Bio-mimétisme : design inspiré par la nature

Note de bas de page 1 :

Mais aujourd’hui, ce qu’on appelle « fonctionnalisme » est lié à la conception d’un état mental qui est tel s’il joue une fonction donnée ou recouvre un certain rôle dans le système - cerveau considéré dans sa globalité. Pour une discussion claire du fonction-nement computationnel, voir Paternoster A. (2002).

Cette perspective, selon laquelle le calcul, l’information et les processus de communication jouent un rôle déterminant, a ensuite été développée par Norbert Wiener, le père de la cybernétique. Dans la conception de Wiener, le réel est un pur jeu de différences entre les éléments (les objets) qui le composent. Ces différences ne concernent pas seulement la nature des objets, mais aussi et surtout leur niveau de complexité et les relations qui s’établissent entre eux. Elles concernent l’intérieur des choses (l’invisible) et leur extérieur (le visible). L’intérieur des choses – qui comprend leur organisation, leur structure, leurs "propriétés" – en un mot : l’"invisible" – est analysable par une méthode "fonctionnelle". Au contraire, la méthode qu’il dénomme "comportementale" néglige la structure et l’organisation interne, invisible de l’objet et se concentre sur ses relations ("visibles") avec l’environnement¹. Ces deux niveaux différents d’analyse permettent d’éclairer de façon tout à fait nouvelle le rapport entre l’homme et la machine – et entre objets naturels et objets artificiels, en général.

Note de bas de page 2 :

Putnam (1960).

Les différences profondes qui existent entre l’homme et la machine et que l’analyse fonctionnelle identifie dans la diversité de leur composition matérielle ne sont pas pertinentes pour l’analyse comportementale. Comme le disait Hilary Putnam en son temps (mais aujourd’hui, il s’en "repent"), l’esprit peut aussi bien être fait de silice que de fromage, car ce sont ses propriétés organisatrices qui en font un cerveau, l’organisation pouvant, en principe, être réalisée à partir du substrat que l’on veut.²

Note de bas de page 3 :

Rosenbluth, Wiener, Bigelow (1943, p. 22).

De même, dans la conception de Wiener, le monde est peuplé d’entités (naturelles et artificielles) dotées de comportements, leur composition matérielle ne les différenciant qu’à un niveau secondaire. « Machines et êtres humains ont les mêmes comportements. Certains d’entre eux, spécifiques, se trouvent exclusivement dans les unes et non dans les autres. Il n’y a encore aucune machine qui sache écrire un dictionnaire sanscrit-mandarin. De même, il n’y a pas d’organismes vivants qui se déplacent sur roues : imaginez la situation si les ingénieurs s’étaient obstinés à copier les organismes vivants et à munir les locomotives de jambes et de pieds ! »³

Note de bas de page 4 :

Pour une reconstruction historique de ces thèmes et une discussion théorique, voir Licata (2008).

C’est dans le cadre de cette conception que le test de Turing acquiert un sens, tout comme le premier calculateur conçu par John von Neumann⁴. Il est assez significatif que le projet de l’EDVAC ne soit pas un projet "d’ingénieur". Le texte de von Neumann ne contient aucun dessin ni aucune représentation graphique. C’est une suite de définitions et de descriptions. Les analogies entre cerveau et machine sont, exactement comme pour Wiener, des analogies de comportement. Le modèle fonctionne indépendamment de la nature du support. Ainsi, le premier calculateur est le résultat d’une tentative abstraite pour comprendre le fonctionnement de l’intelligence en tant qu’élaboration des informations (c’est-à-dire, en tant que comportement, résultat (visible) en sortie (output)), avec transfert de cet "algorithme" sur un support matériel. Il s’agit de créer une "incarnation" du même modèle sur un support différent. La machine se compose donc de parties (l’unité de calcul, l’unité de contrôle logique et la mémoire) qui doivent répondre au modèle abstrait sur la base duquel fonctionnent les neurones. Alors, il s’agit tout simplement de trouver des matériaux qui soient en mesure d’assumer la même fonction que les matériaux biologiques, tout en étant différents : meilleurs sur certains points, pires sur d’autres.

