Version classiqueVersion mobile

Culture et paradigme informatique

 | 
Pierre Mœglin

Les fonctions cognitives de la machine univers

Claude Meyer

Texte intégral

1La machine univers est-elle seulement un dispositif électronique capable d’effectuer des opérations arithmétiques élémentaires, une grosse calculatrice qui se différencierait de cette dernière par la possibilité de stocker instructions et données en mémoire ?

Si les êtres mathématiques sont convenablement représentés par des éléments physiques, et les règles de combinaison parfaitement précisées, nous apercevons immédiatement la possibilité de mécaniser et d’automatiser les calculs (MU : 72).

2Une machine rigide qui, si « une virgule est en moins ou mal placée » fait que « le programme ne fonctionne pas comme il faut » (MU : 72).

3Assurément non, et Pierre Lévy l’a fort bien compris, la machine univers est aussi capable d’effectuer des calculs logiques, opérations de comparaison, de conjonction, de disjonction et d’inférences sur des données non numériques. L’ordinateur interpelle la connaissance humaine si l’on sait en représenter les objets. Il émerge comme une occurrence de la machine universelle de Turing restructurant les lieux d’émergence, instituant paradigme calculatoire, le champ des fonctions cognitives, c’est-à-dire les fonctions symboliques qui organisent et règlent les rapports d’un humain ou d’une collectivité humaine à son environnement. Nous nommons « machines cognitives » l’application de la « machine univers » au domaine de la connaissance.

Les machines cognitives

4Les machines cognitives sont des machines qui, en simulant mécaniquement certaines fonctions cognitives appliquées à des représentations symboliques (concepts, images, procédures) opèrent des transformations sur la représentation que l’homme se fait du réel, par des procédés divers relevant de processus cognitifs. On distingue généralement trois catégories de processus cognitifs : l’acquisition, la production et la manipulation de connaissances. Pour l’instant les machines cognitives ne sont opérationnelles que dans cette troisième catégorie, remplissant des fonctions de stockage, de représentation, de traitement, d’organisation, de transmission enfin. L’électronique ouvre des possibilités nouvelles que ne permettaient pas les anciens supports de l’information : rapidité et capacité de traitement, flexibilité des opérations, interconnexion des systèmes en réseaux.

5Les machines cognitives étendent ainsi le domaine des machines à certaines activités intellectuelles jugées jusque-là comme spécifiquement humaines.

6En fait, si l’homme reste le concepteur des messages et des programmes, il n’en demeure pas moins que, objets techniques, les machines cognitives véhiculent avec elles la puissance des machines et la rationalité du monde industriel. Par conséquent, elles étendent la rationalité technique et industrielle à l’univers symbolique, à l’univers de la connaissance et du savoir.

7Dans les pages suivantes nous considérerons les termes « connaissance » et « savoir », comme synonymes. Le savoir peut être pris soit comme une maîtrise des procédures d’action sur un objet (savoir-faire, savoir procédural, etc.) soit comme une connaissance des caractères d’un objet. La question est alors de savoir quelle est la part de simple enregistrement et quelle est la part de construction dans l’acquisition d’un savoir.

  • 42 Sperber 1974.

8Cette question est d’importance puisqu’elle est de nature à différencier les opérations de mémorisations d’opérations qualifiées d’intelligentes chez l’homme. À ce propos Dan Sperber, anthropologue, distingue le savoir explicite du savoir tacite. Le savoir explicite pourrait être en principe appris par cœur. Il ne témoigne directement que des limites quantitatives des capacités humaines de mémorisation. C’est un savoir que l’humain ou les machines peuvent enregistrer. Le savoir tacite relève de l’intuition « ce sont les jugements que les membres d’un groupe culturel expriment systématiquement sans développer l’argument qui les fonde »42.

9Quelle est la nature de ce type de savoir et quel est le rapport à l’explicite ? Cette question est au cœur de la recherche cognitive en intelligence artificielle. C’est elle que l’on rencontre lorsque l’on construit un système expert avec un expert humain. Comment ses connaissances sont-elles représentées ? Comment le système expert élabore-t-il des suppositions plausibles ? L’action de l’humain avec son corps propre a sans nul doute un rôle important. Rappelons à ce sujet la contribution importante de la psychologie génétique : Bärbel Inhelder et Hermine Sinclair ont montré que la structure première du langage et la structure universelle de sa syntaxe sont des prolongements de la structure d’action. Les schématisations sensori-motrices fournissent à l’enfant une heuristique lui permettant d’aborder les structures syntaxiques et dialogiques de la langue. La langue, production collective est donc apprise par l’enfant à partir d’une structure construite avec son corps propre. Cette langue naturelle est certes un moyen de communication mais c’est aussi le support de la pensée et un système symbolique de représentation.

