Architecture cognitive SOAR – Allen Newell et John Laird

L’exploration des fondements computationnels de l’esprit humain constitue sans conteste l’une des aventures scientifiques les plus ambitieuses de la seconde moitié du vingtième siècle. Au cœur de cette quête épistémologique visant à élucider la mécanique de l’intelligence, tant naturelle qu’artificielle, s’élève l’architecture cognitive SOAR. Conçue initialement au début des années 1980 au sein des laboratoires de l’Université Carnegie Mellon par Allen Newell, John Laird et Paul Rosenbloom, SOAR ne s’est jamais réduite à un simple environnement de programmation pour systèmes experts ou à un moteur d’inférence académique isolé. Elle a été forgée comme une tentative héroïque de formuler une théorie unifiée de la cognition, capable de rendre compte de l’éventail complet des capacités de l’esprit rationnel, depuis les temps de réaction perceptifs de quelques dizaines de millisecondes jusqu’aux délibérations complexes de la résolution de problèmes et de l’apprentissage continu.

Le paradigme fondamental qui sous-tend SOAR repose sur l’hypothèse audacieuse que la pensée humaine peut être modélisée de manière exhaustive par un système de symboles physiques opérant au travers d’espaces de problèmes. À une époque marquée par l’éparpillement méthodologique de la psychologie cognitive en une myriade de micro-théories déconnectées et par une intelligence artificielle encore balbutiante oscillant entre des algorithmes spécialisés et des représentations statiques, SOAR a proposé une synthèse unificatrice. Sous la direction philosophique d’Allen Newell et grâce au génie algorithmique de John Laird, le projet a défini une machinerie computationnelle où la prise de décision, la résolution de conflits, la création autonome de sous-buts et l’apprentissage par agrégation de connaissances constituent un cycle dynamique indissociable. Cette approche holistique visait à abolir la frontière artificielle séparant les théories de la mémoire, les mécanismes d’inférence et les lois empiriques de l’apprentissage moteur et conceptuel.

Plus de quatre décennies après son émergence, l’architecture SOAR demeure un monument théorique et un banc d’essai technologique majeur au sein des sciences cognitives contemporaines. Ayant franchi les étapes successives de ses premières implémentations symboliques pures jusqu’aux versions récentes intégrant l’apprentissage par renforcement, les mémoires épisodiques et sémantiques, ainsi que des représentations spatio-visuelles, SOAR offre un recul historique et critique unique. Analyser l’architecture SOAR, c’est disséquer les fondements mêmes du computationnalisme classique, questionner les promesses et les limites de la rationalité symbolique face à la montée des modèles connexionnistes et connexionnistes profonds, et évaluer la viabilité d’une théorie générale capable d’abriter, sous une même voûte formelle, l’intégralité des facultés qui définissent un agent pensant autonome.

1. Introduction et genèse historique de l’architecture SOAR

1.1 Le contexte intellectuel de la révolution cognitive à Carnegie Mellon

L’émergence de l’architecture SOAR s’inscrit au cœur d’une mutation paradigmatique profonde qui a bouleversé les sciences de l’esprit au cours des décennies 1950 à 1970 : la révolution cognitive. Rejetant les dogmes réducteurs du béhaviorisme qui reléguaient les états mentaux internes au statut de boîte noire impénétrable, les chercheurs ont entrepris de concevoir l’esprit comme un système sophistiqué de traitement de l’information. Sous l’impulsion de pionniers comme Herbert Simon et Allen Newell à l’Université Carnegie Mellon (CMU), une analogie formelle et rigoureuse s’est établie entre le fonctionnement des programmes informatiques naissants et les flux de délibération cognitive humaine. Cette période fondatrice a vu la naissance de l’intelligence artificielle symbolique, non pas comme une simple branche des mathématiques appliquées, mais comme une science empirique explorant la nature même de la rationalité.

Les jalons précurseurs de cette aventure intellectuelle ont été posés avec des systèmes emblématiques tels que le Logic Theorist en 1956, capable de démontrer automatiquement des théorèmes des Principia Mathematica de Russell et Whitehead, suivi du General Problem Solver (GPS) à la fin des années 1950. Le GPS introduisait un principe révolutionnaire : l’analyse fins-moyens (means-ends analysis), consistant à mesurer systématiquement l’écart entre un état courant et un état cible, puis à sélectionner des opérateurs cognitifs capables de réduire cet intervalle. Toutefois, ces premiers succès ont rapidement révélé leurs limites intrinsèques. Si le GPS démontrait l’élégance de la délibération heuristique générale, il souffrait d’une incapacité criante à gérer des domaines de connaissances vastes et hétérogènes, ainsi que de l’absence totale de mécanismes d’apprentissage intégrés capables d’adapter dynamiquement ses stratégies face à la nouveauté empirique.

Au fil des années 1970, l’intelligence artificielle s’est alors fractionnée vers les systèmes experts d’une part, hyper-spécialisés mais dépourvus de flexibilité générale, et la psychologie expérimentale d’autre part, encline à disséquer des phénomènes comportementaux microscopiques dans des cadres de laboratoire hyperspécifiques. Pour Allen Newell, cette scission représentait une dérive réductrice mettant en péril l’ambition originelle de la révolution cognitive. Il devenait impératif d’opérer une transition audacieuse : passer de programmes d’intelligence artificielle symbolique fragmentaires à la formalisation d’une théorie générale et unifiée de l’esprit. C’est dans ce terreau fertile et exigeant de Carnegie Mellon, où la rigueur algorithmique côtoyait la modélisation psychologique, que les graines de l’architecture SOAR ont été semées.

1.2 La collaboration séminale entre Allen Newell et John Laird

La matérialisation formelle de l’architecture SOAR est indissociable de la rencontre académique entre Allen Newell, figure tutélaire des sciences cognitives, et John Laird, alors jeune chercheur au doctorat au sein du département d’informatique de Carnegie Mellon au début des années 1980. Partageant une fascination commune pour les mécanismes sous-jacents à la résolution humaine de problèmes et la flexibilité comportementale, les deux scientifiques ont uni leurs perspectives méthodologiques complémentaires. Newell apportait une vision épistémologique monumentale, forgée par des décennies d’études sur l’espace des problèmes, le comportement verbal et les systèmes de production. Laird, quant à lui, possédait un génie pragmatique et algorithmique exceptionnel, capable de transformer des abstractions philosophiques et cognitives en mécanismes logiciels computationnellement efficients et robustes.

Le cœur névralgique de cette collaboration s’est cristallisé dans les travaux de thèse doctorale de John Laird, soutenue en 1983. Ses recherches se sont concentrées sur la résolution de ce que la communauté appelait alors le problème du contrôle : comment un système d’intelligence artificielle peut-il déterminer, sans recourir à des procédures prédéfinies ou rigides, l’action cognitive adéquate à accomplir lorsqu’il se trouve confronté à l’ambiguïté, à l’indécision ou au manque d’informations ? Laird a conçu un moteur d’inférence révolutionnaire basé sur la détection automatique des « impasses » décisionnelles, conférant ainsi à l’architecture une capacité d’introspection architecturale autonome inédite jusqu’alors dans les systèmes informatiques.

Cette dynamique scientifique fondatrice a été considérablement enrichie par l’intégration de Paul Rosenbloom, alors doctorant à l’Université de Carnegie Mellon puis chercheur à Stanford, dont les travaux portaient sur la modélisation de l’apprentissage humain et l’analyse de la fameuse loi de puissance de la pratique. L’association de Newell, Laird et Rosenbloom a permis de fusionner trois axes fondamentaux en un système intégré : la formalisation universelle des espaces de problèmes (héritée de Newell), le moteur de contrôle non contraignant fondé sur les impasses (développé par Laird), et le mécanisme universel de création de sous-buts associé à l’apprentissage par agrégation symbolique ou chunking (piloté conjointement par Rosenbloom et Laird). Ce trio de chercheurs a jeté les bases inébranlables de l’écosystème SOAR, entamant un programme de recherche étendu sur plusieurs décennies.

1.3 Définition épistémologique et objectifs du projet SOAR

À son origine, l’acronyme SOAR condensait de façon programmatique les composants fondamentaux du formalisme des espaces de problèmes élaboré par Allen Newell : State, Operator And Result (État, Opérateur et Résultat). Cette dénomination résumait l’hypothèse cognitive centrale selon laquelle toute activité téléologique — qu’il s’agisse de jouer aux échecs, de diagnostiquer une panne mécanique ou de comprendre un énoncé linguistique — procède par transitions discrètes au sein d’un espace d’états, chaque transition étant opérée par l’application sélective d’un opérateur modifiant l’état mental courant pour produire un résultat déterminé orienté vers la satisfaction d’un objectif explicite. Avec l’évolution de la théorie vers une structure plus globale, SOAR a cessé d’être considéré comme un simple acronyme technique pour devenir un nom propre désignant le système cognitif dans sa globalité.

L’ambition épistémologique de SOAR dépasse de très loin la conception d’un simple algorithme de recherche opérationnelle ou d’un moteur de système expert d’entreprise. Son but proclamé est la réalisation d’une architecture cognitive générale et computationnellement complète. Par « architecture », Newell et Laird entendent l’infrastructure invariante, fixée et stable, tant matérielle que fonctionnelle, qui prend en charge et exécute les programmes de connaissances changeants acquis au fil de l’expérience d’un individu. Cette architecture doit être universelle, c’est-à-dire capable d’aborder n’importe quelle classe de tâches sans nécessiter d’ajouts ad hoc ou de réécritures fondamentales de son moteur décisionnel de bas niveau.

De ce point de vue, SOAR revendique un positionnement épistémologique d’une rare exigence, situé précisément à l’intersection nodale de la psychologie cognitive expérimentale et de l’intelligence artificielle avancée. D’un côté, elle impose à la psychologie des contraintes de complétude computationnelle : toute explication mentale proposée par la théorie doit pouvoir être entièrement instanciée dans un code fonctionnel autonome, interdisant le recours à des facultés magiques ou non spécifiées. D’un autre côté, elle impose à l’intelligence artificielle des contraintes psychologiques strictes : les mécanismes décisionnels, les temps de latence et les dynamiques d’apprentissage de l’agent artificiel doivent idéalement répliquer les lois empiriques, les limites attentionnelles et les schémas d’erreur observés expérimentalement chez l’être humain. SOAR se veut ainsi la démonstration vivante qu’une architecture computationnelle rigoureuse peut incarner la théorie de l’esprit rationnel.