Note de bas de page 5 :

Pour une discussion intéressante sur ce point, voir Boncinelli, Giorello (2008, p. 53 et suivants)

Note de bas de page 6 :

Hodges (1983, trad.. it. p. 380).

Note de bas de page 7 :

Wiener (1951, p. 141).

Une fois que la machine est réalisée, on peut l’interpréter, certes, comme une imitation de la nature, mais cette terminologie est impropre et fourvoie. Bien sûr, on peut penser à un avion comme à un grand oiseau, mais l’avion a été construit selon un schéma dont seul le plan du comportement visible l’apparente à l’oiseau et par rapport auquel la structure invisible n’est pas pertinente. De même, une fois que le comportement "somme de deux nombres" est décrit, l’opération peut être exécutée soit par notre cerveau, soit par un réseau neuronal artificiel, un boulier ou un programme LISP. Dans les deux cas, nous sommes en mesure de reproduire certaines opérations sans qu’aucune forme d’imitation n’ait été produite. Nous pouvons, éventuellement, parler d’émulation d’un modèle⁵. Pour un mathématicien, « quoi qu’il fasse, le cerveau le fait "en vertu" de sa structure, en tant que système logique, mais pas parce qu’il se trouve dans la tête d’une personne (...), cette même structure logique pouvant être représentée, tout aussi bien, par d’autres moyens »⁶. Comme l’écrivait Wiener : « Le fait que nous ne puissions pas télégraphier le modèle d’un homme d’un lieu dans un autre provient plutôt, sans doute, d’obstacles techniques [...] que du résultat d’une impossibilité de l’idée en soi »⁷.

Note de bas de page 8 :

Searle (1980).

Note de bas de page 9 :

Ibid., p.2.

Le modèle abstrait assume donc certaines propriétés du comportement naturel (qu’il soit humain ou pas), communes à des supports matériels très différents mais indépendantes de ceux-ci. Le terme émulation que nous avons employé précédemment correspond, dans la terminologie qu’utilise John Searle dans un célèbre article⁸, à l’Intelligence Artificielle "faible" ou "prudente", selon laquelle la principale valeur d’un ordinateur (d’un objet artificiel) est de nous aider à « formuler et contrôler des hypothèses (sur le cerveau) de façon rigoureuse et précise » et d’en reproduire certaines fonctions circonscrites. Mais, soutenir que l’ordinateur puisse imiter l’intelligence humaine signifie que l’on considère un programme d’Intelligence Artificielle "fort" ; c’est dire que les ordinateurs "dotés de programmes appropriés" pourraient se trouver dans des états cognitifs comparables aux états naturels du cerveau humain et ne se distingueraient pas de celui-ci (ce qui revient à soutenir qu’une machine pourrait réussir le test de Turing) : « Dans l’Intelligence Artificielle forte, étant donné que l’ordinateur a des états cognitifs, les programmes ne sont pas de simples instruments pour mettre à l’épreuve nos explications psychologiques, mais ils sont eux-mêmes des explications »⁹.

Note de bas de page 10 :

Ibid., p.1.

A la question fatidique « Une machine peut-elle penser ? », Searle répond que seuls les cerveaux (ou les machines munies "de pouvoirs logiques internes" équivalents) le peuvent et que l’Intelligence Artificielle "forte" « n’a pas grand chose à nous dire sur la pensée car elle concerne les programmes, pas les machines, et qu’aucun programme à lui seul n’est suffisant pour penser »¹⁰.

Note de bas de page 11 :

Paternoster (2002, p. 6).

L’un des points forts de la critique de Searle – avec d’autres du même genre – porte sur la "cécité" des computations quant au sens¹¹. En effet, chez les humains, l’introspection et l’observation des comportements montrent que les processus cognitifs sont "chargés" de sens. Ce sont des acteurs intentionnels guidés par des états représentationnels (intentions). Dans sa célèbre pièce chinoise, Searle prend comme exemple de système computationnel un programme d’élaboration du langage naturel et le compare à un homme enfermé dans une pièce, ignorant tout du chinois, et qui parvient pourtant à donner, en chinois, des réponses écrites et appropriées à des questions écrites en chinois, grâce à des instructions rédigées dans sa propre langue où il est expliqué comment faire correspondre les symboles chinois en entrée avec les symboles chinois en sortie. L’homme ignore que ce qu’il reçoit sont des questions et qu’il renvoie des réponses : il exécute une simple tâche mécanique qui consiste à associer des symboles entre eux. Donc, selon Searle, les systèmes artificiels ne comprennent pas le langage parce qu’ils n’ont pas accès aux propriétés sémantiques des symboles qu’ils manipulent. Comme l’homme dans la pièce chinoise, les ordinateurs exécutent des instructions sans vraiment comprendre ce qu’ils sont en train de faire.

