me dynamique complexe non lin\u00e9aire<\/strong>, caract\u00e9ris\u00e9 par une interconnectivit\u00e9 massive, une r\u00e9cursivit\u00e9 ubiquitaire et une auto-organisation spontan\u00e9e.<\/p>\n

Dans ce cadre th\u00e9orique novateur, le traitement de l’information ne r\u00e9side pas dans l’\u00e9tat statique de variables symboliques, mais dans l’\u00e9mergence de patterns spatio-temporels d’activit\u00e9 collective<\/strong>. L’information est distribu\u00e9e \u00e0 travers des milliers, voire des millions de connexions synaptiques dont le poids relatif fluctue en permanence en fonction de l’exp\u00e9rience sensorielle et motrice. Sejnowski r\u00e9cuse le localisme na\u00eff \u2014 l’id\u00e9e d’un neurone sp\u00e9cifique codant un concept unique (\u00ab le neurone grand-m\u00e8re \u00bb) \u2014 au profit d’une dynamique de populations neuronales enchev\u00eatr\u00e9es.<\/p>\n

Pour operationaliser cette vision, Sejnowski formalise la n\u00e9cessit\u00e9 d’articuler en permanence les \u00e9chelles d’analyse<\/em>. Il d\u00e9montre que la cognition ne peut \u00eatre comprise en s’isolant \u00e0 un seul niveau de description : il faut imp\u00e9rativement relier l’\u00e9chelle mol\u00e9culaire des canaux ioniques et des r\u00e9cepteurs membranaires, l’\u00e9chelle cellulaire de l’arborisation dendritique, l’\u00e9chelle m\u00e9soscopique des colonnes corticales et des microcircuits locaux, jusqu’\u00e0 l’\u00e9chelle macroscopique des r\u00e9seaux corticaux \u00e0 grande distance et du comportement observable. L’apprentissage, dans cette perspective programmatique, cesse d’\u00eatre une proc\u00e9dure logique externe pour devenir le r\u00e9sultat in\u00e9vitable de l’ajustement dynamique des synapses, gouvern\u00e9 par des r\u00e8gles biophysiques locales capables de maximiser l’efficience informationnelle du syst\u00e8me entier.<\/p>\n

2. La r\u00e9volution connexionniste et la collaboration avec Geoffrey Hinton<\/h2>\n

Les ann\u00e9es 1980 constituent le th\u00e9\u00e2tre d’une renaissance spectaculaire des architectures de r\u00e9seaux neuronaux, rest\u00e9es en l\u00e9thargie relative depuis les critiques formul\u00e9es par Marvin Minsky et Seymour Papert en 1969. Terry Sejnowski va s’imposer comme l’un des strat\u00e8ges majeurs de ce renouveau, formant un bin\u00f4me l\u00e9gendaire avec le psychologue et informaticien britannique Geoffrey Hinton. Ensemble, ils vont jeter les bases th\u00e9oriques du connexionnisme stochastique.<\/p>\n

2.1 Gen\u00e8se et formulation de la machine de Boltzmann (1983-1985)<\/h3>\n

La collaboration entre Terry Sejnowski et Geoffrey Hinton s’est forg\u00e9e autour d’un d\u00e9fi math\u00e9matique majeur : comment entra\u00eener un r\u00e9seau de neurones artificiels comportant plusieurs couches (r\u00e9seaux multicouches) en pr\u00e9sence d’unit\u00e9s internes cach\u00e9es, sans recourir \u00e0 un superviseur dictant explicitement le comportement de chaque neurone interm\u00e9diaire ? Le perceptron monocouche de Frank Rosenblatt avait d\u00e9montr\u00e9 ses limites insurmontables face \u00e0 des fonctions logiques non lin\u00e9aires comme le OU exclusif (XOR). Hinton et Sejnowski r\u00e9alisent que la solution r\u00e9side dans l’importation directe des concepts de la thermodynamique statistique<\/strong> dans l’ing\u00e9nierie des r\u00e9seaux.<\/p>\n

Entre 1983 et 1985, ils con\u00e7oivent et formalisent la machine de Boltzmann<\/strong>. Il s’agit d’un r\u00e9seau r\u00e9current compos\u00e9 de neurones binaires interconnect\u00e9s de fa\u00e7on sym\u00e9trique, dont l’\u00e9tat bascule de fa\u00e7on probabiliste. Contrairement aux mod\u00e8les d\u00e9terministes qui restent irr\u00e9m\u00e9diablement pi\u00e9g\u00e9s dans des minima locaux de leur fonction d’erreur (ou de leur paysage \u00e9nerg\u00e9tique), la machine de Boltzmann utilise le bruit stochastique pour explorer l’ensemble de l’espace des configurations. L’\u00e9tat d’un neurone est d\u00e9termin\u00e9 par la distribution de probabilit\u00e9 logistique, directement d\u00e9riv\u00e9e de la m\u00e9canique statistique :<\/p>\n

La probabilit\u00e9 $P_i$<\/span> pour que l’unit\u00e9 $i$<\/span> prenne l’\u00e9tat 1 d\u00e9pend de l’\u00e9cart d’\u00e9nergie $\\Delta E_i$<\/span> induit par ce basculement, modul\u00e9 par un param\u00e8tre analogue \u00e0 la temp\u00e9rature physique $T$<\/span> :<\/p>\n

P(s_i = 1) = frac{1}{1 + exp(-Delta E_i \/ T)}<\/p>\n

En employant l’\u00e9chantillonnage de Gibbs<\/em> et la technique du recuit simul\u00e9 (simulated annealing<\/em>), introduite par Kirkpatrick et al., Hinton et Sejnowski d\u00e9montrent que le r\u00e9seau peut progressivement r\u00e9duire sa temp\u00e9rature globale pour converger asymptotiquement vers l’\u00e9tat fondamental, c’est-\u00e0-dire vers les minima globaux d’\u00e9nergie libre. Cette perc\u00e9e formelle efface d\u00e9finitivement le scepticisme de Minsky et Papert en prouvant la viabilit\u00e9 math\u00e9matique des repr\u00e9sentations internes distribu\u00e9es au sein de couches cach\u00e9es.<\/p>\n

2.2 Algorithme d’apprentissage et m\u00e9canismes probabilistes<\/h3>\n

L’apport le plus r\u00e9volutionnaire de la machine de Boltzmann r\u00e9side dans son algorithme d’apprentissage probabiliste<\/strong>. Hinton et Sejnowski d\u00e9couvrent une r\u00e8gle de mise \u00e0 jour des poids synaptiques d’une \u00e9l\u00e9gance conceptuelle absolue, articul\u00e9e autour de deux phases temporelles distinctes :<\/p>\n