Joshua Tenenbaum – 1972 Présent

Biographie

Dans l’histoire intellectuelle des sciences de l’esprit, rares sont les chercheurs qui ont réussi à opérer une refondation théorique aussi profonde et transversale que celle menée par Joshua Tenenbaum. Émergeant au tournant du XXIe siècle, à une époque où les sciences cognitives étaient déchirées par des querelles de chapelles entre le symbolisme classique hérité de la cybernétique et l’essor impétueux du connexionnisme statistique, Tenenbaum a proposé une troisième voie paradigmatique. Son entreprise intellectuelle repose sur une intuition fondamentale : l’intelligence humaine ne consiste ni en une manipulation mécanique de règles logiques rigides, ni en une simple accumulation passive de corrélations statistiques au sein de réseaux de neurones opaques. Pour Tenenbaum, l’esprit humain est avant tout un moteur d’inférence probabiliste capable d’édifier des théories causales riches, abstraites et structurées à partir d’échantillons de données extraordinairement parsimonieux.

Professeur au département des sciences cognitives et cérébrales du Massachusetts Institute of Technology (MIT) et figure de proue du Computer Science and Artificial Intelligence Laboratory (CSAIL), Tenenbaum a élaboré une œuvre magistrale qui relie les mathématiques de l’incertitude à la psychologie du développement la plus fine. En réhabilitant le formalisme bayésien pour en faire la clé de voûte de la rationalité humaine sous contraintes computationnelles, il a apporté des réponses novatrices à des énigmes séculaires posées par Platon, David Hume et Willard Van Orman Quine : comment l’être humain parvient-il à apprendre autant en voyant si peu ? Comment un enfant peut-il, dès ses premiers mois de vie, inférer les lois de la gravité ou décoder les désirs secrets d’autrui à partir d’observations partielles et bruitées ?

Cette étude approfondie se propose de retracer l’itinéraire intellectuel, méthodologique et philosophique de Joshua Tenenbaum, depuis ses premières intuitions interdisciplinaires à Yale et au MIT jusqu’à ses travaux contemporains sur l’intelligence artificielle neuro-symbolique et les langages de programmation probabiliste. En explorant les mécanismes de la physique intuitive, de la psychologie naïve, des grammaires génératives de concepts et de l’ancrage neural de ces processus, nous analyserons comment Tenenbaum a non seulement révolutionné la psychologie cognitive contemporaine, mais a également posé les jalons indispensables à l’émergence d’une intelligence artificielle authentiquement comparable à l’esprit humain.

1. Introduction biographique et genèse intellectuelle de Joshua Tenenbaum

1.1 Origines académiques et formation initiale

Né en 1972 au sein d’un terreau intellectuel stimulant, Joshua Brett Tenenbaum manifeste très tôt une curiosité singulière pour les architectures formelles qui sous-tendent les lois de la nature et les processus de la pensée. Son parcours académique s’ouvre à l’Université Yale, où il mène de front des études en physique théorique et en sciences cognitives, obtenant son diplôme de premier cycle en 1993. Cette double formation s’avère fondatrice pour la trajectoire intellectuelle du chercheur : la physique lui inculque le goût des principes premiers, de l’élégance mathématique, de la recherche d’invariants et de la modélisation parcimonieuse des systèmes dynamiques ; les sciences cognitives, quant à elles, le confrontent à la complexité foisonnante du comportement, de la perception et de l’apprentissage biologique.

Poursuivant sa trajectoire au Massachusetts Institute of Technology, Tenenbaum y entreprend un doctorat sous la direction de Michael I. Jordan, l’un des plus illustres théoriciens de l’apprentissage automatique et des statistiques computationnelles. Cette collaboration s’avère décisive. Sous la houlette de Jordan, Tenenbaum affine sa maîtrise des modèles graphiques probabilistes et prend la mesure des outils statistiques modernes. Cependant, là où nombre de ses pairs s’orientent exclusivement vers l’optimisation algorithmique pour l’ingénierie, Tenenbaum persiste à appliquer ces formalismes rigoureux à la résolution de questions psychologiques fondamentales, jetant les bases d’une synthèse inédite entre mathématiques de l’apprentissage et psychologie expérimentale.

Le contexte historique de la fin du vingtième siècle est alors marqué par une crise de croissance des sciences cognitives. Le cognitivisme orthodoxe, tributaire de la métaphore de l’ordinateur séquentiel de Turing et von Neumann, montre des signes d’essoufflement face aux ambiguïtés du monde réel et à la flexibilité de la perception. En réaction, le renouveau connexionniste prône des représentations distribuées mais échoue à capturer la compositionnalité du raisonnement abstrait. C’est précisément dans cette brèche épistémologique que le jeune Tenenbaum s’installe, mû par la conviction qu’une synthèse mathématique supérieure est nécessaire pour dépasser cette dialectique stérile.

1.2 L’environnement interdisciplinaire du MIT

Après l’obtention de son doctorat en 1999 et un bref passage post-doctoral à l’Université Stanford, Joshua Tenenbaum réintègre le MIT en 2002 en tant que membre du corps professoral au sein du Département des sciences cognitives et cérébrales (Brain and Cognitive Sciences – BCS). L’environnement du MIT constitue un catalyseur idéal pour ses ambitions théoriques. Il y côtoie l’héritage vivant de Noam Chomsky, dont la théorie de la grammaire universelle et la critique radicale de l’empirisme béhavioriste continuent d’irradier la linguistique et la philosophie de l’esprit, tout en interagissant quotidiennement avec les pionniers de l’intelligence artificielle symbolique et computationnelle.

Au sein du MIT, Tenenbaum refuse catégoriquement d’adhérer aux querelles de tranchées opposant symbolistes et connexionnistes. Il perçoit avec une grande clarté que les deux camps capturent des pans réels mais incomplets de la cognition : le symbolisme rend compte de la structure hiérarchique, de la compositionalité et de la systématicité de la pensée, mais s’effondre face au bruit et à l’incertitude ; le connexionnisme gère magistralement la dégradation gracieuse et le traitement continu des signaux sensoriels, mais peine à généraliser abstraitement et s’avère opaque sur le plan théorique. Pour dépasser cette dichotomie, Tenenbaum fonde le Computational Cognitive Science Group, un laboratoire de recherche d’avant-garde voué à l’unification de ces perspectives.

Ce groupe devient rapidement un carrefour d’innovation intellectuelle mondial, attirant de jeunes esprits formés aux mathématiques pures, à l’informatique théorique, à la physique statistique et à la psychologie développementale. La vision de Tenenbaum y est limpide : concevoir des architectures cognitives formelles qui exploitent la puissance des modèles probabilistes pour manipuler des structures de données compositionnelles et symboliques. L’atmosphère du laboratoire favorise une transdisciplinarité radicale où les protocoles d’observation de nourrissons croisent sans cesse les théorèmes de convergence stochastique.

1.3 Positionnement épistémologique au sein de la psychologie contemporaine

Le projet intellectuel de Joshua Tenenbaum s’inscrit en rupture directe avec le behaviorisme résiduel qui hantait encore certains pans de la psychologie expérimentale anglo-saxonne, tout en proposant une réhabilitation mathématique exigeante des théories internalistes de l’esprit. Pour Tenenbaum, la compréhension de la cognition exige de postuler l’existence de représentations mentales hautement structurées et de mécanismes d’inférence sophistiqués qui interviennent entre le stimulus environnemental et la réponse motrice ou verbale du sujet.