2. Les fondements théoriques : La théorie unifiée de la cognition

2.1 Le manifeste de Newell : ‘Unified Theories of Cognition’

L’acte de fondation théorique suprême de SOAR se trouve magistralement exposé dans l’ouvrage séminal d’Allen Newell, Unified Theories of Cognition, issu des prestigieuses conférences William James données à l’Université Harvard en 1987 et publié en 1990. Cet ouvrage constitue un plaidoyer passionné et méthodologique contre ce que Newell nommait avec dépit le syndrome des « vingt questions » de la psychologie contemporaine. Dans un article célèbre de 1973 intitulé « You can’t play 20 questions with nature and win », Newell fustigeait déjà l’éparpillement de la recherche psychologique en une multitude de dichotomies stériles (nature contre culture, traitement parallèle contre séquentiel, analogique contre propositionnel) étudiées de manière isolée au sein de micro-modèles fermés.

Pour Newell, la psychologie scientifique ne pouvait progresser vers une véritable maturité sans élaborer de grandes théories unifiées capables de rendre compte simultanément de la perception, de la mémoire à court terme, de l’apprentissage associatif, de l’organisation des connaissances sémantiques, du langage et du raisonnement déductif. Une théorie unifiée ne se contente pas de regrouper des modules indépendants sous une bannière commode ; elle postule l’existence d’une machinerie sous-jacente commune régie par des principes invariants. Newell soutient que l’esprit humain n’utilise pas un moteur d’inférence différent pour calculer le mouvement d’un objet perçu et pour résoudre un puzzle cryptarithmétique : ce sont les mêmes mécanismes fondamentaux qui opèrent sur des représentations de granularités temporelles et sémantiques distinctes.

Le manifeste newellien établit ainsi une exigence méthodologique draconienne : celle de l’intégration continue. Une architecture cognitive intégrée doit satisfaire simultanément à des contraintes multiples et parfois divergentes : être capable de réagir en temps réel aux perturbations imprévisibles de l’environnement physique tout en maintenant des conduites téléologiques à long terme sur des journées entières ; être flexible face aux situations inédites tout en exploitant de vastes bases de connaissances automatisées ; apprendre continuellement de ses erreurs sans saturer ses ressources de calcul. SOAR est le fruit direct de ce projet encyclopédique, incarnant dans son code chaque axiome de la vision intégrative de Newell.

2.2 L’hypothèse du système de symboles physiques

L’édifice conceptuel de SOAR est ancré dans l’un des énoncés les plus célèbres de l’informatique théorique et de la philosophie de l’esprit : l’Hypothèse du système de symboles physiques (PSSH), formulée par Allen Newell et Herbert Simon lors de leur conférence de remise du Prix Turing en 1976. Cet axiome fondamental stipule sans ambages qu’« un système de symboles physiques possède les moyens nécessaires et suffisants pour l’action intelligente générale ». Cette proposition philosophique comporte une double portée dont les implications théoriques sont monumentales pour la conception de l’esprit computationnel.

En affirmant la condition de nécessité, Newell et Simon soutiennent qu’aucun système existant dans l’univers — qu’il soit biologique, mécanique ou computationnel — ne peut faire preuve d’intelligence véritable sans implémenter, sous une forme ou sous une autre, les mécanismes constitutifs d’un système de symboles physiques. Réciproquement, en déclarant cette condition suffisante, ils affirment que n’importe quelle entité physique convenablement organisée pour instancier des symboles, les manipuler par des règles logiques, les concaténer et évaluer leurs relations, a la capacité intrinsèque d’engendrer un comportement intelligent équivalent à celui manifesté par les organismes humains les plus rationnels.

Dans ce cadre analytique, un symbole n’est pas une simple chaîne de caractères abstraite dénuée de prise avec le réel ; c’est un motif physique (un arrangement matériel de transistors, d’atomes ou de potentiels synaptiques) capable de « désigner » une autre entité du monde ou un autre concept mental interne, et d’être « interprété » par l’architecture pour guider l’action sélective. La manipulation symbolique au sein de SOAR consiste en des opérations déterministes d’accès, de création, de modification et d’effacement de ces motifs symboliques organisés en graphes. C’est précisément cette manipulation combinatoire des symboles qui, selon Newell, constitue le substrat universel de toute pensée rationnelle, libérant la modélisation cognitive des contingences matérielles particulières de la biochimie cérébrale.

2.3 L’échelle temporelle de l’action humaine

L’un des apports théoriques les plus novateurs et rigoureux d’Allen Newell réside dans sa conceptualisation de l’esprit comme un système organisé en bandes temporelles hiérarchiques. Dans Unified Theories of Cognition, Newell décompose l’activité humaine en quatre grandes strates temporelles emboîtées, chacune caractérisée par un ordre de grandeur temporel spécifique, des dynamiques internes distinctes et un niveau de description scientifique approprié : la bande biologique, la bande cognitive, la bande rationnelle et la bande sociale.

La bande biologique s’étend d’environ 100 microsecondes à 10 millisecondes. C’est le domaine des phénomènes neurochimiques sous-jacents : dépolarisation membranaire, transmission synaptique, potentiels d’action élémentaires des neurones. L’architecture cognitive SOAR ne modélise pas cette bande au niveau d’un réseau biophysique continu, mais elle en subit les contraintes matérielles directes. Ces processus neuronaux imposent en effet une vitesse maximale de commutation qui borne inférieurement les opérations mentales de base.

La bande cognitive, cœur névralgique de SOAR, s’échelonne typiquement de 10 millisecondes à 10 secondes. C’est à ce niveau précis qu’opère l’architecture proprement dite. Le cycle fondamental de prise de décision élémentaire de SOAR dure environ 100 millisecondes (une tranche temporelle de 10 à 100 ms dédiée à l’élaboration et la sélection d’un opérateur). Ce choix de calibrage n’est pas arbitraire : il correspond avec une précision remarquable aux données issues de décennies de psychologie chronométrique expérimentale, notamment aux temps de réaction simples observés dans les tâches de détection, aux temps d’inhibition dans l’effet Stroop ou aux balayages mémoriels dans les protocoles de Sternberg.

Au-delà s’étendent la bande rationnelle (de quelques minutes à plusieurs heures) et la bande sociale (de plusieurs jours à des années). Dans la bande rationnelle, l’agent poursuit des buts stables, accumule des plans d’action et résout des problèmes selon le principe de rationalité d’Allen Newell : un agent choisira l’action que ses connaissances lui indiquent comme la plus apte à atteindre ses buts. Dans la bande sociale, les dynamiques émergent de l’interaction coordonnée de multiples agents autonomes sur des périodes étendues. En ancrant résolument le moteur interne de SOAR au sommet de la bande cognitive, Newell et Laird ont garanti que les comportements observables dans les bandes rationnelle et sociale découleraient organiquement de cycles d’exécution élémentaires universellement contraints par les limites temporelles de l’architecture cognitive sous-jacente.

3. Architecture structurelle et composants fondamentaux

3.1 La représentation par espaces de problèmes (Problem Spaces)

L’architecture cognitive SOAR adopte un principe d’organisation fondamental hérité des travaux pionniers sur la recherche heuristique : l’Hypothèse de l’Espace de Problèmes (Problem Space Hypothesis). Selon ce postulat central théorisé par Allen Newell, toute activité cognitive téléologique, sans exception, s’exprime et se résout computationnellement par le déplacement d’un état mental à un autre au sein d’un espace de recherche défini de manière formelle. L’espace de problèmes n’est pas un artifice méthodologique réservé aux casse-têtes académiques ; il représente le cadre épistémologique absolu au moyen duquel l’esprit humain conceptualise le monde extérieur et ses propres états internes.

Un espace de problèmes au sein de SOAR est rigoureusement structuré autour de trois composantes canoniques : un état initial (la description symbolique de la situation actuelle de l’agent), un ensemble d’opérateurs admissibles (les actions cognitives ou motrices capables de transformer un état symbolique en un nouvel état symbolique), et un état final ou état-but caractérisé par un ensemble de prédicats et de conditions que l’agent cherche à satisfaire. La cognition consiste dès lors en une exploration guidée, heuristique et computationnelle, de cet espace d’états, navigant à travers un réseau arborescent de configurations potentielles.

L’universalité de ce paradigme réside dans le fait que dans SOAR, un agent ne résout pas seulement un problème extérieur lorsqu’il est immergé dans un espace de problèmes : chaque micro-décision, chaque acte de remémoration, chaque ajustement attentionnel constitue la navigation dans un espace de problèmes microscopique spécifique. Si la tâche consiste à planifier un itinéraire routier, l’espace d’états est géographique ; si la tâche est de comprendre une phrase, l’espace d’états est linguistique et syntaxique ; si l’agent rencontre une hésitation interne sur le choix d’un outil conceptuel, il bascule dynamiquement dans un nouvel espace de problèmes méta-cognitif dédié au choix de l’opérateur. L’espace de problèmes est le patron architectural universel imposé par SOAR pour conférer une cohérence sémiotique totale à l’ensemble des activités cérébrales.

3.2 Le système de production et le moteur de règles

Pour instancier la dynamique de ces espaces de problèmes, SOAR utilise un système de règles de production, dérivé conceptuellement des travaux de Post et magnifié par les langages de la famille OPS (comme OPS5 développé par Charles Forgy à CMU). Contrairement aux langages de programmation impératifs traditionnels qui reposent sur un fil d’exécution séquentiel rigide gouverné par des boucles conditionnelles explicites, SOAR organise l’intégralité de sa mémoire procédurale sous la forme d’un ensemble de règles de production déclaratives et autonomes, structurées sous le formalisme strict : SI [conditions d’activation] ALORS [actions symboliques].

Une caractéristique architecturale décisive de SOAR réside dans l’absence totale de programme de contrôle procédural centralisé. Il n’existe aucun interpréteur exécutant une liste ordonnée d’instructions prévues par un programmeur humain. Au contraire, le comportement global de l’architecture émerge de manière entièrement opportuniste et bottom-up : toute règle de production dont les conditions logiques figurant dans sa partie gauche (Left-Hand Side ou LHS) sont simultanément satisfaites par la configuration présente de l’esprit est activée et s’exécute immédiatement. Si cinquante règles voient leurs conditions satisfaites en même temps, elles tirent simultanément, sans qu’un arbitrage séquentiel artificiel ne vienne ralentir cette poussée inférentielle.

