tissus occulaires

C'est en étudiant cette membrane (la rétine) que pour la première fois j'ai senti ma foi dans le darwinisme (hypothèse de la sélection naturelle) s'affaiblir, étant stupéfait et déconcerté par la suprême ingéniosité constructive révélée non seulement dans la rétine  dans l'appareil dioptrique des vertébrés, mais même dans l'œil de l'insecte le plus modeste. ... J'ai ressenti plus profondément que pour tout autre sujet d'étude le frisson du mystère insondable de la vie.

Auteur: Ramón y Cajal Santiago

Info: Souvenirs de ma vie, 1898

[ vision ] [ tissu biologique ] [ voir ] [ cognition animale ] [ émerveillement ]

biophysique

Un champignon capable d'apprendre sans neurones
Des chercheurs toulousains montrent que le "Physarum polycephalum", un champignon jaune des sous-bois, peut apprendre à ignorer un obstacle de caféine sur son chemin, alors qu'il est unicellulaire et dépourvu de système nerveux.
Un champignon est-il capable d'apprendre ? De retenir une leçon et d'en tirer des conclusions ? De ne pas refaire la même erreur ou de changer son comportement pour s'adapter à une situation ? Indice : il n'a pas de cerveau ni même de système nerveux. Et pourtant, la réponse aux questions est oui... Le Physarum polycephalum, une sorte de champignon - un protiste - jaune citron qui vit dans les sous-bois, large de plusieurs centimètres et pourtant composé d'une unique cellule avec des milliers de noyaux, fait preuve d'étonnantes capacités sous l'oeil des chercheurs.
L'étude a été publiée ce mercredi par la Royal Society : une équipe du Centre de recherches sur la cognition animale, à l'université Toulouse III, s'est amusée à proposer une course d'obstacles à notre champignon jaune. Certains individus avaient un accès direct à leur nourriture (spores et bactéries, miam miam) tandis que d'autres devaient traverser un endroit imprégné de caféine ou de quinine (beurk beurk). "Au tout début réticents à franchir les substances amères", résume le CNRS, les champignons "ont appris au fur et à mesure des jours qu'elles étaient inoffensives et les ont traversées de plus en plus rapidement, se comportant au bout de six jours de la même façon que le groupe témoin".
Les chercheurs ont mesuré la largeur du pseudopode (excroissance de la cellule) utilisé pour rejoindre la nourriture. Un pseudopode étroit est synonyme d'un comportement de répulsion, un pseudopode large représente quant à lui un comportement normal.
Au début réticent à passer sur la quinine, Physarum polycephalum apprend par habituation à ignorer la substance. L'organisme se déplace en avançant vers la nourriture une excroissance appelée pseudopode.
Les chercheurs sont convaincus qu'il ne s'agit pas simplement d'une "adaptation sensorielle" ou d'une "fatigue motrice", qui auraient également pu affecter leur vitesse de déplacement, car la réponse des champignons était spécifique à la substance : les habitués à la caféine restaient réticents à la quinine, et inversement. En outre, si on faisait disparaître la substance désagréable pendant deux jours, Physarum polycephalum réussissait à l'"oublier" et fournissait à nouveau une réponse négative à la prochaine rencontre. Ce sont les signes typiques d'une forme d'apprentissage qu'on appelle habituation, en biologie.
"L'apprentissage, défini comme un changement de comportement provoqué par l'expérience, a jusqu'à présent été étudié seulement chez les organismes multicellulaires dotés d'un système nerveux", écrivent Audrey Dussutour, Romain Boisseau et David Vogel. L'apprentissage est une modification comportementale à l'échelle d'une vie, donc différentes des adaptations biologiques au fil des générations, qui relèvent plutôt de l'évolution.
Physarum polycephalum avait déjà fait le malin lors de précédentes expériences, prouvant par exemple sa capacité à résoudre un labyrinthe (en privilégiant le chemin le plus court) ou de se nourrir de manière "réfléchie", en piochant des protéines et du sucre en certaines proportions jusqu'à reconstituer son régime alimentaire idéal. L'étude de ces mécanismes est cruciale pour "comprendre quand et où, dans l'arbre de l'évolution, les premières manifestations de l'apprentissage sont apparues".

Auteur: Internet

Info: http://www.liberation.fr/futurs/2016/04/27

onomasiologie algébrique

Critique réciproque de l’intelligence artificielle et des sciences humaines

Je me souviens d’avoir participé, vers la fin des années 1980, à un Colloque de Cerisy sur les sciences cognitives auquel participaient quelques grands noms américains de la discipline, y compris les tenants des courants neuro-connexionnistes et logicistes. Parmi les invités, le philosophe Hubert Dreyfus (notamment l’auteur de What Computers Can’t Do, MIT Press, 1972) critiquait vertement les chercheurs en intelligence artificielle parce qu’ils ne tenaient pas compte de l’intentionnalité découverte par la phénoménologie. Les raisonnements humains réels, rappelait-il, sont situés, orientés vers une fin et tirent leur pertinence d’un contexte d’interaction. Les sciences de la cognition dominées par le courant logico-statistique étaient incapables de rendre compte des horizons de conscience qui éclairent l’intelligence. Dreyfus avait sans doute raison, mais sa critique ne portait pas assez loin, car ce n’était pas seulement la phénoménologie qui était ignorée. L’intelligence artificielle (IA) n’intégrait pas non plus dans la cognition qu’elle prétendait modéliser la complexité des systèmes symboliques et de la communication humaine, ni les médias qui la soutiennent, ni les tensions pragmatiques ou les relations sociales qui l’animent. A cet égard, nous vivons aujourd’hui dans une situation paradoxale puisque l’IA connaît un succès pratique impressionnant au moment même où son échec théorique devient patent.