10L’étude des machines cognitives interpelle donc non seulement les dispositifs cognitifs apparentés à la logique mais aussi ceux qui sont apparentés au symbolisme considéré, à la suite de Dan Sperber, comme :

  • 43 Sperber 1974.

[…] un dispositif autonome qui, à côté des mécanismes de perception et du dispositif conceptuel, participe à la constitution du savoir et au fonctionnement de la mémoire43.

11Comment des machines électroniques, sans corps, donc sans possibilité de disposer d’une pragmatique, peuvent-elles manipuler des connaissances ? La réponse à cette question s’articule autour de trois pôles : représentation des connaissances, compréhension et raisonnement, ouvrant sur l’hypothèse des mondes diégétiques.

Représenter des connaissances

Connaissances procédurales, connaissances déclaratives

12Alors que la structuration des données relève de l’informatique traditionnelle, la représentation des connaissances est l’objet de recherches en intelligence artificielle. Les spécialistes de cette discipline distinguent désormais deux grandes classes : les connaissances procédurales et les connaissances déclaratives.

13Le petit monde de l’intelligence artificielle, tel qu’il était encore voici quelques années, avait été agité à ce propos par une querelle byzantine qui n’était pas sans rappeler la querelle des universaux au Moyen Âge. Depuis lors, les choses sont rentrées dans l’ordre et l’on admet couramment la distinction entre ces deux classes.

14Les connaissances déclaratives sont indépendantes du programme d’exécution alors que dans le mode procédural les connaissances sont obtenues au terme du fonctionnement de la procédure. En fait, pour l’instant, l’indépendance des connaissances déclaratives par rapport au programme est essentiellement une indépendance d’ordre : on peut entrer les connaissances déclaratives dans n’importe quel ordre. Elles seront ensuite exécutées par le programme, généralement un démonstrateur de théorèmes. Les connaissances procédurales contiennent intrinsèquement leur mode d’emploi. Elles sont organiquement liées au programme. Les plus simples d’entre-elles sont d’ailleurs les programmes eux-mêmes qui représentent un certain savoir-faire. On distingue plusieurs types de formalisation :

Les règles de production

15Une règle de production est un couple situation/action. Chaque fois qu’une situation est reconnue (prémisse ou partie gauche de la règle) l’action est exécutée (partie droite de la règle). Une prémisse peut être constituée de plusieurs propositions. La valeur de vérité de la prémisse est alors obtenue par une table de vérité. Souvent l’action à entreprendre est une conclusion à tirer. Mais ce n’est pas toujours le cas. Chaque règle est indépendante, une règle ne peut jamais en appeler une autre. On trouve de nombreux exemples de règles de production dans la littérature spécialisée. Ce mode de représentation modulaire, flexible, facilement lisible, permet aussi de détecter certaines régularités et, par conséquent, permet des débuts de généralisation. Mais les règles de production présentent l’inconvénient d’une certaine lourdeur d’expression et d’exécution. Les réseaux sémantiques sont plus complexes.

Les réseaux sémantiques

16Leur première utilisation date de 1968 et est introduite par Quillian puis par Raphael. Un réseau sémantique constitué de nœuds reliés par des arcs est le moyen de représenter de façon déclarative les connaissances des relations entre entités. En général les nœuds représentent des objets, des concepts et les arcs des relations entre les concepts. La relation la plus classique est la relation d’appartenance (est un).

17Ce type de représentation convient particulièrement à des taxinomies, systèmes de classes emboîtées. Il est nécessaire, dans l’héritage des propriétés, de prévoir des relations de spécialisation pour garantir la validité du raisonnement sur les concepts sinon on risque, de par la forme même du raisonnement, d’aboutir à des conclusions fausses.

Les représentations mixtes ou objets structurés

  • 44 Shank & Abelson 1977.
  • 45 Minsky 1974.
  • 46 Barnett 1977.
  • 47 Bobrow & Winogradt 1977.

18Elles correspondent à une extension des réseaux sémantiques. On trouve ici différentes techniques, différentes appellations : scripts44, frames45, schémas46, prototypes47. En fait ce sont les formes qui varient, l’idée de fond étant la même. Il s’agit de stéréotyper une situation et d’en donner une représentation générale qui sera particularisée par instanciation de variables, des valeurs par défaut pouvant être affectées en l’absence d’autres informations. Certaines variables sont à demander à l’utilisateur, d’autres peuvent être inférées à l’aide de procédures spécifiques appelées domestiques, d’autres enfin provoquent des inférences dès qu’elles sont remplies.

