Allen Newell – 1927 1992

Biographie

L’histoire des sciences cognitives et de l’intelligence artificielle est jalonnée de ruptures épistémologiques majeures, mais peu d’entre elles ont possédé la puissance unificatrice et la rigueur architecturale insufflées par Allen Newell. Figure intellectuelle titanesque du XXe siècle, chercheur visionnaire et bâtisseur infatigable d’institutions, Newell a consacré sa vie à dissiper l’opacité séculaire entourant les mécanismes de la pensée humaine. En postulant dès l’orée des années 1950 que l’esprit humain et l’ordinateur numérique partagent une essence fonctionnelle commune — celle de systèmes physiques capables de manipuler, créer et réorganiser des symboles pour résoudre des problèmes —, il a littéralement arraché la psychologie au carcan réducteur du behaviorisme pour la refonder sur les bases inébranlables du traitement de l’information.

Sa trajectoire scientifique, indissociable de sa collaboration fraternelle et prolongée avec Herbert A. Simon à l’Université Carnegie Mellon et à la RAND Corporation, transcende les délimitations académiques conventionnelles. Newell ne s’est jamais satisfait de micro-théories parcellaires ou de modèles mathématiques désincarnés ; son ambition était délibérément démiurgique : forger une théorie unifiée de la cognition capable d’embrasser, au sein d’une même architecture computationnelle, la micro-chronométrie des temps de réaction neuronaux, l’heuristique de la découverte scientifique, l’interaction ergonomique avec les machines et la phénoménologie du jeu d’échecs. De l’invention des premiers langages de traitement de listes à l’élaboration de l’architecture cognitive Soar, en passant par la formalisation de la méthode de réflexion à voix haute et l’inauguration du modèle GOMS, son legs intellectuel constitue la trame fondamentale de notre modernité algorithmique.

Explorer la vie et l’œuvre d’Allen Newell (1927-1992), c’est plonger au cœur d’une aventure méthodologique sans équivalent, où la machine à calculer n’est pas un simple instrument d’automatisation, mais le laboratoire empirique suprême de la philosophie de l’esprit. Ce panorama biographique, conceptuel et critique se propose d’analyser en profondeur les étapes décisives, les ruptures théoriques et l’héritage pérenne d’un homme qui a transformé la question millénaire de la nature de la pensée en un programme de recherche scientifique rigoureux, exécutable et universel.

1. Introduction biographique et genèse intellectuelle (1927-1950)

1.1 Les années de formation et le contexte familial à San Francisco

Né le 19 mars 1927 à San Francisco, Allen Newell grandit dans un environnement familial imprégné par l’exigence intellectuelle et la pratique des sciences appliquées. Son père, le docteur Robert R. Newell, était un professeur émérite et un clinicien de premier plan à la faculté de médecine de l’Université Stanford, spécialisé dans la radiologie et la physique médicale naissante. La figure paternelle exerça une fascination déterminante sur le jeune Allen : ce médecin humaniste, passionné par les instruments de mesure, l’électronique de pointe et les propriétés du rayonnement, inculqua à son fils un respect religieux pour l’observation empirique et le pouvoir résolutif des outils technologiques. La demeure familiale abritait un atelier où s’entremêlaient revues médicales, composants d’ingénierie et appareils de mesure, offrant au jeune garçon un terreau exceptionnel pour développer une curiosité insatiable pour les mécanismes invisibles qui régissent la matière et le vivant.

Sa scolarité secondaire se déroula durant les bouleversements majeurs de la Seconde Guerre mondiale. Élève brillant bien que parfois réfractaire aux exercices purement scolastiques, Newell s’enthousiasma rapidement pour la physique et les mathématiques. Dès l’obtention de son diplôme d’études secondaires en 1945, il s’engagea dans l’United States Navy, alors que le conflit mondial touchait à son terme. Cet engagement militaire n’interrompit pas sa trajectoire savante ; au contraire, l’institution militaire reconnut rapidement ses compétences techniques et l’assigna au soutien logistique et scientifique des célèbres essais nucléaires de l’opération Crossroads, conduits sur l’atoll de Bikini en 1946.

Cette mission dans le Pacifique Sud constitua un baptême du feu épistémologique pour Newell. Âgé d’à peine dix-neuf ans, il fut directement confronté à l’orchestration de systèmes sociotechniques immenses, à la défaillance des appareillages de mesure soumis à des contraintes extrêmes et aux impératifs d’enregistrement méthodique des données radiologiques. Cette immersion dans la réalité brute de la physique expérimentale d’après-guerre façonna chez lui un refus définitif des spéculations non instrumentées. Newell comprit de manière viscérale que le progrès scientifique n’est pas une pure déduction formelle, mais une lutte méthodique menée conjointement avec des instruments physiques capables de capter et de structurer le réel sous forme de données mesurables.

1.2 Études supérieures à Stanford et transition vers les mathématiques

Démobilisé de la marine, Newell intégra l’Université Stanford pour y poursuivre des études de premier cycle en physique, obtenant son baccalauréat universitaire ès sciences en 1949. Durant cette phase de maturation académique, il suivit avec une ferveur particulière les cours du célèbre mathématicien d’origine hongroise George Pólya. La pédagogie de Pólya, résumée dans son ouvrage séminal How to Solve It, marqua une déflagration dans l’esprit de Newell. Pólya y démontrait que la résolution de problèmes mathématiques ne relève pas d’une inspiration mystique ou d’un algorithme déterministe rigide, mais repose sur l’usage d’heuristiques : des règles empiriques, des stratégies de recherche guidée, des analogies et des raccourcis logiques que l’esprit déploie pour naviguer dans un océan d’incertitude.

Cette rencontre théorique avec l’heuristique incita Newell à réorienter ses ambitions de la physique des particules vers les fondements des mathématiques. Séduit par l’idée d’une formalisation universelle des lois du raisonnement, il s’inscrivit à l’automne 1949 en programme doctoral au département de mathématiques de l’Université de Princeton, alors l’épicentre mondial de la logique mathématique et de la recherche fondamentale, fréquenté par des figures telles que John von Neumann, Kurt Gödel et Albert Einstein.

Cependant, son séjour à Princeton fut de courte durée et teinté d’une vive désillusion. Le formalisme axiomatique dominant, axé sur les mathématiques pures désincarnées et la théorie abstraite des ensembles, heurta violemment la sensibilité d’un chercheur forgé au contact de l’ingénierie et de la physique empirique. Newell constata avec amertume que les mathématiciens de son département s’intéressaient peu aux processus effectifs par lesquels un individu ou une organisation résout une énigme concrète. Estimant que la manipulation de symboles sur le papier sans perspective d’action opérationnelle menait à une impasse stérile, il prit la décision audacieuse d’interrompre sa thèse après une seule année d’études pour chercher un environnement de recherche où le calcul mathématique s’articulerait directement avec l’action pratique dans le monde réel.

1.3 L’entrée à la RAND Corporation et la découverte des systèmes homme-machine

En 1950, Newell rejoignit la RAND Corporation à Santa Monica, en Californie. Fondée sous l’égide de l’armée de l’air américaine pour poursuivre la recherche opérationnelle d’après-guerre, la RAND était alors un incubateur intellectuel sans équivalent, réunissant mathématiciens, économistes, sociologues et ingénieurs pour modéliser les conflits de la guerre froide, la théorie des jeux et l’optimisation des ressources stratégiques. Newell fut recruté au sein de la division des mathématiques et affecté presque immédiatement à l’étude des stations radar et des centres de commandement de la défense aérienne continentale.

Ces postes de contrôle constituaient des systèmes homme-machine d’une complexité sans précédent. Des opérateurs humains devaient observer des écrans cathodiques balayés par des échos radar, interpréter en temps réel des trajectoires potentielles de bombardiers soviétiques, communiquer frénétiquement par radio avec d’autres unités et prendre des décisions coordonnées sous une pression temporelle intense. Pour analyser la dynamique de ces petits groupes soumis au stress opérationnel, Newell contribua à la conception du Systems Research Laboratory (SRL) au sein de la RAND. Ce laboratoire expérimental recréait une simulation intégrale, à échelle un, d’un centre de défense aérienne, soumettant les équipages à des scénarios d’attaque simulés d’une grande fidélité.

En observant méticuleusement le flux d’informations circulant entre les opérateurs, les fiches cartonnées et les terminaux de communication, Newell connut une véritable illumination épistémologique. Il constata que les blocages fonctionnels et les erreurs de jugement ne provenaient pas de défaillances mécaniques des radars, mais des contraintes intrinsèques pesant sur la capacité des opérateurs humains à traiter l’information. L’être humain se comportait non pas comme un récepteur passif répondant à des stimuli, mais comme un transformateur actif de données : il filtrait le signal, encodait des représentations, stockait temporairement des positions en mémoire vive et appliquait des règles décisionnelles conditionnelles. Newell comprit dès lors que l’organisation du comportement intelligent pouvait être modélisée avec la même rigueur logique qu’un circuit électrique ou un programme de calcul mathématique. L’analogie de l’esprit comme processeur de flux d’information venait d’éclore.