Sur le plan épistémologique, Tenenbaum revendique avec constance l’héritage de la tripartition formulée par le neuroscientifique britannique David Marr dans son ouvrage fondamental Vision (1982). Marr distinguait trois niveaux d’analyse indispensables à l’explication de tout système de traitement de l’information : le niveau computationnel (qui spécifie la nature de la tâche, sa logique formelle et le but poursuivi), le niveau algorithmique ou représentationnel (qui détaille les structures de données et les processus de transformation utilisés), et le niveau de l’implémentation physique (le substrat biologique neuronal ou le matériel informatique).

Tenenbaum soutient ardemment la primauté méthodologique du niveau computationnel pour appréhender l’esprit. Avant de se perdre dans les méandres de la connectivité synaptique ou de débattre des heuristiques de traitement, le chercheur doit d’abord déterminer quel problème idéal l’esprit s’efforce de résoudre. En formulant ce problème en termes d’inférence optimale sous incertitude, Tenenbaum redéfinit la tâche du psychologue : il ne s’agit plus de cataloguer arbitrairement des biais ou des limites cognitives, mais de comprendre la logique adaptative profonde qui permet à l’esprit humain de naviguer avec un succès spectaculaire dans un univers fondamentalement indéterminé.

2. Le paradigme bayésien de la cognition humaine

2.1 Fondements de l’inférence probabiliste appliquée à l’esprit

Au cœur de la révolution computationnelle initiée par Joshua Tenenbaum se trouve l’application rigoureuse du théorème de Bayes comme modèle normatif de l’acquisition des connaissances et de la révision des croyances. Formulé initialement par Thomas Bayes au XVIIIe siècle, ce théorème mathématique prescrit la manière dont un agent rationnel doit mettre à jour la probabilité d’une hypothèse H à la lumière d’une nouvelle donnée empirique ou preuve D. La formule canonique, $P(H|D) = \frac{P(D|H) P(H)}{P(D)}$, met en tension trois composants essentiels : la probabilité a priori $P(H)$, qui quantifie la plausibilité intrinsèque de l’hypothèse avant l’observation ; la vraisemblance $P(D|H)$, qui mesure la compatibilité des données avec l’hypothèse ; et la probabilité a posteriori $P(H|D)$, qui représente la croyance révisée.

Dans la vision de Tenenbaum, ce formalisme offre une réponse mathématique élégante au défi de l’induction cognitive. Face à des stimuli sensoriels notoirement ambigus, sous-déterminés et bruités, l’esprit humain ne se contente pas de réagir passivement : il sélectionne les interprétations du monde qui maximisent la probabilité a posteriori. Les distributions a priori jouent ici un rôle épistémologique capital. Loin d’être des biais arbitraires déformant la réalité, elles incarnent le savoir accumulé par l’évolution biologique, le développement ontogénétique et l’expérience antérieure, permettant de contraindre drastiquement l’espace colossal des hypothèses théoriquement compatibles avec les données.

Cette approche unifie avec virtuosité les trois niveaux marriens. Au niveau computationnel, elle pose que la cognition résout des problèmes de régression et de classification inverse par inversion bayésienne. Au niveau algorithmique, elle explore la manière dont des approximations probabilistes peuvent être calculées par l’esprit sans requérir l’intégration exhaustive d’espaces d’hypothèses infinis. Au niveau physique enfin, elle fournit un cahier des charges fonctionnel pour guider les neuroscientifiques dans l’identification des circuits corticaux capables d’encoder des densités de probabilité et de propager des signaux d’erreur de prédiction.

2.2 La rationalité optimale sous contraintes

L’introduction du paradigme bayésien par Tenenbaum a profondément renouvelé le débat sur la rationalité humaine, historiquement dominé par le programme des « heuristiques et biais » fondé par Daniel Kahneman et Amos Tversky. Ces derniers avaient mis en lumière les erreurs systématiques commises par les sujets humains dans des tâches de jugement statistique, concluant fréquemment à l’irrationalité fondamentale de l’esprit ou à sa dépendance envers des règles empiriques approximatives et fallacieuses.

Tenenbaum propose un changement de perspective radical : ce qui apparaissait comme un biais ou une déficience sous les critères d’une logique formelle décontextualisée s’avère souvent être l’expression d’une rationalité optimale opérant sous des contraintes sévères de sparsité informationnelle et de ressources computationnelles limitées. L’esprit humain ne cherche pas à résoudre des énigmes mathématiques artificielles dans des conditions de temps infini, mais à survivre et agir dans un environnement où les données sont rares, bruitées et coûteuses à acquérir. Dans ce cadre, la dépendance envers des a priori structurés n’est pas un défaut cognitif, mais une condition sine qua non de l’apprentissage.

Sur le plan algorithmique, Tenenbaum et ses collaborateurs ont démontré que le cerveau humain ne calcule pas analytiquement des intégrales bayésiennes insolubles, mais recourt à des méthodes d’échantillonnage probabiliste analogues aux algorithmes de Monte-Carlo par chaînes de Markov (MCMC). En tirant un petit nombre d’échantillons représentatifs de la distribution de probabilité a posteriori, l’esprit réalise un compromis optimal entre précision décisionnelle et coût métabolique ou temporel. Ce concept de « rationalité limitée optimale » ou de rationalité computationnelle réconcilie la finesse adaptative de la cognition humaine avec ses limites temporelles et structurelles.

2.3 Formalisation des lois psychologiques classiques

L’une des contributions fondatrices de Tenenbaum, qui a définitivement établi son autorité théorique dans la communauté des sciences cognitives, a été sa réinterprétation bayésienne de la célèbre loi de généralisation universelle de Roger Shepard. En 1987, Shepard avait montré que la probabilité qu’un organisme applique une réponse apprise d’un stimulus à un autre décroît de manière exponentielle en fonction de la distance entre ces deux stimuli dans un espace psychologique métrique continu. Bien que Shepard ait étayé cette loi par des données empiriques remarquablement universelles couvrant de multiples espèces animales, la justification mathématique fondamentale de cette fonction exponentielle demeurait incomplète.

Dans un article révolutionnaire publié en 2001 avec Thomas Griffiths, Tenenbaum démontre que la loi de Shepard découle naturellement des principes premiers de l’inférence bayésienne lorsque l’apprenant doit identifier le « sous-ensemble conséquent » d’un concept sous le principe d’échantillonnage aléatoire. En introduisant l’effet de taille (size principle) — selon lequel des hypothèses conceptuelles plus étroites confèrent une plus grande probabilité a priori aux données observées et doivent donc recevoir une mise à jour bayésienne plus forte —, Tenenbaum prouve analytiquement pourquoi la généralisation doit adopter une forme exponentielle face à un échantillonnage représentatif.