19Le script ou scénario est un stéréotype qui décrit une suite d’actions effectuées par un acteur dans une situation définie avec précision mais pas nécessairement non ambiguë. L’exemple type de la littérature est celui donné par Shank : aller au restaurant. On peut admettre que les comportements d’accès au restaurant sont automatiques : ouvrir la porte, s’approcher d’une table, s’asseoir, consulter la carte, etc. Les comportements réfléchis, relativement restreints (choix du menu, choix du vin) sont eux-mêmes à investissements intellectuels relativement faibles sauf… si l’on est un fin gourmet ! Par exemple on ne boit pas de vin rouge avec du poisson, ou on ne boit pas de vin blanc avec de la viande rouge, etc. Ces choix sont dictés pour la plupart des gens par des règles. On peut ainsi très bien imaginer de stéréotyper le scénario sous une forme de suite d’actions élémentaires qui se reproduisent pratiquement toujours. Pour particulariser la situation, il suffira d’instancier les variables du cadre et prévoir une instanciation par défaut dans le cas d’une non­instanciation par l’utilisateur du système. Les scénarios sont ainsi utilisés pour représenter des connaissances de culture courante et généralement liées à des comportements automatiques.

20Les frames ont été proposées par Minsky, au milieu des années 1970. Elles se différencient des scénarios non pas parce qu’elles décrivent des séquences d’actions mais les propriétés d’objets et leurs interrelations à un niveau suffisamment général pour qu’elles puissent être utilisées avec des objets différents. Sur le plan structural, elles sont proches des réseaux sémantiques. Ainsi, en se reportant à l’exemple de réseaux sémantiques que nous avons pris, on précisera pour le nœud « oiseau » les propriétés de celui-ci dans une démarche proche de la définition en compréhension d’un concept. Mais à la différence d’un réseau sémantique, les frames possèdent un ensemble de procédures. Ces procédures contiennent des informations sur la façon d’instancier le cadre et peuvent éventuellement prendre en charge cette opération.

Les langages d’acteurs

  • 48 Ferber 1982.

21Alan Kay et Carl Hewit sont à l’origine d’un autre concept, celui de langages d’acteurs. Partant de Simula, langage dérivé d’Algol écrit pour répondre à des besoins de simulation, ces auteurs eurent selon Jacques Ferber « une idée géniale : pourquoi ne pas considérer les programmes comme une vaste collection d’objets qui s’envoient des messages et se répondent mutuellement ? »48. C’est ainsi que sont nés Smalltalk et Plasma qui, toujours selon Ferber,

font exploser les concepts traditionnels de programmation. Écrire un programme revient à décrire des classes d’entités avec leurs propriétés et leurs comportements particuliers.

22Pour le grand public l’application la plus spectaculaire est sans doute la classe « fenêtre » de Smalltalk encore appelée « multifenêtrage dynamique ».

Le calcul des prédicats

23Utilisé pour la première fois par Mac Carthy en 1958, la logique des prédicats est surtout en usage dans les démonstrateurs de théorème, système déductif par excellence. Elle est dans ce domaine particulièrement précieuse. Les prédicats peuvent représenter des relations sur des arguments, ceux-ci peuvent être soit des constantes, soit des variables. Un tel système logique paraît séduisant. Il permet en effet, d’exprimer pratiquement un grand nombre d’assertions à propos du réel. De par son formalisme, il est aisément calculable par des machines. Mais ce système est limité dans la mesure où il postule une hiérarchie conceptuelle reposant sur un système de relation d’inclusion et d’exclusion de classe, une représentation taxinomique du monde. Il est inapte à exprimer des relations telles que : le cube bleu est entre le cube blanc et le cube vert.

24C’est pourquoi la logistique moderne parle en termes d’arguments et de fonctions plutôt qu’en termes attributifs. Ainsi la fonction f(x) (être mortel) est saturée par un argument ; la fonction f(x,y) (être plus grand que) est saturée par deux arguments ; la fonction f(x,y,z) (être situé entre … et …) est saturée par trois arguments.

25Cette question est inégalement traitée dans La Machine Univers.

26L’histoire en est absente. Elle est pourtant d’importance puisqu’elle est l’expression, au début des années 1960, du glissement épistémique qui transforme « l’ordinateur super calculette » en machine symbolique grâce, en particulier, aux travaux de Mac Carthy et la mise au point de LISP. Par contre la filiation LISP, logique moderne me semble bien commentée par Lévy, pour autant que je puisse en juger notamment par la mention du « Lambda calcul de Church ».