2. La collaboration fondatrice avec Herbert Simon et la RAND Corporation

2.1 La rencontre intellectuelle entre psychologie organisationnelle et calcul

L’année 1952 marqua un tournant historique dans les sciences de l’esprit : la première rencontre entre Allen Newell et Herbert A. Simon. Simon, alors professeur à l’Institut de technologie Carnegie (qui deviendra plus tard l’Université Carnegie Mellon) à Pittsburgh, intervenait comme consultant auprès de la RAND Corporation. Polymathe de génie, Simon venait de publier son ouvrage révolutionnaire Administrative Behavior (1947), dans lequel il démolissait la fiction économique de l’acteur parfaitement rationnel au profit du concept de rationalité limitée (bounded rationality). Selon Simon, les décideurs humains n’optimisent jamais leurs choix de façon absolue, car ils sont bridés par des capacités computationnelles restreintes, des informations partielles et un temps limité ; ils se contentent de satisfaire des critères acceptables (satisficing).

Lorsque Simon visita le Systems Research Laboratory et découvrit les simulations à grande échelle orchestrées par Newell, la connivence intellectuelle fut instantanée et explosive. Newell apportait son expertise mathématique, son génie du codage opérationnel et sa compréhension intime des machines ; Simon apportait une armature théorique élaborée sur les organisations, la sociologie de la décision et la psychologie cognitive naissante. Tous deux partageaient une intuition révolutionnaire : pour comprendre comment l’homme prend des décisions sous rationalité limitée, il ne fallait plus recourir aux abstractions des équations différentielles ou à la psychanalyse, mais expliciter formellement les règles symboliques de son raisonnement.

Leur collaboration devint une symbiose scientifique d’une fertilité inouïe. Simon faisait régulièrement la navette entre Pittsburgh et Santa Monica, tandis que des échanges épistolaires volumineux s’organisaient entre les deux hommes. Ils rédigèrent conjointement leurs premiers manifestes théoriques, postulant que les processus mentaux supérieurs — le raisonnement déductif, le choix organisationnel, la créativité scientifique — n’avaient rien de métaphysique et pouvaient être intégralement émulés par des programmes séquentiels exécutés sur les premiers ordinateurs électroniques qui commençaient à faire leur apparition dans les centres de recherche militaire.

2.2 Le développement des langages de traitement de listes (IPL)

Pour matérialiser cette vision audacieuse, Newell et Simon, rejoints par le brillant programmeur de la RAND J. Clifford Shaw, se heurtèrent immédiatement à un obstacle technique rédhibitoire. Les ordinateurs du milieu des années 1950, tels que le JOHNNIAC ou l’IBM 701, étaient exclusivement conçus pour le calcul numérique séquentiel. Leurs langages de programmation ne savaient manipuler que des nombres stockés dans des tableaux de mémoire contigus de taille fixe. Or, la pensée humaine ne manipule pas des matrices numériques : elle opère sur des concepts flexibles, des relations de parenté, des arbres d’implications logiques et des structures associatives dont la taille évolue constamment au cours de la réflexion.

Face à cette impasse, Newell, Shaw et Simon conçurent entre 1954 et 1956 une famille révolutionnaire d’outils logiciels : les Information Processing Languages, de l’IPL-I à l’IPL-V. L’innovation majeure de ces langages résidait dans l’introduction des structures de données dynamiques fondées sur des pointeurs : les listes chaînées. Au lieu d’imposer un stockage contigu rigide, l’IPL permettait à chaque élément de mémoire de contenir non seulement une valeur ou un symbole, mais également l’adresse mémoire du symbole suivant. La mémoire de la machine devenait un réseau souple d’associations dynamiques, où des éléments pouvaient être insérés, déplacés ou supprimés sans réordonnancement global.

Cette percée en architecture logicielle constituait l’analogue direct de la mémoire associative humaine. Grâce à l’IPL, il devint possible de représenter des hiérarchies de buts, des expressions logiques sous forme d’arbres syntaxiques et des mémoires tampons capables de croître ou décroître dynamiquement selon les nécessités de la résolution de problèmes. En inventant le traitement de listes — qui inspirera directement le langage Lisp de John McCarthy quelques années plus tard —, le trio de la RAND ne construisit pas simplement un exploit de génie logiciel : il forgea l’infrastructure informatique indispensable qui permit pour la première fois à une machine d’exécuter des processus cognitifs complexes non numériques.

2.3 La conférence de Dartmouth de 1956 et l’acte de naissance de l’IA

L’été 1956 demeure dans les annales comme le moment fondateur officiel de l’intelligence artificielle lors du séminaire d’été organisé au Dartmouth College par John McCarthy, Marvin Minsky, Claude Shannon et Nathaniel Rochester. L’objectif avoué était d’explorer l’hypothèse selon laquelle chaque aspect de l’apprentissage ou toute autre caractéristique de l’intelligence peut en principe être décrit si précisément qu’une machine peut être construite pour le simuler. Toutefois, la majorité des participants arrivèrent à Dartmouth avec des propositions théoriques embryonnaires, des modèles mathématiques abstraits ou des spéculations sur les réseaux d’automates cellulaires inspirés de la cybernétique de Norbert Wiener.

Newell et Simon arrivèrent à la conférence avec une longueur d’avance spectaculaire qui bouleversa l’assemblée. Ils ne présentaient pas un projet à venir, mais un programme fonctionnel complet, écrit en IPL et exécuté sur la machine JOHNNIAC de la RAND : le Logic Theorist. Ce programme venait de démontrer de manière totalement autonome des dizaines de théorèmes logiques formels complexes. Alors que les autres chercheurs spéculaient sur la viabilité future de machines intelligentes, Newell et Simon apportaient la preuve empirique concrète que l’ordinateur pouvait d’ores et déjà raisonner, inférer et résoudre des problèmes non numériques avec une efficacité comparable à celle d’un esprit humain éduqué.

Cette démonstration créa un schisme fondamental au sein de la communauté naissante. Tandis que le courant cybernétique et les partisans des premiers réseaux de neurones (qui donneront naissance au Perceptron de Frank Rosenblatt) cherchaient à reproduire l’intelligence par l’émulation statistique des synapses physiques, Newell et Simon affirmèrent la primauté du niveau symbolique et computationnel. Ils soutinrent que le traitement rationnel de l’information ne dépend pas de la composition physico-chimique du substrat (neurone ou tube à vide), mais de la logique formelle des manipulations de représentations. La conférence de Dartmouth consacra ainsi l’avènement du paradigme symbolique, qui allait dominer les sciences cognitives et l’intelligence artificielle pendant les trois décennies suivantes, sonnant le glas de l’hégémonie de la boîte noire behavioriste.

3. Logic Theorist et General Problem Solver : La rupture computationnelle

3.1 Logic Theorist (1956) : Première démonstration empirique de raisonnement artificiel

Considéré par l’ensemble des historiens des sciences comme le premier véritable programme d’intelligence artificielle opérationnel, le Logic Theorist fut conçu par Newell, Simon et Shaw pour s’attaquer à un problème intellectuel hautement valorisé : la démonstration formelle des théorèmes de calcul des propositions énoncés dans le deuxième chapitre du chef-d’œuvre de Bertrand Russell et Alfred North Whitehead, les Principia Mathematica. Ce choix n’était pas fortuit. Réussir à démontrer automatiquement des théorèmes logiques réputés difficiles prouvait que la machine n’était pas confinée aux additions comptables, mais pouvait exécuter les fonctions supérieures de la pensée déductive.

Pour franchir cet obstacle, Newell comprit immédiatement qu’une méthode de recherche exhaustive par force brute — tester systématiquement toutes les combinaisons d’axiomes et de règles d’inférence autorisées — était condamnée à l’échec en raison de l’explosion combinatoire. Dans un arbre de recherche logique, le nombre de branches possibles croît de façon exponentielle à chaque pas de déduction, saturant instantanément la mémoire et le temps de calcul de n’importe quel ordinateur, présent ou à venir. La percée de Newell consista à implémenter des heuristiques sélectives inspirées de la pensée humaine :

• L’élimination par substitution ciblée : le programme n’applique une règle que si elle réduit la distance syntaxique apparente entre les prémisses et le théorème visé.
• Le détachement déductif : la décomposition d’un théorème complexe en sous-expressions plus simples susceptibles d’être prouvées de façon isolée.
• L’appariement structurel (pattern matching) : la reconnaissance immédiate de similitudes de formes logiques évitant les explorations stériles.

Les résultats dépassèrent toutes les espérances : le Logic Theorist démontra 38 des 52 premiers théorèmes des Principia. Pour le théorème 2.85, le programme découvrit même une démonstration beaucoup plus courte et élégante que celle publiée par Russell et Whitehead plusieurs décennies auparavant. Russell lui-même, mis au courant par lettre, exprima son admiration rétrospective. Mais pour Newell, l’intérêt premier ne résidait pas dans la prouesse mathématique : il résidait dans le fait que la trace d’exécution de la machine (l’historique des heuristiques testées et rejetées) présentait une ressemblance troublante avec les hésitations, les détours et les raccourcis observés chez les sujets humains placés devant la même énigme logique. La machine était devenue un modèle scientifique direct du fonctionnement psychologique.

3.2 General Problem Solver (GPS) et l’analyse moyens-fins

Forts du triomphe du Logic Theorist, Newell, Shaw et Simon se lancèrent en 1957 dans une entreprise encore plus ambitieuse : concevoir un programme qui ne serait plus cantonné à la seule logique formelle, mais capable de résoudre n’importe quel problème formellement structuré. Ce projet donna naissance en 1959 au General Problem Solver (GPS). Avec GPS, Newell introduisit une abstraction conceptuelle qui allait révolutionner les sciences cognitives : la distinction explicite entre les connaissances déclaratives d’un domaine particulier et le mécanisme général de résolution de problèmes.