Succès pratique, en effet, puisqu’éclate partout l’utilité des algorithmes statistiques, de l’apprentissage automatique, des simulations d’intelligence collective animale, des réseaux neuronaux et d’autres systèmes de reconnaissance de formes. Le traitement automatique du langage naturel n’a jamais été aussi populaire, comme en témoigne par exemple l’usage de Google translate. Le Web des données promu par le WWW consortium (dirigé par Sir Tim Berners-Lee). utilise le même type de règles logiques que les systèmes experts des années 1980. Enfin, les algorithmes de computation sociale mis en oeuvre par les moteurs de recherche et les médias sociaux montrent chaque jour leur efficacité.

Mais il faut bien constater l’échec théorique de l’IA puisque, malgré la multitude des outils algorithmiques disponibles, l’intelligence artificielle ne peut toujours pas exhiber de modèle convaincant de la cognition. La discipline a prudemment renoncé à simuler l’intelligence dans son intégralité. Il est clair pour tout chercheur en sciences humaines ayant quelque peu pratiqué la transdisciplinarité que, du fait de sa complexité foisonnante, l’objet des sciences humaines (l’esprit, la pensée, l’intelligence, la culture, la société) ne peut être pris en compte dans son intégralité par aucune des théories computationnelles de la cognition actuellement disponible. C’est pourquoi l’intelligence artificielle se contente dans les faits de fournir une boîte à outils hétéroclite (règles logiques, syntaxes formelles, méthodes statistiques, simulations neuronales ou socio-biologiques…) qui n’offrent pas de solution générale au problème d’une modélisation mathématique de la cognition humaine.

Cependant, les chercheurs en intelligence artificielle ont beau jeu de répondre à leurs critiques issus des sciences humaines : "Vous prétendez que nos algorithmes échouent à rendre compte de la complexité de la cognition humaine, mais vous ne nous en proposez vous-mêmes aucun pour remédier au problème. Vous vous contentez de pointer du doigt vers une multitude de disciplines, plus complexes les unes que les autres (philosophie, psychologie, linguistique, sociologie, histoire, géographie, littérature, communication…), qui n’ont pas de métalangage commun et n’ont pas formalisé leurs objets ! Comment voulez-vous que nous nous retrouvions dans ce bric-à-brac ?" Et cette interpellation est tout aussi sensée que la critique à laquelle elle répond.

Synthèse de l’intelligence artificielle et des sciences humaines

Ce que j’ai appris de Hubert Dreyfus lors de ce colloque de 1987 où je l’ai rencontré, ce n’était pas tant que la phénoménologie serait la clé de tous les problèmes d’une modélisation scientifique de l’esprit (Husserl, le père de la phénoménologie, pensait d’ailleurs que la phénoménologie – une sorte de méta-science de la conscience – était impossible à mathématiser et qu’elle représentait même le non-mathématisable par exellence, l’autre de la science mathématique de la nature), mais plutôt que l’intelligence artificielle avait tort de chercher cette clé dans la seule zone éclairée par le réverbère de l’arithmétique, de la logique et des neurones formels… et que les philosophes, herméneutes et spécialistes de la complexité du sens devaient participer activement à la recherche plutôt que de se contenter de critiquer. Pour trouver la clé, il fallait élargir le regard, fouiller et creuser dans l’ensemble du champ des sciences humaines, aussi opaque au calcul qu’il semble à première vue. Nous devions disposer d’un outil à traiter le sens, la signification, la sémantique en général, sur un mode computationnel. Une fois éclairé par le calcul le champ immense des relations sémantiques, une science de la cognition digne de ce nom pourrait voir le jour. En effet, pour peu qu’un outil symbolique nous assure du calcul des relations entre signifiés, alors il devient possible de calculer les relations sémantiques entre les concepts, entre les idées et entre les intelligences. Mû par ces considérations, j’ai développé la théorie sémantique de la cognition et le métalangage IEML : de leur union résulte la sémantique computationnelle.