27Par contre, l’approche de la notion de langage formel me semble intéressante et la comparaison avec « un mécanisme concernant des lettres et des suites de caractères au lieu de poulie et d’engrenages » particulièrement pertinente (MU : 32). Elle situe historiquement l’ordinateur dans la longue problématique des automates.

28Le paragraphe relatif à l’évolution actuelle des langages qu’ils soient déclaratifs, orientés objet, ou iconiques est juste. L’évolution esquissée vers des systèmes sophistiqués et interactifs de représentation est tout à fait fondée grâce, notamment, à la contribution déterminante dans ce domaine de l’intelligence artificielle. L’avionique, dont l’auteur ne fait que mention, en est un bon exemple qui illustre parfaitement le concept de représentation tel qu’il a été défini par Jean Ladrière c’est-à-dire d’une part la mise en présence de l’objet signifiant et d’autre part la vicariance. Ce qui nous amène à évoquer les paragraphes relatifs à la conception, à la simulation et à la modélisation qui nous semblent honnêtes (en références aux travaux de Jacques Hebenstreit par exemple). Mais, Lévy n’approfondit pas suffisamment la question des langages objets dans une perspective de compréhension de situation par des machines.

Peut-on parler de compréhension ?

29Littéralement comprendre signifie « prendre avec ». Le processus de compréhension chez l’humain se manifeste par des conduites de comparaison d’une situation ou d’une connaissance déjà connue à une situation ou une connaissance nouvelle. Dans une certaine mesure, comprendre c’est rattacher ce qui est à comprendre à du similaire, du « déjà compris ». Ce que Jean Piaget appelait l’assimilation qui, dans le processus de compréhension, précède l’accommodation, c’est-à-dire l’éventuelle réorganisation du système de connaissance en fonction des nouvelles connaissances assimilées. Au niveau de la machine, l’activation du bon cadre, la prise en compte du contexte simplifié sont sans nul doute des processus rustiques de compréhension.

30Mais l’inclusion nécessaire à la compréhension est-elle suffisante ? La réponse à cette question en appelle d’autres auxquelles il est bien difficile de répondre à l’heure actuelle : qu’est-ce que l’appropriation d’une connaissance et surtout qu’est-ce que le sens ? Quelles relations la construction du sens entretient-elle avec la construction de l’espace et du temps ?

31Pour l’instant, les théories scientifiques ne proposent pas de réponses à ces questions qui restent du domaine de la spéculation métaphysique, que nous éviterons présentement, et à laquelle nous préférerons l’étude des raisonnements.

Les raisonnements

32Jusqu’à une époque récente la question cognitive du raisonnement était presque toujours limitée aux raisonnements scientifiques, c’est-à-dire au raisonnement déductif et au raisonnement inductif. Le développement des machines cognitives a amené à étendre l’étude des raisonnements non seulement aux raisonnements approchés mais aussi aux raisonnements naturels. On a ainsi réactualisé l’ancienne rhétorique que l’on croyait définitivement oubliée alors que les logiciens, interpellés par les spécialistes d’intelligence artificielle, se penchaient à nouveau sur l’analogie et les raisonnements non formels.

  • 49 Polya 1965.

33Les observations conduites sur des individus en état de résolution de problèmes ont montré que ceux-ci étaient loin de suivre fidèlement l’algorithme de résolution. Ils développent des heuristiques49 souvent proches de la métis, sorte de forme d’intelligence résultant de conduites complexes incluant des comportements intellectuels, des attitudes mentales, des habiletés opératoires, etc. La question des raisonnements ne peut ainsi se réduire à la seule question des raisonnements formels que nous allons voir maintenant.

Les raisonnements formels

34Le raisonnement déductif est d’après Lalande :

  • 50 Lalande 1926 : 679.

une opération par laquelle on montre qu’une ou plusieurs propositions (prémisses) impliquent une autre proposition (conclusion) ou du moins rendent celle-ci vraisemblable50.

35C’est le raisonnement des sciences dites exactes.

36Un raisonnement déductif procède de façon extensionnelle, c’est-à-dire que l’on peut prévoir tout ce qui va se passer dans le déroulement de ce raisonnement. Sa validité dépend de sa forme et non de son contenu. Les programmes informatiques capables de réaliser des raisonnements déductifs s’appellent des moteurs d’inférence. Ils ont pour origine les démonstrateurs de théorèmes, programmes écrits dès le début de l’intelligence artificielle. De conception procédurale, les moteurs d’inférence marquent un progrès considérable dans la programmation. Ils consacrent la séparation entre la partie purement informatique et les connaissances qui peuvent ainsi être déclarées par l’utilisateur. Les connaissances peuvent être facilement réactualisées, puisqu’elles ne sont plus liées organiquement au programme.