Au cœur de l’architecture du GPS se trouve l’invention de l’Analyse Moyens-Fins (Means-Ends Analysis). Cette heuristique universelle repose sur un principe cognitif élégant mais d’une redoutable efficacité algorithmique :

• Le système évalue en permanence l’état actuel dans lequel il se trouve et le compare à l’état-but final qu’il cherche à atteindre.
• Il calcule et identifie la différence principale entre ces deux états.
• Il recherche dans une table de correspondances un opérateur d’action susceptible de réduire ou d’annuler cette différence spécifique.
• Si cet opérateur ne peut pas être appliqué immédiatement en raison de préconditions non remplies, le système crée récursivement un sous-but : transformer l’état actuel en un état intermédiaire satisfaisant les préconditions de l’opérateur désiré.

Grâce à cette récursion continue, le GPS pouvait s’attaquer avec succès à des énigmes logiques classiques telles que le problème des missionnaires et des cannibales, les tours de Hanoï ou le calcul symbolique intégral. Le GPS démontrait de manière irréfutable que la planification complexe n’exige pas une intelligence mystique, mais résulte de l’application récurrente de tests locaux de réduction d’écarts par rapport au but. Cette formulation computationnelle de l’analyse moyens-fins est devenue l’un des piliers classiques de la théorie de la décision et de la psychologie de la planification motrice et conceptuelle.

3.3 La transition doctorale et l’ancrage institutionnel à Carnegie Mellon

Bien qu’il fût déjà reconnu internationalement comme l’un des pionniers fondateurs de l’informatique moderne et de l’intelligence artificielle, Newell n’avait toujours pas formalisé son statut académique par un diplôme de troisième cycle. En 1957, il régularisa cette situation singulière en soutenant sa thèse de doctorat en sciences de l’administration au sein de la Graduate School of Industrial Administration (GSIA) de l’Institut de technologie Carnegie, sous la direction formelle de son ami et mentor Herbert Simon. Sa dissertation, qui synthétisait les travaux pionniers menés sur le Logic Theorist et l’analyse des processus de décision, posa les jalons de ce qui allait devenir la science computationnelle des organisations.

En 1961, Newell quitta définitivement la Californie et la RAND Corporation pour s’installer à Pittsburgh en tant que professeur à l’Université Carnegie Mellon. Sa venue inaugura une ère de prospérité académique exceptionnelle. Avec Simon et Alan Perlis (le premier lauréat du prix Turing), Newell mit toute son énergie au service de l’institutionnalisation d’une discipline qui n’existait pas encore formellement : l’informatique en tant que science fondamentale. En 1965, ils fondèrent ensemble le département d’informatique de Carnegie Mellon, qui allait rapidement s’imposer comme le sanctuaire mondial de la discipline aux côtés du MIT et de Stanford.

Newell conçut ce département selon une philosophie profondément interdisciplinaire. Il refusa catégoriquement de confiner l’informatique à une simple branche du génie électrique ou des mathématiques appliquées. Pour lui, l’informatique était l’étude phénoménologique de tous les aspects liés à l’ordinateur, incluant au premier chef l’interaction entre la machine et l’esprit humain. Il tissa des liens organiques indéfectibles entre le département d’informatique et le département de psychologie cognitive, attirant des esprits brillants et créant un écosystème de recherche symbiotique unique où ingénieurs, linguistes et psychologues travaillaient dans les mêmes bureaux. Newell devint non seulement le mentor de générations d’informaticiens, mais l’architecte institutionnel sans lequel l’émergence des sciences cognitives institutionnalisées n’aurait pas été possible.

4. La théorie du traitement de l’information humaine (Human Problem Solving)

4.1 L’opus magnum de 1972 : Fondements conceptuels et structure

En 1972 parut l’ouvrage monumental coécrit par Allen Newell et Herbert Simon : Human Problem Solving. Fort de près de mille pages d’analyses d’une minutie chirurgicale, ce livre constitue l’un des accomplissements majeurs des sciences humaines du XXe siècle. Il représentait la synthèse de vingt années de recherches expérimentales rigoureuses consacrées à l’observation d’individus confrontés à des tâches intellectuelles complexes mais rigoureusement délimitées : la résolution de problèmes d’échecs, de cryptarithmétique (comme l’énigme célèbre DONALD + GERALD = ROBERT) et de démonstrations logiques issues des Principia Mathematica.

Le concept névralgique forgé par Newell et Simon dans cet ouvrage est celui de l’« espace de problème » (Problem Space). Selon les auteurs, l’activité de pensée d’un individu se déploie toujours au sein d’une topologie interne structurée comprenant :

• Un état initial représentant la compréhension immédiate du point de départ.
• Un état-but représentant la condition de terminaison satisfaisante du problème.
• Un ensemble d’opérateurs de transition légitimes qui permettent de passer d’un état de connaissance à un autre.
• Des contraintes de cheminement qui limitent les actions autorisées.

Résoudre un problème revient dès lors à naviguer au sein de cet espace en effectuant une recherche guidée d’un chemin reliant l’état initial à l’état-but. En définissant la pensée humaine comme un parcours de graphes d’états internes piloté par des heuristiques de sélection, Newell et Simon portaient le coup de grâce définitif à l’illusion behavioriste qui prétendait réduire la conduite humaine à un réflexe stimulus-réponse mécanique sans états mentaux intermédiaires. La cartographie explicite de ces états internes entrait de plein droit dans le domaine de la science prédictive et mesurable.

4.2 L’analyse des protocoles verbaux comme méthode scientifique rigoureuse

L’une des contributions méthodologiques les plus révolutionnaires de Newell exposées dans Human Problem Solving fut la réhabilitation et la formalisation épistémologique de l’analyse des protocoles verbaux, plus couramment désignée sous le nom de méthode de « réflexion à voix haute » (Think-Aloud Protocol). Depuis l’échec de l’introspectionnisme de Wilhelm Wundt et d’Edward Titchener au tournant du siècle, la psychologie expérimentale avait banni avec effroi toute utilisation du rapport verbal des sujets, le considérant comme subjectif, distordu et non scientifique.

Newell opéra une distinction méthodologique fondamentale entre l’introspection rétrospective — où un individu reconstruit a posteriori et rationalise faussement les motifs de ses décisions passées — et la verbalisation concurrente, où le sujet est simplement invité à exprimer à voix haute le flux continu de ses pensées immédiates au moment même où il résout la tâche, sans chercher à s’expliquer ni à analyser son propre comportement. Newell démontra que cette verbalisation immédiate n’altère pas substantiellement la séquence des opérations cognitives et offre une fenêtre en temps réel sur les symboles activés dans la mémoire à court terme.

Pour convertir ce matériau brut en données scientifiques objectives, Newell développa des protocoles de codage extrêmement stricts. Les enregistrements magnétophoniques étaient transcrits mot à mot, puis découpés en segments syntaxiques minimaux correspondant chacun à un énoncé sémantique ou à une opération élémentaire. Ces segments étaient ensuite projetés sur des « graphes de comportement de recherche » (Problem Behavior Graphs). Ces diagrammes d’états permettaient de suivre point par point, milliseconde après milliseconde, les choix de branches, les retours en arrière (backtracking) et les abandons d’hypothèses de l’individu. La comparaison directe entre ces graphes humains et les traces générées par des programmes de simulation informatique permettait de valider ou de falsifier les modèles computationnels avec une rigueur statistique et descriptive sans précédent.

4.3 Les invariants architecturaux de la mémoire et de l’attention

Au-delà de la description des stratégies heuristiques, Newell utilisa les données de Human Problem Solving pour formaliser ce qu’il nommait les invariants architecturaux du système de traitement de l’information humaine. Il postula que, par-delà la variabilité individuelle et l’apprentissage, l’esprit humain est structuré par des limites matérielles universelles qui contraignent l’ensemble de ses performances :

• La mémoire à court terme (MCT) : Newell mit en évidence son rôle de goulet d’étranglement central du système. Dotée d’une capacité extrêmement restreinte (quelques symboles ou « chunks » seulement) et d’un temps de dégradation rapide, elle impose une charge cognitive massive qui oblige l’esprit à déployer des stratégies de segmentation et de déchargement sur l’environnement externe (papier, notations).
• La mémoire à long terme (MLT) : dotée d’une capacité virtuellement illimitée, son accès est asymétrique. La récupération d’informations par reconnaissance associative est rapide (quelques centaines de millisecondes), mais l’encodage et la fixation de nouvelles traces mnésiques requièrent un temps physiologique important, de l’ordre de 5 à 10 secondes par bloc de symbole (temps nécessaire à la consolidation des associations).
• La nature séquentielle du processeur central : bien que les canaux sensoriels périphériques opèrent en parallèle massif, le processeur délibératif central n’exécute qu’une seule opération symbolique élémentaire à la fois, imposant une sérialisation stricte des étapes de raisonnement conscient.

Ces modélisations préfiguraient de façon spectaculaire les théories contemporaines de la mémoire de travail formalisées plus tard par Alan Baddeley. En articulant ces contraintes cinétiques au sein d’une mécanique formelle, Newell montrait que l’étrange façon dont l’être humain résout des problèmes — lenteur, oublis fréquents, nécessité de notes intermédiaires, mais fulgurances intuitives par reconnaissance de schémas — découle directement de l’interaction logique entre une architecture de traitement séquentielle à faible mémoire vive et un environnement informationnel foisonnant.