Cette exécution parallèle massive du moteur de production confère à SOAR une réactivité cognitive exceptionnelle face aux stimuli externes et aux restructurations internes des données. Les règles de production dans SOAR ne représentent pas des actions irréversibles dans le monde physique, mais des opérateurs microscopiques d’inférence, de suggestion et de critique. Elles ont pour rôle d’extraire des conséquences logiques, de proposer des opérateurs pour l’espace de problèmes courant ou d’exprimer des préférences relatives sur les options disponibles, préparant ainsi de manière transparente le terrain pour le cycle de décision séquentiel de l’architecture.

3.3 La mémoire de travail (Working Memory) et ses graphes

L’arène dynamique au sein de laquelle opèrent les règles de production et où se reflète l’état mental instantané de l’agent est la mémoire de travail (Working Memory ou WM). Dans SOAR, la mémoire de travail est conçue de façon hautement formelle comme un vaste graphe relationnel étiqueté, composé d’éléments fondamentaux appelés WMEs (Working Memory Elements). Chaque WME est une unité informationnelle déclarative irréductible prenant la forme canonique d’un triplet : (Identifiant ^Attribut Valeur). Par exemple, une observation perceptive indiquant qu’un objet est cubique et rouge sera codée sous forme de plusieurs WMEs connectés au même identifiant racine : (O1 ^type bloc), (O1 ^forme cube), (O1 ^couleur rouge).

Cette structure en graphe orienté confère à la mémoire de travail de SOAR une expressivité sémiotique illimitée, permettant de représenter des hiérarchies conceptuelles arbitrairement profondes, des relations spatiales et causales complexes, ainsi que des topologies contextuelles intriquées. La mémoire de travail héberge l’ensemble des flux sensoriels perceptifs bruts en provenance des capteurs, l’état d’avancement des buts et sous-buts courants de l’agent, ainsi que les descriptions détaillées des opérateurs en cours d’évaluation. Elle fonctionne comme le théâtre d’opérations éphémère de la pensée, où la configuration des symboles évolue au gré des cycles inférentiels.

La gestion de la mémoire de travail est soumise à des lois strictes de maintien de cohérence et de persistance dynamique. SOAR distingue formellement les WMEs dits d’élaboration contextuelle (créés par des règles d’inférence déductive) des WMEs d’opérateurs (instanciés par l’application d’actions délibérées). Les structures de données contextuelles générées par les inférences automatiques demeurent dans la mémoire de travail aussi longtemps que les conditions logiques qui ont causé leur apparition restent rigoureusement vraies. Dès qu’un changement d’état invalide l’une des prémisses ayant provoqué l’activation d’une règle, l’architecture SOAR, grâce à un mécanisme automatique de maintenance de vérité (Truth Maintenance System – TMS), expurge instantanément les WMEs devenus caducs, préservant le graphe mental contre les incohérences épistémiques.

4. Organisation mnésique : Systèmes à court terme et à long terme

4.1 La mémoire procédurale comme cœur d’action

L’économie mémorielle de l’architecture SOAR articule de façon rigoureuse les structures à court terme, représentées par le graphe transitoire de la mémoire de travail, avec des réservoirs massifs de connaissances permanentes à long terme. Dans la conception classique de SOAR théorisée par Newell et Laird, la mémoire procédurale constitue le cœur d’action exclusif de l’esprit. C’est en elle que réside l’intégralité du savoir-faire opérationnel de l’agent : comment interpréter une scène perceptive, comment générer des hypothèses explicatives, comment décomposer une tâche complexe en sous-objectifs élémentaires, et comment actionner les effecteurs dans l’environnement.

La mémoire procédurale stocke l’ensemble pérenne des règles de production. Face à des bases de connaissances pouvant compter des dizaines ou des centaines de milliers de règles hautement intriquées, l’un des défis computationnels majeurs réside dans l’efficacité du filtrage de motifs (pattern matching). SOAR a résolu cette contrainte critique en intégrant une implémentation optimisée de l’algorithme Rete, conçu par Charles Forgy. Rete compile l’ensemble des conditions logiques de toutes les règles en un réseau de tri acyclique partagé (composé de mémoires alpha pour les tests de prédicats unaires et de mémoires bêta pour les jointures relationnelles entre variables distinctes). Ainsi, l’ajout ou la suppression d’un WME dans la mémoire de travail ne déclenche pas un réexamen exhaustif de toutes les règles existantes, mais propage de façon incrémentale une onde de modifications légères à travers le réseau Rete, garantissant des temps de cycle stables indépendamment de la taille colossale de la base de règles.

Sur le plan épistémologique et psychologique, la mémoire procédurale de SOAR jouit d’une immunité théorique fondamentale : elle est entièrement impénétrable à l’altération volontaire directe. Un agent SOAR ne peut pas inspecter directement ses propres règles de production comme s’il s’agissait de données textuelles délibérées ; il ne peut pas modifier arbitrairement le code d’une règle procédurale par une décision de surface. Les règles s’exécutent de façon obligatoire, subconsciente et encapsulée, guidant l’infrastructure de la pensée sans être elles-mêmes le produit d’un raisonnement déclaratif discursif au moment de leur instanciation opérationnelle.

4.2 L’intégration de la mémoire sémantique

Bien que la vision initiale de Newell privilégiait une mémoire à long terme strictement procédurale dans laquelle tous les faits étaient implicitement codés sous forme de règles de production spécialisées, les développements ultérieurs menés par John Laird et son laboratoire à l’Université du Michigan ont démontré l’impérative nécessité d’intégrer une mémoire sémantique explicite. Dans les versions modernes comme SOAR 9, la mémoire sémantique formalise le réservoir permanent de connaissances déclaratives décontextualisées, encyclopédiques et conceptuelles de l’agent, indépendantes des épisodes temporels au cours desquels ces faits ont été initialement encodés.

Contrairement aux règles d’action de la mémoire procédurale, les entités de la mémoire sémantique sont des topologies déclaratives passives, organisées sous la forme d’un immense réseau ontologique de nœuds et d’arcs relationnels. Ces connaissances ne peuvent pas altérer directement la mémoire de travail par elles-mêmes ; elles doivent être interrogées délibérément par l’agent. Lorsqu’un opérateur nécessite la récupération d’un fait (par exemple, connaître la capitale d’un pays ou les propriétés physiques d’un matériau), il dépose un motif de recherche (un cue) dans un champ de commande dédié de la mémoire de travail.

Le mécanisme de sélection et d’extraction de la mémoire sémantique s’inspire directement des meilleures théories de la psychologie cognitive de la mémoire. Il combine un filtrage structurel exact avec des mécanismes quantitatifs d’activation de base (base-level activation), modélisant la loi de la pratique et de la récence de Richard Shiffrin et John Anderson. Les concepts fréquemment et récemment évoqués voient leur force d’activation s’accroître, tandis que les faits dormants nécessitent un indice contextuel plus riche pour franchir le seuil d’extraction et être matérialisés dans la mémoire de travail. Cette dualité procédurale-sémantique confère à SOAR une flexibilité cognitive exceptionnelle, distinguant la maîtrise motrice du savoir théorique.

4.3 La mémoire épisodique et la capture temporelle

L’architecture moderne de SOAR franchit une étape supplémentaire vers la fidélité neuro-cognitive en incorporant un module dédié à la mémoire épisodique. Définie par le psychologue Endel Tulving comme la capacité des organismes supérieurs à voyager mentalement dans le temps pour se remémorer des événements vécus dans leur singularité autobiographique et spatio-temporelle, la mémoire épisodique répond à un manque critique des systèmes symboliques classiques : l’amnésie historique du contexte d’apprentissage.

Dans SOAR, la mémoire épisodique procède à un enregistrement continu, chronologique et transparent d’instantanés (snapshots) de la mémoire de travail à chaque transition décisionnelle critique. Chaque enregistrement capture l’état exact des perceptions de l’agent, les opérateurs sélectionnés, les buts actifs et les résultats immédiats de l’action à un instant temporel précis $t$. Cette capture massive d’informations structurées s’effectue sans que l’agent n’ait besoin de programmer explicitement une routine de sauvegarde, répliquant ainsi le caractère automatique de l’encodage épisodique humain.

Le processus de rappel de cette mémoire temporelle repose sur un algorithme de correspondance floue et contextuelle. Lorsqu’un agent est confronté à une situation d’impasse inédite ou à une ambiguïté décisionnelle, il peut formuler une requête épisodique contenant des fragments de sa mémoire de travail actuelle. Le sous-système épisodique identifie alors dans l’histoire autobiographique de l’agent le moment passé dont la topologie symbolique maximise le degré de similarité avec l’indice présenté, réinjectant dans la mémoire de travail le contexte temporel complet de l’événement retrouvé. Cette capacité ouvre la voie à un raisonnement rétrospectif complexe, à l’apprentissage à partir d’un cas unique (one-shot case-based reasoning) et à la vérification temporelle d’hypothèses causales sans nécessiter une formulation préalable de règles abstraites complexes.

5. Le cycle cognitif de décision et d’action

5.1 La phase d’élaboration

Le dynamisme interne de l’esprit modélisé par SOAR bat au rythme d’une boucle fermée fondamentale : le cycle cognitif. Ce cycle, calibré pour s’exécuter en quelques dizaines de millisecondes, se décompose en phases rigoureusement agencées, dont la première et la plus calculatoirement intensive est la phase d’élaboration. Lors de cette phase, le système se consacre à l’expansion logique et déductive maximale de toutes les informations disponibles dans l’instant, sans engager d’action définitive ni modifier l’état contextuel global de la tâche en cours.

Au début de l’élaboration, de nouvelles informations perceptives peuvent être injectées dans la mémoire de travail depuis le monde extérieur. Immédiatement, le réseau de règles de production s’active de manière itérative et massivement parallèle. Une première vague de règles tire simultanément, dérivant de nouveaux WMEs par pure inférence logique. L’apparition de ces nouveaux symboles dans le graphe de la mémoire de travail satisfait à son tour les prémisses d’autres règles jusqu’alors dormantes, déclenchant une deuxième vague d’activations, et ainsi de suite. Cette cascade inférentielle se poursuit de façon strictement monotone : les règles d’élaboration ne peuvent que proposer des faits ou suggérer des candidats opérateurs, sans effacer ni contredire de façon destructrice l’état en cours de structuration.