Cette réussite formelle ouvre la voie à une unification sans précédent d’autres lois psychologiques fondamentales. Des phénomènes canoniques tels que la courbe d’oubli d’Ebbinghaus, les gradients d’habituation et les effets de récence en mémoire trouvent une explication cohérente au sein d’un formalisme unique. La frontière traditionnelle entre la perception sensorielle de bas niveau (décodage visuel, auditif) et le raisonnement inductif de haut niveau s’efface : toutes deux sont désormais comprises comme des manifestations d’un seul et même principe sous-jacent, à savoir l’estimation optimale de l’état du monde par inférence probabiliste.

3. Apprentissage conceptuel et généralisation rapide

3.1 L’énigme de l’induction à partir de données limitées

L’un des défis les plus redoutables de la philosophie de la connaissance et de la psychologie cognitive est le problème de l’induction, magistralement formulé par Willard Van Orman Quine à travers son célèbre exemple de la traduction radicale et du mot indigène gavagai. Lorsqu’un linguiste entend un locuteur autochtone prononcer ce terme en montrant un lapin qui passe, comment peut-il savoir si le mot signifie « lapin », « partie non détachée de lapin », « stade temporel de lapin » ou « couleur blanche » ? En théorie pure, une infinité logique d’hypothèses s’avère compatible avec chaque observation sensorielle, rendant l’acquisition conceptuelle mathématiquement impossible en l’absence de contraintes directrices.

Or, l’esprit humain, et plus particulièrement le jeune enfant, résout cette énigme avec une aisance déconcertante. Les êtres humains possèdent la faculté extraordinaire d’accomplir un apprentissage conceptuel à partir d’un seul ou d’une poignée d’exemples — phénomène connu sous le nom de one-shot learning ou few-shot learning. Un enfant à qui l’on montre une seule image d’un animal exotique comme un casoar ou un oryctérope est instantanément capable d’identifier d’autres spécimens sous des angles différents, dans des contextes visuels inédits, tout en distinguant l’animal d’espèces morphologiquement proches.

Tenenbaum a vigoureusement opposé cette phénoménologie cognitive aux méthodes de l’apprentissage profond (Deep Learning) contemporain. Les réseaux neuronaux conventionnels requièrent l’ingestion de dizaines de milliers, voire de millions d’exemples annotés pour extraire des régularités statistiques fragiles et sujettes à des erreurs d’interprétation grossières en dehors de leur distribution d’entraînement. Pour Tenenbaum, cette disparité prouve irréfutablement que l’apprentissage humain ne repose pas sur une optimisation passive par descente de gradient, mais sur l’application de contraintes inductives a priori puissantes qui canalisent l’espace de recherche conceptuel vers les hypothèses les plus plausibles et explicatives.

3.2 Modèles hiérarchiques et abstractions multi-niveaux

Pour expliquer formellement comment l’esprit acquiert ces contraintes sans retomber dans un innéisme dogmatique et rigide, Tenenbaum développe la théorie des modèles bayésiens hiérarchiques (Hierarchical Bayesian Models – HBM). Dans ces architectures probabilistes stratifiées, les croyances sont distribuées à de multiples niveaux d’abstraction interconnectés : les données du monde physique informent des hypothèses spécifiques au niveau inférieur, lesquelles sont à leur tour gouvernées par des méta-hypothèses ou « hyper-a priori » (overhypotheses) au niveau supérieur.

Grâce à ce mécanisme, le système est capable d’« apprendre à apprendre ». Par exemple, un enfant observant que différentes urnes contiennent chacune des billes d’une seule couleur homogène apprend une hyper-hypothèse structurelle : « les sacs contiennent des objets de couleur uniforme ». Dès lors, s’il tire une unique bille bleue d’un nouveau sac, il n’a besoin d’aucune donnée supplémentaire pour déduire que toutes les autres billes du sac sont également bleues. L’inférence sur le sac spécifique devient instantanée (one-shot) parce qu’elle est guidée par l’hyper-a priori acquis antérieurement.

Les modèles hiérarchiques de Tenenbaum, développés notamment en collaboration avec Charles Kemp, ont démontré comment des agents artificiels peuvent découvrir de façon autonome la forme structurelle même de leurs connaissances : face à un ensemble de stimuli, le modèle bayésien évalue s’il convient de les organiser sous la forme d’un arbre taxonomique, d’un espace métrique continu, d’une topologie de graphe ou d’un ordre linéaire temporel. Cette découverte de structures relationnelles permet un transfert d’apprentissage spectaculaire entre domaines hétérogènes et fournit le cadre mathématique manquant pour expliquer l’émergence des métaconcepts chez l’adulte et l’enfant.

3.3 La théorie géométrique des représentations continues

Avant d’asseoir sa réputation planétaire sur les modèles probabilistes hiérarchiques, Joshua Tenenbaum a apporté une contribution fondamentale à la géométrie computationnelle et à l’apprentissage non supervisé en publiant en 2000 dans la prestigieuse revue Science l’algorithme Isomap, conçu avec Vin de Silva et John Langford. Cet algorithme résout le problème de la réduction de dimensionnalité non linéaire en cherchant les variétés géométriques (manifolds) sous-jacentes dissimulées dans des données sensorielles brutes de haute dimension.

Les approches classiques comme l’analyse en composantes principales (ACP) échouaient systématiquement dès lors que les données résidaient sur des surfaces repliées ou courbes — comme la célèbre variété en « rouleau suisse » (Swiss roll). Isomap surmonte cette impasse en remplaçant la distance euclidienne naïve en ligne droite par la distance géodésique, c’est-à-dire le plus court chemin calculé le long de la variété elle-même, obtenu en construisant un graphe de plus proches voisins et en appliquant l’algorithme de Dijkstra avant d’exécuter un positionnement multidimensionnel classique.

Pour Tenenbaum, Isomap ne représentait pas simplement un triomphe d’ingénierie mathématique, mais un pont théorique reliant la perception brute aux représentations cognitives continues. L’algorithme prouvait qu’un système perceptif pouvait recevoir des flux d’images brutes de visages sous différents éclairages et angles de vue, et en extraire automatiquement les véritables degrés de liberté sous-jacents (tels que la direction du regard ou l’orientation de la tête) sous la forme d’un continuum géométrique de basse dimension. Cette capacité à dégager des invariants topologiques à partir de signaux non structurés a constitué le socle sur lequel Tenenbaum a ensuite greffé ses architectures symboliques et causales.

4. La physique intuitive et les moteurs de simulation mentale

4.1 La métaphore du moteur de jeu vidéo interne

Comment les êtres humains parviennent-ils à interagir de manière fluide avec leur environnement physique immédiat, évitant un projectile au vol, anticipant la trajectoire d’un liquide versé ou évaluant la stabilité d’une pile de vaisselle précaire ? Joshua Tenenbaum et son équipe ont révolutionné la psychologie de la perception en formulant l’hypothèse audacieuse du moteur de physique intuitif (Intuitive Physics Engine – IPE). Selon cette théorie, le cerveau humain abrite une machinerie cognitive analogue aux moteurs physiques utilisés dans les jeux vidéo modernes ou les logiciels de simulation graphique tridimensionnelle.

