Loi-de-Murphy

Si les constructeurs faisaient les immeubles comme les programmeurs écrivent leurs programmes, le premier picvert venu détruirait la civilisation.

Auteur: Internet

Info:

[ Constats Murphyens classiques ]

pornographie

C’est le mari de votre mère que vous devez appeler papa. Et même, si vous êtes certaine de ne pas lui être unie par les liens du sang, ne lui dites pas à l’oreille : "Je peux bien te sucer, tu n’es pas mon père !" La fin de la phrase détruirait tout ce que les premiers mots auraient de vraiment aimable.

Auteur: Louys Pierre Louis dit Pierre

Info: Manuel de civilité pour les petites filles à l'usage des maisons d'éducation

[ provocation ]

extraterrestres

Affirmer, comme le font certaines personnes, que le miracle est impossible parce qu'il serait contraire à la constance reconnue des lois naturelles, c'est faire un raisonnement en cercle, et donner pour preuve d'une assertion, cette assertion même. Si l'on pouvait prouver le miracle, on détruirait en même temps cette constance des lois naturelles. La preuve d'un tel fait constitue donc seul le noeud de la question. Il faut d'ailleurs ajouter que cette preuve devra subir une critique d'autant plus sévère, qu'elle nous fera sortir davantage du cercle des faits que nous connaissons.

Auteur: Pareto Vilfredo

Info: Traité de sociologie générale, 1917

[ vérification ]

machinisme

Ce n'était pas la faute de la femme, ni même celle de l'amour, ou  du sexe. La faute était là, au dehors, au sein des lumières électriques maléfiques et du diabolique cliquetis des moteurs. Là, dans ce monde d'avidité mécanique, de cupidité automatique, scintillant de lumières et débordant du chaud métal et des rugissements du trafic, siégeait la vaste chose maléfique, prête à détruire tout ce qui ne se conformait pas. Bientôt, elle détruirait la forêt, et les jacinthes des bois ne jailliraient plus. Toutes les choses sensibles sont destinées à périr sous le laminage de la course du fer.

Auteur: Lawrence David Herbert

Info: L'Amant de Lady Chatterley

[ rousseauisme ] [ conditionnement ] [ aliénation ]

femmes-hommes

D'où vient la bizarrerie du goût qu'ont les hommes de grande taille pour de petites femmes qui ne peuvent pas leur donner le bras ? D'où vient le goût des hommes de petite stature pour des femmes énormes ? D'une prévoyance de la Providence. En effet, si, comme il serait plus naturel de s'y attendre, les hommes de grande taille aimaient les grandes femmes, si un petit homme recherchait une petite femme, il y a longtemps qu'il y aurait sur la terre deux races distinctes - une race de géants et une race de nains, dont l'une opprimerait et peut-être détruirait l'autre. Je parie pour les nains.

Auteur: Karr Alphonse

Info: Une poignée de vérités, M. Lévy frères 1866, p.35

[ complémentaires ]

autolyse humaine

Gabriel Chardin, dans un esprit plus critique, s'est employé à calculer la durée d'une civilisation planétaire affectée d'un taux de croissance annuel de 2% de la consommation des ressources en général, c'est à dire le taux de croissance du PIB qu'ont connu au maximum les anciens pays industriels de 1870 à 1920, avant d'y revenir récemment. Rappelons que sur Terre (sic), avant 1820, la croissance s'élevait en moyenne à 0,06 % par an. Une telle civilisation détruirait la Terre est l'univers entier si elle ne s'effondrait d'abord. Un taux de croissance de 2% de la consommation des ressources, dont l'énergie "grillerait" en quelques centaines d'années la Terre et en 5 000 à 6 000 ans l'univers observable, soit dans un rayon de 10 milliard d'années-lumière... Une perspective qui devrait relativiser le déni moderne de toute dignité du donné naturel* !

Auteur: Bourg Dominique

Info: Une nouvelle Terre. *tout ce qui se trouve à l'état de nature avant transformation et marchandisation par l'homme : minerais, énergies fossiles, terres arables, etc.