Note de bas de page 12 :

L’importance de la composante émotive dans la décision a été mise en lumière par Damasio (1994). Il a miné, de façon convaincante, l’idée que rationalité et émotivité sont des facultés mentales opposées. Au contraire, c’est par ces constituants complémentaires et indispensables qu’il est possible – au niveau neurophysiologique – de parvenir à une décision.

On peut penser, toutefois, que ce manque d’appréhension du sens dépend du fait que cet homme applique des règles sans encourir la moindre conséquence et qu’il est "enfermé dans la pièce" sans pouvoir établir de relations avec son interlocuteur, et que ce manque dépendrait du fait que l’échange linguistique n’a pas lieu dans le contexte social qui est indispensable pour son bon fonctionnement. Mais si on suppose, par exemple, que l’homme sera puni ou récompensé en fonction de certaines réponses ou, encore, qu’il sera en mesure de distinguer, chez son interlocuteur, des réactions positives ou négatives, cela donnerait déjà un sens (même élémentaire, "positif " ou "négatif ") à certains signes qu’il manipule. Ceci a lieu parce que l’homme n’est pas une machine (eu égard au matériau qui le compose) et qu’une réponse négative peut "lui porter atteinte" tandis qu’une récompense peut "l’encourager". C’est cette préoccupation "biologique" qui l’induit à "apprendre", à "comprendre" et à attribuer une "signification", un "sens" à ses propres opérations, c’est-à-dire à activer les mécanismes qui consentent de choisir certaines actions (délibérément, intentionnellement) et d’en écarter d’autres. Afin que le "sens" surgisse, il faut doter la machine de "signaux d’orientation" : désirs, peurs, projets qui l’allèchent ou l’épouvantent ; d’une manière générale : d’émotions positives ou négatives. Il faut que la machine (ou l’homme dans la pièce chinoise) "se préoccupe".¹²

Note de bas de page 13 :

Rosenbluth, Wiener, Bigelow (1943).

Les composants électroniques étaient, du temps de Wiener, le matériau le plus adapté pour réaliser un modèle abstrait de raisonnement ; Wiener n’excluait pas, toutefois, la possibilité d’en trouver de meilleurs : « Si un ingénieur devait construire un robot dont le comportement ressemblerait grosso modo à celui d’un organisme animal, il ne le construirait pas aujourd’hui avec des protéines et des matériaux colloïdaux. Il le ferait, probablement, à partir d’éléments métalliques, de composants électriques et électroniques. Les mouvements du robot pourraient être plus rapides et plus puissants que ceux de l’organisme original. Mais ses capacités d’apprentissage et de mémoire seraient plus rudimentaires. Dans l’avenir, en raison des progrès de nos connaissances sur les colloïdes et les protéines, les ingénieurs chercheront à construire des robots qui, non seulement, auront un comportement analogue à celle d’un mammifère mais aussi la structure. Le modèle ultime pour un chat est, certes, un autre chat, qu’il provienne d’un semblable de son espèce ou qu’il ait été construit en laboratoire ».¹³

Note de bas de page 14 :

Montague (2006).

C’est, notamment, la thèse que soutient Read Montague dans un ouvrage où il recherche la nature des processus décisionnels à l’aide d’un modèle computationnel qui relève de l’informatique, de la théorie du contrôle et de la théorie statistique de l’apprentissage¹⁴. Selon Montague, le cerveau est capable de trouver des réponses sensées aux problèmes qu’il se pose parce qu’il est " lent, bruyant et imprécis", c’est-à-dire qu’il est tout à fait différent de la séquence élégante, rapide et précise de symboles qui composent un algorithme opérant sur un matériau moins fragile – plus "indifférent" – que l’organique. Le calcul qui n’est que manipulation de chaînes et de symboles, n’a pas besoin du sens. Même les machines qui "pensent", comme les ordinateurs, "ne se préoccupent pas". Mais les hommes, oui.