Ce moteur interne n’effectue pas de calculs symboliques lents basés sur des équations différentielles de Newton ou de Lagrange écrites sur un tableau noir. Il intègre plutôt des principes qualitatifs robustes concernant la masse, la friction, l’élasticité, la gravité et l’impénétrabilité des solides, pour exécuter des simulations dynamiques prédictives rapides. Pour corroborer empiriquement cette thèse, Tenenbaum, Kevin Smith, Peter Battaglia et Tomer Ullman ont conçu des protocoles expérimentaux innovants impliquant des configurations instables de tours de blocs (de type Jenga). Les participants devaient estimer en une fraction de seconde si la tour allait s’effondrer et de quel côté tomberaient les briques.

Les modèles probabilistes de simulation élaborés par le laboratoire de Tenenbaum ont reproduit les réponses humaines avec une précision stupéfiante. L’originalité fondamentale de l’approche réside dans l’injection systématique de bruit perceptif et d’incertitude dans la simulation mentale : l’esprit humain n’a pas accès à la position spatiale exacte ni à la masse absolue de chaque bloc au millimètre près. En échantillonnant quelques trajectoires physiques plausibles sous conditions stochastiques, le modèle prédit non seulement les jugements corrects des sujets, mais également leurs erreurs systématiques et leurs temps de réaction face à des scènes ambiguës.

4.2 Raisonnement contrefactuel et causalité spatio-temporelle

L’existence de ce moteur de simulation physique fournit également la base computationnelle indispensable à l’exercice d’une faculté intellectuelle éminemment humaine : le raisonnement contrefactuel. Être capable de déterminer ce qui aurait pu se passer si un événement préalable avait été modifié constitue le pivot central de la cognition causale et de l’attribution de responsabilité légale ou morale.

En étroite résonance avec les travaux fondateurs de Judea Pearl sur le calcul causal (do-calculus), Tenenbaum et son collaborateur Tobias Gerstenberg ont formalisé le raisonnement contrefactuel comme une opération d’intervention au sein d’une simulation probabiliste. Face à une scène où une bille A entre en collision avec une bille B qui tombe ensuite dans une poche, les observateurs humains doivent répondre à la question : « La bille A a-t-elle causé la chute de la bille B ? ». Pour y répondre, l’esprit applique une simulation contrefactuelle : il réinitialise l’état physique du monde immédiatement avant le choc, retire mentalement la bille A de la trajectoire, et laisse tourner le simulateur dynamique. Si la bille B ne chute pas dans ce monde simulé alternatif, la causalité est formellement attribuée à la bille A.

Cette théorie différentie rigoureusement la simple corrélation statistique, la prédiction passive et l’intervention causale active. En combinant la théorie des graphes causaux de Pearl avec des simulations dynamiques spatio-temporelles continues, Tenenbaum a surmonté les limites des modèles causaux purement propositionnels, offrant une explication mathématique élégante de la façon dont les jugements causaux humains émergent organiquement de la cinématique observée.

4.3 Universalité et ontogenèse de la physique intuitive

Une question fondamentale posée par cette théorie est celle de son origine au cours du développement humain : ce moteur physique est-il le fruit d’un apprentissage empirique laborieux tout au long de la vie ou repose-t-il sur des fondations neurobiologiques précocement stabilisées ? Les recherches menées par Tenenbaum en synergie avec des spécialistes du développement infantile comme Elizabeth Spelke et Renée Baillargeon indiquent une émergence remarquablement précoce de ces compétences.

Dès l’âge de trois à quatre mois, les nourrissons manifestent un allongement significatif de leurs temps de fixation visuelle lorsqu’ils sont confrontés à des scènes violant les principes élémentaires de la physique — par exemple, un objet qui traverse un mur solide, disparaît sans continuité spatio-temporelle ou reste suspendu dans le vide en l’absence de tout support. Cette sensibilité précoce témoigne de l’existence d’un « noyau de connaissances » (core knowledge) physique inné ou précocement calibré, qui sert de point d’ancrage aux simulations ultérieures.

De surcroît, la robustesse de ces intuitions physiques s’avère universelle à travers les cultures humaines les plus diverses, ne variant que marginalement en fonction du niveau d’éducation formelle. Cependant, ce simulateur interne présente des limitations caractéristiques : l’esprit humain est souvent trompé par les accélérations non linéaires complexes, la dynamique des fluides turbulents ou les effets gyroscopiques. Ces illusions mécaniques systématiques ne réfutent pas le modèle ; au contraire, elles correspondent précisément aux approximations simplificatrices que tout moteur de rendu physique efficace doit adopter pour fonctionner en temps réel avec des ressources de calcul finies.

5. La psychologie intuitive et la théorie computationnelle de l’esprit

5.1 Le modèle de planification inverse (Inverse Planning)

Si la physique intuitive permet à l’être humain de comprendre les corps inertes, la psychologie intuitive (ou « théorie de l’esprit ») lui confère le pouvoir d’interagir avec ses congénères en décodant leurs états mentaux invisibles : leurs désirs, leurs croyances, leurs intentions et leurs émotions. Pour formaliser cette compétence sociale extraordinaire, Joshua Tenenbaum, Chris Baker et Rebecca Saxe ont forgé le modèle computationnel révolutionnaire de la « planification inverse » (Bayesian Inverse Planning).

Ce modèle repose sur l’hypothèse fondatrice que l’esprit humain utilise un principe de rationalité téléologique a priori : nous supposons par défaut que les autres agents agissent de manière rationnelle pour satisfaire leurs désirs en fonction de leurs croyances, tout en minimisant le coût de leurs actions physiques. Dès lors, lorsqu’un observateur humain voit un individu contourner un obstacle pour atteindre un objet précis, le problème se pose sous la forme d’une inversion mathématique d’un processus de décision markovien (MDP) : connaissant les trajectoires motrices exécutées dans l’espace et les contraintes géométriques du terrain, l’esprit humain calcule rétroactivement par inférence bayésienne la distribution de probabilité sur les objectifs probables de l’agent.

La puissance du modèle de planification inverse réside dans sa capacité à désambiguïser des conduites sociales complexes en contexte d’incertitude. Si un individu modifie sa trajectoire au cours du temps ou hésite entre deux embranchements, l’observateur recalcule instantanément la probabilité de ses intentions révisées. Ce cadre algorithmique démontre avec éclat que nous ne percevons pas autrui comme de simples automates cinématiques, mais que nous projetons continuellement un modèle d’optimisation rationnelle au sein de son intériorité subjective.

5.2 Cognition sociale précoce et développement de la théorie de l’esprit

L’application du formalisme de la planification inverse bayésienne à la psychologie du développement a permis d’éclairer sous un jour nouveau l’émergence des compétences sociales chez le très jeune enfant. Les célèbres expériences menées par Kuhlmeier, Wynn et Bloom avaient révélé que des nourrissons de six à dix mois manifestent déjà une nette préférence pour des formes géométriques animées qui en « aident » d’autres à gravir une colline, par rapport à celles qui les « bloquent » activement.

En transposant ces protocoles expérimentaux dans des simulations bayésiennes formelles, Tenenbaum et son équipe ont prouvé que les nourrissons ne réagissent pas à des régularités visuelles superficielles de trajectoires, mais calculent une véritable « valeur sociale » des agents. Le modèle évalue le coût physique consenti par le personnage aidant pour faciliter l’action du protagoniste, et le compare au coût additionnel imposé par le personnage entravant. Dès que l’on manipule artificiellement ces coûts, les prédictions computationnelles s’alignent avec une rigueur stupéfiante sur le comportement de regard préférentiel des bébés.