5. L’hypothèse du système de symboles physiques (Physical Symbol System Hypothesis)

5.1 La conférence du Prix Turing de 1975 et l’exposé de l’hypothèse

En 1975, l’Association for Computing Machinery (ACM) décerna conjointement le prix Turing — la distinction suprême en informatique, équivalente au prix Nobel — à Allen Newell et Herbert Simon pour leurs contributions pionnières à l’intelligence artificielle, à la psychologie de la cognition humaine et au traitement des listes. L’année suivante, lors de la session plénière de remise de la distinction, ils prononcèrent une allocution devenue légendaire dans l’histoire de la philosophie et des sciences informatiques, intitulée Computer Science as Empirical Inquiry: Symbols and Search.

Dans ce discours magistral, ils formulèrent une proposition théorique audacieuse qui allait cristalliser les débats épistémologiques pour les décennies à venir : l’Hypothèse du Système de Symboles Physiques (Physical Symbol System Hypothesis, ou PSSH). Newell et Simon énoncèrent ce postulat sous la forme d’une équivalence logique formelle :

« Un système de symboles physiques possède les moyens nécessaires et suffisants pour mener une action intelligente générale. »

Cette phrase courte concentre une densité théorique prodigieuse. En affirmant la nécessité, Newell stipulait que tout système capable d’intelligence générale — y compris le cerveau biologique de l’Homo sapiens — est obligatoirement une instance d’un système de symboles physiques. En affirmant la suffisance, il postulait que n’importe quel dispositif matériel d’une complexité adéquate (comme un ordinateur numérique conventionnel) convenablement programmé pour manipuler des symboles est capable, de plein droit, de manifester une intelligence indiscernable de celle de l’être humain. Ils unifiaient ainsi, sous une même bannière ontologique, le tissu neuronal du cortex cérébral et les circuits de silicium de la machine de Turing.

5.2 Composantes fonctionnelles et implications philosophiques

Pour dissiper tout malentendu spiritualiste ou purement linguistique, Newell prit grand soin de définir avec une précision chirurgicale ce qu’il entendait par « système de symboles physiques ». Il ne s’agit pas d’une entité abstraite, mais d’une machine physique réelle qui évolue dans le monde matériel au fil du temps :

• Le symbole : une entité physique matérielle (motif de tension dans un circuit, configuration d’encre sur une page, train d’impulsions électrochimiques dans un réseau synaptique) qui possède la propriété fondamentale de désignation.
• La désignation : une expression symbolique désigne un objet ou un état du monde si le système peut affecter cet objet ou modifier son propre comportement en accédant à cette expression.
• L’expression : une structure formelle composée d’instances de symboles reliées entre elles par des relations physiques d’adjacence ou de liaison par pointeurs.
• Les opérations fondamentales : le système dispose d’une poignée de mécanismes physiques d’action capables de créer un symbole, de modifier une expression, de copier un symbole, de tester l’égalité ou la différence entre deux symboles et de détruire un symbole.

L’apport philosophique majeur de cette caractérisation résidait dans la naturalisation complète de l’intentionnalité. Depuis Franz Brentano et René Descartes, le mystère de la façon dont une entité matérielle peut « penser à » ou « désigner » un objet extérieur sans magie transcendantale semblait insoluble. Newell apporta une solution purement mécaniste : la désignation n’est rien d’autre qu’une relation causale de pointage fonctionnel. Les symboles sont physiques parce qu’ils sont constitués de matière et d’énergie ; ils sont symboliques parce qu’ils pointent dynamiquement vers d’autres entités physiques ou vers d’autres processus internes du système.

5.3 L’impact épistémologique sur la philosophie de l’esprit

L’Hypothèse du Système de Symboles Physiques constitua l’assise théorique sur laquelle s’édifièrent les philosophies contemporaines de l’esprit, au premier rang desquelles le fonctionnalisme computationnel défendu par Jerry Fodor et Hilary Putnam. Dans le sillage tracé par Newell, Fodor élabora sa théorie de la modularité de l’esprit et l’hypothèse du « langage de la pensée » (Mentalese) : si l’esprit fonctionne comme un système de symboles physiques, alors la pensée humaine consiste précisément en des transformations formelles gouvernées par des règles syntaxiques opérant sur un langage interne.

Cependant, cette conception frontale suscita des contestations philosophiques passionnées. L’opposition la plus célèbre vint du philosophe John Searle à travers son expérience de pensée de la « Chambre Chinoise » (1980). Searle argumentait que la simple manipulation syntaxique de symboles physiques non compris — analogue à un individu enfermé dans une pièce qui combine des caractères chinois à l’aide d’un manuel de règles sans comprendre un traître mot de mandarin — ne saurait engendrer de sémantique véritable, réfutant ainsi la condition de suffisance de Newell.

D’autres critiques, comme le roboticien Stevan Harnad, formulèrent le problème de l’ancrage des symboles (Symbol Grounding Problem), soulignant que des symboles qui ne renvoient qu’à d’autres symboles au sein d’un graphe fermé restent suspendus dans un vide ontologique sans lien perceptif avec la réalité matérielle. Newell répondit inlassablement à ces attaques en soulignant que le niveau symbolique n’a jamais été pensé pour exister dans l’isolement : il est organiquement ancré dans le monde par l’intermédiaire de transducteurs sensoriels et d’effecteurs moteurs qui traduisent l’énergie environnementale en symboles d’entrée et les symboles de commande en action physique. Malgré les controverses, le paradigme newellien offrit à la science cognitive un cadre de référence d’une clarté inégalée, scellant l’analogie entre le logiciel de l’esprit et le matériel de la neurobiologie.

6. L’architecture cognitive Soar : Modélisation unifiée de l’esprit

6.1 Genèse et principes directeurs de l’architecture Soar (1983-1992)

Au début des années 1980, Allen Newell constata avec une inquiétude croissante l’émiettement de la recherche en intelligence artificielle et en psychologie. Les laboratoires multipliaient les micromodèles spécialisés : un algorithme pour la vision stéréoscopique, un autre pour le diagnostic médical, un troisième pour la reconnaissance de la parole. Newell refusait cette balkanisation disciplinaire. Il soutenait que l’intelligence humaine se caractérise précisément par son universalité, sa flexibilité et sa capacité à mobiliser l’ensemble de ses facultés dans un comportement harmonieux. C’est pour matérialiser cette vision intégrale qu’il lança en 1983, aux côtés de ses anciens étudiants John Laird et Paul Rosenbloom, le projet monumental de l’architecture cognitive Soar (acronyme de State, Operator And Result).

L’ambition déclarée de Soar était vertigineuse : constituer une architecture informatique unique, complète et fermée, capable d’exécuter n’importe quelle tâche cognitive, depuis la résolution de casse-têtes complexes jusqu’à l’apprentissage du langage et la perception motrice en temps réel. Pour y parvenir, Newell fonda Soar sur un moteur d’inférence universel reposant sur un système de règles de production (règles de type SI condition ALORS action).

Le fonctionnement interne de Soar est rythmé par un cycle de décision strict orchestré en deux phases majeures :

• La phase d’élaboration : le moteur examine la mémoire de travail et déclenche en parallèle toutes les règles de production dont les conditions sont satisfaites. Ce déclenchement est additif et non compétitif : les règles ajoutent de nouvelles assertions, proposent des opérateurs potentiels et émettent des préférences relatives (par exemple : « l’opérateur A est préférable à l’opérateur B »). Cette phase se poursuit en chaîne jusqu’à ce qu’aucune nouvelle règle ne puisse être activée (état de quiescence).
• La phase de décision : un mécanisme architectural fixe et non modifiable inspecte l’ensemble des préférences accumulées et sélectionne de manière déterministe le prochain opérateur légitime à appliquer pour faire évoluer l’état de l’espace de problème.

6.2 Le mécanisme de sous-buts universel et la gestion des impasses

La puissance conceptuelle et l’élégance architecturale de Soar atteignent leur zénith dans sa méthode de traitement de l’incertitude et de l’incomplétude du savoir. Contrairement aux systèmes experts classiques de l’époque qui s’effondraient brutalement dès qu’une information manquait ou qu’un conflit logique survenait, Soar intègre l’échec opérationnel au cœur même de son moteur de fonctionnement grâce au concept d’impasse (impasse).

Une impasse est détectée automatiquement par l’architecture dès lors que la phase de décision se trouve dans l’incapacité de trancher sans ambiguïté :

• L’impasse de lien (Tie Impasse) : plusieurs opérateurs sont en concurrence et les préférences disponibles ne permettent pas de déterminer lequel est supérieur.
• L’impasse d’absence de choix (No-Choice Impasse) : aucune règle de production n’est activable pour proposer un opérateur pertinent dans l’état actuel.
• L’impasse de conflit (Conflict Impasse) : les règles ont produit des préférences contradictoires (par exemple : A est meilleur que B, et B est meilleur que A).
• L’impasse de rejet (Reject Impasse) : l’unique opérateur proposé a été explicitement rejeté par une contrainte de sécurité.