[ impasse consumériste ]

incomparabilité

Le premier et le plus simple des types de vérité se situe dans la ressemblance d'une copie. On peut grossièrement dire qu'elle consiste en une similitude de prédicats. Leibniz disait que, portée à son point culminant, elle se détruirait elle-même en devenant identité. Que cela soit vrai ou non, toute ressemblance connue a une limite. Par conséquent, la ressemblance est toujours vérité partielle. D'autre part, il n'existe pas deux choses si différentes qu'elles ne se ressemblent en rien. Phénomène qui est supposé dans le proverbe qui dit que "les rêves sont constitués de contraires" - notion absurde, puisque les concrets n'ont pas de contraires. Une fausse copie est une copie qui prétend ressembler à un objet auquel elle ne correspond pas. Mais cela ne peut jamais se produire complètement, pour deux raisons : d'abord, la fausseté ne réside pas dans la copie elle-même, mais dans la prétention qu'on lui prête, dans sa superposition si on veut ; ensuite, comme il doit y avoir une certaine ressemblance entre la copie et son objet, cette fausseté ne peut être totale. Par conséquent, il n'y a pas de vérité ou de fausseté absolue des copies.

Auteur: Peirce Charles Sanders

Info: Harvard Lectures on the Logic of Science. Lecture I. MS [W] 94 ; MS [R] 340, 734. (1865), Réf. : W 1:169-170

[ reproduction ] [ singularité irrémédiable ] [ réplication ] [ impossibilité ] [ duplicata ] [ incopiable ] [ illusion ]

passivité

Contre ce monde insaisissable et fantasmagorique où ce qui est noir aujourd’hui peut être blanc demain et où le temps qu’il faisait la veille peut être modifié par décret, il n’y a à vrai dire que deux remparts. Le premier est qu’on a beau s’acharner à nier la vérité, la vérité n’en continue pas moins d’exister, dans votre dos pour ainsi dire, et qu’il vous est par conséquent impossible de la violer sans nuire à l’efficacité militaire. La seconde, c’est qu’aussi longtemps qu’il demeurera sur cette terre des régions non conquises, la tradition libérale pourra continuer de vivre. Que le fascisme, ou l’association des fascismes divers, conquière le monde entier, et ces deux remparts s’écrouleront. Nous sous-estimons, en Angleterre, ce genre de danger, nos traditions et notre sécurité passée nous ayant inculqué la croyance sentimentale que tout finit toujours par s’arranger et que ce que l’on craint le plus n’arrive jamais pour de bon. Nourris pendant des siècles d’une littérature où le bon droit triomphe invariablement au dernier chapitre, nous sommes presque instinctivement convaincus qu’à long terme le mal va toujours de lui-même à sa perte. Le pacifisme, par exemple, repose largement sur cette idée. Ne résistez pas au mal, il se détruira tout seul, d’une façon ou d’une autre. Mais pourquoi se détruirait-il ? Quelles preuves avons-nous qu’il le fasse jamais ? Et quel exemple y a-t-il d’un État industrialisé moderne qui se soit effondré sans l’intervention armée d’une puissance extérieure ?

Auteur: Orwell George

Info: Dans "Pourquoi j'écris ?", trad. de l'anglais par Marc Chénetier, éditions Gallimard, 2022, pages 27-28

[ croyance réconfortante ] [ zen hypocrite ] [ optimisme ]