Plus tard dans l’ontogenèse, vers l’âge de quatre ans, les enfants franchissent le cap crucial de la compréhension des « fausses croyances », évalué traditionnellement par le test de Sally et Anne : comprendre qu’un individu peut agir sur la base d’une représentation erronée du monde. Tenenbaum modélise cette transition non pas comme l’acquisition d’un nouveau module cérébral ad hoc, mais comme l’expansion hiérarchique du modèle de planification inverse : l’espace des hypothèses de l’apprenant s’enrichit d’une variable latente épistémique découplant l’état réel de l’environnement de la croyance interne de l’agent observé, résolvant avec brio une énigme développementale débattue depuis des décennies.

5.3 Interaction entre physique intuitive et psychologie intuitive

L’une des percées théoriques les plus novatrices du laboratoire de Tenenbaum réside dans l’intégration étroite de la physique intuitive et de la psychologie intuitive au sein d’une architecture cognitive unifiée, souvent qualifiée de « théorie des esprits dans les corps ». Dans le monde réel, ces deux domaines de connaissances ne fonctionnent jamais de manière étanche : nos déductions sur la psychologie d’un agent dépendent intrinsèquement de notre compréhension des contraintes physiques qui pèsent sur son anatomie et son environnement.

Pour mesurer à quel point un individu désire ardemment un but précis, l’esprit humain calcule l’effort physique nécessaire pour surmonter les obstacles gravitationnels ou topologiques qui s’interposent. Si un agent saute par-dessus un muret d’un mètre pour ramasser une pomme, nous en déduisons une motivation bien supérieure à celle qu’il manifesterait s’il s’était contenté de tendre le bras. Tenenbaum et ses étudiants ont formalisé cette dialectique à travers des modèles computationnels où le simulateur de physique intuitive sert de composant d’évaluation des coûts au sein de la fonction d’utilité du modèle de psychologie intuitive.

Cette interaction permet également d’opérer la distinction ontologique fondamentale entre les entités inanimées et les agents animés. Un caillou qui dévale une pente ne dépense pas d’énergie autonome et obéit passivement aux forces de la gravité et aux forces normales du sol ; un renard qui escalade cette même pente déploie une énergie interne dirigée vers un but qui compense la gravité. Les modèles de Tenenbaum montrent que dès lors qu’une trajectoire physique dévie de manière systématique de la géodésique de moindre action mécanique en l’absence de forces externes identifiables, l’esprit bascule immédiatement de l’explication par le moteur physique à l’interprétation par le moteur psychologique.

6. Le langage de la pensée probabiliste et la programmation cognitive

6.1 L’hypothèse du langage de la pensée probabiliste (Probabilistic LoT)

Dans les années 1970, le philosophe Jerry Fodor avait formulé l’hypothèse provocatrice du « Langage de la Pensée » (Language of Thought – LoT), selon laquelle les processus cognitifs de haut niveau opèrent sur un système symbolique mental interne doté d’une syntaxe combinatoire analogue à un langage formel, garantissant les propriétés fondamentales de productivité et de compositionnalité de la pensée. Cependant, la vision fodorienne présentait une faiblesse rédhibitoire : son incapacité constitutive à rendre compte de l’incertitude empirique, de la flexibilité contextuelle et de la robustesse face au bruit sensoriel.

Joshua Tenenbaum a réalisé un tour de force conceptuel en mariant la théorie fodorienne du symbolisme combinatoire avec les formalismes statistiques de l’inférence bayésienne, fondant ainsi l’hypothèse du Probabilistic Language of Thought (PLoT). Dans ce paradigme réconciliateur, les concepts mentaux ne sont pas de simples prédicats logiques rigides, mais des expressions générées par une grammaire formelle probabiliste non contextuelle. Cette grammaire définit un espace infini d’hypothèses causales et structurelles au moyen de règles récursives de composition.

La dimension probabiliste résout miraculeusement le problème classique de la prolifération combinatoire. Alors qu’un système symbolique conventionnel est noyé sous un nombre astronomique de formules logiques équiprobables, le moteur bayésien de Tenenbaum attribue une distribution de probabilité à chaque dérivation syntaxique. Les structures les plus simples et les plus parcimonieuses reçoivent un a priori plus élevé en vertu du principe du rasoir d’Ockham mathématisé par la complexité de Kolmogorov, tandis que la vraisemblance empirique élimine impitoyablement les hypothèses contredites par les observations.

6.2 Langages de programmation probabiliste : Church et Gen

Pour donner un corps informatique concret et opérationnel à cette vision philosophique du PLoT, Joshua Tenenbaum a activement soutenu et coréalisé la conception de nouveaux langages de programmation probabiliste universels. Le projet pionnier a été le langage Church, développé à la fin des années 2000 avec son brillant doctorant Noah Goodman. Nommé en hommage au logicien Alonzo Church, ce langage étend le lambda-calcul et le langage Lisp en intégrant des primitives d’évaluation stochastique et des opérateurs universels d’inférence conditionnelle.

Dans Church, une croyance ou une théorie mentale n’est plus représentée comme une simple table de nombres ou un graphe statique, mais comme un véritable programme informatique probabiliste exécutable. Ce programme décrit le processus génératif par lequel les causes sous-jacentes engendrent les conséquences observables du monde. L’apprentissage conceptuel ne consiste plus à optimiser des poids continus le long de connexions synaptiques, mais à effectuer une synthèse de programme : le cerveau cherche le code algorithmique le plus court et le plus probable capable d’engendrer les données empiriques recueillies.

Plus récemment, cette lignée s’est enrichie avec le développement de Gen, un langage de programmation probabiliste de nouvelle génération conçu au MIT avec Marco Cusumano-Towner et Vikash Mansinghka. Gen permet aux chercheurs de combiner des modèles génératifs symboliques complexes avec des algorithmes d’inférence programmables hautement performants, mêlant échantillonnage de Monte-Carlo, méthodes séquentielles et réseaux de neurones profonds utilisés comme propositions d’inférence amortie. Ces environnements logiciels ont métamorphosé la psychologie computationnelle en permettant de modéliser des représentations cognitives d’une complexité jusque-là inatteignable.

6.3 Avantages explicatifs sur les modèles purement connexionnistes

L’approche par programmation probabiliste confère aux théories de Joshua Tenenbaum une supériorité explicative manifeste sur les modèles purement connexionnistes ou neuronaux distribués, particulièrement sur trois critères épistémologiques cruciaux : l’explicabilité intrinsèque, la généralisation hors domaine et la modularité fonctionnelle.

Premièrement, les représentations apprises sous la forme de programmes probabilistes sont intrinsèquement interprétables et transparentes. Alors qu’un réseau de neurones multicouches encode ses connaissances au sein de milliards de poids matriciels dont l’interprétation sémantique demeure énigmatique, le code issu d’une synthèse bayésienne dans Church ou Gen est immédiatement lisible par un être humain : on peut y inspecter les variables causales, les branchements conditionnels et les boucles récursives qui capturent la structure causale du domaine étudié.