Les spécialistes du sens, de la culture et de la pensée se sentent démunis face à la boîte à outils hétérogène de l’intelligence artificielle : ils n’y reconnaissent nulle part de quoi traiter la complexité contextuelle de la signification. C’est pourquoi la sémantique computationnelle leur propose de manipuler les outils algorithmiques de manière cohérente à partir de la sémantique des langues naturelles. Les ingénieurs s’égarent face à la multitude bigarrée, au flou artistique et à l’absence d’interopérabilité conceptuelle des sciences humaines. Remédiant à ce problème, la sémantique computationnelle leur donne prise sur les outils et les concepts foisonnants des insaisissables sciences humaines. En somme, le grand projet de la sémantique computationnelle consiste à construire un pont entre l’ingénierie logicielle et les sciences humaines de telle sorte que ces dernières puissent utiliser à leur service la puissance computationnelle de l’informatique et que celle-ci parvienne à intégrer la finesse herméneutique et la complexité contextuelle des sciences humaines. Mais une intelligence artificielle grande ouverte aux sciences humaines et capable de calculer la complexité du sens ne serait justement plus l’intelligence artificielle que nous connaissons aujourd’hui. Quant à des sciences humaines qui se doteraient d’un métalangage calculable, qui mobiliseraient l’intelligence collective et qui maîtriseraient enfin le médium algorithmique, elles ne ressembleraient plus aux sciences humaines que nous connaissons depuis le XVIIIe siècle : nous aurions franchi le seuil d’une nouvelle épistémè.

Auteur: Lévy Pierre

Info: https://pierrelevyblog.com/2014/10/08/intelligence-artificielle-et-sciences-humaines/

[ mathématification idiomatique ]

homme-animal

La signification des meuglements des vaches, et autres histoires animales surprenantes
Vous pensez bien connaître les animaux? Pourtant les scientifiques qui les étudient leur découvrent régulièrement de nouvelles habiletés, intelligences et savoir-être étonnants.

C'est ce que raconte la journaliste spécialiste des sciences Aline Richard Zivohlava dans son ouvrage "Dans la peau des bêtes", paru en mai aux éditions Plon. Elle se glisse dans la peau de différents animaux pour un récit à la première personne. Nous en publions ci-dessous des extraits. Le titre et les intertitres sont de la rédaction de Slate.

Les corbeaux clairvoyants
L’histoire des Corneilles noires de la ville de Sendai, au Japon, a fait le tour du monde. À des branches de noyer plantés le long des routes pendaient de savoureuses noix, mais elles étaient, dans leurs coques vertes, inaccessibles à nos becs. C’est alors que mes congénères ont appris le code de la route. Au feu rouge, l’oiseau dépose sa noix devant la voiture, qui l’écrase au feu vert, et dont les fragments sont récupérés au feu rouge suivant. Malin, non? Et même carrément intelligent.

Les recherches scientifiques de ces dernières années ont révélé des capacités insoupçonnées chez les corvidés, en particulier dans le domaine de la cognition. Certains de nos savoir-faire avaient pourtant été remarqués dans le passé, mais vous n’aviez pas su les analyser… Vous rappelez-vous d’Ésope, le fabuliste qui a commis "Le Corbeau et le Renard", que nous critiquions tout à l’heure? Nous lui avons volontiers pardonné son écart puisqu’il a rendu hommage à l’ingéniosité de la corneille dans la comptine suivante: "La Corneille ayant soif, trouva par hasard une cruche où il y avait un peu d’eau; mais comme la cruche était trop profonde, elle n’y pouvait atteindre pour se désaltérer. Elle essaya d’abord de rompre la cruche avec son bec; mais n’en pouvant venir à bout, elle s’avisa d’y jeter plusieurs petits cailloux, qui firent monter l’eau jusqu’au bord de la cruche. Alors elle but tout à son aise."

Deux douzaines de siècles plus tard, en 2014, cette fable a été reproduite dans un laboratoire de l’université d’Auckland, en Nouvelle-Zélande. Des chercheurs ont voulu savoir si différents corvidés –Corbeaux calédoniens, Corbeaux freux et Geais des chênes– se montraient aussi clairvoyants que l’oiseau du fabuliste. Expérience réussie: soit deux tubes de verre, un large et un étroit, reliés entre eux par un mécanisme de vases communicants et à moitié remplis d’eau. Dans le premier, un morceau de liège flotte, agrémenté d’un morceau de viande. Tube trop étroit pour y plonger le bec. Les oiseaux ont dû trouver un moyen d’atteindre la nourriture: ils ont jeté des petits cailloux dans le tube large ne contenant pas le morceau de viande, pour faire monter l’eau dans le second tube étroit, et récupérer la récompense. C’est ce que l’on appelle effectuer une relation de cause à effet. Incroyable, quand on sait que, soumis au même test, les petits humains ne le réussissent que vers l’âge de 7 ans.

Les corbeaux sont capables de se priver dans l’immédiat pour une meilleure récompense dans le futur, une opération cognitive complexe.

La conclusion semble couler de source: des corbeaux aussi intelligents que vous, à l’âge de raison des petits humains! Mais au risque de décevoir mes congénères, je n’irai pas jusque-là. Rien ne prouve en effet que les mécanismes mentaux mis en jeu soient les mêmes pour nos deux espèces. Et la faculté spontanée de raisonner dans l’abstrait par le biais d’un processus d’association n’est pas forcément équivalente à ce que vous, humains, entendez généralement par "intelligence".