Ce processus récursif converge inévitablement vers un état d’équilibre informationnel absolu nommé la quiescence cognitive (quiescence). La quiescence est atteinte au moment exact où plus aucune règle de production de la mémoire procédurale ne voit ses conditions satisfaites par l’état enrichi de la mémoire de travail. Aucune inférence supplémentaire ne pouvant être déduite de la configuration présente des connaissances, la phase d’élaboration s’achève naturellement. Cet état de stabilité computationnelle garantit que toutes les conséquences logiques immédiates de la situation ont été pleinement explicitées avant que le système ne bascule dans la sélection d’une action.

5.2 La phase de décision et la sémantique des préférences

Une fois la quiescence atteinte lors de l’élaboration, l’architecture SOAR entre dans sa phase de décision proprement dite. Cette étape hautement séquentielle a pour mission exclusive d’arbitrer entre toutes les options concurrentes générées lors de la phase précédente et de sélectionner un opérateur unique qui prendra en charge la progression du système dans l’espace de problèmes courant. L’originalité absolue de SOAR réside ici dans son refus de recourir à des métriques numériques d’utilité arbitraires au profit d’une sémantique symbolique qualitative et rigoureuse des préférences.

Durant l’élaboration, les règles de production ne décident pas de l’action finale : elles se contentent de déposer dans la mémoire de travail des objets symboliques de préférences décrivant la valeur relative ou absolue des différents opérateurs proposés. SOAR dispose d’un vocabulaire formel standardisé de préférences, comprenant :

• Acceptable : stipule qu’un opérateur est légalement admissible dans le contexte courant.
• Require : prescrit impérativement la sélection d’un opérateur sous peine de rupture téléologique.
• Reject : proscrit formellement la sélection d’un candidat, annulant toute considération antérieure le concernant.
• Better / Worse : établit une comparaison ordinale stricte entre deux opérateurs distincts (l’opérateur $A$ est strictement supérieur à l’opérateur $B$).
• Best / Worst : déclare qu’un opérateur doit être considéré comme supérieur (ou inférieur) à tous les autres candidats disponibles sans comparaison exhaustive bilatérale.
• Indifferent : affirme explicitement que deux ou plusieurs opérateurs possèdent une utilité équivalente ou que le choix de l’un ou de l’autre est absolument indifférent à la réalisation du but.

Le moteur décisionnel fixe de SOAR procède alors à l’évaluation de ce graphe de préférences au moyen d’un algorithme de décision non-monotone strict. Il élimine d’abord tous les opérateurs rejetés, vérifie si une préférence de type Require prévaut sans contradiction, puis applique les relations d’ordre partiel définies par les prédicats de supériorité. Si cette délibération logique produit un opérateur unique non ambigu qui domine indiscutablement tous les autres, celui-ci est officiellement sélectionné et installé dans le contexte mental comme l’opérateur courant. En revanche, si la sémantique des préférences aboutit à une contradiction insoluble, à un cercle logique ou à une indistinction parfaite entre plusieurs choix, le processus décisionnel s’interrompt : l’architecture détecte alors l’émergence d’une impasse (impasse).

5.3 L’exécution motrice et la rétroaction perceptive

Dès lors qu’un opérateur a été victorieusement désigné à l’issue de la phase de décision, le cycle cognitif s’oriente vers la phase d’exécution et d’interaction avec le substrat incarné ou simulé de l’agent. L’opérateur sélectionné devient le moteur direct de transformation de l’état mental : son installation active un sous-ensemble spécialisé de règles de production dont la seule fonction est d’appliquer concrètement ses instructions.

Cette application peut s’avérer purement interne et conceptuelle, consistant à restructurer les éléments du graphe de la mémoire de travail (par exemple, marquer un problème mathématique comme résolu, reformuler une hypothèse de recherche ou instancier une nouvelle taxonomie conceptuelle). Cependant, lorsque l’opérateur possède une portée d’action dirigée vers l’environnement extérieur, son exécution implique le dépôt de commandes motrices structurées dans un module dédié de la mémoire de travail nommé le lien de sortie (Output Link). Ces structures symboliques d’action sont converties par les interfaces matérielles ou les pilotes d’actionneurs en signaux physiques continus (activation de servomoteurs robotiques, commandes de pilotage de trajectoire, émissions phonétiques vocales).

Simultanément, le lien d’entrée (Input Link) de la mémoire de travail reçoit en flux continu les répercussions physiques des actions exécutées ainsi que les dynamiques propres de l’environnement indépendantes de l’agent. Les capteurs transforment les flux physiques en nouveaux WMEs symboliques qui pénètrent le système. Dès que ces nouvelles données sensorielles sont incorporées et que l’opérateur en cours a accompli sa mission (ou a été interrompu par une modification imprévue du contexte rendant caduques ses conditions de maintien), l’opérateur est désactivé et retiré du contexte central. Le cycle de décision s’achève pour recommencer instantanément une nouvelle phase d’élaboration. Ce balancement perpétuel entre expansion inférentielle, arbitrage logique et exécution motrice sous contrainte sensorielle assure la fermeture herméneutique de la boucle perception-décision-action.

6. La gestion des impasses et la création universelle de sous-buts

6.1 Typologie systématique des impasses décisionnelles

Le véritable tour de force conceptuel et technique de l’architecture SOAR, qui la distingue de la quasi-totalité des architectures concurrentes, réside dans son traitement philosophique et computationnel de l’échec et de l’incertitude. Alors que dans la plupart des systèmes informatiques, une indétermination logique ou l’absence de règle applicable conduit à une levée d’exception fatale ou à l’arrêt du programme, SOAR érige l’impossibilité de choisir un opérateur en un signal positif : l’émergence d’une impasse (impasse).

L’architecture classifie les défaillances de la phase de décision en une typologie exhaustive de quatre grandes familles d’impasses structurelles :

• L’impasse d’égalité (Tie Impasse) : survient lorsqu’au moins deux opérateurs concurrents sont simultanément jugés acceptables et supérieurs à tous les autres, mais qu’aucune préférence qualitative (de type Better ou Indifferent) ne permet de désigner un vainqueur clair pour départager leurs candidatures.
• L’impasse de conflit (Conflict Impasse) : se produit lorsque le système de préférences contient des jugements mutuellement contradictoires ou cycliques issus de bases de connaissances hétérogènes (par exemple, la règle $\alpha$ affirme que l’opérateur $A$ est meilleur que l’opérateur $B$, tandis que la règle $\beta$ affirme simultanément que l’opérateur $B$ est meilleur que l’opérateur $A$).
• L’impasse d’indécision ou de manque d’opérateur (State No-Change ou Operator No-Change Impasse) : le cas State No-Change survient lorsque la phase d’élaboration ne propose strictement aucun opérateur acceptable pour l’état courant. Le cas Operator No-Change apparaît lorsqu’un opérateur a bien été sélectionné, mais que la mémoire procédurale ne contient aucune règle capable de l’appliquer pour modifier l’état ou produire un résultat, bloquant ainsi le système dans une immobilité stérile.
• L’impasse de rejet (Reject Impasse) : se manifeste lorsque toutes les options potentielles existantes dans l’espace de problèmes font l’objet d’une préférence explicite de rejet (Reject), privant le système de toute possibilité légale de progression d’action.

6.2 Génération automatique d’architectures de sous-états

Dès lors que l’évaluateur de préférences conclut à la présence irréductible de l’une de ces quatre impasses, le matériel architectural invariable de SOAR intervient sans qu’aucune programmation explicite de l’utilisateur ne soit requise. De manière totalement réflexive et transparente, l’architecture engendre dans la mémoire de travail un nouveau niveau de représentation : un sous-état mental (substate). Ce sous-état a pour finalité téléologique exclusive d’abriter la résolution de l’impasse qui vient d’interrompre le cycle décisionnel parent.

La beauté théorique de ce mécanisme réside dans son principe de récursion cognitive intégrale. Le sous-état nouvellement créé ne fait pas appel à un moteur de résolution d’exception distinct ou appauvri : il instancie à nouveau l’intégralité de l’architecture SOAR au sein de lui-même. Ce sous-état est doté de son propre espace de problèmes, dans lequel la « tâche » consiste précisément à trouver la connaissance manquante capable de dissoudre le blocage du niveau supérieur. Par exemple, si une impasse d’égalité oppose deux opérateurs $A$ et $B$, le sous-but attribué au sous-état sera de déterminer lequel de ces deux opérateurs est objectivement supérieur dans le contexte global de la mission.

Ce processus de récursion peut se propager sans aucune restriction formelle de profondeur. Si, au cours de la tentative de résolution d’une impasse au sein d’un premier sous-état, le système se heurte à une nouvelle ambiguïté décisionnelle, une sous-impasse se déclare, engendrant un sous-sous-état, empilant ainsi de façon vertigineuse des niveaux d’abstraction et de méta-raisonnement. À l’intérieur de ces espaces hiérarchiques, l’agent peut planifier des simulations en avant (lookahead search), évaluer mentalement les conséquences virtuelles de chaque option sans les exécuter dans le monde réel, délibérer sur ses propres axiomes ou interroger de manière ciblée ses mémoires sémantique et épisodique.

6.3 Résolution de l’impasse et retour au niveau parent

L’exploration délibérative menée au sein du sous-état finit par porter ses fruits : le système d’inférence découvre ou construit la structure symbolique manquante. S’il s’agissait d’une impasse d’égalité, l’agent produit une nouvelle préférence relative déclarant formellement que l’opérateur $A$ est meilleur que $B$ après avoir simulé mentalement leurs résultats respectifs. S’il s’agissait d’une impasse d’inapplicabilité d’opérateur, le méta-raisonnement a décomposé l’opérateur en sous-étapes exécutables dont l’achèvement finalise la transition attendue.

À la seconde précise où l’information cruciale émerge dans le sous-état et se trouve projetée ou référencée dans la mémoire de travail du niveau parent, la condition structurelle de l’impasse disparaît instantanément. L’impasse n’ayant plus de raison d’être, le niveau hiérarchique supérieur retrouve immédiatement sa fluidité décisionnelle : l’arbitrage des préférences peut enfin désigner un opérateur gagnant et le cycle décisionnel reprend son cours naturel là où il s’était suspendu.