Note de bas de page 15 :

Ibid. p. 11

Au début des années 1990, un groupe de chercheurs du MIT guidés par Tomaso Poggio, chef de file de l’interprétation computationnelle de l’intelligence biologique, conjointement au Centre de Neurosciences computationnelles du Caltech et au Computational Neurobiology Lab (CNL) où Montague travaillait alors, ont proposé d’interpréter les opérations mentales en termes computationnels – faisant passer le modèle "classique" du champ purement théorique au champ opérationnel et concret de la décision – à partir des "choix" élémentaires opérés par des molécules et des bactéries comme l’Escherichia coli jusqu’aux choix beaucoup plus complexes qu’effectuent les êtres humains et les groupes sociaux. L’idée de base demeure celle d’Alan Turing, de Norbert Wiener et de John von Neumann : "la matière pensante" est faite de modèles d’informations emmagasinées, élaborées et transformées dans notre cerveau ou encore dans la reformulation qu’en donne Montague : « ton esprit n’est pas l’équivalent de ton cerveau ; il est le résultat de l’élaboration des informations qui est prise en charge par ton cerveau »¹⁵. Mais la nouvelle théorie inclut, dans le modèle classique, les mécanismes d’évaluation qui distinguent le calcul biologique du travail des ordinateurs. L’étude quantitative des processus d’évaluation en termes d’objectifs et de signaux d’orientation est un point fondamental pour la théorie de l’apprentissage de renfort qui constitue le cadre dans lequel on étudie comment, généralement, une machine peut apprendre de l’expérience.

Note de bas de page 16 :

Ibid. p. 231

Partant de la constatation que nous sommes des « configurations ‘pleines de sens’ qui, non seulement exécutent des opérations de traitement d’informations desquelles dépendent la perception et le mouvement mais sont aptes, aussi, à les évaluer »¹⁶, Montague soutient que les valeurs (et les buts qui les engendrent) ne nous arrivent pas de l’extérieur (voire d’en haut, de quelque "divinité" ou autorité externe), mais qu’elles font partie intégrante de chacune de nos représentations et sont finement "prises dans l’engrenage" des mécanismes de fonctionnement du cerveau. Dans notre machine, il n’y a pas seulement un flux de symboles qui "tourne", il y a aussi un flux d’associations "symbole - valeur " accompagnées de toute une série de signaux d’orientation corrective (signaux de récompense et d’erreur) qui sont générés par un système complexe neurophysiologique d’" apprentissage de renfort" orienté vers un but. En bref : l’esprit identifie des buts qu’il cherche à atteindre par tentatives et erreurs, "évaluant" chaque résultat, dans un grand souci "d’économie" ce qui implique : un moindre effort pour un rendement maximum !

Note de bas de page 17 :

De nombreux animaux sont aptes au sacrifice, mais ici, nous nous référons au terme sacrifices en tant que idéaux abstraits qui vont au-delà de la survie de l’individu ou du groupe.

Tout le livre de Montague gravite autour de l’analyse du lien fondamental entre la vie (à tous les niveaux et sous toutes ses formes) et les mécanismes d’évaluation. Ce sont les évaluations (et les objectifs qui lui sont associés) qui font entrer la signification dans les calculs biologiques. Si, dans la pièce chinoise, l’homme pensait que sa survie ou quelque chose d’important pour lui dépend des messages qui lui parviennent (et cela comporte, évidemment, une forme d’interaction avec ce qui est à l’extérieur de la pièce), il ferait ce qu’il est nécessaire pour leur trouver une signification. Alors que les évaluations des êtres plus simples biologiquement (comme l’Escherichia coli ou la majeure partie des animaux) sont guidés par des objectifs primaires liés à la survie et à la reproduction (nourriture et sexe), Montague démontre de façon convaincante comment le cerveau humain s’est développé afin de pouvoir conférer, même aux pensées les plus abstraites, un pouvoir directif sur nos actions. Ce "super pouvoir" qui confère aux idées la capacité d’obtenir une récompense de valeur comparable à celle des récompenses primaires – sexe, nourriture et autres mécanismes qui règlent habituellement la survie biologique – expliquerait pourquoi les élaborations à caractère social peuvent avoir un vrai " impact neural" et pourquoi les êtres humains – à l’opposé de la plupart des animaux¹⁷ et des machines – sont prêts à se sacrifier, à prendre des risques et à mourir non seulement pour leur survivance mais aussi pour des idées telles que l’égalité sociale, la justice ou la religion.