Face à une telle impasse, Soar ne s’interrompt pas. L’architecture matérielle réagit de manière automatique et autonome en créant un nouvel état mental : un sous-espace de problème (subgoal). Le nouveau problème à résoudre dans ce sous-espace devient alors : « Trouver l’information nécessaire pour résoudre l’impasse qui paralyse l’espace parent ». Soar peut générer de multiples niveaux d’imbrication récursive de sous-buts. Il déploie des stratégies de raisonnement délibératif, explore des simulations prospectives, consulte d’autres sources de connaissances, et dès que l’opérateur adéquat est enfin isolé, l’impasse se dissout spontanément et le contrôle est restitué à la tâche principale. Newell parvenait ainsi à modéliser la réflexion consciente et la délibération métacognitive sans avoir à coder artificiellement une procédure spécifique pour chaque cas de figure.

6.3 L’apprentissage continu par regroupement (Chunking)

L’autre innovation théorique capitale incarnée par Soar réside dans son paradigme d’apprentissage unifié. Newell et ses collaborateurs refusaient la prolifération d’algorithmes d’apprentissage disjoints pour chaque compétence mentale. Ils instaurèrent un mécanisme unique, automatique et universel de mémorisation permanente : le regroupement cognitif, ou Chunking.

Le chunking opère en arrière-plan et de manière symbiotique avec la résolution des impasses. Dès qu’un sous-but parvient à résoudre une impasse, l’architecture analyse automatiquement la trace computationnelle de cette réussite. Elle examine quelles étaient les conditions préexistantes dans la mémoire de travail qui ont rendu possible la découverte de la solution, et quelles ont été les actions finales qui ont débloqué la situation. L’architecture compile instantanément cette expérience locale sous la forme d’une toute nouvelle règle de production générale.

Cette nouvelle règle (nommée un chunk) est alors définitivement injectée dans la mémoire procédurale à long terme du système. Si, à l’avenir, le système se retrouve confronté à un état mental présentant les mêmes caractéristiques structurelles que celui qui avait provoqué l’impasse originelle, la nouvelle règle s’active immédiatement lors de la phase d’élaboration. L’opérateur salvateur est sélectionné instantanément, sans aucune hésitation et sans nécessiter l’ouverture d’un nouveau sous-but. L’architecture a littéralement appris.

Ce mécanisme simple permit à Newell d’apporter une explication algorithmique rigoureuse à la transition fondamentale décrite par les psychologues : le passage d’une performance novice, lente, analytique et consciente (fondée sur la résolution pas à pas d’impasses par sous-buts), à une performance experte, automatique, fluide et ultra-rapide (fondée sur l’activation directe de milliers de chunks compilés par la pratique). L’acquisition des habiletés mentales trouvait enfin son moteur mécaniste unifié.

7. La psychologie expérimentale et la modélisation des temps de réaction

7.1 L’analyse chronométrique et les échelles temporelles de l’action humaine

L’un des traits les plus singuliers du génie d’Allen Newell réside dans son exigence absolue d’inscrire les modèles computationnels symboliques dans la réalité temporelle et physique de l’organisme humain. Contrairement aux théoriciens de l’informatique pure qui s’affranchissent des contraintes de temps d’horloge pour n’étudier que la complexité asymptotique des algorithmes, Newell soutenait que le temps réel d’exécution est la contrainte la plus impérieuse guidant l’architecture de l’esprit. Dans ses travaux fondateurs des années 1980, il synthétisa les données de la psychophysique et de la chronométrie mentale pour dresser une cartographie globale des échelles temporelles de l’action humaine :

Cette décomposition hiérarchique permit à Newell d’isoler la « bande cognitive » (s’étendant de 100 millisecondes à une dizaine de secondes) comme le domaine fonctionnel autonome où opère l’architecture symbolique de l’esprit. En montrant que chaque niveau temporel émerge nécessairement des contraintes du niveau inférieur tout en possédant ses propres lois d’organisation, Newell réconciliait la neurophysiologie et la psychologie cognitive au sein d’un continuum physique parfaitement cohérent.

7.2 La loi de puissance de la pratique (Power Law of Practice)

L’une des manifestations les plus éclatantes de la capacité de Newell à relier la théorie computationnelle aux régularités empiriques les plus strictes de la psychologie expérimentale fut sa découverte, formalisée en 1981 avec Paul Rosenbloom, de l’universalité de la loi de puissance de la pratique (Power Law of Practice). En dépouillant des dizaines d’études psychologiques conduites sur plus d’un siècle — allant de la vitesse de frappe au clavier à la dextérité manuelle d’ouvriers de fabriques de cigares, en passant par la vérification de circuits géométriques et la décision tactique aux échecs —, Newell et Rosenbloom constatèrent une régularité mathématique stupéfiante : sur toutes les tâches observées, le temps $T$ requis pour accomplir une action diminue en fonction directe du nombre de répétitions ou d’essais $N$ selon une loi de puissance stricte de la forme :

T = B · N^-α

où $B$ et $\alpha$ sont des constantes propres à la tâche. Représentée sur une échelle logarithmique (log-log), cette relation se traduit par une droite parfaite d’une constance universelle. Mais Newell ne se contenta pas d’une simple observation descriptive. Il posa la question épistémologique fondamentale : quelle architecture computationnelle interne peut obligatoirement engendrer une telle décroissance de temps à travers l’apprentissage ?

La réponse résidait dans le mécanisme de chunking intégré à Soar. Newell et Rosenbloom démontrèrent mathématiquement que lorsque l’esprit regroupe récursivement des sous-structures d’action et d’information en motifs hiérarchiques de plus en plus vastes, la probabilité statistique de rencontrer des structures déjà consolidées diminue de manière combinatoire au fur et à mesure que la taille des motifs croît. Le gain marginal de chaque nouvel essai d’apprentissage décroît donc log-linéairement. Le chunking n’était plus simplement une hypothèse commode de modélisateur : c’était le seul mécanisme algorithmique capable de rendre compte de manière unifiée et déductive de l’invariance mathématique de la courbe universelle d’apprentissage humain.

7.3 Intégration des contraintes neurophysiologiques dans la théorie symbolique

Tout au long de ses débats avec la communauté neurobiologique, Newell martela ce qu’il appelait la règle des cent millisecondes (The 100-millisecond rule). Il faisait observer que le cerveau humain est composé de neurones dont la fréquence de décharge maximale ne dépasse guère quelques centaines d’impulsions par seconde, avec un temps de transmission synaptique de l’ordre de 5 à 10 millisecondes. Or, les expériences de chronométrie mentale issues des travaux de Franciscus Donders et Saul Sternberg montrent sans équivoque qu’un être humain est capable d’effectuer une discrimination perceptive fine ou de choisir une action délibérée en un temps d’environ 100 à 200 millisecondes.

Cette donnée physiologique incontournable imposait une conséquence mathématique implacable que Newell résuma ainsi : au sein de cette fenêtre temporelle de 100 millisecondes, le cerveau ne peut enchaîner, au sens séquentiel, qu’au maximum 10 à 20 cycles neuronaux élémentaires. Par conséquent, il est physiquement impossible que l’esprit humain résolve des tâches courantes en exécutant des millions d’instructions algorithmiques consécutives, comme le fait un programme classique codé sur un ordinateur séquentiel de von Neumann.

C’est précisément cette contrainte biologique d’airain qui poussa Newell à stipuler que l’unité élémentaire de l’architecture Soar — le cycle d’élaboration et d’appariement d’une règle de production — devait impérativement correspondre à cette durée critique d’environ 100 millisecondes. Au sein d’un cycle Soar, la reconnaissance de formes s’opère en parallèle massif (analogue à la propagation synaptique dans le réseau cérébral), tandis que la décision séquentielle (sélection de l’opérateur) respecte la limite de débit temporel imposée par la biologie. Newell démontrait ainsi que le symbolisme computationnel, loin d’ignorer le cerveau, est étroitement dicté par ses constantes physiques les plus irréductibles.

8. L’interaction homme-machine (IHM) et le modèle GOMS

8.1 La publication de The Psychology of Human-Computer Interaction (1983)

Au milieu des années 1970, l’avènement de l’ordinateur personnel et des premières interfaces graphiques interactives au sein du célèbre centre de recherche de Xerox PARC à Palo Alto ouvrit un nouveau champ d’investigation d’une importance économique et technologique capitale. Les concepteurs se trouvaient démunis face à la prolifération des périphériques de saisie (souris, claviers, écrans à balayage) et des architectures de fenêtres naissantes. La psychologie ergonomique de l’époque était purement empirique et rétrospective : elle se contentait d’effectuer des tests utilisateurs d’évaluation après coup, une fois les systèmes matériels et logiciels entièrement construits.

Newell, sollicité comme consultant régulier au Xerox PARC, s’allia à deux brillants chercheurs pionniers, Stuart Card et Thomas P. Moran. Ensemble, ils entreprirent de transformer radicalement ce champ d’ingénierie en publiant en 1983 un ouvrage qui allait fonder la discipline de l’interaction homme-machine en tant que science exacte : The Psychology of Human-Computer Interaction. Le manifeste du trio était explicite : les concepteurs d’interfaces ne devaient plus naviguer à l’aveugle ou dépendre de tests utilisateurs dispendieux et tardifs ; ils devaient disposer de modèles computationnels prédictifs permettant de calculer a priori, sur la planche à dessin de l’ingénieur, les performances temporelles et les marges d’erreur d’un utilisateur expert interagissant avec un système interactif.