Deuxièmement, cette compositionnalité symbolique permet une généralisation systématique hors distribution d’entraînement (out-of-distribution generalization). Un modèle de programmation probabiliste capable de comprendre le concept d’« empilement de blocs » peut instantanément appliquer cette notion à des boîtes de conserve, des livres ou des pierres, sans nécessiter de réapprentissage adaptatif massif. Troisièmement enfin, cette approche respecte la modularité cognitive mise en évidence par la neuropsychologie et la psychologie du développement : les sous-programmes dévolus à la vision, à la mécanique physique et à la déduction intentionnelle peuvent s’appeler mutuellement au sein d’une architecture cohérente sans risquer de corrompre leurs invariants fonctionnels respectifs.

7. Le développement cognitif : L’enfant en tant que scientifique

7.1 L’analogie de l’enfant-chercheur formalisée

Depuis les travaux fondateurs de Jean Piaget, l’idée selon laquelle l’enfant se comporte comme un « petit scientifique » construisant activement sa compréhension du monde par assimilation et accommodation constitue une métaphore séduisante de la psychologie du développement. Cependant, cette intuition manquait cruellement d’une formalisation mathématique et computationnelle rigoureuse. C’est à travers une collaboration historique et féconde avec la psychologue Alison Gopnik (Université de Californie à Berkeley) que Joshua Tenenbaum a transformé cette métaphore poétique en une véritable théorie scientifique quantitative.

Dans ce cadre bayésien développemental, l’apprentissage infantile est formellement décrit comme un processus d’induction de modèles scientifiques : formulation d’hypothèses causales, calcul de leur vraisemblance face aux indices empiriques, mise à jour des probabilités a posteriori et sélection d’expériences cruciales pour départager des théories concurrentes. L’exploration spontanée et le jeu chez le très jeune enfant cessent d’être considérés comme des activités motrices désordonnées ; ils sont analysés comme la collecte expérimentale de données actives optimisant le gain informationnel (information gain ou réduction de l’entropie de Shannon).

Tenenbaum et ses collègues, notamment Laura Schulz et Hyowon Gweon, ont démontré lors d’expériences contrôlées saisissantes que lorsqu’un jouet présente un comportement ambigu ou contradictoire, les enfants de deux à quatre ans orientent spécifiquement leur jeu vers des manipulations susceptibles d’isoler la variable causale critique. L’enfant ne se contente pas d’absorber passivement des stimuli ; il est guidé par une curiosité intrinsèque calculée rationnellement, agissant en véritable expérimentateur probabiliste qui conçoit des protocoles d’action pour tester la validité de ses théories internes.

7.2 Transitions conceptuelles et changements théoriques

L’un des défis les plus redoutables de l’épistémologie piagétienne était d’expliquer la nature mécanique des « stades » de développement et les transitions qualitatives discontinues entre ces stades. Pourquoi un enfant s’accroche-t-il pendant des mois à une conception erronée de la conservation de la matière avant de basculer soudainement vers une compréhension adulte et stable ? Comment modéliser ces révolutions scientifiques miniatures, comparables aux changements de paradigme décrits par Thomas Kuhn dans l’histoire des sciences ?

Les modèles bayésiens hiérarchiques de Tenenbaum fournissent une explication élégante de cette dynamique non linéaire. Dans une architecture bayésienne hiérarchique, une théorie naïve n’est pas abandonnée dès l’apparition d’une première anomalie empirique isolée : le terme de vraisemblance peut tolérer des exceptions sous forme de bruit expérimental ou d’artefacts sans détruire l’a priori établi. Il se produit une résistance structurelle du modèle mental existant, qui absorbe les données divergentes par des ajustements marginaux au niveau inférieur.

Cependant, à mesure que les données contradictoires s’accumulent, la probabilité globale de la théorie dominante s’érode silencieusement jusqu’à franchir un point de bascule critique (tipping point). Dès lors qu’une théorie alternative concurrente — jusque-là pénalisée par sa faible probabilité a priori — accumule une vraisemblance empirique cumulative supérieure, la distribution a posteriori s’effondre de manière brutale et bascule vers ce nouveau paradigme explicatif. Tenenbaum a mathématiquement modélisé ces transitions discontinues sans avoir besoin de postuler des sauts biologiques ad hoc, montrant comment une dynamique de mise à jour probabiliste continue peut engendrer des révolutions cognitives d’apparence abrupte.

7.3 Apprentissage du langage et ancrage sémantique

L’application du paradigme bayésien au développement du langage chez Tenenbaum a permis de renouveler la querelle historique entre l’innéisme radical de Chomsky et l’empirisme statistique des modèles de langage contemporains. Tenenbaum soutient que l’acquisition lexicale et grammaticale s’effectue par induction probabiliste contrainte sur des grammaires compositionnelles, permettant à l’enfant d’extraire la structure syntaxique profonde sans requérir des millions de phrases de correction explicite.

Au niveau sémantique, Tenenbaum a collaboré avec Michael Frank pour élaborer le modèle du Rational Speech Act (RSA). Le framework RSA conçoit la communication humaine comme un jeu d’inférence bayésienne récursive : un locuteur rationnel formule son énoncé en anticipant comment un auditeur idéal va interpréter ses mots au vu du contexte perceptif commun, tandis que l’auditeur décrypte le message en déduisant les intentions informatives du locuteur. Cette formalisation mathématique de la pragmatique linguistique au sens de Paul Grice capture avec une virtuosité inégalée la façon dont nous comprenons les sous-entendus, les métaphores et les implicatures scalaires (par exemple déduire que « certains élèves ont réussi » implique pragmatiquement que « tous n’ont pas réussi »).

En ancrant le langage dans des représentations causales du monde physique et des agents sociaux, Tenenbaum résout en outre le redoutable problème de l’ancrage des symboles (symbol grounding problem) posé par Stevan Harnad : les mots ne renvoient pas stérilement à d’autres mots dans un dictionnaire fermé de vecteurs numériques, mais à des programmes exécutables au sein de nos moteurs de physique et de psychologie intuitives, conférant ainsi au langage un sens ancré dans l’expérience vécue de la réalité.

8. Neurosciences computationnelles et ancrage biologique

8.1 L’implémentation neurale de l’inférence bayésienne

Si la primauté accordée au niveau computationnel de David Marr a constitué la signature épistémologique de Joshua Tenenbaum, ce dernier n’a jamais sous-estimé l’impératif de réconcilier ses modèles mathématiques avec les contraintes neurophysiologiques du cerveau biologique. L’interrogation centrale peut se résumer ainsi : comment une matrice biologique de dizaines de milliards de neurones interconnectés par des synapses électrochimiques peut-elle réaliser matériellement des opérations d’inférence bayésienne, de simulation dynamique et de synthèse de programmes probabilistes ?

Pour répondre à cette question, Tenenbaum a dialogué étroitement avec des neuroscientifiques computationnels pionniers comme Alexandre Pouget, Sophie Denève et Peter Dayan. Deux grandes hypothèses d’implémentation neurale ont été explorées. La première est celle du codage probabiliste par populations de neurones (Probabilistic Population Codes – PPC), où l’activité combinée de sous-réseaux corticaux représente explicitement les paramètres (moyenne, variance) de distributions de probabilité continues, les lois de l’algèbre synaptique effectuant naturellement l’addition de logarithmes de vraisemblance requise par la règle de Bayes.