cinéma

Cher Robert,
Conformément à la décision dont nous sommes convenus après notre entrevue avec Mr. Joseph Breen, je vous écris cette lettre dans laquelle je vais indiquer et tenter d'expliquer les grandes lignes selon lesquelles nous pourrions établir un scénario de Madame Bovary.
Le premier point que je souhaite souligner est la nécessité de suivre le livre de Flaubert avec une fidélité absolue ; pourtant, comme le sujet est très vaste - d'un champ beaucoup plus étendu que celui habituellement traité dans un film - je pense que nous pouvons, sans prendre de liberté avec l'histoire, faire ressortir avec force certains points et en laisser d'autres dans l'ombre.
Nous devons également tenter de tirer une morale des expériences émotionnelles de l'infortunée Emma. Flaubert y parvient fort bien par le biais du roman car il profite pleinement du commentaire et de la description. Un film étant limité au dialogue et à la photographie, il nous faut trouver un autre moyen pour mettre en évidence cette morale.
Pour commencer, j'insisterai sur l'éducation d'Emma et certains faits qui ont formé son caractère : l'erreur profonde commise par son père en l'envoyant dans un collège à la mode, où elle fut en contact avec des filles beaucoup plus riches qu'elle, coudoyant ainsi un monde qui était loin d'être le sien ; c'est là aussi qu'elle a appris à mépriser son père, un simple fermier normand. J'aimerais insister sur ses rêves, les livres qu'elle lit et aussi, peut-être, l'aspect superficiel de son sentiment religieux. Avec l'aide de ces éléments, je pourrais peut-être commencer à élaborer un film sur une base solide - et on ne peut plus familière au public. Le refus d'affronter les faits et de voir la vie telle qu'elle est constitue une erreur courante chez les jeunes filles d'aujourd'hui. Et en Amérique en particulier, si tant de femmes passent d'un divorce à un autre et mènent pour finir une vie extrêmement malheureuse, c'est parce que, comme Emma Bovary, elles perdent leur temps à poursuivre un idéal impossible, d'autant plus impossible et inaccessible qu'il n'existe que dans leur imagination.
Pour montrer en pleine lumière l'erreur fondamentale de Madame de Bovary, j'aimerais que l'acteur qui joue le rôle du mari soit un homme d'apparence normale qui, outre ses grandes qualités ­ - il a bon coeur et c'est une bonne nature - donne l'impression d'être homme d'intelligence normale. En mariant Emma à un vieux barbon, qui serait affreux et stupide au dernier degré, il me semble qu'on détruirait le message à portée morale que j'aimerais faire passer par l'intermédiaire de ce film. Un mari aussi répugnant suffirait largement, aux yeux de la majorité de notre public, à absoudre Madame Bovary de toute faute. Je veux montrer que l'erreur d'Emma vient d'elle, qu'elle est sa propre victime, son pire ennemi ; et que si sa vie avait été bâtie sur des principes plus sains, elle aurait été parfaitement heureuse avec son mari.
Je ne puis vous donner une idée claire d'une intrigue pour le film tant que je n'ai pas écrit le scénario, mais je puis vous dire maintenant que la direction qui me paraît la meilleure est celle donnée par l'auteur lui-même, à la différence que tout devrait être vu ou plutôt ressenti par Emma et de son point de vue. Le roman nous donne une description générale dans laquelle l'héroïne n'est qu'un des éléments. Flaubert dissèque Emma et l'explique à la manière d'un chirurgien qui analyse un cadavre au cours d'une leçon d'anatomie. Au lieu que le public contemple son cas d'un oeil froid, j'aimerais qu'il participe plus intimement à l'expérience de cette femme et, ce faisant, qu'il éprouve plus profondément les conséquences désastreuses de son erreur.
[...]
Je vous prie de ne voir dans cette lettre, Robert, que l'expression hâtive de ma première réaction. Tout ce que j'ai dit doit être revu et discuté. Néanmoins, j'espère que ce premier effort de ma part sera satisfait pour vous.
Cordialement vôtre.

Auteur: Renoir Jean

Info: Lettre du 8 juin 1946 à Robert Hakim, ami et collaborateur

[ transposition ] [ littérature ]

homme-machine

Une nouvelle approche du calcul réinvente l'intelligence artificielle

Par l'imprégnation d'énormes vecteurs de sens sémantique, nous pouvons amener les machines à raisonner de manière plus abstraite et plus efficace qu'auparavant.