37De façon quelque peu simpliste, on peut admettre qu’un système expert est constitué d’un mécanisme de raisonnement, d’une base de connaissance et d’une base de fait. Le moteur d’inférence sert à déclencher des règles et à les enchaîner les unes aux autres au cours d’une boucle de calcul que l’on appelle généralement « cycle de résolution ». La grosse question est celle du temps de calcul car le système est amené à traiter de 400 à 900, voire 1 000 règles. À titre indicatif, un moteur d’inférence sous LISP ou Prolog effectue environ 10 inférences par seconde. Cette valeur indicative ne prend pas en compte les calculs de plausibilité souvent nécessaires. C’est pourquoi le travail du moteur d’inférence est préparé par une restriction des règles à examiner soit par un choix des règles dans un domaine spécifique de la base de connaissance – si cela est prévu – soit par l’application de métarègles.

38La base de connaissances est totalement séparée du mécanisme d’exploitation. Cette connaissance provient d’un expert humain ayant une grande expérience dans un domaine restreint : le domaine d’expertise. Les humains sont la source de la connaissance. Ce qui signifie qu’il convient de ne pas se laisser abuser par les discours peu scrupuleux d’hommes de marketing ou de certains scientifiques. La qualité de l’expertise d’un système provient avant tout de la pertinence des connaissances de l’expert humain.

39La base de faits est construite par l’utilisateur lorsqu’il déclare au système une suite de faits sur lesquels le système va opérer un raisonnement. En fait, il s’agit d’une mise en correspondance de la base de connaissance effectuée généralement grâce à une technique solidement éprouvée appelée filtrage, pattern-matching ou unification. Le filtrage est la capacité d’unifier des termes considérés comme variables avec d’autres considérés comme constants.

  • 51 Feigenbaum 1977.

40Les moteurs d’inférences peuvent parcourir des systèmes de représentation de connaissances en chaînage avant ou en chaînage arrière. Le « goulot d’étranglement »51 de l’explosion combinatoire a amené les chercheurs à développer non seulement des métarègles mais aussi des heuristiques. Il s’agit de règles de choix automatiques qui évitent une application exhaustive de l’algorithme.

41Depuis les premières recherches sur l’automatisation de la résolution de problèmes, certaines heuristiques sont devenues des classiques (procédure minimax, procédure Alpha-béta, heuristique du tueur). Malgré les progrès réalisés, il faut éviter tout messianisme techniciste. Ce qui n’est pas le cas de Lévy. Les systèmes experts connaissent des limites qui sont relatives :

  • aux types de connaissances. Les applications ne sont pertinentes que dans les domaines où les connaissances ont été largement décrites, quantifiées et compilées (médecine clinique, géologie, chimie, physique nucléaire) ;

  • à la taille des bases de connaissances. On ne sait pas construire, gérer, actualiser de grandes bases de connaissances ;

  • à un manque de développement de langages pour la représentation des connaissances et de leur relation ;

  • à l’austérité des modules explicatifs qui, sur certains systèmes, peuvent justifier le raisonnement. Cette austérité ne facilite pas l’interfaçage entre l’être humain et la machine ;

  • au problème du raisonnement même. En effet, les raisonnements déductifs, parfaitement tautologiques sont les seuls que l’on sache vraiment simuler sur une machine digitale. Une machine obéit à une logique abstraite qui existe rarement dans la vie réelle. C’est tout le problème du sens commun. Mais écoutons Terry Winograd :

  • 52 Winograd 1983.

Raisonner selon le sens commun diffère de la logique mathématique formelle en ce qu’il est nécessaire de tirer des conclusions à partir d’informations incomplètes. En mathématiques, on n’accepte pas une conclusion si elle ne peut pas être « prouvée » selon les règles de déduction et les axiomes posés au départ. Dans la vie réelle, nous sommes confrontés aux limites de notre connaissance et à la nécessité d’agir. Nous acceptons sans arrêt des conclusions dont nous n’avons pas la preuve, mais qui semblent « plausibles »52.

  • 53 Minsky 1974.

