Intelligence Artificielle et Modélisation
Cognitive
1. Les Racines Communes de l’IA et de la Cognition
L’Intelligence Artificielle (IA) et les sciences cognitives sont deux disciplines
sœurs, nées exactement au même moment, lors de la célèbre conférence de
Dartmouth en 1956. Les pionniers fondateurs (Marvin Minsky, John McCarthy,
Herbert Simon, Allen Newell) partageaient un objectif commun immense :
comprendre l’intelligence (la résolution de problèmes, la logique, le jeu) en
essayant de la simuler sur les premiers ordinateurs balbutiants.
À l’époque, la frontière entre “comprendre le cerveau humain” (sciences
cognitives) et “créer une machine intelligente” (IA) n’existait pas. Le dogme
central, le computationnalisme, affirmait que l’intelligence, qu’elle soit faite
de chair ou de silicium, était fondamentalement un processus de traitement
symbolique de l’information. Créer un programme d’échecs (IA symbolique)
était perçu comme le moyen scientifique ultime pour modéliser et tester la
façon dont un humain réfléchit.
2. Le Défi de l’IA Symbolique (Le GOFAI)
Pendant 30 ans, le paradigme dominant a été la “Good Old-Fashioned AI”
(GOFAI). Le principe était de modéliser le monde (et l’esprit) sous forme de
règles explicites et de symboles logiques imbriqués (Si X est un OISEAU, et Y
a des PLUMES, alors X peut VOLER). L’IA symbolique a connu des triomphes
éclatants dans des domaines très circonscrits, abstraits et purement logiques
: la démonstration de théorèmes mathématiques, les systèmes experts en
médecine (diagnostics), ou la victoire de l’ordinateur Deep Blue (IBM) contre
le champion du monde d’échecs Garry Kasparov en 1997.
Cependant, ce paradigme a heurté un mur infranchissable (le paradoxe de
Moravec) : il est très facile d’écrire des règles pour battre un grand maître
aux échecs, mais il s’avère impossible d’écrire des règles pour faire marcher
un robot sur deux jambes ou pour lui faire reconnaître un chat sur une photo.
Les règles formelles sont incapables de gérer l’ambiguïté, le bruit, et le
chaos infini du monde réel, que la perception humaine gère intuitivement.
3. La Revanche du Connexionnisme (Le Deep Learning)
Face à l’échec des systèmes experts, les années 2010 ont vu le triomphe
absolu d’un autre paradigme de l’IA, inspiré (de très loin) de la biologie du
cerveau : Les Réseaux de Neurones Artificiels et l’Apprentissage
Profond (Deep Learning).
Portés par la puissance des nouvelles cartes graphiques (GPU) et l’explosion
des données disponibles (le Big Data sur Internet), des chercheurs comme
Yann LeCun ou Geoffrey Hinton ont révolutionné la machine. Ici, on ne
programme plus aucune “règle” logique. L’informaticien crée un immense
réseau mathématique de “neurones” virtuels reliés par des couches (layers),
et l’algorithme apprend tout seul par l’expérience statistique. Pour
reconnaître un chat, on ne donne pas la définition d’un chat au programme.
On lui montre 10 millions d’images de chats. Par ajustement progressif (la
rétropropagation de l’erreur), le réseau modifie le “poids” mathématique de
ses millions de connexions jusqu’à être capable d’identifier un chat sur une
image inédite avec un taux de réussite supérieur à celui de l’œil humain. Ce
triomphe de la méthode probabiliste (qui gère la reconnaissance vocale, la
traduction automatique, ou la conduite autonome) a paradoxalement éloigné
l’IA de la psychologie humaine : le réseau de neurones donne d’excellents
résultats (IA faible), mais il fonctionne comme une “boîte noire”, très
éloignée de l’intelligence générale, flexible et conceptuelle du cerveau
humain (qui n’a besoin de voir un chat qu’une ou deux fois dans sa vie pour
comprendre le concept).
4. Le Test de Turing et la Chambre Chinoise
La question philosophique fondamentale demeure : une machine (même la
plus performante comme ChatGPT) “pense-t-elle” vraiment ?
Le Test de Turing (1950) : Alan Turing a proposé un critère
comportemental pragmatique. Si un être humain discute à l’aveugle,
via un écran, avec un humain et un ordinateur, et qu’il est incapable
de deviner lequel des deux est la machine, alors on doit admettre que
la machine est intelligente.
L’expérience de la Chambre Chinoise (John Searle, 1980) : Le
philosophe John Searle a formulé la plus célèbre objection au
computationnalisme. Imaginez un homme enfermé dans une chambre,
qui ne parle pas un mot de chinois. On lui glisse sous la porte des
feuilles avec des idéogrammes chinois (des questions). L’homme
possède un immense manuel de règles syntaxiques (l’algorithme) qui
lui dit : “Si on te donne le symbole X, renvoie la feuille avec le symbole
Y”. Il renvoie les réponses sous la porte. Les Chinois à l’extérieur
croient converser avec une intelligence qui “comprend” le chinois.
Mais en réalité, l’homme ne comprend absolument rien au sens (la
sémantique) de ce qu’il manipule. Searle démontre ainsi que la
“syntaxe n’est pas la sémantique”. Une IA actuelle (comme les LLM,
Large Language Models) ne fait que manipuler statistiquement des
symboles abstraits sans jamais “comprendre” ni éprouver le sens du
monde qu’elle décrit.
5. Perspectives : L’IA Générative et la Neurotechnologie
Aujourd’hui, l’essor fulgurant de l’IA Générative (la génération de textes,
d’images ou de code par des modèles de fondation) modifie le rapport de
force. Les machines peuvent imiter la créativité et maîtriser les nuances du
langage humain, forçant les sciences cognitives à redéfinir ce qui fait la
spécificité de la pensée humaine (l’intentionnalité, l’émotion, le libre-arbitre).
En parallèle, le rapprochement le plus troublant entre IA et cognition s’opère
dans le domaine physique : les Interfaces Cerveau-Machine (Neuralink).
En implantant des puces dans le cortex, on commence à déchiffrer l’influx
nerveux humain pour contrôler des bras robotiques ou faire “parler” des
patients paralysés directement avec leur pensée, ouvrant la voie à des
fusions vertigineuses (le transhumanisme) entre la biologie du cerveau et
l’informatique.