La seconde hypothèse, activement soutenue par Tenenbaum, est celle de l’échantillonnage neuronal stochastique : les fluctuations spontanées et le caractère bruité des potentiels d’action dans le cortex ne constitueraient pas un défaut d’ingénierie biologique, mais le reflet même de l’exécution d’un algorithme de Monte-Carlo cellulaire. Dans cette optique, l’état d’activation d’un groupe neuronal à un instant précis représente un échantillon individuel tiré de la distribution de probabilité a posteriori. Cette vision s’harmonise magnifiquement avec les théories du codage prédictif cortical défendues par Karl Friston, tout en y injectant des structures de données compositionnelles infiniment plus riches que les simples prédictions d’intensités lumineuses.

8.2 Localisation cérébrale de la physique et de la psychologie intuitives

Au-delà de la théorie synaptique, Joshua Tenenbaum a supervisé des recherches de neuro-imagerie fonctionnelle par résonance magnétique (IRMf) d’une portée majeure, en étroite collaboration avec Rebecca Saxe et Nancy Kanwisher au MIT, afin de cartographier l’architecture anatomique des moteurs cognitifs de l’esprit.

Ces études ont démontré l’existence d’une double dissociation neuro-fonctionnelle éclatante entre les circuits dévolus à la physique intuitive et ceux dédiés à la psychologie intuitive. Les travaux dirigés par Jason Fischer et Tenenbaum ont mis en évidence qu’un réseau cortical spécifique — impliquant le cortex pariétal et le cortex prémoteur dorsal frontal — s’active vigoureusement dès lors qu’un participant observe des scènes physiques dynamiques ou juge la stabilité de tours de blocs, même lorsqu’aucune réponse motrice n’est requise. Ce réseau ne répond pas à la simple analyse visuelle des formes ou des couleurs, mais s’active sélectivement en fonction de l’intensité des calculs dynamiques de trajectoire et de masse nécessaires à la prédiction causale.

À l’inverse, dès que la scène observée implique des entités animées dont il faut décoder les intentions, ce réseau physique dorsal s’éteint au profit d’un ensemble neuro-anatomique totalement distinct : le réseau de la théorie de l’esprit, comprenant de façon saillante le carrefour temporo-pariétal (temporo-parietal junction – TPJ), le précunéus et le cortex préfrontal médian. Ces découvertes empiriques apportent une confirmation éclatante à la théorie de Tenenbaum : la physique intuitive et la psychologie intuitive ne sont pas de simples fictions théoriques commodes, mais correspondent à des modules computationnels profondément ancrés dans l’architecture matérielle du système nerveux central humain.

8.3 Le Center for Brains, Minds and Machines (CBMM)

L’institutionnalisation de cette synthèse interdisciplinaire a trouvé son apogée en 2013 avec la création du Center for Brains, Minds and Machines (CBMM), un consortium de recherche interdisciplinaire colossal financé par la National Science Foundation (NSF) et codirigé au MIT et à Harvard par Joshua Tenenbaum et Tomaso Poggio. L’énoncé de mission du CBMM est d’une audace épistémologique rare : réaliser une ingénierie inverse de l’intelligence biologique pour résoudre les mystères des neurosciences, tout en utilisant les découvertes du cerveau pour inventer l’intelligence artificielle du futur.

Au sein du CBMM, Tenenbaum a incarné le rôle de visionnaire intégrateur, créant des synergies inédites entre psychologues expérimentalistes, neurophysiologistes étudiant le cortex visuel des primates, mathématiciens de la théorie statistique de l’apprentissage et ingénieurs en robotique humanoïde. Le centre a imposé une méthodologie de recherche unifiée où toute théorie psychologique de la cognition doit être formalisée sous la forme d’un modèle computationnel testable sur des tâches réelles, tout en étant confrontée aux données d’imagerie cérébrale et de chronométrie comportementale.

Cette approche symbiotique a transformé le paysage académique mondial en prouvant que la séparation traditionnelle entre sciences de l’esprit et ingénierie logicielle appartenait au passé. Sous la direction scientifique de Tenenbaum, le CBMM est devenu la pépinière des théories les plus avancées sur la vision sémantique, la mémoire épisodique causale et la coordination sociale entre agents biologiques et artificiels.

9. Critique de l’IA contemporaine et vision d’une intelligence à échelle humaine

9.1 Les limites intrinsèques du Deep Learning selon Tenenbaum

À une époque où l’engouement médiatique et industriel pour l’apprentissage profond (Deep Learning) confinait à une euphorie sans nuance, Joshua Tenenbaum a formulé une critique intellectuelle pénétrante, argumentée et mesurée des limites fondamentales des réseaux de neurones profonds. Dans un article programmatique majeur publié en 2017 dans Behavioral and Brain Sciences avec Brenden Lake, Tomer Ullman et Samuel Gershman (« Building Machines That Learn and Think Like People »), il a posé un diagnostic sans concession sur les impasses épistémologiques du tout-statistique.

Tenenbaum démontre que les réseaux de neurones profonds, qu’ils s’appellent convolutifs ou récurrents, demeurent d’admirables outils d’ajustement de courbes statistiques de haute dimension et de reconnaissance de formes (pattern recognition), mais échouent tragiquement à bâtir de véritables modèles causaux du monde. Leurs faiblesses sont structurelles : vulnérabilité catastrophique aux exemples contradictoires (adversarial attacks) où un bruit invisible modifie totalement leur prédiction ; incapacité à raisonner de façon compositionnelle et contrefactuelle ; et dépendance vorace envers des volumes démesurés de données annotées pour apprendre des concepts élémentaires qu’un nourrisson maîtrise en quelques secondes.

Pour Tenenbaum, ces architectures confondent la corrélation superficielle des pixels ou des tokens textuels avec la compréhension ontologique de la réalité. Un modèle profond peut décrire fidèlement des millions de scènes sans posséder la moindre notion physique de ce qu’est un objet pérenne, sans comprendre qu’une tasse posée sur le bord d’une table risque de tomber si on la heurte, et sans réaliser que les personnages représentés dans une image ont des désirs et des croyances qui motivent leurs gestes. En un mot, il manque au Deep Learning ce qui constitue le socle même de la cognition humaine : le bon sens intuitif (common sense).

9.2 Vers des architectures hybrides neuro-symboliques

Loin de se borner à une posture critique stérile, Joshua Tenenbaum a été l’un des premiers chercheurs de premier plan à concevoir et implémenter des architectures computationnelles résolvant ces limitations fondamentales : les systèmes hybrides neuro-symboliques. L’idée motrice consiste à opérer un mariage harmonieux entre la puissance perceptuelle ascendante des réseaux de neurones et la rigueur explicative descendante des représentations symboliques et probabilistes.