42Le sens commun nous permet de jouer des ambiguïtés de la langue, de métaphores… Les systèmes experts, eux, raisonnent formellement dans un micromonde, c’est-à-dire dans une sorte de représentation formelle d’une fraction du monde. De l’aveu même de Minsky « le raisonnement logique est plus approprié pour afficher ou confirmer les résultats de la pensée que pour penser »53. La logique classique exclut toute contradiction. C’est pourquoi de nombreuses recherches ont lieu actuellement pour simuler les raisonnements approchés que sont le raisonnement inductifs, le raisonnement par analogie et les raisonnements naturels tels qu’on les trouve sous-jacents au langage courant (généralisation argumentative, raisonnement non monotone, etc.).

43Ces problèmes ont conduit les chercheurs en intelligence artificielle à construire des modèles de raisonnement approchés permettant de prendre en compte des connaissances imprécises ou incertaines. Il s’agit essentiellement d’outils mathématiques issus de la théorie des possibilités et des nécessités (logique modale) ou d’outils logiques permettant d’utiliser le modus ponens ou le modus tollens lorsque les prémisses sont incertaines ou imprécises (logique floue).

Les raisonnements naturels

  • 54 Grize 1984.

44Les raisonnements naturels font pour leur formalisation implicitement appel à la logique naturelle que Jean-Blaise Grize définit comme « le système des opérations de pensée qui permettent à un sujet locuteur en situation discursive de proposer des représentations à un auditoire en vue d’obtenir certains effets »54. Ce sont des discours d’action. Les raisonnements non formels reposent selon Grize « sur les deux composantes fondamentales des langues naturelles : le dialogisme et des objets qui se transforment ». De tels raisonnements peuvent être identifiés par l’emploi de termes tels que « or, mais, par ailleurs, en conséquence ». Ils dénotent que le raisonnement exploite les possibilités des langues naturelles. De tels raisonnements dont les objets se transforment ne postulent jamais l’extensionalité,

  • 55 Grize 1984.

tout discours, toute activité schématisante est une organisation dynamique qui se construit peu à peu et qui, progressivement, développe les outils de sa propre élaboration. Langue et métalangue sont activement complices55.

45Ces questions, tout comme la logique floue, font actuellement l’objet de nombreuses recherches en relation étroite avec les questions liées à l’interfaçage en langue naturelle des systèmes artificiels, glissant d’une problématique de raisonnement à une problématique de communi-cation. Le développement des machines cognitives interroge donc l’image que l’homme se fait de lui­même et en cela entraîne, comme nous l’avons vu, des incidentes quasiment métaphysiques.

46L’informatique, et de façon plus générale les machines cognitives, induisent un nouveau rapport à l’expérience, expérience devant être entendue ici au sens large des rapports de l’humain au réel.

47La machine univers invite à une approche cognitive de l’anthropologie. Il faudra, en effet, pouvoir étudier les incidentes culturelles de la médiatisation du réel par les machines. Quelles modifications de notre représentation de l’espace, du temps, de la causalité leur usage va-t-il entraîner ? Ne risque-t-on pas d’assister à un glissement des contraintes du réel aux contraintes de la machine ? Cette question est clairement exprimée page 133 de La Machine Univers :

le réel est ici pratiquement appréhendé comme un modèle parmi une prolifération de modèles possibles, alors que l’ancienne physique était censée partir uniquement de résultats réels pour dégager le modèle sous-jacent qui les rendait cohérent.

48Et toujours page 133 : « le calcul laisse prévoir, suscite des hypothèses, donne plus de poids à certaines conjectures, il n’explique pas ».

49Ce glissement des contraintes du réel vers celles de la représentation s’observe assez fréquemment chez certains intellectuels donnant des discours où l’ordinateur apparaît comme une sorte de langage dégagé de toute contrainte physique. À ce niveau, on boucle, faute de données factuelles suffisantes et fiables. On se laisse aller aux délices de la spéculation en attente d’hypothèses susceptibles d’ouvrir le champ de l’expérience. Pour ma part, en conclusion, je risquerai une hypothèse : celle des univers diégétiques.

Les univers diégétiques

  • 56 Oudart 1971 : 43-45.
  • 57 Oudart 1971 : 43-45.

50Dans la poétique d’Aristote, la diégésis désigne une action qui est rapportée par un témoin extérieur à l’action. La diégésis se différencie en cela de la mimésis qui est une action devant le public. Le terme a été repris par les sémiologues qui se sont attachés à l’étude du cinéma pour comprendre comment le film construit un univers qui, pour le spectateur, tient lieu de réel sans pour autant reproduire, copier celui-ci. Christian Metz a ainsi montré qu’il y a un double travail du texte iconique : celui-ci naturalise la diégèse, c’est-à-dire, selon Oudart, « transforme le signifiant fragmentaire, plans et séquences en illusions d’univers homogènes et continus » et d’autre part « verse dans cet univers les opérations et le discours de l’énonciation »56. Les sous-codes du montage articulent l’espace et le temps entre deux plans, deux séquences « Ils renvoient à une logique de la suture, cette logique de la suture permettant le passage du discontinu au continu »57.