Il fallait en savoir plus. Les scientifiques qui nous étudient ont d’abord observé nos capacités cognitives liées à la vie en société. Tout comme vous, les corvidés activent leurs neurones pour améliorer leur cadre de vie, interagir avec leurs semblables, obtenir le meilleur pour eux-mêmes et leurs proches… La gestion de la nourriture est un enjeu majeur pour tout être vivant, et, pour nous autres corbeaux, l’occasion d’exercer notre mémoire et même de se projeter dans l’avenir. Des chercheurs britanniques ont par exemple montré que des geais, qui ont l’habitude de cacher leur nourriture, étaient capables de "classer" leurs aliments en fonction du temps écoulé avant la consommation: ils déterraient d’abord les caches de vers de terre, très appréciés mais périssables, avant celles des cacahuètes, moins goûteuses mais plus durables.

Les corbeaux sont aussi capables de se priver dans l’immédiat pour une meilleure récompense dans le futur, une opération cognitive complexe que vous pensiez réservée aux humains et aux grands singes. Une expérience menée en 2017 à l’université de Lund, en Suède, sur des corbeaux dressés consistait à leur faire choisir une friandise à dévorer tout de suite, ou bien un outil permettant d’ouvrir une boîte contenant une friandise plus grosse, au prix de quinze minutes d’efforts. La plupart des corbeaux ont choisi l’outil. Cela suggère la capacité de contrôle de soi et celle d’anticipation.

S’alimenter, c’est aussi coopérer mais parfois se fâcher quand un comportement est jugé incorrect. Dans une expérimentation menée dans un laboratoire à Vienne, des grands corbeaux ont su s’allier en tirant de concert deux bouts de ficelle pour récupérer deux parts de fromage: si l’un des oiseaux n’avait pas joué le jeu, aucun des deux n’aurait pu en profiter. Mais, dans une autre série d’expériences, il est arrivé qu’un des oiseaux ruse pour s’approprier tout le fromage. L’autre a alors refusé de coopérer plus avant avec le tricheur.

Les poulpes farceurs
Ces dernières années, nombre de nos capacités cognitives ont été découvertes par les scientifiques qui nous observent. Par exemple, notre dextérité au maniement des outils, faculté que l’on pensait réservée aux animaux "supérieurs". En 2009, quatre pieuvres de l’espèce Amphioctopus marginatus, habitantes des eaux chaudes de l’ouest du Pacifique, ont été filmées en train de manipuler des coquilles de noix de coco pour s’en faire une armure de protection contre les prédateurs, puis se balader, ainsi équipées, sur le plancher marin. La vidéo a intéressé les chercheurs…

Et enchanté le grand public: sans être encore aussi populaires que ceux consacrés aux chatons mignons, les films de poulpes malins font les beaux jours de votre Internet. Sur YouTube, 3 millions de vidéos sont disponibles! C’est ainsi que les humains ont pu découvrir les talents d’Inky, notre maître-poulpe de l’évasion. Cantonné dans son aquarium de Nouvelle-Zélande, Inky a profité de l’inattention d’un gardien qui n’avait pas bien fermé son réceptacle pour déverrouiller le dispositif, glisser au sol, et emprunter un tuyau d’un diamètre de 15 centimètres (!) se déversant dans l’océan Pacifique.

Stratégie, adaptation, innovation… Autant de qualités qui marquent, pour le moins, une belle intelligence des situations.Nous sommes aussi capables d’apprendre par observation et de manipuler des règles logiques: facultés d’autant plus étonnantes que nous n’avons pas eu de parents pour nous les enseigner. Des chercheurs ont installé des pieuvres devant un labyrinthe, elles ont su s’orienter en observant des congénères, puis en fonction d’indices visuels mis à leur disposition. Dans une autre expérience, on nous a placées devant cinq portes fermées, chacune marquée d’un symbole. Il fallait trouver celle donnant accès à un crabe, friandise que nous apprécions parmi toutes. Nous avons réussi à repérer la bonne porte, et appris à reconnaître son symbole même quand les scientifiques le changeaient de place. Et nous sommes capables de retenir plusieurs jours ces informations apprises, signe d’une bonne mémoire.

De même, nous jouons: un comportement évolué, peu commun chez les invertébrés. Sarah Zylinski, biologiste à l’université de Leeds, au Royaume-Uni, a observé un poulpe de l’espèce Octopus bimaculoides se livrer au jeu du chat et de la souris avec un crabe. En pleine mer, plusieurs plongeurs qui nous observaient ont eu la surprise de voir un tentacule taquin tenter de leur retirer leur masque à oxygène… En captivité, nous jonglons dans l’aquarium avec les petits cubes en plastique que vous nous envoyez. Et ne croyez pas que nous ne savons pas qui vous êtes.

En 2010, à l’aquarium de Seattle, aux États-Unis, deux membres de l’équipe soignante se sont livrés au jeu bien connu du "bad cop-good cop": l’un nous nourrissait avec douceur, l’autre nous touchait avec un bâton piquant. Après deux semaines, racontent les scientifiques qui ont organisé cette expérience, les huit pieuvres de l’aquarium se comportaient différemment avec l’un et l’autre, habillé pourtant du même uniforme.