8.2 Le modèle GOMS : Buts, Opérateurs, Méthodes et Règles de sélection

Pour operationaliser cette vision, Newell, Card et Moran forgèrent le cadre théorique GOMS, un acronyme représentant les quatre piliers constitutifs de toute activité humaine d’utilisation experte d’une machine :

• Goals (Buts) : l’état final désiré que l’utilisateur cherche à atteindre (par exemple : supprimer un mot erroné dans un éditeur de texte). Ces buts sont organisés de manière récursive en hiérarchies de sous-buts.
• Operators (Opérateurs) : les actions motrices, perceptives ou mentales indivisibles que l’utilisateur exécute pour progresser vers le but (par exemple : déplacer la main vers la souris, appuyer sur un bouton, focaliser le regard sur une ligne).
• Methods (Méthodes) : des séquences apprises et automatisées de buts et d’opérateurs stockées en mémoire à long terme (par exemple : la méthode consistant à surligner un mot à la souris puis taper sur la touche d’effacement).
• Selection rules (Règles de sélection) : les conditions logiques régissant le choix d’une méthode spécifique lorsqu’il existe plusieurs voies pour atteindre le même but (par exemple : « si le curseur est déjà adjacent au mot, utiliser les flèches du clavier ; si le mot se trouve sur un autre paragraphe, utiliser la souris »).

Ce formalisme trouva son incarnation opérationnelle la plus percutante dans le Keystroke-Level Model (KLM). Dérivé direct de GOMS, le KLM attribuait une constante temporelle fixe et standardisée à chaque micro-opérateur physique :

• $K$ (frappe au clavier) : environ 0,20 seconde pour un typiste moyen.
• $P$ (pointage à la souris vers une cible sur l’écran) : modélisé rigoureusement par la loi de Fitts, d’une durée moyenne d’environ 1,10 seconde.
• $H$ (déplacement physique de la main entre le clavier et la souris) : environ 0,40 seconde.
• $M$ (temps de préparation mentale précédant une action cognitive routinière) : estimé invariablement à 1,35 seconde.
• $R$ (temps de réponse du système informatique).

En additionnant simplement la somme algébrique de ces constantes le long de la séquence d’opérateurs requise par une interface donnée, un architecte logiciel pouvait prédire avec une précision statistique de l’ordre de 90 % le temps qu’il faudrait à un utilisateur pour accomplir une tâche donnée, avant même d’avoir écrit la moindre ligne de code d’implémentation. Le modèle GOMS propulsait l’ergonomie cognitive au statut d’une discipline d’ingénierie quantitative prédictive.

8.3 Le modèle du processeur humain d’information (Model Human Processor)

Pour fournir une assise théorique solide et cohérente au modèle GOMS, Newell, Card et Moran forgèrent le modèle du processeur humain d’information (Model Human Processor, MHP). Il s’agissait d’une synthèse architecturale d’une élégance conceptuelle remarquable, qui schématisait l’appareil sensorimoteur et cognitif de l’être humain sous la forme d’un système articulé autour de trois sous-systèmes fonctionnels interconnectés :

• Le système perceptif : constitué des mémoires de stockage sensoriel (la mémoire iconique pour la vision et la mémoire échoïque pour l’audition) reliées à des récepteurs physiques. Ce système est caractérisé par un temps de cycle d’environ 100 millisecondes (avec une plage de variation de 50 à 200 ms) et une durée de persistance sensorielle d’environ 200 millisecondes.
• Le système cognitif : articulé autour de la mémoire de travail (capacité typique de $7 \pm 2$ chunks ou $3 \pm 2$ sous charge attentionnelle élevée) et de la mémoire à long terme à capacité infinie. Le processeur cognitif opère par cycles séquentiels d’une durée moyenne de 70 millisecondes (plage de 25 à 170 ms).
• Le système moteur : responsable de la traduction des représentations motrices en influx musculaires et mouvements physiques observables. Son temps de cycle d’exécution unitaire est estimé à environ 70 millisecondes (plage de 30 à 100 ms).

En assignant des paramètres quantitatifs précis à chaque composant — capacités de rétention, temps de cycle, constantes de dégradation de l’information —, Newell et ses collègues offrirent aux concepteurs une véritable « boîte à outils de l’ingénieur de l’esprit ». Les calculateurs pouvaient anticiper les interférences de la mémoire de travail, modéliser les retards de réaction induits par la surcharge visuelle et prédire les seuils de saturation mentale. Cette modélisation architecturale du MHP demeure l’un des cadres conceptuels les plus influents jamais conçus pour penser l’intégration organique de l’être humain et de la technologie numérique.

9. Théories unifiées de la cognition (Unified Theories of Cognition, 1990)

9.1 Le manifeste de William James (1987) et la genèse de l’ouvrage

Au printemps de l’année 1987, Allen Newell fut convié à prononcer les prestigieuses conférences William James (William James Lectures) à l’Université Harvard. Cette tribune académique historique fut pour lui l’occasion de délivrer le chef-d’œuvre intellectuel de sa maturité. Trois décennies après la conférence de Dartmouth et quinze ans après Human Problem Solving, Newell jeta un regard critique sévère sur l’état de la psychologie et des sciences cognitives contemporaines. Il constatait un échec épistémologique patent : malgré l’accumulation astronomique d’articles empiriques et d’expérimentations minutieuses, la discipline demeurait désespérément morcelée en micro-paradigmes rivaux incapables de dialoguer entre eux.

Ces conférences magistrales formèrent le socle de son dernier livre testamentaire, publié en 1990 aux presses de l’Université Harvard sous le titre monumental : Unified Theories of Cognition. L’ouvrage s’ouvrait sur un vibrant plaidoyer en faveur de la construction de « Théories Unifiées de la Cognition » (UTC). Newell y affirmait que le temps des études isolées était révolu ; l’esprit humain ne fonctionnant pas comme une collection de pièces détachées autonomes, la science de l’esprit devait impérativement se doter d’une théorie d’ensemble unique, d’une physique théorique de la pensée, capable d’expliquer d’un seul tenant comment un même système biologique et computationnel peut simultanément percevoir des formes, comprendre le langage naturel, mémoriser des faits, apprendre par l’expérience, planifier des stratégies et commettre des erreurs de raisonnement.

9.2 Les critères d’adéquation d’une théorie unifiée

Pour qu’une théorie computationnelle de l’esprit puisse prétendre au titre de théorie unifiée, Newell établit une liste impérative et redoutable de contraintes multiples qu’un système cognitif complet doit satisfaire de manière simultanée pour survivre dans un environnement physique complexe et dynamique :

• Comportement flexible : la capacité de réagir de manière adaptée face à des situations inédites et imprévues sans se figer dans des routines rigides.
• Fonctionnement adaptatif en temps réel : l’obligation de traiter les flux de données environnementaux et d’émettre des réponses motrices dans les limites chronométriques imposées par la physique du monde extérieur.
• Richesse et vastitude de la mémoire : la capacité de stocker, structurer et interroger une quantité colossale de connaissances déclaratives et procédurales sans dégradation catastrophique de l’accès.
• Apprentissage continu : l’acquisition autonome et perpétuelle de nouvelles connaissances et de nouvelles habiletés au fur et à mesure de l’expérience vécue.
• Traitement du langage naturel : la maîtrise syntaxique et sémantique de la communication symbolique avec d’autres agents intelligents.
• Rationalité délibérative et conscience réflexive : la capacité d’élaborer des plans d’action prospectifs, de simuler des futurs alternatifs et de résoudre des conflits internes de buts.
• Résistance à la défaillance : la dégradation douce des performances face à l’incomplétude du savoir ou à l’endommagement partiel des structures physiques.
• Développement ontogénétique : la capacité d’évoluer organiquement depuis un stade infantile dépendant jusqu’au niveau d’expertise adulte mature.

Newell présenta l’architecture Soar non pas comme l’unique réponse possible à cette quête grandiose, mais comme une preuve d’existence et un candidat opérationnel de premier rang démontrant qu’une telle synthèse n’était pas une chimère philosophique, mais un programme d’ingénierie scientifique rigoureusement réalisable.

9.3 Dépassement du célèbre pamphlet : You Can’t Play 20 Questions with Nature and Win

Le socle philosophique d’Unified Theories of Cognition s’enracinait directement dans l’un des articles les plus corrosifs et célèbres qu’Allen Newell avait publiés en 1973 : You Can’t Play 20 Questions with Nature and Win: Comments on the 8th Annual Carnegie Symposium on Cognition. Dans ce pamphlet épistémologique dévastateur, Newell s’était attaqué à la méthode expérimentale alors sacro-sainte en psychologie : celle des oppositions binaires artificielles (nature contre culture, traitement parallèle contre séquentiel, représentations analogiques contre propositionnelles, mémoire à accès direct contre recherche exhaustive).

Newell y comparait avec férocité les psychologues à des joueurs se livrant au jeu des « vingt questions » face à la Nature, espérant découvrir la structure de l’esprit par une succession indéfinie de questions binaires de type « oui ou non ». Il démontra que cette stratégie expérimentale atomisée était condamnée à l’échec structurel permanent : chaque résultat expérimental binaire engendre immédiatement de nouvelles variations contextuelles, de nouveaux effets de bord et de nouvelles sous-controverses, menant à une prolifération fractale de micro-débats sans que la compréhension globale ne progresse d’un millimètre au fil des décennies.

