La pensée comme « sensation raffinée », et l’écart persistant avec l’intelligence artificielle

La pensée comme « sensation raffinée », et l’écart persistant avec l’intelligence artificielle

L’idée selon laquelle la pensée serait une « sensation transformée », non pas une simple sensation brute, mais le résultat d’un processus de transformation, de hiérarchisation et de recombinaison, a ses racines dans le sensationnisme de Condillac.

Celui-ci, dans son « Traité des sensations » (1754), montre comment, à partir de sensations élémentaires, l’attention, la mémoire, la comparaison, le jugement et finalement la pensée réfléchie se construisent progressivement.

Ces facultés ne sont pas innées, séparées : elles sont la sensation elle-même en transformation.

Les signes et le langage permettent ensuite une mise en forme, l’analyse et la combinaison. (Qui est en partie une dégradation du signal, en partie un enrichissement, à partir de la mémoire)

Cette intuition datée, souvent niée par le passé, a de nos jours une nouvelle vie (contestée par une minorité de scientifiques).

Les cadres dominants actuels en science la retrouvent sous une forme naturalisée.
Les pensées (et donc les concepts) y sont compris comme des simulations ou des prédictions hiérarchiques élaborées à partir de traces sensori-motrices et intéroceptives (capacité du cerveau à percevoir, intégrer et interpréter les signaux physiologiques provenant de l’intérieur du corps).

La pensée n’est pas un calcul indépendant des sens, elle en est le raffinement continu. L’abstraction émerge de la structure même du traitement sensoriel, et non pas contre lui.

C’est sur ce point, précisément, que l’écart avec les intelligences artificielles actuelles se creuse le plus nettement.

Les grands modèles de langage et les systèmes purement numériques produisent des comportements remarquablement sophistiqués, mais ils le font à partir de données déjà largement pré-raffinées par des humains, sans corps propre, sans flux sensoriel continu, sans résistance physique du monde et sans développement fondé sur l’expérience.

Ils contournent le processus ; ils ne le (re)produisent pas.

Des tentatives pour combler cet écart « à la source » sont menées depuis plus de vingt ans notamment par Giorgio Metta à l’Istituto Italiano di Tecnologia.

Le projet iCub, qu’il conduit, en est un exemple emblématique.

Cet humanoïde de la taille d’un jeune enfant a été conçu précisément pour explorer la cognition incarnée : vision, audition, proprioception et surtout une peau tactile électronique sur une grande partie du corps, pour permettre un apprentissage par interaction physique, exploration et erreur, à la manière d’un enfant.

Les difficultés rencontrées au fur et à mesure de l’avancée ont été considérables. : La complexité mécanique (plus de 5000 pièces, 53 degrés de liberté) et la fragilité des composants.

Les années nécessaires pour produire et adapter la peau tactile, les contraintes d’espace, de puissance et de robustesse ont rendu l’apprentissage développemental réel très coûteux et lent.

Un enfant tombe, se relève et affine ses modèles du monde ; un robot fragile ne peut pas encore le faire avec la même liberté. Les conditions matérielles (de coût) limitent ce que l’on peut expérimenter.

Mais cette lenteur n’est pas essentiellement un problème matériel. Elle révèle une différence de nature : fournir de véritables « sens artificiels » et laisser émerger un flux sensoriel continu nécessite la résolution simultanée des problèmes de matériaux, de mécanique, d’énergie, de perception multimodale et d’apprentissage en interaction réelle.

Les systèmes purement numériques, en revanche, exploitent à grande échelle des traces déjà transformées et évitent ces contraintes. Ils progressent donc beaucoup plus vite sur de nombreuses tâches, mais au prix d’un ancrage sensoriel qui reste, pour l’instant, simulé ou absent.

L’écart persiste donc, et les travaux comme ceux de l’iCub montrent qu’il n’est pas aisé à réduire.

Si la pensée humaine est bien, au moins en partie, un processus de raffinement de la sensation, alors les intelligences artificielles qui en sont privées ne peuvent en reproduire qu’une approximation partielle, puissante dans certains domaines, mais structurellement différente.

Les difficultés rencontrées donnent à penser que l’avancée de projets tels que iCub pourrait être plus nuancée, et plus lente, que les succès spectaculaires récents des systèmes désincarnés, ne le laissent parfois espérer.

Les sens se domestiqueraient-ils plus plus difficilement ?

L’approche brutale

Dans une large mesure, les approches plus « brutales », orientées ingénierie, fabrication de masse, itération rapide et déploiement réel plutôt que pure recherche cognitive progressent actuellement plus vite et produisent des résultats plus concrets en robotique humanoïde. Les succès de la Chine dans ce domaine en est l’illustration la plus claire.

La raison de leur réussite donne à réfléchir :

Principalement sur le fond :La priorité qui est donnée à l’ingénierie plutôt qu’à la cognition pure. On ne cherche pas d’abord à comprendre finement comment un enfant apprend par la sensation (comme avec iCub).

On optimise le contrôle dynamique, la robustesse mécanique, la perception suffisante pour des tâches concrètes et l’intégration logicielle « assez bonne ».

Les modèles d’IA sont utilisés, mais souvent comme une couche supérieure, posée sur une base matérielle solide et abondante.

Conclusion ? :

On n’obtient pas une pensée vraiment raffinée sans sensation, et on n’obtient pas de robots utiles sans une bonne dose d’ingénierie brutale.

La cognition incarnée et le raffinement sensoriel restent des horizons de recherche souhaitables, mais ils avancent lentement tant que le corps et le monde résistent.

En attendant, ce qui est à la fois le plus facile et le plus rentable aujourd’hui, c’est de construire des machines robustes, bon marché et nombreuses, de les mettre dans le réel, et de laisser les données et l’itération faire le reste.

On peut établir un parallèle entre : projet iCub / approche pragmatique, d’une part et : démonstration mathématique / preuve sous IA.

L’élégance théorique et la force pratique ne coïncident pas toujours. À ce jour, la seconde a pris de l’avance.