En captivité, nous savons parfaitement vous faire passer des messages. La chercheuse de Leeds rapporte que des seiches, impatientes d’être nourries, aspergeaient d’eau leur gardien s’il tardait. Et, dans un parc zoologique en Allemagne, un poulpe est monté sur le bord de son aquarium pour inonder un spot dont la lumière devait le gêner.

La science n’a pas fini de dévoiler tout ce qu’il y a d’extraordinaire en nous. En avril 2017, un article scientifique, fort technique puisqu’il a été publié dans la revue Cell (dédiée à la biologie moléculaire et cellulaire), a suggéré que nous évoluions différemment de presque tous les êtres vivants de la planète: certains d’entre nous sont en effet capables de modifier à plusieurs reprises leur séquence d’ARN (acide ribonucléique, l’autre "molécule du vivant" avec l’ADN) et de l’éditer, pour mieux s’adapter à notre environnement. S’ensuivent, par exemple, des modifications de notre cerveau pour pouvoir prospérer dans des eaux aux températures différentes. Bien pratique en cette période de changements climatiques! Ludovic vous l’avait bien dit: nous sommes de véritables extraterrestres du fond des mers.

Les vaches communiquantes
La vache a ses sens en éveil. À l’inverse de ce que certains stupides imaginent, un regard bovin est un regard expert: une vision à 330 degrés, sans bouger la tête, qu’en dites-vous? Il est vrai que nous sommes plutôt myopes, et distinguons bien mieux les tendres pousses dans le pré qu’un véhicule arrivant au loin. Mais notre ouïe très fine y pallie. Les vaches distinguent les ultrasons (jusqu’à 35.000 hertz), tout comme les basses fréquences et les très faibles volumes sonores. Et puis, il y a notre odorat. C’est notre sens premier, il nous distingue et organise notre vie sociale. Les odeurs disent notre âge, nos besoins sexuels, notre place dans la hiérarchie du troupeau, notre niveau de stress. On se renifle et on se lèche entre vaches, et on approche nos mufles des humains à l’approche: il s’agit de flairer l’éleveur, le vétérinaire que l’on connaît, et de s’inquiéter de la présence d’un intrus à l’odeur inconnue.

En 2015, en Suisse, des chercheurs de l’École polytechnique de Zurich se sont livrés à une analyse acoustique de troupeaux pour tenter de comprendre ce que les vaches se disent. Lors des naissances de nos veaux et cela durant trois à quatre semaines, nous parlons à nos petits le mufle à moitié fermé pour produire un son grave. Et à l’inverse, quand on nous les retire, nous produisons un meuglement dans les fréquences hautes. De même, les veaux nous appellent plutôt dans les aigus.

De l’avis des scientifiques et des professionnels, fermiers et éleveurs qui nous côtoient, notre cri d’espèce, émis jusqu’à une cinquantaine de fois dans la journée, exprime une grande variété de situations et d’états: faim, soif, chaud, froid, souffrance, désir, appels…

Quant à vous, on dirait que nos "meuh" vous fascinent. Vous tentez parfois de nous imiter, bizarre! des humains qui singent les vaches! Mais vous n’êtes même pas fichus de vous entendre sur le son à produire… "Meuh" en France ; "moo" chez les Anglo-Saxons; "muh" pour les Allemands et les Danois; et "mō" du côté du Japon. Un plaisantin est même allé jusqu’à fabriquer ce qu’il a appelé une "boîte à meuh" pour faire rire ses semblables, on se demande vraiment pourquoi. Laquelle boîte a au moins eu une utilité: le docteur Lucien Moatti l’a calibrée pour le dépistage néonatal de la surdité des bébés humains. Si l’enfant tourne la tête au son de la vache, c’est qu’il entend bien…

Auteur: Internet

Info: Slate, Aline Richard, 30 mai 2019

[ anecdotes ]

homme-machine

Chat GPT ou le perroquet grammairien

L’irruption des IA conversationnelles dans la sphère publique a conféré une pertinence supplémentaire aux débats sur le langage humain et sur ce qu’on appelle parler. Notamment, les IA redonnent naissance à un débat ancien sur la grammaire générative et sur l’innéisme des facultés langagières. Mais les grands modèles de langage et les IA neuronales nous offrent peut-être l’occasion d’étendre le domaine de la réflexion sur l’architecture des systèmes possibles de cognition, de communication et d’interaction, et considérant aussi la façon dont les animaux communiquent.

a capacité de ChatGPT à produire des textes en réponse à n’importe quelle requête a immédiatement attiré l’attention plus ou moins inquiète d’un grand nombre de personnes, les unes animées par une force de curiosité ou de fascination, et les autres, par un intérêt professionnel.

L’intérêt professionnel scientifique que les spécialistes du langage humain peuvent trouver aux Large Language Models ne date pas d’hier : à bien des égards, des outils de traduction automatique comme DeepL posaient déjà des questions fondamentales en des termes assez proches. Mais l’irruption des IA conversationnelles dans la sphère publique a conféré une pertinence supplémentaire aux débats sur ce que les Large Language Models sont susceptibles de nous dire sur le langage humain et sur ce qu’on appelle parler.