Malgré le succès retentissant de ChatGPT et d'autres grands modèles de langage, les réseaux de neurones artificiels (ANN) qui sous-tendent ces systèmes pourraient être sur la mauvaise voie.

D'une part, les ANN sont "super gourmands en énergie", a déclaré Cornelia Fermüller , informaticienne à l'Université du Maryland. "Et l'autre problème est [leur] manque de transparence." De tels systèmes sont si compliqués que personne ne comprend vraiment ce qu'ils font, ou pourquoi ils fonctionnent si bien. Ceci, à son tour, rend presque impossible de les amener à raisonner par analogie, ce que font les humains - en utilisant des symboles pour les objets, les idées et les relations entre eux.

Ces lacunes proviennent probablement de la structure actuelle des RNA et de leurs éléments constitutifs : les neurones artificiels individuels. Chaque neurone reçoit des entrées, effectue des calculs et produit des sorties. Les RNA modernes sont des réseaux élaborés de ces unités de calcul, formés pour effectuer des tâches spécifiques.

Pourtant, les limites des RNA sont évidentes depuis longtemps. Considérez, par exemple, un ANN qui sépare les cercles et les carrés. Une façon de le faire est d'avoir deux neurones dans sa couche de sortie, un qui indique un cercle et un qui indique un carré. Si vous voulez que votre ANN discerne également la couleur de la forme - bleu ou rouge - vous aurez besoin de quatre neurones de sortie : un pour le cercle bleu, le carré bleu, le cercle rouge et le carré rouge. Plus de fonctionnalités signifie encore plus de neurones.

Cela ne peut pas être la façon dont notre cerveau perçoit le monde naturel, avec toutes ses variations. "Vous devez proposer que, eh bien, vous avez un neurone pour toutes les combinaisons", a déclaré Bruno Olshausen , neuroscientifique à l'Université de Californie à Berkeley. "Donc, vous auriez dans votre cerveau, [disons,] un détecteur Volkswagen violet."

Au lieu de cela, Olshausen et d'autres soutiennent que l'information dans le cerveau est représentée par l'activité de nombreux neurones. Ainsi, la perception d'une Volkswagen violette n'est pas codée comme les actions d'un seul neurone, mais comme celles de milliers de neurones. Le même ensemble de neurones, tirant différemment, pourrait représenter un concept entièrement différent (une Cadillac rose, peut-être).

C'est le point de départ d'une approche radicalement différente de l'informatique connue sous le nom d'informatique hyperdimensionnelle. La clé est que chaque élément d'information, comme la notion d'une voiture, ou sa marque, son modèle ou sa couleur, ou tout cela ensemble, est représenté comme une seule entité : un vecteur hyperdimensionnel.

Un vecteur est simplement un tableau ordonné de nombres. Un vecteur 3D, par exemple, comprend trois nombres : les coordonnées x , y et z d'un point dans l'espace 3D. Un vecteur hyperdimensionnel, ou hypervecteur, pourrait être un tableau de 10 000 nombres, par exemple, représentant un point dans un espace à 10 000 dimensions. Ces objets mathématiques et l'algèbre pour les manipuler sont suffisamment flexibles et puissants pour amener l'informatique moderne au-delà de certaines de ses limites actuelles et favoriser une nouvelle approche de l'intelligence artificielle.

"C'est ce qui m'a le plus enthousiasmé, pratiquement de toute ma carrière", a déclaré Olshausen. Pour lui et pour beaucoup d'autres, l'informatique hyperdimensionnelle promet un nouveau monde dans lequel l'informatique est efficace et robuste, et les décisions prises par les machines sont entièrement transparentes.

Entrez dans les espaces de grande dimension

Pour comprendre comment les hypervecteurs rendent le calcul possible, revenons aux images avec des cercles rouges et des carrés bleus. Nous avons d'abord besoin de vecteurs pour représenter les variables SHAPE et COLOR. Ensuite, nous avons également besoin de vecteurs pour les valeurs pouvant être affectées aux variables : CERCLE, CARRÉ, BLEU et ROUGE.