La publication de 1990 apportait l’antidote formel à cette dérive méthodologique : seule une architecture cognitive unifiée — un ensemble articulé de mécanismes computationnels explicites — peut intégrer et donner un sens aux myriades de données empiriques disparates. L’architecture agit comme un système de contraintes croisées : un changement apporté pour expliquer un phénomène de reconnaissance visuelle doit obligatoirement rester compatible avec les lois de la mémoire à long terme et les constantes des temps de réaction. Newell en appelait ainsi à l’avènement d’une science cognitive cumulative, substituant à la dialectique stérile des oppositions expérimentales la rigueur intégratrice de l’ingénierie cognitive.

10. Épistémologie et méthodologie scientifique de Newell

10.1 Le niveau des connaissances (The Knowledge Level, 1981)

En 1981, dans son discours présidentiel inaugural prononcé devant l’American Association for Artificial Intelligence (AAAI), Allen Newell introduisit une distinction ontologique capitale qui allait profondément transformer la théorie des systèmes complexes et de l’ingénierie des connaissances : le concept de « niveau des connaissances » (The Knowledge Level). Newell constatait que la description des machines intelligentes souffrait d’un gouffre conceptuel majeur entre, d’une part, le niveau matériel des circuits électroniques ou des neurones physiques et, d’autre part, le niveau des symboles (le code source, les structures de données, les algorithmes de recherche).

Newell postula l’existence d’un niveau d’abstraction formel situé immédiatement au-dessus du niveau symbolique dans la hiérarchie des systèmes : le Knowledge Level. À ce niveau :

• Le système est modélisé comme un agent autonome situé dans un environnement.
• Ses composantes primitives ne sont plus des octets, des listes ou des règles, mais des buts explicites et des connaissances factuelles sur le monde.
• La dynamique de transition du système est entièrement gouvernée par un principe unique et autonome : le Principe de Rationalité. Selon ce principe, si un agent possède la connaissance qu’une certaine action permet d’atteindre l’un de ses buts, il entreprendra obligatoirement cette action.

La rupture épistémologique introduite par Newell consistait à démontrer que le niveau des connaissances est radicalement distinct de son implémentation symbolique. On peut analyser, prédire et comprendre le comportement d’un système intelligent (qu’il s’agisse d’une entreprise financière, d’un individu expert ou d’un logiciel complexe) au niveau des connaissances sans avoir besoin de connaître le détail microscopique des représentations symboliques ou du langage de programmation sous-jacent. Le niveau des connaissances fournit ainsi le modèle téléologique et intentionnel d’un système, tandis que le niveau symbolique constitue son moteur mécanique effectif. Cette distinction devint le fondement de toute l’ingénierie ontologique contemporaine et des architectures multi-agents.

10.2 La modélisation informatique comme formalisme théorique rigoureux

L’apport épistémologique le plus fondamental d’Allen Newell à la philosophie des sciences réside dans sa refonte du statut de la simulation informatique. Jusqu’au milieu du XXe siècle, les théories en psychologie et en sciences sociales étaient formulées en langage verbal ordinaire (comme chez Sigmund Freud, Jean Piaget ou William James). Or, Newell ne cessa de dénoncer l’ambiguïté pernicieuse du langage naturel : une théorie psychologique rédigée sous forme textuelle contient inévitablement des métaphores floues, des failles logiques inaperçues et des hypothèses implicites que le théoricien dissimule involontairement derrière l’éloquence du style.

Pour Newell, un programme informatique n’est pas un simple outil d’ingénierie utilitaire destiné à faire tourner des calculs : le programme est la théorie scientifique elle-même. Un modèle computationnel possède des vertus épistémologiques absolues qu’aucun texte littéraire ne pourra jamais revendiquer :

• L’absence d’ambiguïté : un interpréteur ou un compilateur informatique n’admet aucune approximation sémantique ; chaque variable, chaque boucle et chaque relation doit être rigoureusement déclarée.
• La complétude logique : le programme refuse de s’exécuter ou génère des erreurs bloquantes s’il subsiste une lacune dans l’enchaînement causal des opérations mentales postulées.
• La falsifiabilité opérationnelle : le modèle computationnel peut être exécuté dans des conditions rigoureusement identiques à celles imposées à un sujet humain. Ses résultats numériques, ses temps de cycle et ses erreurs peuvent être confrontés directement aux données empiriques brutes.

Ce faisant, Newell consacrait l’émergence d’une nouvelle épistémologie de la recherche : la simulation comme troisième voie de la méthode scientifique, située à mi-chemin entre la déduction logique des théories formelles et l’induction empirique des observations de laboratoire.

10.3 L’interdisciplinarité radicale et l’ingénierie cognitive

Newell incarnait une vision de la recherche scientifique fondée sur un rejet catégorique des silos universitaires et des corporatismes disciplinaires. Il considérait que la nature ne respecte pas les découpages administratifs des facultés. Tout au long de sa carrière à Carnegie Mellon, il imposa une culture de recherche collaborative d’une intensité rare, connue sous le nom informel de « style CMU » : une symbiose permanente où les séminaires voyaient s’affronter amicalement mathématiciens de la théorie des graphes, linguistes chomskyens, psychologues des protocoles verbaux et ingénieurs en électronique des semi-conducteurs.

Il était profondément convaincu que la robustesse d’une théorie psychologique se mesure à sa capacité à générer un artéfact fonctionnel capable d’agir dans le monde réel : c’est le principe fondateur de l’ingénierie cognitive. Pour Newell, le théoricien ne doit pas demeurer un observateur contemplatif ; il doit être un constructeur de systèmes (system builder). Cette exigence morale et scientifique transparaissait dans son refus systématique des articles purement programmatiques ou spéculatifs qui n’étaient pas adossés à des systèmes logiciels opérationnels rigoureusement documentés.

11. Réception critique, controverses et débats théoriques

11.1 Le renouveau connexionniste et la guerre des paradigmes (années 1980)

La suprématie de l’Hypothèse du Système de Symboles Physiques et du paradigme computationnel classique, défendue par Newell depuis le milieu des années 1950, fut brutalement et violemment contestée au milieu des années 1980 par la résurgence fulgurante du connexionnisme. Emmené par le groupe PDP (Parallel Distributed Processing) de David Rumelhart et James McClelland, ce mouvement sonna le réveil des réseaux de neurones artificiels statistiques sous l’impulsion de l’algorithme de rétropropagation du gradient (backpropagation).

Les critiques adressées par les connexionnistes aux modèles symboliques de Newell étaient fondamentales et acerbes :

• La fragilité catégorique (Brittleness) : les systèmes symboliques s’effondrent brutalement lorsqu’un symbole manque ou qu’une règle contient une légère erreur de syntaxe, alors que le cerveau biologique fait preuve d’une robustesse exceptionnelle et d’une dégradation douce face aux lésions.
• Le goulet d’étranglement de l’accès sémantique : la reconnaissance des formes complexes (comme un visage humain ou une voix altérée par le bruit) est une tâche où les systèmes de règles formelles échouent lamentablement, alors que les réseaux distribués excellent par leur apprentissage statistique de représentations continues.
• L’absence de plausibilité anatomique : les réseaux de règles de production séquentiels semblaient déconnectés de l’architecture physique massivement parallèle et non dirigée du cortex cérébral.

Newell releva ce défi théorique avec une hauteur de vue remarquable. Il ne rejeta pas les réseaux neuronaux en tant que modèles de bas niveau, mais il refusa vigoureusement l’idée que le cerveau puisse être expliqué exclusivement par des poids synaptiques statistiques sans l’émergence d’un niveau symbolique supérieur. Il fit observer que la combinatoire infinie de la pensée humaine, la productivité systématique du langage et la capacité de mener des démonstrations mathématiques formelles exigent impérativement des structures de composition symboliques que les réseaux connexionnistes simples sont incapables de stabiliser. Cette guerre des paradigmes conduisit à une saine maturation réciproque, incitant plus tard l’équipe de Carnegie Mellon à enrichir Soar de mécanismes de calcul d’activation continue pour modéliser la sélection des productions.

11.2 La cognition incarnée et située face au symbolisme abstrait

À la fin des années 1980, un second front critique s’ouvrit contre l’édifice intellectuel d’Allen Newell, mené par les partisans de la robotique située et de la cognition incarnée (Embodied Cognition). La charge la plus spectaculaire vint du roboticien Rodney Brooks du MIT à travers ses articles provocateurs tels que Intelligence without representation (1991). Brooks soutenait que le symbolisme computationnel avait engagé l’intelligence artificielle dans une voie sans issue en postulant que l’intelligence consiste à manipuler des modèles symboliques internes du monde. Brooks démontrait qu’un insecte artificiel doté d’une architecture de subsomption (couplage sensorimoteur direct sans représentations internes) surpasse largement les systèmes d’IA classiques dans la navigation spatiale en temps réel.

Cette contestation robotique rencontrait les critiques phénoménologiques formulées de longue date par le philosophe Hubert Dreyfus dans son ouvrage classique What Computers Can’t Do. Dreyfus, s’appuyant sur Martin Heidegger et Maurice Merleau-Ponty, affirmait que l’expertise humaine fondamentale est une habileté corporelle incarnée, un « savoir-faire » (know-how) non articulable qui échappe structurellement à la mise en règles formelles et au calcul propositionnel (know-that).

Newell prit ces critiques au sérieux, mais en démontra les limitations intrinsèques. Il souligna que si l’évitement d’obstacles par un robot réactif ou le vol d’un insecte relève effectivement de dynamiques sensorimotrices directes, aucune architecture sans représentations internes délibérées n’est capable d’anticiper un événement lointain, de négocier un traité diplomatique ou de concevoir un télescope spatial. Pour Newell, le couplage réactif avec l’environnement est une condition préalable nécessaire de bas niveau, mais l’intelligence générale de haut niveau débute précisément au moment où un organisme s’émancipe de l’immédiateté perceptive grâce à la manipulation de représentations symboliques manipulables hors ligne.