Dans le même élan, l’architecture SOAR déclenche un mécanisme automatique impitoyable de nettoyage structurel (garbage collection contextuel). L’intégralité du sous-état éphémère, avec ses dizaines ou centaines d’états intermédiaires de simulation, ses hypothèses abandonnées et ses structures d’exploration provisoires, est expurgée de la mémoire de travail sans laisser de traces résiduelles encombrantes. Toutefois, ce travail cognitif intense n’est pas perdu pour la postérité : c’est précisément sur cette transition entre la disparition d’un sous-état et la réactivation du niveau parent que se greffe l’âme de l’apprentissage dans SOAR : le mécanisme de chunking.

7. Le mécanisme d’apprentissage paradigmatique : Le Chunking

7.1 Définition computationnelle et origine théorique de l’agrégation

L’une des thèses les plus audacieuses formulées par Allen Newell et Paul Rosenbloom au début des années 1980 stipule que l’esprit humain ne met en œuvre qu’un seul et unique mécanisme général d’apprentissage, capable d’expliquer à lui seul l’intégralité des gains d’expertise, de l’acquisition des compétences motrices et de la mémorisation conceptuelle : l’apprentissage par agrégation symbolique, universellement désigné sous le terme de chunking. Ce concept trouve son origine historique directe dans les travaux séminales de George Miller en 1956 sur la limitation de la capacité de traitement de la mémoire immédiate à « sept plus ou moins deux » blocs d’information (chunks).

Miller démontrait que la mémoire humaine contourne sa finitude structurelle en regroupant des éléments disparates en des unités conceptuelles intégrées d’ordre supérieur (comme lorsqu’une suite de douze chiffres est mémorisée sous forme de quatre numéros de départements ou d’années célèbres). Newell et Rosenbloom ont élevé cette observation psychologique au rang de principe computationnel universel : le chunking dans SOAR est le processus architectural permanent par lequel une séquence complexe de délibérations, d’inférences et de résolutions d’impasses menée au travers de multiples cycles cognitifs est compilée en une unique et nouvelle règle de production monolithique.

Dans la philosophie originelle de SOAR, le chunking n’est pas une procédure périphérique que l’agent invoque occasionnellement lorsqu’il a du temps de calcul libre ou qu’il décide formellement d’étudier un manuel. Le chunking est omniprésent, ininterrompu et universel : il opère en continu, en arrière-plan de chaque sous-état créé, apprenant de chaque instant d’hésitation et convertissant immédiatement chaque effort réflexif de résolution d’impasse en une compétence procédurale pérenne.

7.2 Fonctionnement mécanique de la création de chunks

Le fonctionnement interne de la création d’un chunk repose sur une analyse algorithmique rétrospective d’une rigueur absolue : le traçage des dépendances causales ou backtracing. Lorsqu’un sous-état parvient à générer un résultat (result) qui résout l’impasse du niveau parent, l’architecture SOAR inspecte l’historique complet des instanciations de règles ayant conduit à la formulation de ce résultat au sein du sous-état.

Le mécanisme de backtracing remonte la chaîne des causes logiques en partant du résultat produit. Il identifie scrupuleusement tous les éléments de la mémoire de travail (WMEs) qui appartenaient déjà au niveau supérieur (avant la création du sous-état) et qui ont servi de prémisses nécessaires et déterminantes pour activer les règles internes ayant forgé la solution. Tous les états mentaux intermédiaires, les branches mortes d’exploration et les délibérations infructueuses explorées dans le sous-état sont impitoyablement ignorés : seules subsistent les conditions initiales critiques sans lesquelles le résultat n’aurait pu advenir.

Une fois cet ensemble minimal de conditions nécessaires extrait, l’architecture procède à une étape fondamentale de généralisation par variabilisation. Tous les identifiants symboliques singuliers et éphémères propres à l’instance courante du problème sont remplacés par des variables logiques universelles. Par exemple, si la délibération a conclu que la table d’opération spécifique T42 ne pouvait supporter la charge du moteur M108 parce que le poids de ce dernier excédait un seuil critique, la règle créée formulera une abstraction : pour tout support $X$ et pour toute charge $Y$, si le poids de $Y$ est supérieur à la tolérance de $X$, alors rejeter l’opérateur d’installation. Cette règle compilée — le chunk — est instantanément compilée dans le réseau Rete de la mémoire procédurale, disponible dès le cycle cognitif subséquent.

7.3 Impact psychologique sur la performance et l’automatisation

L’impact théorique et pratique du chunking sur la modélisation du comportement cognitif est d’une profondeur inouïe. Sur le plan de la psychologie computationnelle, le chunking a permis à Allen Newell et Paul Rosenbloom de reproduire formellement et pour la toute première fois la fameuse Loi de puissance de la pratique (Power Law of Practice), observée expérimentalement par Snoddy, Crossman et Fitts dans des centaines de protocoles d’apprentissage moteur et mental à travers le monde. Cette loi universelle stipule que le temps de réalisation $T$ d’une tâche diminue en fonction du nombre d’essais $N$ selon une fonction puissance stricte de la forme :

T = a · N ^−b

où $a$ représente le temps initial et $b$ l’exposant d’accélération de la maîtrise. Dans SOAR, cette émergence mathématique n’a pas été obtenue en ajustant artificiellement des courbes statistiques a posteriori, mais découle directement de la dynamique combinatoire du chunking. Au début de l’apprentissage d’une tâche, l’agent rencontre de multiples impasses décisionnelles successives, nécessitant un temps d’élaboration substantiel au sein de sous-états récursifs pour concevoir chaque action. À chaque résolution d’impasse, des chunks sont injectés dans la mémoire procédurale. Lors des essais ultérieurs, les conditions de la situation correspondent immédiatement aux prémisses des nouveaux chunks compilés : ceux-ci tirent dès la première phase d’élaboration, fournissant directement les préférences décisionnelles optimales sans requérir l’ouverture d’aucun sous-état.

Ce mécanisme modélise fidèlement la transition cognitive fondamentale théorisée par Shiffrin et Schneider entre les processus contrôlés et les processus automatiques. Ce qui réclamait initialement un effort délibératif intense, conscient, lent et séquentiel (l’équivalent du traitement contrôlé chez l’adulte apprenant à conduire ou à jouer d’un instrument de musique) est progressivement court-circuité par une armature de règles de production directes qui s’exécutent de façon inconsciente, fluide, massivement parallèle et instantanée. L’apprentissage dans SOAR n’est rien d’autre que cette conversion irréversible de la délibération réflexive en réflexes cognitifs d’une redoutable efficacité computationnelle.

8. L’évolution de l’architecture : De SOAR 1 à SOAR 9

8.1 Les premières générations : SOAR 1 à 5

La trajectoire évolutive de l’architecture SOAR s’étend sur plus de quatre décennies de métamorphoses technologiques et d’ajustements conceptuels profonds. Les premières incarnations de l’architecture, développées entre 1982 et la fin des années 1980 (de SOAR 1 à SOAR 4), étaient intrinsèquement filles de leur temps. Écrites dans l’écosystème académique du langage Lisp et fortement tributaires de l’interpréteur OPS5, ces versions pionnières étaient principalement conçues pour explorer les fondements formels des espaces de problèmes universels et valider l’Hypothèse du système de symboles physiques dans des environnements clos et formellement bien définis (cryptarithmétique, tour de Hanoï, blocs de Schrdlu, démonstration logique).

Toutefois, la lourdeur d’exécution de Lisp et les contraintes computationnelles de l’époque ont rapidement dressé une barrière infranchissable face aux ambitions de passage à l’échelle du projet. L’avènement de SOAR 5 à la fin des années 1980 a marqué un tournant stratégique majeur : l’intégralité de l’architecture a été réécrite de zéro en langage C sous l’égide de John Laird. Cette refonte titanesque a décuplé la vitesse d’exécution du moteur de production et permis la gestion de bases de connaissances comptant non plus quelques dizaines, mais des dizaines de milliers de règles de production simultanées.

C’est également au cours de cette ère fondatrice qu’a émergé l’un des spectres les plus redoutables de l’intelligence artificielle symbolique : le phénomène de l’accumulation pathologique des règles, baptisé par Steven Minton le problème de l’utilité (Utility Problem). Les chercheurs ont constaté avec effroi que l’apprentissage continu par chunking non régulé pouvait se retourner contre l’architecture elle-même : à force d’agréger des milliers de règles ultra-spécifiques, le réseau Rete finissait par être saturé par la complexité combinatoire des jointures logiques de ses mémoires bêta. Le temps requis pour vérifier la non-applicabilité de myriades de règles apprises dépassait le temps que le système aurait pris pour résoudre le problème à nouveau depuis le début ! Cette crise théorique a contraint l’équipe à repenser de fond en comble la syntaxe des règles et la machinerie interne de variabilisation du chunking.

8.2 La transition vers les systèmes temps réel : SOAR 6 à 8

Au début des années 1990, sous l’impulsion croissante de programmes de recherche financés par la DARPA et le département de la Défense des États-Unis, l’architecture SOAR a été sommée de quitter le confort capitonné des énigmes de laboratoire pour affronter l’épreuve du feu des environnements dynamiques, ouverts, hostiles et strictement assujettis à des contraintes de temps réel. Ce défi a donné naissance à SOAR 6, puis à SOAR 7 et 8, marquant la maturation de l’architecture vers le statut de plateforme industrielle pour agents autonomes interactifs.

Cette transition a exigé une restructuration interne radicale du cycle cognitif. Dans les premières versions, le système s’enfermait dans une phase d’élaboration jusqu’à quiescence totale avant de consentir à regarder à nouveau le monde extérieur, ce qui le rendait vulnérable à des catastrophes cinétiques dans des contextes de simulation de vol supersonique où une milliseconde d’inattention perceptuelle pouvait provoquer un crash. L’architecture a donc été réaménagée pour autoriser une perception asynchrone et interrompable : les interfaces de communication avec le monde extérieur (les fameux liens input-link et output-link) ont été découplées du moteur d’inférence profond.

Cette ère a culminé avec le triomphe de SOAR 7 et 8 dans des simulations militaires distribuées d’une envergure colossale, dont le projet mythique TacAir-Soar. L’architecture a prouvé au monde entier qu’un système symbolique complexe pouvait diriger des escadrilles entières d’avions de chasse virtuels, coopérant en langage quasi-naturel, s’adaptant aux tactiques changeantes de pilotes humains réels et prenant des décisions tactiques en quelques fractions de seconde. Les règles de SOAR n’étaient plus de simples abstractions conceptuelles ; elles guidaient des trajectoires de missiles et coordonnaient des stratégies d’engagement opérationnel en temps réel.