L’outil de traduction DeepL (ou les versions récentes de Google Translate) ainsi que les grands modèles de langage reposent sur des techniques d’" apprentissage profond " issues de l’approche " neuronale " de l’Intelligence Artificielle : on travaille ici sur des modèles d’IA qui organisent des entités d’information minimales en les connectant par réseaux ; ces réseaux de connexion sont entraînés sur des jeux de données considérables, permettant aux liaisons " neuronales " de se renforcer en proportion des probabilités de connexion observées dans le jeu de données réelles – c’est ce rôle crucial de l’entraînement sur un grand jeu de données qui vaut aux grands modèles de langage le sobriquet de " perroquets stochastiques ". Ces mécanismes probabilistes sont ce qui permet aussi à l’IA de gagner en fiabilité et en précision au fil de l’usage. Ce modèle est qualifié de " neuronal " car initialement inspiré du fonctionnement des réseaux synaptiques. Dans le cas de données langagières, à partir d’une requête elle-même formulée en langue naturelle, cette technique permet aux agents conversationnels ou aux traducteurs neuronaux de produire très rapidement des textes généralement idiomatiques, qui pour des humains attesteraient d’un bon apprentissage de la langue.

IA neuronales et acquisition du langage humain

Au-delà de l’analogie " neuronale ", ce mécanisme d’entraînement et les résultats qu’il produit reproduisent les théories de l’acquisition du langage fondées sur l’interaction avec le milieu. Selon ces modèles, généralement qualifiés de comportementalistes ou behavioristes car étroitement associés aux théories psychologiques du même nom, l’enfant acquiert le langage par l’exposition aux stimuli linguistiques environnants et par l’interaction (d’abord tâtonnante, puis assurée) avec les autres. Progressivement, la prononciation s’aligne sur la norme majoritaire dans l’environnement individuel de la personne apprenante ; le vocabulaire s’élargit en fonction des stimuli ; l’enfant s’approprie des structures grammaticales de plus en plus contextes ; et en milieu bilingue, les enfants apprennent peu à peu à discriminer les deux ou plusieurs systèmes auxquels ils sont exposés. Cette conception essentiellement probabiliste de l’acquisition va assez spontanément de pair avec des théories grammaticales prenant comme point de départ l’existence de patrons (" constructions ") dont la combinatoire constitue le système. Dans une telle perspective, il n’est pas pertinent qu’un outil comme ChatGPT ne soit pas capable de référer, ou plus exactement qu’il renvoie d’office à un monde possible stochastiquement moyen qui ne coïncide pas forcément avec le monde réel. Cela ne change rien au fait que ChatGPT, DeepL ou autres maîtrisent le langage et que leur production dans une langue puisse être qualifiée de langage : ChatGPT parle.

Mais ce point de vue repose en réalité sur un certain nombre de prémisses en théorie de l’acquisition, et fait intervenir un clivage lancinant au sein des sciences du langage. L’actualité de ces dernières années et surtout de ces derniers mois autour des IA neuronales et génératives redonne à ce clivage une acuité particulière, ainsi qu’une pertinence nouvelle pour l’appréhension de ces outils qui transforment notre rapport au texte et au discours. La polémique, comme souvent (trop souvent ?) quand il est question de théorie du langage et des langues, se cristallise – en partie abusivement – autour de la figure de Noam Chomsky et de la famille de pensée linguistique très hétérogène qui se revendique de son œuvre, généralement qualifiée de " grammaire générative " même si le pluriel (les grammaires génératives) serait plus approprié.

IA générative contre grammaire générative

Chomsky est à la fois l’enfant du structuralisme dans sa variante états-unienne et celui de la philosophie logique rationaliste d’inspiration allemande et autrichienne implantée sur les campus américains après 1933. Chomsky est attaché à une conception forte de la logique mathématisée, perçue comme un outil d’appréhension des lois universelles de la pensée humaine, que la science du langage doit contribuer à éclairer. Ce parti-pris que Chomsky qualifiera lui-même de " cartésien " le conduit à fonder sa linguistique sur quelques postulats psychologiques et philosophiques, dont le plus important est l’innéisme, avec son corollaire, l’universalisme. Selon Chomsky et les courants de la psychologie cognitive influencée par lui, la faculté de langage s’appuie sur un substrat génétique commun à toute l’espèce humaine, qui s’exprime à la fois par un " instinct de langage " mais aussi par l’existence d’invariants grammaticaux, identifiables (via un certain niveau d’abstraction) dans toutes les langues du monde.