51Il est probable que la culture électronique possède comme une de ses caractéristiques fondamentales d’offrir à l’humain la possibilité de « se brancher » à différents systèmes de représentation plus ou moins intelligents, plus ou moins interactifs qui lui permettent d’entraîner ses propres activités intellectuelles. Ces systèmes de représentation nous les nommons, à la suite de Minsky et Papert, des micromondes, qu’ils soient analogiques ou digitaux.

  • 58 Winograd 1983.

52En 1970 Winograd met au point un programme orienté vers la compréhension du langage naturel appelé SHRDLU. Ce programme simule un bras de robot susceptible de manipuler des blocs de formes et de couleurs diverses. L’interfaçage entre le programme et l’utilisateur est d’ordre dialogique, SHRDLU étant, de l’aveu même de Winograd, « capable de comprendre la langue anglaise dans un domaine circonscrit »58. Ce domaine circonscrit sera quelques mois plus tard défini par Minsky et Papert.

  • 59 Dreyfus 1984.

Chaque micromonde est très schématique en soi. Il s’agit en quelque sorte d’un univers imaginaire en réduction et dans lequel les choses sont tellement simplifiées que l’on ne peut pratiquement rien dire d’elles qui ne serait faux ou inexact, transposé dans le monde réel59.

  • 60 Boole 1854.

53Un micromonde peut être analysé en termes déjà connus, c’est-à-dire en termes d’objets, d’attributs qui sont les propriétés de ces objets, de relations entre objets. Il est possible d’énoncer des règles combinatoires et par conséquent de définir une grammaire qui soit l’expression d’une logique sous-jacente. Un tel système de représentation est calculable selon la définition que George Boole donnait du calcul, c’est-à-dire « une méthode fondée sur l’emploi de symboles, dont les lois de combinaison sont connues et générales, et dont les résultats permettent une interprétation cohérente »60. Ce qui nous renvoie à la mécanique newtonienne. En effet dans la mécanique newtonienne on peut calculer, connaissant l’état d’un système à un instant donné et la logique qui le régit, l’état de ce système à n’importe quel moment futur ou passé. Une collection de plusieurs micromondes constitue un univers diégétique, un univers diégétique nous donne ainsi à voir un monde mécanisé, un monde d’ordre parfaitement déterministe, celui du dieu horloger et mécanicien du père Mersenne.

54Les univers diégétiques se substituent progressivement au réel comme lieu d’expérience des humains. Lévy a donc raison de poser la question des enjeux ainsi dégagés. « Sur le versant ontologique », en instituant « l’homme­système de traitement de l’information », en le rapprochant ainsi de la machine électronique, le cognitivisme réifie l’image de l’être humain considéré comme une mécanique, un agencement accessible à l’analyse.

55Le modèle du système de traitement de l’information est celui d’un cerveau sans vie, sans émotion, mutilé, dont il ne reste que les aires d’associations corticales : une machine digitale. Ce qui permet en retour de faire prévaloir la conception matérialiste de l’intelligence énoncée par Gödel, Turing ou par Church et reprise dans les années 1960 par Newel et Simon. Ces deux auteurs formulent l’hypothèse que quel que soit le système de traitement symbolique utilisé, cerveau ou ordinateur, celui-ci dispose des moyens nécessaires et suffisants pour effectuer des actions intelligentes puisque ces symboles peuvent être associés à des structures plus vastes et transformés à l’aide d’un ensemble fini de procédures de base.

56Cette question est posée par Lévy dès la page 23 à propos de la conception assistée par ordinateur :

Pour que les efforts des programmateurs puissent s’appliquer, il fallait au préalable que l’intelligence humaine fût considérée comme un processus mécanisable. Une fois cela posé, on construisit des mécanismes réels qui remontèrent lentement à l’intérieur de cette activité cognitive jusqu’à simuler presque totalement.

57Des auteurs actuels comme Papert ou Hoffstadter n’hésitent pas à affirmer que, dans un avenir relativement proche, nous verrons fonctionner des machines plus intelligentes que l’homme.

58Comme le note Lévy, le néomécanisme tend à devenir le paradigme dominant. S’il est contestable, ce que je pense, encore faut-il donner au lecteur les moyens de le faire. Aussi, je regrette que la question cognitive soit traitée trop succinctement. J’aurais aimé la voir mieux discutée tant sur le plan des raisonnements que sur celui de la représentation des connaissances.