8.3 SOAR 9 et l’intégration non symbolique contemporaine

L’aube du vingt-et-unième siècle a inauguré la mutation la plus profonde de toute l’histoire du projet : la conception de SOAR 9 sous la direction magistrale de John Laird à l’Université du Michigan. Tirant les leçons d’années de confrontations avec les neurosciences cognitives et reconnaissant l’incomplétude du modèle symbolique procédural pur de Newell face à certains aspects de la cognition biologique, SOAR 9 a brisé le dogme de l’uniformité pour embrasser un paradigme hybride modulaire extraordinairement sophistiqué.

L’innovation architecturale la plus spectaculaire de SOAR 9 est l’incorporation de l’apprentissage par renforcement (Reinforcement Learning – RL) directement au cœur du mécanisme de décision symbolique. Alors que traditionnellement, les préférences d’opérateurs étaient qualitatives et déterministes, SOAR 9 introduit des préférences numériques d’indifférence (numeric-indifferent preferences) dont le poids scalaire est continuellement réajusté en fonction des récompenses intrinsèques ou extrinsèques récoltées par l’agent dans l’environnement, au moyen de règles mathématiques dérivées du Q-learning ou de SARSA :

ΔQ(s, a) = α · [r + γ · Q(s’, a’) − Q(s, a)]

Parallèlement à cette symbiose entre symboles et probabilités d’action, SOAR 9 a officiellement intégré les modules distincts de mémoire sémantique et de mémoire épisodique décrits précédemment, conférant à l’agent une profondeur mnésique multidimensionnelle. Enfin, l’architecture s’est enrichie du Spatial Visual System (SVS – Système Spatio-Visuel), une machinerie cognitive dédiée capable de manipuler des représentations géométriques analogiques continues en 2D et 3D sans les traduire prématurément en symboles discrets. L’agent SOAR contemporain peut désormais simuler mentalement des trajectoires spatiales de collision, estimer des occlusions physiques par le biais d’un moteur géométrique continu et extraire dynamiquement des prédicats relationnels qualitatifs pour nourrir ses règles symboliques de haut niveau. SOAR 9 représente ainsi l’état de l’art absolu de la réconciliation entre la manipulation de symboles physiques et la computation sous-symbolique continue.

9. SOAR dans le paysage des architectures cognitives : Analyse comparative

9.1 SOAR face à ACT-R de John Anderson

Dans l’arène des grandes architectures cognitives computationnelles, la comparaison entre SOAR et ACT-R (Adaptive Control of Thought – Rational), conçue par John R. Anderson également à l’Université Carnegie Mellon, constitue l’un des débats scientifiques les plus stimulants de l’histoire des sciences cognitives. Bien que partageant un héritage commun fondé sur les systèmes de production et l’Hypothèse du système de symboles physiques, les deux systèmes reposent sur des choix épistémologiques et des architectures computationnelles fondamentalement distincts.

La divergence première réside dans leur orientation téléologique fondatrice. SOAR a été conçue d’abord et avant tout comme une architecture computationnellement complète orientée vers la résolution générale de problèmes et la flexibilité d’action d’agents intelligents autonomes : son impératif est l’accomplissement robuste de la tâche, la gestion du contrôle et l’universalité de la méthode heuristique. ACT-R, en revanche, a été façonnée dès ses origines comme un modèle descriptif ultra-précis de l’écologie cognitive humaine, guidé par une méthodologie que John Anderson nomme l’analyse rationnelle. L’obsession première d’ACT-R n’est pas de réussir une tâche d’ingénierie complexe, mais de répliquer au millième de seconde près les distributions de temps de réaction expérimentaux, les courbes d’oubli exponentielles et les patterns d’erreurs commis par des sujets humains dans des tâches de laboratoire de mémoire ou d’attention partagée.

Cette divergence se traduit dans leurs mécanismes fondamentaux :

• Structure de contrôle : ACT-R repose sur un module de contrôle centralisé où un unique conflit entre règles de production est tranché à chaque instant par une compétition d’utilités sous-symboliques continues, alors que SOAR utilise un système d’élaboration massivement parallèle sans compétition centralisée jusqu’à quiescence.
• Dualité procédurale/déclarative : Dès sa première version, ACT-R a posé une distinction irréductible entre mémoire déclarative (les chunks de faits statiques) et mémoire procédurale (les règles d’action), alors que SOAR est restée durant près de vingt ans un système symbolique purement procédural et unifié, ne concédant la nécessité d’une mémoire sémantique déclarative découplée qu’avec l’avènement tardif de SOAR 9.
• Théorie de l’apprentissage : Pour ACT-R, l’apprentissage procède par ajustement statistique continu d’activations subsymboliques (équations bayésiennes modélisant l’histoire d’usage d’un chunk) couplé à une compilation procédurale sélective. Pour le SOAR classique de Newell, le chunking symbolique tout-ou-rien constituait l’unique moteur explicatif universel de l’esprit.
• Alignement neurobiologique : ACT-R a développé une cartographie anatomique explicite liant chaque module cognitif (tampon de but, module déclaratif, module manuel, module visuel) à des régions cérébrales identifiées par l’imagerie par résonance magnétique fonctionnelle (IRMf) (striatum, cortex préfrontal dorsolatéral, hippocampe), conférant à ACT-R une validité neuro-anatomique que SOAR, plus abstraite et fonctionnaliste, a longtemps dédaignée.

9.2 Confrontation avec le paradigme connexionniste et le Deep Learning

L’ascension fulgurante du connexionnisme à partir du milieu des années 1980, suivie de l’hégémonie contemporaine de l’apprentissage profond (Deep Learning) fondé sur les réseaux de neurones artificiels et les architectures de type Transformers, a placé l’architecture SOAR au cœur du grand schisme de l’intelligence artificielle : l’affrontement titanesque entre l’approche symbolique (descendante, logique, discrète) et l’approche sous-symbolique (ascendante, statistique, continue).

Pour les tenants du connexionnisme radical, les systèmes fondés sur les symboles physiques comme SOAR souffrent d’une fragilité congénitale : ils sont considérés comme rigides, incapables de traiter la dégradation progressive du signal (brittle), excessivement dépendants d’une modélisation manuelle des ontologies du monde et désarmés face à la richesse amorphe des signaux sensoriels bruts (vision matricielle de pixels, ondes sonores continues). En réponse, les défenseurs de SOAR soulignent les tares épistémologiques rédhibitoires des réseaux neuronaux profonds actuels : opacité décisionnelle absolue (le problème de la boîte noire), absence totale d’explicabilité et de traçabilité causale des inférences, hallucination factuelle due au caractère purement stochastique des prédictions lexicales, et incapacité dramatique à accomplir une véritable généralisation compositionnelle hors distribution.

Dans SOAR, chaque délibération, chaque tir de règle et chaque sélection d’opérateur est un acte logique transparent, auditable au symbole près par un observateur humain. L’architecture possède nativement la solution au redoutable « problème de liaison » (binding problem) qui tourmente les réseaux neuronaux : lier dynamiquement une variable abstraite à une instance circonstancielle au moyen d’un identifiant relationnel de la mémoire de travail est une opération native triviale dans SOAR, alors qu’elle requiert des contorsions d’attention matricielle colossales dans les architectures de type Transformer. L’enjeu contemporain le plus prometteur ne réside plus dans une guerre d’annihilation mutuelle, mais dans l’élaboration d’architectures hybrides neuro-symboliques, où des réseaux profonds assument l’extraction perceptive de traits invariants à la périphérie, tandis que le moteur SOAR opère comme contrôleur délibératif rationnel au sommet de la hiérarchie cognitive.

9.3 SOAR et les architectures robotiques modernes

L’application de SOAR au contrôle d’agents physiques incarnés dans le monde réel (la robotique autonome) a confronté l’architecture aux théories de la cognition incarnée (Embodied Cognition) et aux architectures réactives alternatives, au premier rang desquelles figure l’architecture de subsomption introduite par Rodney Brooks à la fin des années 1980. Brooks proclamait famously que « l’éléphant ne joue pas aux échecs » et que l’intelligence véritable pouvait émerger sans aucune représentation symbolique du monde, par simple couplage serré entre capteurs et actionneurs au sein de machines à états finis augmentées.

Face à ce défi réactif, SOAR a dû prouver sa capacité à surmonter le célèbre Problème de l’ancrage des symboles (Symbol Grounding Problem) formulé par Stevan Harnad : comment des jetons symboliques abstraits comme bloc, rouge ou saisir peuvent-ils acquérir un sens intrinsèque réel sans être connectés de manière continue aux boucles sensorimotrices de bas niveau de l’organisme ? Dans les premières tentatives d’intégration robotique, SOAR souffrait d’une déconnexion temporelle : le temps que le moteur de production décide symboliquement de la trajectoire d’évitement, le robot physique avait déjà percuté l’obstacle cinétique.

La réponse apportée par John Laird et la communauté SOAR a consisté à intégrer l’architecture au sein de structures robotiques hiérarchiques de type 3-Tier (architecture à trois couches). Dans ce schéma tripartite moderne, SOAR n’a plus la charge suicidaire de calculer la tension milliseconde par milliseconde des moteurs électriques : elle occupe le sommet de la pyramide en tant que contrôleur délibératif de haut niveau. Les couches réactives inférieures gèrent l’évitement réflexe d’obstacles et la cinématique inverse des membres articulés, tandis que SOAR supervise la planification stratégique, diagnostique les pannes imprévues par résolution d’impasses, réordonne les sous-buts téléologiques et enrichit sa mémoire épisodique des succès et des déboires rencontrés sur le terrain. L’architecture a ainsi prouvé que la délibération symbolique demeure indispensable dès lors qu’un robot doit accomplir des missions complexes s’étendant au-delà de la réactivité immédiate de l’instant.

10. Applications concrètes en sciences cognitives et intelligence artificielle

10.1 Modélisation de la psychologie humaine et ergonomie cognitive

L’un des premiers titres de gloire de l’architecture SOAR a été sa capacité à servir d’instrument de laboratoire virtuel pour modéliser des protocoles d’expérimentation humaine et valider des hypothèses fondamentales en psychologie cognitive. Dès les années 1980 et 1990, des chercheurs ont utilisé SOAR pour répliquer informatiquement des comportements d’apprentissage complexes chez l’adulte, allant de la résolution de problèmes cryptarithmétiques (comme l’énigme classique DONALD + GERALD = ROBERT) à l’acquisition de stratégies expertes dans le jeu d’échecs, en passant par les tâches de mémorisation de séquences alphabétiques ou numériques.