Les vecteurs doivent être distincts. Cette distinction peut être quantifiée par une propriété appelée orthogonalité, ce qui signifie être à angle droit. Dans l'espace 3D, il existe trois vecteurs orthogonaux entre eux : un dans la direction x , un autre dans la direction y et un troisième dans la direction z . Dans un espace à 10 000 dimensions, il existe 10 000 vecteurs mutuellement orthogonaux.

Mais si nous permettons aux vecteurs d'être presque orthogonaux, le nombre de ces vecteurs distincts dans un espace de grande dimension explose. Dans un espace à 10 000 dimensions, il existe des millions de vecteurs presque orthogonaux.

Créons maintenant des vecteurs distincts pour représenter FORME, COULEUR, CERCLE, CARRÉ, BLEU et ROUGE. Parce qu'il y a tellement de vecteurs presque orthogonaux possibles dans un espace de grande dimension, vous pouvez simplement assigner six vecteurs aléatoires pour représenter les six éléments ; ils sont presque garantis d'être presque orthogonaux. "La facilité de créer des vecteurs presque orthogonaux est une raison majeure d'utiliser la représentation hyperdimensionnelle", a écrit Pentti Kanerva , chercheur au Redwood Center for Theoretical Neuroscience de l'Université de Californie à Berkeley, dans un article influent de 2009.

L'article s'appuyait sur des travaux effectués au milieu des années 1990 par Kanerva et Tony Plate, alors étudiant au doctorat avec Geoff Hinton à l'Université de Toronto. Les deux ont développé indépendamment l'algèbre pour manipuler les hypervecteurs et ont fait allusion à son utilité pour le calcul en haute dimension.

Étant donné nos hypervecteurs pour les formes et les couleurs, le système développé par Kanerva et Plate nous montre comment les manipuler à l'aide de certaines opérations mathématiques. Ces actions correspondent à des manières de manipuler symboliquement des concepts.

La première opération est la multiplication. C'est une façon de combiner les idées. Par exemple, multiplier le vecteur FORME par le vecteur CERCLE lie les deux en une représentation de l'idée "LA FORME est CERCLE". Ce nouveau vecteur "lié" est presque orthogonal à la fois à SHAPE et à CIRCLE. Et les composants individuels sont récupérables - une caractéristique importante si vous souhaitez extraire des informations à partir de vecteurs liés. Étant donné un vecteur lié qui représente votre Volkswagen, vous pouvez dissocier et récupérer le vecteur pour sa couleur : VIOLET.

La deuxième opération, l'addition, crée un nouveau vecteur qui représente ce qu'on appelle une superposition de concepts. Par exemple, vous pouvez prendre deux vecteurs liés, "SHAPE is CIRCLE" et "COLOR is RED", et les additionner pour créer un vecteur qui représente une forme circulaire de couleur rouge. Là encore, le vecteur superposé peut être décomposé en ses constituants.

La troisième opération est la permutation ; cela implique de réorganiser les éléments individuels des vecteurs. Par exemple, si vous avez un vecteur tridimensionnel avec des valeurs étiquetées x , y et z , la permutation peut déplacer la valeur de x vers y , y vers z et z vers x. "La permutation vous permet de construire une structure", a déclaré Kanerva. "Ça permet de gérer des séquences, des choses qui se succèdent." Considérons deux événements, représentés par les hypervecteurs A et B. Nous pouvons les superposer en un seul vecteur, mais cela détruirait les informations sur l'ordre des événements. La combinaison de l'addition et de la permutation préserve l'ordre ; les événements peuvent être récupérés dans l'ordre en inversant les opérations.

Ensemble, ces trois opérations se sont avérées suffisantes pour créer une algèbre formelle d'hypervecteurs permettant un raisonnement symbolique. Mais de nombreux chercheurs ont été lents à saisir le potentiel de l'informatique hyperdimensionnelle, y compris Olshausen. "Cela n'a tout simplement pas été pris en compte", a-t-il déclaré.