11.3 Limites perçues de l’architecture Soar et réponses méthodologiques

Au sein même de la communauté des sciences cognitives symboliques, l’architecture Soar fit l’objet de vifs débats internes concernant certains de ses choix doctrinaux les plus rigides. L’une des controverses les plus intenses porta sur l’universalité exclusive du mécanisme de chunking. Plusieurs théoriciens doutaient qu’un unique mécanisme d’apprentissage compilant des impasses puisse véritablement rendre compte de formes d’apprentissage aussi hétérogènes que le conditionnement pavlovien classique, l’apprentissage perceptif implicite ou l’apprentissage par renforcement statistique.

Un autre problème algorithmique majeur identifié par les chercheurs au cours des années d’expérimentation sur Soar fut le phénomène dit de la prolifération des règles (Chunk Proliferation ou Utility Problem). Au fur et à mesure qu’un agent Soar apprenait continuellement en explorant des environnements vastes pendant des centaines d’heures, son moteur de production en venait à accumuler des dizaines de milliers de règles de type chunk. Paradoxalement, cette hypertrophie de la mémoire procédurale finissait par paralyser le système : le temps de cycle requis par le moteur de comparaison d’arbres pour vérifier l’activation de milliers de règles devenait supérieur au temps que le système aurait pris pour résoudre l’impasse à partir de rien. L’apprentissage finissait par dégrader la performance globale au lieu de l’accélérer.

Enfin, l’absence initiale dans Soar d’une mémoire épisodique distincte (la remémoration d’expériences temporelles vécues) et d’une mémoire sémantique structurée faisait l’objet de réserves notables. Dans ses dernières interventions avant sa disparition en 1992, Newell fit preuve d’une lucidité intellectuelle exemplaire. Loin de s’enfermer dans un dogmatisme autiste, il reconnut publiquement ces lacunes et ouvrit les chantiers de recherche visant à intégrer des mémoires non procédurales et des filtres de sélection de règles au sein des futures itérations de l’architecture.

12. Postérité, héritage académique et actualité des travaux (1992 à nos jours)

12.1 Les derniers jours et le testament scientifique : Desires and Diversions

L’année 1992 fut à la fois l’apothéose institutionnelle de la carrière d’Allen Newell et le crépuscule tragique de son existence terrestre. Atteint d’un cancer métastatique en phase terminale, Newell consacra ses dernières forces physiques à transmettre son legs philosophique à sa communauté bien-aimée. En juin 1992, le président George H. W. Bush lui décerna à la Maison-Blanche la National Medal of Science, la plus haute distinction scientifique des États-Unis, récompensant ses contributions fondatrices à la révolution informatique et à la formalisation des mécanismes de l’esprit humain.

Quelques semaines avant sa mort, affaibli par la maladie mais d’une vivacité d’esprit intacte, Newell prononça devant ses étudiants et collègues réunis dans l’auditorium de Carnegie Mellon sa conférence testamentaire désormais célèbre : Desires and Diversions. Dans cette leçon inaugurale inversée, Newell ne disserta pas sur des algorithmes abstraits ; il livra une méditation éthique poignante sur la trajectoire d’une vie de chercheur, sur la manière d’identifier ses véritables désirs scientifiques et d’éviter les pièges des distractions éphémères de la mode académique. Il conclut son exposé en incitant les jeunes générations à embrasser de grands problèmes scientifiques fondamentaux sans jamais craindre l’échec opérationnel. Allen Newell s’éteignit le 19 juillet 1992 à Pittsburgh, à l’âge de soixante-cinq ans, laissant derrière lui une œuvre colossale qui avait transformé à jamais le paysage intellectuel du monde moderne.

12.2 L’évolution de Soar et la convergence avec ACT-R de John Anderson

La disparition de son créateur ne mit pas fin au développement de l’architecture Soar. Sous la direction rigoureuse de ses cofondateurs John Laird à l’Université du Michigan et Paul Rosenbloom à l’Université de Californie du Sud, Soar poursuivit son évolution architecturale pendant plus de trois décennies. Les versions contemporaines de l’architecture (Soar 8, Soar 9) répondirent précisément aux limites identifiées par Newell dans les années 1990 : elles intégrèrent formellement une mémoire épisodique autonome, une mémoire sémantique distincte, des mécanismes d’apprentissage par renforcement (Q-learning) pour pondérer les règles de production et des modules de perception sensorielle spatiale directe.

Parallèlement, les idées de Newell trouvèrent un écho fraternel et un dialogue théorique permanent avec l’architecture concurrente ACT-R (Adaptive Control of Thought-Rational), développée à Carnegie Mellon par son collègue John R. Anderson. Tandis que Soar mettait historiquement l’accent sur la résolution de problèmes, la planification et la manipulation heuristique complexe, ACT-R se focalisait plus étroitement sur la reproduction fidèle des données neuro-imageriques fonctionnelles (IRMf) et des temps de réaction psychophysiques. La convergence théorique contemporaine entre Soar et ACT-R valide de manière éclatante le pari newellien d’une théorie unifiée : aujourd’hui, ces deux architectures cognitives sont massivement déployées dans le monde réel pour la simulation d’équipages militaires dans des théâtres d’opérations virtuels complexes, le contrôle de drones robotiques autonomes, la conception de tuteurs intelligents adaptatifs et la création d’agents non-joueurs dotés d’une psychologie crédible dans les simulations numériques immersives.

12.3 L’actualité de la vision unifiée à l’ère de l’apprentissage profond

À l’ère contemporaine dominée par l’apprentissage profond (Deep Learning), les transformeurs géants et les grands modèles de langage statistiques (LLM), l’héritage d’Allen Newell connaît un renouveau épistémologique d’une actualité brûlante. Si les architectures de réseaux neuronaux actuelles font preuve d’une puissance stupéfiante dans la génération statistique de textes et d’images, elles se heurtent précisément aux écueils fondamentaux que Newell avait identifiés dès les années 1970 :

• L’absence d’explicabilité et d’intelligibilité interne (le problème de la boîte noire algorithmique).
• La propension aux hallucinations factuelles due à l’absence d’un espace de problème délibératif structuré.
• L’incapacité à exécuter un raisonnement logique rigoureux et déductif sans dérive contextuelle.
• L’absence d’un ancrage dans des principes d’actions orientés vers des buts explicites et unifiés.

Face à ces limitations critiques, les figures contemporaines les plus lucides de l’intelligence artificielle se tournent aujourd’hui massivement vers les approches dites « neuro-symboliques ». Cette réconciliation vise précisément à marier la puissance perceptive statistique des réseaux de neurones distribués de bas niveau avec la rigueur architecturale des systèmes de symboles physiques et des théories unifiées de la cognition théorisées par Allen Newell. Près d’un demi-siècle après la conférence du prix Turing de 1975, l’intuition fondatrice de Newell demeure plus vivante que jamais : il n’y aura pas d’intelligence générale véritable sans la capacité formelle de créer, manipuler et évaluer des symboles à travers les espaces de problèmes d’un monde infini.

Références

Card, S. K., Moran, T. P., & Newell, A. (1983). The Psychology of Human-Computer Interaction. Lawrence Erlbaum Associates. https://www.crcpress.com/The-Psychology-of-Human-Computer-Interaction/Card-Moran-Newell/p/book/9780898592436

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

Newell, A. (1973). You can’t play 20 questions with nature and win: Comments on the eighth annual Carnegie symposium on cognition. In W. G. Chase (Ed.), Visual Information Processing (pp. 283-308). Academic Press. https://doi.org/10.1016/B978-0-12-168050-3.50014-9

Newell, A. (1980). Physical symbol systems. Cognitive Science, 4(2), 135-183. https://doi.org/10.1207/s15516709cog0402_2

Newell, A. (1982). The knowledge level. Artificial Intelligence, 18(1), 87-127. https://doi.org/10.1016/0004-3702(82)90012-1

Newell, A. (1990). Unified Theories of Cognition. Harvard University Press. https://www.hup.harvard.edu/books/9780674921016

Newell, A., & Rosenbloom, P. S. (1981). Mechanisms of skill acquisition and the law of practice. In J. R. Anderson (Ed.), Cognitive Skills and Their Acquisition (pp. 1-55). Lawrence Erlbaum Associates.

Newell, A., Shaw, J. C., & Simon, H. A. (1958). Elements of a theory of human problem solving. Psychological Review, 65(3), 151-166. https://doi.org/10.1037/h0048495

Newell, A., Shaw, J. C., & Simon, H. A. (1959). Report on a general problem-solving program. Proceedings of the International Conference on Information Processing (pp. 256-264). UNESCO.

Newell, A., & Simon, H. A. (1956). The logic theory machine: A complex information processing system. IRE Transactions on Information Theory, 2(3), 61-79. https://doi.org/10.1109/TIT.1956.1056797

Newell, A., & Simon, H. A. (1972). Human Problem Solving. Prentice-Hall. https://direct.mit.edu/books/book/2379/Human-Problem-Solving

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., Laird, J. E., & Newell, A. (Eds.). (1993). The Soar Papers: Research on Integrated Intelligence. MIT Press.

Simon, H. A. (1991). Models of My Life. Basic Books.