L’architecture a excellé dans l’analyse fine des effets d’interférence et des pathologies de l’attention. En implémentant formellement les représentations de buts sous forme d’éléments de mémoire de travail en compétition dans le système de production, les modélisateurs ont pu prédire avec une précision millimétrique les augmentations de temps de latence induites par l’effet Stroop (le conflit cognitif entre la couleur de l’encre et le mot sémantique affiché) ou reproduire les courbes d’erreurs commises par des sujets soumis à des tâches de double tâche à haute saturation mentale.

Cette rigueur de modélisation a rapidement trouvé des débouchés appliqués de grande valeur dans le domaine de l’ergonomie cognitive et de l’ingénierie des facteurs humains. Des modèles computationnels basés sur SOAR ont été déployés pour concevoir et tester virtuellement les interfaces des cockpits d’avions civils et militaires, les salles de contrôle des centrales nucléaires ou les systèmes de télécommunication complexes. En simulant informatiquement la charge de travail mentale d’un opérateur humain, en anticipant les goulets d’étranglement attentionnels et en identifiant les situations d’impasse cognitive susceptibles de provoquer des bévues catastrophiques sous stress, SOAR a permis d’optimiser l’ergonomie des systèmes critiques bien avant la fabrication de leurs premiers prototypes physiques.

10.2 Les agents virtuels intelligents et TacAir-Soar

L’apogée pratique et historique de SOAR demeure sans conteste le projet colossal TacAir-Soar (Tactical Airborne Soar), développé au cours des années 1990 sous la direction conjointe de John Laird à l’Université du Michigan, de Paul Rosenbloom à l’USC Information Sciences Institute (ISI), et d’Allen Newell jusqu’à sa disparition. Financé par la DARPA dans le cadre du programme STOW (Synthetic Theater of War), l’objectif de TacAir-Soar était titanesque : automatiser intégralement le comportement décisionnel et tactique des pilotes de chasseurs militaires américains pour des simulations d’entraînement aérien à très grande échelle.

Le point d’orgue de ce déploiement a été atteint lors de l’exercice interarmées opérationnel STOW-97, où l’ensemble des missions d’appui aérien, de supériorité aérienne et d’interdiction de combat de la force aérienne américaine, de la marine (Navy) et du corps des Marines a été exécuté par des agents autonomes gouvernés par SOAR. Les chiffres documentant cette réalisation forcent l’admiration computationnelle :

• Des centaines d’agents SOAR individuels exécutés simultanément en temps réel sur des grappes de serveurs distribuées.
• Une base de connaissances opérationnelle phénoménale comptant plus de 8 000 règles de production hautement spécialisées, intégrant les manuels de tactique aérienne déclassifiés de l’armée de l’air.
• La simulation de missions complexes complètes : patrouilles de combat aérien (CAP), escorte de bombardiers, ravitaillement en vol hautement synchronisé et engagement de combat aérien rapproché (dogfight) sous contraintes supersoniques.

Les agents TacAir-Soar ont fait preuve d’une robustesse stupéfiante. Non seulement ils pilotaient leurs avions respectifs en réagissant en quelques fractions de seconde aux manœuvres évasives d’avions ennemis pilotés par des pilotes humains d’élite de l’Air Force, mais ils communiquaient également entre eux et avec les contrôleurs au sol via des canaux radio simulés en utilisant la phraséologie militaire standard. Les pilotes humains engagés dans les simulateurs ont été incapables de distinguer le comportement tactique des agents SOAR de celui d’équipages humains chevronnés, démontrant magistralement qu’une architecture cognitive symbolique pouvait soutenir un niveau d’autonomie, de résilience et de complexité stratégique sans précédent dans l’histoire de l’informatique.

10.3 Traitement du langage naturel et compréhension de texte

Le langage naturel constitue sans conteste l’expression suprême de la cognition humaine. Dès lors, une architecture prétendant incarner une théorie unifiée de l’esprit ne pouvait faire l’impasse sur la linguistique computationnelle. C’est dans cette perspective qu’a été développé NL-Soar (Natural Language Soar), un environnement entièrement intégré au sein de l’architecture pour modéliser la compréhension et la production du discours en temps réel.

Contrairement aux analyseurs syntaxiques industriels classiques (parsers) qui traitent les phrases comme des chaînes de caractères statiques soumises à des grammaires formelles hors-contexte désincarnées, NL-Soar implémente une compréhension incrémentale mot à mot, calquée sur les contraintes psycholinguistiques réelles de l’écoute humaine. À chaque fois qu’un mot est perçu sur le lien d’entrée de la mémoire de travail, les règles de production s’activent pour attacher immédiatement ce nouveau token linguistique à l’arbre syntaxique en cours d’élaboration, tout en projetant simultanément ses implications sémantiques dans la représentation de la situation globale de l’agent.

Cette approche intégrée confère à NL-Soar une capacité unique à résoudre les ambiguïtés lexicales et structurelles à la volée. Face aux célèbres phrases à issue trompeuse (garden-path sentences) comme « The horse raced past the barn fell », qui piègent temporairement le système cognitif humain, NL-Soar reproduit fidèlement la même dynamique psychologique : le système génère d’abord une structure syntaxique par défaut fondée sur les préférences de surface ; lorsqu’il bute sur le verbe final en contradiction avec l’arbre syntaxique bâti, une impasse d’inapplicabilité se déclare. L’agent ouvre alors un sous-état de réinterprétation méta-syntaxique pour réparer l’arbre grammatical et résoudre l’incohérence, apprenant au passage, grâce au chunking, une règle nouvelle lui permettant d’anticiper cette construction lors de futures lectures.

11. Critiques épistémologiques, limites computationnelles et controverses

11.1 Le problème de l’utilité des connaissances acquises (Utility Problem)

Malgré ses triomphes techniques indéniables, l’architecture SOAR a été au cœur de controverses computationnelles majeures au sein de la communauté de l’intelligence artificielle. La première et la plus virulente concerne la viabilité de son mécanisme d’apprentissage par chunking à très grande échelle, cristallisée autour du redoutable problème de l’utilité (Utility Problem), mis en lumière par Steven Minton et approfondi par Milind Tambe et Paul Rosenbloom dans les années 1990.

L’axiome fondamental de Newell stipulait que plus un système apprend de règles par agrégation, plus il devient performant et rapide. Or, l’expérimentation à grande échelle a révélé un paradoxe cuisant : l’accumulation massive et effrénée de chunks dans la mémoire procédurale peut dégrader de façon catastrophique les performances temporelles de l’agent. La raison de cette dégénérescence computationnelle plonge au cœur des entrailles mathématiques de l’algorithme Rete :

• Chaque nouveau chunk injecté introduit des conditions logiques relationnelles complexes qui exigent la création de nœuds de jointure bêta supplémentaires dans le réseau de filtrage.
• Lorsque le nombre de variables interdépendantes au sein d’une règle augmente, la combinatoire du filtrage de motifs peut exploser exponentiellement, transformant le matching Rete en un problème mathématiquement équivalent à la recherche d’isomorphismes de sous-graphes (un problème NP-complet).
• L’agent finit par dépenser une quantité prodigieuse de cycles d’horloge à vérifier que des milliers de règles ultra-spécifiques apprises ne s’appliquent pas à la situation courante, causant un ralentissement global du cycle cognitif élémentaire.

Cette vulnérabilité a contraint John Laird et son équipe à déployer d’immenses efforts d’ingénierie algorithmique tout au long de l’évolution de SOAR 8 et 9 pour concevoir des mécanismes de simplification syntaxique des chunks, interdire la création de règles structurellement instables, et implémenter des processus d’oubli adaptatif et d’élagage dynamique des règles dont le ratio coût computationnel / gain décisionnel s’avérait déficitaire.

11.2 L’ancrage des symboles et la phénoménologie de la conscience

Sur le front de la philosophie de l’esprit, SOAR a essuyé les foudres des critiques de l’intelligence artificielle symbolique classique, au premier rang desquelles trône la célèbre expérience de pensée de la Chambre Chinoise formulée par John Searle en 1980. Pour Searle, aucun système physique de manipulation de symboles, quel que soit le degré de sophistication de ses espaces de problèmes ou de ses règles de production, ne peut faire émerger une authentique compréhension sémantique ou une intentionnalité intrinsèque.

Dans l’optique searlienne, l’agent SOAR n’est rien d’autre que l’incarnation littérale de l’homme enfermé dans la pièce close, manipulant des idéogrammes dont il ignore totalement le sens en appliquant machinalement un manuel de syntaxe (les règles du réseau Rete). L’agent fait correspondre des structures de graphes avec d’autres structures de graphes, calcule des préférences et résout des impasses formelles, mais il n’y a « personne chez lui » : il n’éprouve aucun état mental phénoménal, ne possède aucun accès ontologique au réel et demeure enfermé dans une syntaxe aveugle.

Cette critique philosophique s’accompagne d’une réserve majeure formulée par les neurosciences affectives et cognitives contemporaines : l’absence presque totale d’un modèle unifié des émotions primaires et de la conscience phénoménale au sein du noyau originel de SOAR. Si l’architecture modélise avec une élégance magistrale l’esprit rationnel, cartésien et méthodique d’un joueur d’échecs ou d’un pilote de ligne chevronné, elle est historiquement muette sur les processus viscéraux, hormonaux et émotionnels qui, selon Antonio Damasio, sont indispensables à l’exercice même de la rationalité humaine. L’omission des sensations brutes (les qualia) et la réduction de l’ensemble de la phénoménologie mentale à des nœuds relationnels discrets d’un graphe de mémoire de travail limitent incontestablement la prétention de SOAR à constituer une théorie exhaustive de l’expérience vécue.

11.3 Complexité de programmation et accessibilité méthodologique

Sur le plan purement pratique et sociologique au sein de la communauté scientifique, l’architecture SOAR a souvent pâti d’une réputation tenace de complexité herculéenne et d’austérité conceptuelle. Programmer un agent au sein de SOAR ne ressemble en rien au développement dans des langages impératifs modernes (comme Python, C++ ou Java) ni à l’entraînement standard de modèles d’apprentissage automatique via des bibliothèques logicielles contemporaines comme PyTorch ou TensorFlow.