Exploiter le pouvoir

En 2015, un étudiant d'Olshausen nommé Eric Weiss a démontré un aspect des capacités uniques de l'informatique hyperdimensionnelle. Weiss a compris comment représenter une image complexe comme un seul vecteur hyperdimensionnel contenant des informations sur tous les objets de l'image, y compris leurs propriétés, telles que les couleurs, les positions et les tailles.

"Je suis pratiquement tombé de ma chaise", a déclaré Olshausen. "Tout d'un coup, l'ampoule s'est allumée."

Bientôt, d'autres équipes ont commencé à développer des algorithmes hyperdimensionnels pour reproduire des tâches simples que les réseaux de neurones profonds avaient commencé à effectuer environ deux décennies auparavant, comme la classification d'images.

Considérons un ensemble de données annotées composé d'images de chiffres manuscrits. Un algorithme analyse les caractéristiques de chaque image en utilisant un schéma prédéterminé. Il crée ensuite un hypervecteur pour chaque image. Ensuite, l'algorithme ajoute les hypervecteurs pour toutes les images de zéro pour créer un hypervecteur pour l'idée de zéro. Il fait ensuite la même chose pour tous les chiffres, créant 10 hypervecteurs "de classe", un pour chaque chiffre.

Maintenant, l'algorithme reçoit une image non étiquetée. Il crée un hypervecteur pour cette nouvelle image, puis compare l'hypervecteur aux hypervecteurs de classe stockés. Cette comparaison détermine le chiffre auquel la nouvelle image ressemble le plus.

Pourtant, ce n'est que le début. Les points forts de l'informatique hyperdimensionnelle résident dans la capacité de composer et de décomposer des hypervecteurs pour le raisonnement. La dernière démonstration en date a eu lieu en mars, lorsqu'Abbas Rahimi et ses collègues d'IBM Research à Zurich ont utilisé l'informatique hyperdimensionnelle avec des réseaux de neurones pour résoudre un problème classique de raisonnement visuel abstrait - un défi important pour les RNA typiques, et même certains humains. Connu sous le nom de matrices progressives de Raven, le problème présente des images d'objets géométriques dans, disons, une grille 3 par 3. Une position dans la grille est vide. Le sujet doit choisir, parmi un ensemble d'images candidates, l'image qui correspond le mieux au blanc.

"Nous avons dit:" C'est vraiment ... l'exemple qui tue pour le raisonnement abstrait visuel, allons-y "", a déclaré Rahimi.

Pour résoudre le problème à l'aide de l'informatique hyperdimensionnelle, l'équipe a d'abord créé un dictionnaire d'hypervecteurs pour représenter les objets dans chaque image ; chaque hypervecteur du dictionnaire représente un objet et une combinaison de ses attributs. L'équipe a ensuite formé un réseau de neurones pour examiner une image et générer un hypervecteur bipolaire - un élément peut être +1 ou -1 - aussi proche que possible d'une superposition d'hypervecteurs dans le dictionnaire ; l'hypervecteur généré contient donc des informations sur tous les objets et leurs attributs dans l'image. "Vous guidez le réseau de neurones vers un espace conceptuel significatif", a déclaré Rahimi.

Une fois que le réseau a généré des hypervecteurs pour chacune des images de contexte et pour chaque candidat pour l'emplacement vide, un autre algorithme analyse les hypervecteurs pour créer des distributions de probabilité pour le nombre d'objets dans chaque image, leur taille et d'autres caractéristiques. Ces distributions de probabilité, qui parlent des caractéristiques probables à la fois du contexte et des images candidates, peuvent être transformées en hypervecteurs, permettant l'utilisation de l'algèbre pour prédire l'image candidate la plus susceptible de remplir l'emplacement vacant.

Leur approche était précise à près de 88 % sur un ensemble de problèmes, tandis que les solutions de réseau neuronal uniquement étaient précises à moins de 61 %. L'équipe a également montré que, pour les grilles 3 par 3, leur système était presque 250 fois plus rapide qu'une méthode traditionnelle qui utilise des règles de logique symbolique pour raisonner, car cette méthode doit parcourir un énorme livre de règles pour déterminer la bonne prochaine étape.