Note de bas de page 18 :

Ibid. p. 4, mais aussi p. 19 et 47-56.

Note de bas de page 19 :

Ibid., p. 143.

Donc, si une machine se préoccupe¹⁸ pour des objectifs, il faut alors comprendre comment on peut représenter physiquement le signal d’un objectif dans un calculateur efficient, qu’il soit mécanique ou biologique. Pour Montague, la réponse réside dans l’évaluation, qui lie buts et normes d’orientation. Un philosophe dirait : le jugement. "42" est la réponse d’une machine qui ne sait pas juger, qui manque de critères d’évaluation pour juger ses prestations pendant son fonctionnement. Le modèle que Deep Thought incarne est, de plus, le modèle de fonctionnement d’un cerveau adulte ; né achevé – telle Minerve naissant de la tête de Zeus. Sans histoire et sans liberté. Sa réponse insensée est due tout simplement au fait que les questions sur la vie, sur l’univers et sur toute chose "ne l’intéressent pas". La théorie de Montague ne parvient pas encore à expliquer pourquoi nous, les hommes, au contraire, nous sommes intéressés. De même qu’elle ne parvient pas à expliquer le pouvoir "supérieur" que certains objectifs – même irraisonnables et extravagants – parviennent à dominer l’esprit et à agir eux-mêmes comme récompense. Elle n’explique pas non plus pourquoi, par exemple, chez les disciples de la secte religieuse américaine de Heaven’s Gate, leur conviction absurde – qu’après leur mort, ils seraient transportés à bord d’un astronef pour atteindre "un niveau supérieur" d’existence – ait pu devenir une récompense primaire ; qu’un si fort "surdosage d’idées" l’ait emporté sur l’instinct de survivance chez ces disciples qui se suicidèrent en masse, dans une villa californienne, en 1977. Le thème du "pouvoir supérieur" fait appel à une explication physique sur la façon dont certaines idées, ou certaines problématiques, obtiennent une telle " force" qui déroute les commandes de l’esprit humain, le portant à dépasser ses propres objectifs primaires et jusqu’à l’instinct de survie lui-même. Mais elle ne clarifie pas les mécanismes qui font que nous préférons une idée à une autre, « elle ne dit rien de ce qui fait que les idées sont en concurrence pour obtenir le statut de récompense »¹⁹. Il pourrait se faire que quand nous réussirons à dévoiler aussi ce mécanisme, nous serons en mesure également de formaliser l’idée même de liberté.

Note de bas de page 20 :

Je me réfère à la conception d’objets qui auraient, par exemple, un cycle de vie ou qui réagissent à l’environnement. Pour une discussion intéressante sur ce genre de conception et de design, voir Benyus (1997).

Certes, comme le reconnaît Montague lui-même, les modèles computationnels du fonctionnement de l’esprit et des mécanismes décisionnels en sont encore à leurs premières armes, mais ils présentent les avantages typiques des modèles mathématiques face aux descriptions "verbales " habituelles : ils permettent d’observer, en les quantifiant, les relations entre activités neurales et comportement, d’analyser la façon dont les systèmes d’évaluation "se détériorent" et les types de dysfonctionnement qui en découlent et consentent de fournir, par la dotation de comportements typiques des systèmes "biologiques", un nouveau cadre théorique capable de révolutionner la conception des machines et des objets et, donc, d’imiter la nature²⁰. Ils ont peut-être aussi un avantage sur le plan philosophique : ils consentent, enfin, de donner un contenu empirique et contrôlable à des notions philosophiques fumeuses, comme "sens" et "âme", termes commodes que, dans bien des cas, nous donnons à notre ignorance.