L’architecture exige du chercheur ou de l’ingénieur qu’il adopte une posture intellectuelle totalement contre-intuitive :

• Il est rigoureusement interdit de spécifier un algorithme séquentiel pas-à-pas ; toute la logique de contrôle doit être dissoute dans une collection de règles de production purement déclaratives et asynchrones.
• L’architecte d’un modèle doit concevoir manuellement la topologie des espaces de problèmes, prévoir les causes exactes des impasses potentielles et anticiper les dynamiques de généralisation du chunking sous peine de voir son système diverger vers des règles aberrantes ou des boucles infinies de sous-états.
• La courbe d’apprentissage requise pour maîtriser le débogueur symbolique de SOAR, analyser les arbres Rete et interpréter les sémantiques de préférences non-monotones est particulièrement abrupte.

Cette sophistication méthodologique intransigeante a engendré un isolement relatif de la communauté des utilisateurs de SOAR au fil des décennies. Alors que l’intelligence artificielle mondiale s’embrasait successivement pour les réseaux bayésiens, les machines à vecteurs de support (SVM), puis la déferlante de l’apprentissage profond dopé aux cartes graphiques massivement parallèles, le paradigme SOAR est parfois apparu aux yeux des nouvelles générations d’étudiants comme une citadelle symbolique imprenable et hermétique, cantonnée à un noyau d’initiés gravitant autour des universités historiques du projet (Michigan, CMU, USC).

12. L’héritage intellectuel d’Allen Newell et l’avenir de SOAR

12.1 L’impact durable sur les théories cognitives computationnelles

Malgré les critiques et les revirements de mode au sein de la recherche académique, l’héritage intellectuel légué par Allen Newell à travers l’architecture SOAR demeure l’un des sommets incontestés de l’histoire de la pensée computationnelle. La contribution fondamentale de Newell — reconnue dès 1975 par le Prix Turing décerné conjointement avec Herbert Simon — a été de prouver qu’il était scientifiquement légitime et techniquement réalisable d’intégrer l’ensemble des fragments disjoints de l’esprit au sein d’une armature formelle unifiée.

Le projet SOAR a révolutionné la méthodologie des sciences cognitives en imposant la contrainte de complétude computationnelle comme standard de rigueur épistémique. Après Newell, les psychologues théoriciens ne pouvaient plus se contenter de dessiner des diagrammes conceptuels constitués de boîtes et de flèches vagues étiquetées « mémoire à long terme » ou « attention sélective » sans s’engager sur les mécanismes algorithmiques exacts et les contraintes temporelles capables d’animer ces abstractions dans un cycle de décision fermé. SOAR a démontré de manière péremptoire qu’une théorie psychologique ne peut atteindre sa plénitude scientifique que si elle s’incarne dans une machinerie opérationnelle capable de survivre et d’agir de façon autonome dans des environnements interactifs.

L’influence de Newell s’étend bien au-delà de son architecture éponyme : elle a fécondé la philosophie de l’esprit computationaliste, irrigué les travaux sur les systèmes multi-agents, et servi d’étalon de mesure auquel toutes les architectures cognitives ultérieures — d’ACT-R à CLARION, en passant par LIDA ou EPIC — ont dû se mesurer pour justifier de leur pertinence structurelle et fonctionnelle.

12.2 Les axes actuels de recherche sous la direction de John Laird

Loin d’être un mausolée figé dans les gloires passées des années 1990, l’architecture SOAR demeure un laboratoire d’innovation d’une vitalité intellectuelle remarquable, piloté avec une constance admirable par John Laird et son équipe au sein du Centre de Recherche sur les Architectures Cognitives de l’Université du Michigan. L’axe de recherche contemporain le plus ambitieux et le plus novateur du laboratoire porte sur ce que Laird a théorisé sous le concept d’Interactive Task Learning (ITL – Apprentissage Interactif de Tâches).

L’ITL vise un changement de paradigme radical : au lieu de programmer manuellement les milliers de règles d’une tâche (comme au temps héroïque de TacAir-Soar) ou d’entraîner des réseaux de neurones sur des millions d’exemples massifs hors-ligne, un agent SOAR contemporain apprend des tâches totalement inédites en temps réel, par interaction directe en langage naturel et multimodal avec un instructeur humain bienveillant. Grâce à la synergie fusionnée entre ses mémoires sémantique et épisodique, son système visuo-spatial (SVS) et son moteur universel de sous-buts :

• L’agent peut analyser des démonstrations physiques complexes de jeux d’échecs, de puzzles géométriques ou de manipulations d’objets sur une table de travail.
• Face à une règle du jeu ou une consigne qu’il ne comprend pas, l’agent formule une question ciblée à l’instructeur humain (« Dois-je capturer cette pièce si elle est en diagonale ? »), traduisant son impasse interne en un acte de dialogue pragmatique.
• Dès que la réponse humaine clarifie le problème, l’architecture compile instantanément la structure conceptuelle et procédurale de la nouvelle tâche via le chunking, devenant capable de l’exécuter et de la transférer à des variantes contextuelles sans nécessiter de réentraînement statistique lourd.

Ce programme de recherche place SOAR sur la voie royale de l’Intelligence Artificielle Générale (AGI) : une intelligence non pas façonnée pour exceller dans une tâche unique et fermée (comme battre le champion du monde de Go), mais conçue pour appréhender une infinité de tâches imprévues avec la plasticité, l’économie d’échantillonnage et la flexibilité dialogique propres aux organismes cognitifs supérieurs.

12.3 Bilan de la vision de Newell : Où en est l’unification cognitive ?

Au terme de cette analyse approfondie, une question épistémologique fondamentale s’impose avec acuité : le projet grandiose d’une Théorie Unifiée de la Cognition porté par Allen Newell a-t-il pleinement atteint ses objectifs ou a-t-il révélé la nature irréductiblement fractale et hétérogène de l’esprit ?

Le bilan ne saurait être univoque. Si l’on évalue le projet à l’aune du réductionnisme initial le plus radical — l’espoir de Newell de réduire l’intégralité de l’esprit à un système de symboles physiques homogène où l’unique mémoire procédurale et l’unique mécanisme de chunking suffiraient à tout expliquer —, force est de constater que la nature a résisté à cette épure théorique. L’évolution même de SOAR 1 vers SOAR 9 est l’histoire fascinante de capitulations et d’enrichissements successifs face à la complexité du réel : il a fallu réintroduire des mémoires sémantique et épisodique découplées, incorporer des activations sous-symboliques par renforcement statistique, greffer des moteurs géométriques continus et admettre que la perception ne se réduit pas à une liste de prédicats logiques discrets.

Pourtant, au regard de son ambition unificatrice fondamentale, SOAR s’impose comme un triomphe intellectuel sans équivalent. Elle a prouvé que la diversité foisonnante des facultés mentales ne condamne pas les sciences cognitives au relativisme ou à l’éparpillement méthodologique infini. En conservant son noyau décisionnel invariable fondé sur les espaces de problèmes, la sémantique rigoureuse des préférences, la métacognition réflexive par les impasses et l’apprentissage par dépendances causales, SOAR a réussi à maintenir sous un même toit computationnel cohérent la perception, la déduction, la simulation interne, l’apprentissage continu et l’action incarnée. Quarante ans après ses premiers balbutiements dans les bureaux de Carnegie Mellon, l’architecture SOAR d’Allen Newell et John Laird demeure un phare majestueux guidant la quête séculaire de l’humanité pour déchiffrer le mystère le plus profond de l’univers : l’architecture formelle de sa propre pensée.

Références

Anderson, J. R. (1993). Rules of the mind. Lawrence Erlbaum Associates.

Anderson, J. R., Bothell, D., Byrne, M. D., Douglass, S., Lebiere, C., & Qin, Y. (2004). An integrated theory of the mind. Psychological Review, 111(4), 1036–1060. https://doi.org/10.1037/0033-295X.111.4.1036

Brooks, R. A. (1991). Intelligence without representation. Artificial Intelligence, 47(1–3), 139–159. https://doi.org/10.1016/0004-3702(91)90053-M

Forgy, C. L. (1982). Rete: A fast algorithm for the many pattern/many object pattern match problem. Artificial Intelligence, 19(1), 17–37. https://doi.org/10.1016/0004-3702(82)90020-0

Harnad, S. (1990). The symbol grounding problem. Physica D: Nonlinear Phenomena, 42(1–3), 335–346. https://doi.org/10.1016/0167-2789(90)90087-6

Laird, J. E. (1983). Universal subgoaling and chunking: The automatic generation and learning of goal hierarchies [Doctoral dissertation, Carnegie Mellon University].

Laird, J. E. (2012). The Soar cognitive architecture. MIT Press. https://doi.org/10.7551/mitpress/9780262122962.001.0001

Laird, J. E., Newell, A., & Rosenbloom, P. S. (1987). SOAR: An architecture for general intelligence. Artificial Intelligence, 33(1), 1–64. https://doi.org/10.1016/0004-3702(87)90050-6

Miller, G. A. (1956). The magical number seven, plus or minus two: Some limits on our capacity for processing information. Psychological Review, 63(2), 81–97. https://doi.org/10.1037/h0043158

Minton, S. (1988). Learning search control knowledge: An explanation-based approach. Kluwer Academic Publishers.

Newell, A. (1973). You can’t play 20 questions with nature and win: Projective comments on the papers of this symposium. In W. G. Chase (Ed.), Visual information processing (pp. 283–308). Academic Press.

Newell, A. (1990). Unified theories of cognition. Harvard University Press.

Newell, A., & Simon, H. A. (1972). Human problem solving. Prentice-Hall.

Newell, A., & Simon, H. A. (1976). Computer science as empirical inquiry: Symbols and search. Communications of the ACM, 19(3), 113–126. https://doi.org/10.1145/360018.360022

Rosenbloom, P. S., & Newell, A. (1987). Learning by chunking: A production system model of practice. In D. Klahr, P. Langley, & R. Neches (Eds.), Production system models of learning and development (pp. 75–110). MIT Press.

Searle, J. R. (1980). Minds, brains, and programs. Behavioral and Brain Sciences, 3(3), 417–424. https://doi.org/10.1017/S0140525X00005756

Tambe, M., Johnson, W. L., Jones, R. M., Koss, F., Laird, J. E., Rosenbloom, P. S., & Schwamb, K. (1995). Intelligent agents for interactive simulation environments. AI Magazine, 16(1), 15–40. https://doi.org/10.1609/aimag.v16i1.1121