La nature de ces universaux fluctue énormément selon quelle période et quelle école du " générativisme " on étudie, et ce double postulat radicalement innéiste et universaliste reste très disputé aujourd’hui. Ces controverses mettent notamment en jeu des conceptions très différentes de l’acquisition du langage et des langues. Le moment fondateur de la théorie chomskyste de l’acquisition dans son lien avec la définition même de la faculté de langage est un violent compte-rendu critique de Verbal Behavior, un ouvrage de synthèse des théories comportementalistes en acquisition du langage signé par le psychologue B.F. Skinner. Dans ce compte-rendu publié en 1959, Chomsky élabore des arguments qui restent structurants jusqu’à aujourd’hui et qui définissent le clivage entre l’innéisme radical et des théories fondées sur l’acquisition progressive du langage par exposition à des stimuli environnementaux. C’est ce clivage qui préside aux polémiques entre linguistes et psycholinguistes confrontés aux Large Language Models.

On comprend dès lors que Noam Chomsky et deux collègues issus de la tradition générativiste, Ian Roberts, professeur de linguistique à Cambridge, et Jeffrey Watumull, chercheur en intelligence artificielle, soient intervenus dans le New York Times dès le 8 mars 2023 pour exposer un point de vue extrêmement critique intitulée " La fausse promesse de ChatGPT ". En laissant ici de côté les arguments éthiques utilisés dans leur tribune, on retiendra surtout l’affirmation selon laquelle la production de ChatGPT en langue naturelle ne pourrait pas être qualifiée de " langage " ; ChatGPT, selon eux, ne parle pas, car ChatGPT ne peut pas avoir acquis la faculté de langage. La raison en est simple : si les Grands Modèles de Langage reposent intégralement sur un modèle behaviouriste de l’acquisition, dès lors que ce modèle, selon eux, est réfuté depuis soixante ans, alors ce que font les Grands Modèles de Langage ne peut être qualifié de " langage ".

Chomsky, trop têtu pour qu’on lui parle ?

Le point de vue de Chomsky, Roberts et Watumull a été instantanément tourné en ridicule du fait d’un choix d’exemple particulièrement malheureux : les trois auteurs avançaient en effet que certaines constructions syntaxiques complexes, impliquant (dans le cadre générativiste, du moins) un certain nombre d’opérations sur plusieurs niveaux, ne peuvent être acquises sur la base de l’exposition à des stimuli environnementaux, car la fréquence relativement faible de ces phénomènes échouerait à contrebalancer des analogies formelles superficielles avec d’autres tournures au sens radicalement différent. Dans la tribune au New York Times, l’exemple pris est l’anglais John is too stubborn to talk to, " John est trop entêté pour qu’on lui parle ", mais en anglais on a littéralement " trop têtu pour parler à " ; la préposition isolée (ou " échouée ") en position finale est le signe qu’un constituant a été supprimé et doit être reconstitué aux vues de la structure syntaxique d’ensemble. Ici, " John est trop têtu pour qu’on parle à [John] " : le complément supprimé en anglais l’a été parce qu’il est identique au sujet de la phrase.

Ce type d’opérations impliquant la reconstruction d’un complément d’objet supprimé car identique au sujet du verbe principal revient dans la plupart des articles de polémique de Chomsky contre la psychologie behaviouriste et contre Skinner dans les années 1950 et 1960. On retrouve même l’exemple exact de 2023 dans un texte du début des années 1980. C’est en réalité un exemple-type au service de l’argument selon lequel l’existence d’opérations minimales universelles prévues par les mécanismes cérébraux humains est nécessaire pour l’acquisition complète du langage. Il a presque valeur de shibboleth permettant de séparer les innéistes et les comportementalistes. Il est donc logique que Chomsky, Roberts et Watumull avancent un tel exemple pour énoncer que le modèle probabiliste de l’IA neuronale est voué à échouer à acquérir complètement le langage.

On l’aura deviné : il suffit de demander à ChatGPT de paraphraser cette phrase pour obtenir un résultat suggérant que l’agent conversationnel a parfaitement " compris " le stimulus. DeepL, quand on lui demande de traduire cette phrase en français, donne deux solutions : " John est trop têtu pour qu’on lui parle " en solution préférée et " John est trop têtu pour parler avec lui " en solution de remplacement. Hors contexte, donc sans qu’on sache qui est " lui ", cette seconde solution n’est guère satisfaisante. La première, en revanche, fait totalement l’affaire.

Le détour par DeepL nous montre toutefois la limite de ce petit test qui a pourtant réfuté Chomsky, Roberts et Watumull : comprendre, ici, ne veut rien dire d’autre que " fournir une paraphrase équivalente ", dans la même langue (dans le cas de l’objection qui a immédiatement été faite aux trois auteurs) ou dans une autre (avec DeepL), le problème étant que les deux équivalents fournis par DeepL ne sont justement pas équivalents entre eux, puisque l’un est non-ambigu référentiellement et correct, tandis que l’autre est potentiellement ambigu référentiellement, selon comment on comprend " lui ". Or l’argument de Chomsky, Roberts et Watumull est justement celui de l’opacité du complément d’objet… Les trois auteurs ont bien sûr été pris à défaut ; reste que le test employé, précisément parce qu’il est typiquement behaviouriste (observer extérieurement l’adéquation d’une réaction à un stimulus), laisse ouverte une question de taille et pourtant peu présente dans les discussions entre linguistes : y a-t-il une sémantique des énoncés produits par ChatGPT, et si oui, laquelle ? Chomsky et ses co-auteurs ne disent pas que ChatGPT " comprend " ou " ne comprend pas " le stimulus, mais qu’il en " prédit le sens " (bien ou mal). La question de la référence, présente dans la discussion philosophique sur ChatGPT mais peu mise en avant dans le débat linguistique, n’est pas si loin.