Bibliographie

Bibliographie

Barnett George, 1977, « Bilingual Semantic Organization », Journal of Cross Cultural Psychology, 8, p. 315-330.

Belisle Claire (dir.), 1984, Les Savoirs dans les pratiques quotidiennes, Paris, CNRS.

Bobrow G. Daniel & A. Terry Winograd, 1977, « An Overview of KRL, a Knowledge Representation Language », Cognitive Science, 1, p. 2-46.

Bonnet Alain, 1984, L’Intelligence artificielle. Promesses et réalités, Paris - InterÉditions.

Boole Georges, 1854, An Investigation of the Laws of thought, London, Walton & Maberly.

Borillo Mario, 1983, Représentation des connaissances et raisonnement naturel, Paris, Presses universitaires de France.

Chomski Noam, 1957, Syntactic Structures, La Haye, Mouton.

Denis Michel, 1979, Les Images mentales, Paris, Presses universitaires de France.

Di Sessa Andrea, 1982, « Unlearning Aristotelian Physics: A Study of Knowledge Based », Cognitive Science, 6, p. 37-75.

Dreyfus Hubert, 1984, Intelligence artificielle : mythes et limites, Paris, Flammarion.

Dubois Didier, 1986, Modèles logiques et raisonnement dans l’incertain, colloque d’Aix les Bains.

Feigenbaum Edward, 1977, The Art of Artificial Intelligence 1: Themes and Case Studies of Knowledge Engineering, Stanford, Stanford University.

Ferber Jacques, 1982, articles sur l’intelligence artificielle parus dans Micro Systèmes, à partir de 1982.

Gochet Paul, 1983, communication à l’école d’été sur la linguistique pour les informaticiens, Toulouse, université Paul Sabatier.

Grize Jean-Blaise, 1984, communication à l’école d’été CNRS sur l’inférence, Toulouse, université Paul Sabatier.

Hofstadter Douglas, 1985, Gödel Escher Bach, Paris, InterÉdition.

Lalande André, 1926, « Raisonnement », in Vocabulaire technique et critique de la philosophie, Paris, Presses universitaires de France, p. 679.

Mieville Denis, 1984, communication à l’école d’été CNRS sur l’inférence, Toulouse, université Paul Sabatier.

Minsky Marvin, 1974, « A Framework for Representing Knowledge », MIT-AI Laboratory Memo 306.

Newell Allen & Herbert A. Simon, 1972, Human Problem Solving, Upper Saddle River, Prentice Hall.

Oudart Jean-Pierre, 1971, « Notes pour une théorie de la représentation », Cahiers du Cinéma, 229-230, p. 43-45.

Pitrat Jacques, 1986, « Connaissances et métaconnaissances », in Jean-Louis Lemoigne, Intelligence des mécanismes de l’intelligence et mécanismes de l’intelligence, Paris, Fayard.

Pólya Georges, 1965 (1re éd. 1945), Comment poser et résoudre un problème, Paris, Dunod.

Popper Karl, 1973, La Logique de la découverte scientifique, Paris, Payot.

Quillian M. Ross, 1968, « Semantic Memory », in Marvin Minsky (ed.), Semantic Information Processing, Cambridge, MIT Press, p. 227-269.

Shank Roger & Robert Abelson, 1977, Scripts, Plans, Goals and Understanding: An Inquiry into Human Knowledge Structures, New York, Halsted.

Sperber Dan, 1974, Le Symbolisme en général, Paris, Hermann.

Winograd A. Terry, 1983, Language as a Cognitive Process, vol. i, Massachusetts, Addison-Wesley.

Notes

42 Sperber 1974.

43 Sperber 1974.

44 Shank & Abelson 1977.

45 Minsky 1974.

46 Barnett 1977.

47 Bobrow & Winogradt 1977.

48 Ferber 1982.

49 Polya 1965.

50 Lalande 1926 : 679.

51 Feigenbaum 1977.

52 Winograd 1983.

53 Minsky 1974.

54 Grize 1984.

55 Grize 1984.

56 Oudart 1971 : 43-45.

57 Oudart 1971 : 43-45.

58 Winograd 1983.

59 Dreyfus 1984.

60 Boole 1854.

© Éditions des maisons des sciences de l’homme associées, 2018

Conditions d’utilisation : http://www.openedition.org/6540

Lire

Open access

Acheter

Rechercher dans OpenEdition Search

Vous allez être redirigé vers OpenEdition Search