Un début prometteur

Non seulement l'informatique hyperdimensionnelle nous donne le pouvoir de résoudre symboliquement des problèmes, mais elle résout également certains problèmes épineux de l'informatique traditionnelle. Les performances des ordinateurs d'aujourd'hui se dégradent rapidement si les erreurs causées, par exemple, par un retournement de bit aléatoire (un 0 devient 1 ou vice versa) ne peuvent pas être corrigées par des mécanismes de correction d'erreurs intégrés. De plus, ces mécanismes de correction d'erreurs peuvent imposer une pénalité sur les performances allant jusqu'à 25 %, a déclaré Xun Jiao , informaticien à l'Université de Villanova.

Le calcul hyperdimensionnel tolère mieux les erreurs, car même si un hypervecteur subit un nombre important de retournements de bits aléatoires, il reste proche du vecteur d'origine. Cela implique que tout raisonnement utilisant ces vecteurs n'est pas significativement impacté face aux erreurs. L'équipe de Jiao a montré que ces systèmes sont au moins 10 fois plus tolérants aux pannes matérielles que les ANN traditionnels, qui sont eux-mêmes des ordres de grandeur plus résistants que les architectures informatiques traditionnelles. "Nous pouvons tirer parti de toute [cette] résilience pour concevoir du matériel efficace", a déclaré Jiao.

Un autre avantage de l'informatique hyperdimensionnelle est la transparence : l'algèbre vous indique clairement pourquoi le système a choisi la réponse qu'il a choisie. Il n'en va pas de même pour les réseaux de neurones traditionnels. Olshausen, Rahimi et d'autres développent des systèmes hybrides dans lesquels les réseaux de neurones cartographient les éléments du monde physique en hypervecteurs, puis l'algèbre hyperdimensionnelle prend le relais. "Des choses comme le raisonnement analogique vous tombent dessus", a déclaré Olshausen. "C'est ce que nous devrions attendre de tout système d'IA. Nous devrions pouvoir le comprendre comme nous comprenons un avion ou un téléviseur.

Tous ces avantages par rapport à l'informatique traditionnelle suggèrent que l'informatique hyperdimensionnelle est bien adaptée à une nouvelle génération de matériel extrêmement robuste et à faible consommation d'énergie. Il est également compatible avec les "systèmes informatiques en mémoire", qui effectuent le calcul sur le même matériel qui stocke les données (contrairement aux ordinateurs von Neumann existants qui transfèrent inefficacement les données entre la mémoire et l'unité centrale de traitement). Certains de ces nouveaux appareils peuvent être analogiques, fonctionnant à très basse tension, ce qui les rend économes en énergie mais également sujets aux bruits aléatoires. Pour l'informatique de von Neumann, ce caractère aléatoire est "le mur que vous ne pouvez pas franchir", a déclaré Olshausen. Mais avec l'informatique hyperdimensionnelle, "vous pouvez simplement percer".

Malgré ces avantages, l'informatique hyperdimensionnelle en est encore à ses balbutiements. "Il y a un vrai potentiel ici", a déclaré Fermüller. Mais elle souligne qu'il doit encore être testé contre des problèmes du monde réel et à des échelles plus grandes, plus proches de la taille des réseaux de neurones modernes.

"Pour les problèmes à grande échelle, cela nécessite un matériel très efficace", a déclaré Rahimi. "Par exemple, comment [faites-vous] une recherche efficace sur plus d'un milliard d'articles ?"

Tout cela devrait venir avec le temps, a déclaré Kanerva. "Il y a d'autres secrets [que] les espaces de grande dimension détiennent", a-t-il déclaré. "Je vois cela comme le tout début du temps pour le calcul avec des vecteurs."

Auteur: Ananthaswamy Anil

Info: https://www.quantamagazine.org/ Mais 2023

[ machine learning ]