Syntaxe et sémantique de ChatGPT

ChatGPT a une syntaxe et une sémantique : sa syntaxe est homologue aux modèles proposés pour le langage naturel invoquant des patrons formels quantitativement observables. Dans ce champ des " grammaires de construction ", le recours aux données quantitatives est aujourd’hui standard, en particulier en utilisant les ressources fournies par les " grand corpus " de plusieurs dizaines de millions voire milliards de mots (quinze milliards de mots pour le corpus TenTen francophone, cinquante-deux milliards pour son équivalent anglophone). D’un certain point de vue, ChatGPT ne fait que répéter la démarche des modèles constructionalistes les plus radicaux, qui partent de co-occurrences statistiques dans les grands corpus pour isoler des patrons, et il la reproduit en sens inverse, en produisant des données à partir de ces patrons.

Corrélativement, ChatGPT a aussi une sémantique, puisque ces théories de la syntaxe sont majoritairement adossées à des modèles sémantiques dits " des cadres " (frame semantics), dont l’un des inspirateurs n’est autre que Marvin Minsky, pionnier de l’intelligence artificielle s’il en est : la circulation entre linguistique et intelligence artificielle s’inscrit donc sur le temps long et n’est pas unilatérale. Là encore, la question est plutôt celle de la référence : la sémantique en question est très largement notionnelle et ne permet de construire un énoncé susceptible d’être vrai ou faux qu’en l’actualisant par des opérations de repérage (ne serait-ce que temporel) impliquant de saturer grammaticalement ou contextuellement un certain nombre de variables " déictiques ", c’est-à-dire qui ne se chargent de sens que mises en relation à un moi-ici-maintenant dans le discours.

On touche ici à un problème transversal aux clivages dessinés précédemment : les modèles " constructionnalistes " sont plus enclins à ménager des places à la variation contextuelle, mais sous la forme de variables situationnelles dont l’intégration à la description ne fait pas consensus ; les grammaires génératives ont très longtemps évacué ces questions hors de leur sphère d’intérêt, mais les considérations pragmatiques y fleurissent depuis une vingtaine d’années, au prix d’une convocation croissante du moi-ici-maintenant dans l’analyse grammaticale, du moins dans certains courants. De ce fait, l’inscription ou non des enjeux référentiels et déictiques dans la définition même du langage comme faculté humaine représente un clivage en grande partie indépendant de celui qui prévaut en matière de théorie de l’acquisition.

À l’école du perroquet

La bonne question, en tout cas la plus féconde pour la comparaison entre les productions langagières humaines et les productions des grands modèles de langage, n’est sans doute pas de savoir si " ChatGPT parle " ni si les performances de l’IA neuronale valident ou invalident en bloc tel ou tel cadre théorique. Une piste plus intéressante, du point de vue de l’étude de la cognition et du langage humains, consiste à comparer ces productions sur plusieurs niveaux : les mécanismes d’acquisition ; les régularités sémantiques dans leur diversité, sans les réduire aux questions de référence et faisant par exemple intervenir la conceptualisation métaphorique des entités et situations désignées ; la capacité à naviguer entre les registres et les variétés d’une même langue, qui fait partie intégrante de la maîtrise d’un système ; l’adaptation à des ontologies spécifiques ou à des contraintes communicatives circonstancielles… La formule du " perroquet stochastique ", prise au pied de la lettre, indique un modèle de ce que peut être une comparaison scientifique du langage des IA et du langage humain.

Il existe en effet depuis plusieurs décennies maintenant une linguistique, une psycholinguistique et une pragmatique de la communication animale, qui inclut des recherches comparant l’humain et l’animal. Les progrès de l’étude de la communication animale ont permis d’affiner la compréhension de la faculté de langage, des modules qui la composent, de ses prérequis cognitifs et physiologiques. Ces travaux ne nous disent pas si " les animaux parlent ", pas plus qu’ils ne nous disent si la communication des corbeaux est plus proche de celle des humains que celle des perroquets. En revanche ils nous disent comment diverses caractéristiques éthologiques, génétiques et cognitives sont distribuées entre espèces et comment leur agencement produit des modes de communication spécifiques. Ces travaux nous renseignent, en nous offrant un terrain d’expérimentation inédit, sur ce qui fait toujours système et sur ce qui peut être disjoint dans la faculté de langage. Loin des " fausses promesses ", les grands modèles de langage et les IA neuronales nous offrent peut-être l’occasion d’étendre le domaine de la réflexion sur l’architecture des systèmes possibles de cognition, de communication et d’interaction. 

Auteur: Modicom Pierre-Yves

Info: https://aoc.media/ 14 nov 2023

[ onomasiologie bayésienne ] [ sémiose homme-animal ] [ machine-homme ] [ tiercités hors-sol ] [ signes fixés externalisables ]