Cette synthèse a trouvé une illustration magistrale dans le développement du Neuro-Symbolic Concept Learner (NSCL), conçu avec Chuang Gan, Jiajun Wu et d’autres collaborateurs du MIT. Face à des énigmes visuelles complexes tirées de benchmarks exigeants comme CLEVR (qui posent des questions complexes telles que : « De quelle matière est l’objet cylindrique situé derrière la petite sphère rouge ? »), le NSCL n’utilise pas un réseau de neurones de bout en bout comme une boîte noire opaque. Au lieu de cela, un module neuronal extrait les masques et les attributs visuels continus des objets dans l’image, tandis qu’un analyseur de langage naturel décode la question sous forme d’un programme fonctionnel symbolique. Le programme est ensuite exécuté de façon déterministe sur les représentations d’objets structurées.

Les résultats de cette approche hybride sont spectaculaires : le système requiert un volume de données d’entraînement immensément inférieur à celui des réseaux profonds classiques pour atteindre une précision quasi-parfaite ; il est capable de généraliser instantanément à des questions contenant des combinaisons d’objets et de relations logiques jamais rencontrées lors de la phase d’apprentissage ; et surtout, son processus décisionnel est d’une clarté totale, chaque étape de l’exécution du programme pouvant être inspectée et validée formellement par un opérateur humain.

9.3 Les critères d’une véritable intelligence artificielle générale

À travers ses recherches sur l’intelligence à échelle humaine, Joshua Tenenbaum a profondément redéfini le cahier des charges théorique de ce que devrait être une authentique Intelligence Artificielle Générale (AGI). Refusant les métriques superficielles basées sur la réussite de tests standardisés ou la génération de textes plausibles, Tenenbaum a articulé les compétences minimales indispensables qu’une machine doit posséder pour prétendre à une cognition véritable :

• L’autonomie de formulation des buts : La capacité d’un agent à générer spontanément ses propres sous-objectifs et à concevoir ses plans d’action en fonction d’un calcul intrinsèque de curiosité informationnelle et de pertinence pragmatique, plutôt que d’obéir passivement à une fonction de récompense extrinsèque figée.
• La possession de théories causales du monde : Un système intelligent doit intégrer une physique intuitive capable de simulations dynamiques prospectives et contrefactuelles, lui permettant d’interagir physiquement avec un univers matériel sans risquer sa propre destruction à chaque étape.
• La modélisation psychologique des partenaires : L’aptitude incontournable à lire l’esprit d’autrui par planification inverse bayésienne, condition sine qua non de la coopération empathique, de la communication pragmatique fluide et de l’alignement sécurisé avec les valeurs morales humaines.
• L’apprentissage continu sans oubli catastrophique : La faculté d’assimiler perpétuellement de nouveaux concepts par composition récursive au sein d’un langage de la pensée interne, sans corrompre ni écraser les connaissances préalablement acquises.

Pour Tenenbaum, une intelligence artificielle qui ne possède pas l’intelligence d’un enfant de deux ans — sa capacité à construire des théories explicatives, à poser des questions pour combler ses lacunes de savoir et à coopérer spontanément avec ses pairs — ne mérite pas le qualificatif d’intelligence générale, quand bien même elle mémoriserait l’intégralité du contenu textuel de l’encyclopédie universelle.

10. Débats théoriques, controverses et limites épistémologiques

10.1 Le problème de la complexité computationnelle intolérable

En dépit de son élégance mathématique et de sa séduction conceptuelle, le paradigme de l’esprit bayésien promu par Joshua Tenenbaum a suscité des débats vigoureux et des critiques épistémologiques aiguës au sein de la communauté des sciences cognitives. L’objection la plus frontale concerne le problème de l’intraitabilité computationnelle (NP-hardness) inhérente au calcul probabiliste exact sur des espaces d’hypothèses de haute dimension.

Calculer la probabilité a posteriori d’un concept via le théorème de Bayes exige de normaliser la formule par le dénominateur $P(D) = \sum_{H} P(D|H)P(H)$, ce qui implique de sommer ou d’intégrer sur l’intégralité de l’espace des hypothèses possibles. Dans un environnement réel complexe, cet espace souffre d’une explosion combinatoire exponentielle qui rend le calcul bayésien exact strictement infaisable pour tout ordinateur biologique ou mécanique fonctionnant en temps fini avec une énergie métabolique limitée de vingt watts (la consommation du cerveau humain). Les partisans d’une psychologie naturaliste ont donc souvent dénoncé les modèles bayésiens comme des constructions mathématiques platoniques déconnectées de la réalité physiologique.

Cette contestation a été vigoureusement menée par l’école des « heuristiques frugales » dirigée par le psychologue allemand Gerd Gigerenzer. Ce dernier soutient que l’esprit n’a nullement besoin d’un attirail probabiliste sophistiqué et recourt à des algorithmes rapides et frugaux (fast and frugal heuristics) non probabilistes qui surpassent souvent l’optimisation statistique en milieu écologique incertain. Tenenbaum a répondu à cette critique en démontrant que les algorithmes d’échantillonnage de Monte-Carlo et les méthodes de rationalité computationnelle approchée fournissent précisément la justification mathématique sous-jacente de ces heuristiques : loin d’invalider le niveau computationnel bayésien, les raccourcis cognitifs décrits par Gigerenzer incarnent les approximations algorithmiques optimales dérivées de l’inférence probabiliste idéale.

10.2 Le risque de circularité et de sur-paramétrisation des a priori

Une seconde controverse majeure adressée à l’approche de Tenenbaum réside dans le reproche méthodologique de « plasticité excessive » et de circularité théorique. Certains critiques, à l’instar de Marcus et de Bowers, ont fait valoir que les modèles bayésiens risquent de devenir infalsifiables au sens de Karl Popper : face à n’importe quel résultat expérimental ou comportement humain apparemment erratique, le modélisateur bayésien pourrait toujours, a posteriori, ajuster ad hoc la distribution des probabilités a priori $P(H)$ ou la fonction de vraisemblance $P(D|H)$ pour faire coïncider parfaitement les prédictions mathématiques avec les données recueillies.

Sous cet angle, l’inférence bayésienne ne constituerait pas une véritable théorie psychologique explicative dotée d’un pouvoir prédictif fort, mais plutôt un cadre de description post-hoc d’une souplesse mathématique telle qu’il s’avérerait impossible à réfuter. Si l’on peut tout expliquer en inventant rétrospectivement un a priori adapté, le modèle n’explique plus rien de substantiel.

Conscient de ce péril épistémologique, Tenenbaum a imposé des standards méthodologiques d’une rigueur exemplaire à son laboratoire pour briser toute circularité. D’une part, les distributions a priori et les espaces d’hypothèses doivent impérativement être mesurés ou contraints de manière indépendante avant l’expérience — par exemple en recueillant les jugements préalables des sujets sur d’autres scènes ou en calibrant les probabilités a priori selon des mesures de fréquence physique objectives dans la nature. D’autre part, Tenenbaum a systématisé l’usage des modèles bayésiens hiérarchiques où les a priori ne sont plus décrétés arbitrairement par le chercheur, mais découverts de façon autonome par le modèle lui-même à partir de données antérieures, éliminant ainsi toute tentation de paramétrage ad hoc.

10.3 Innéisme contre empirisme computationnel

Le positionnement de Joshua Tenenbaum a également alimenté une tension dialectique permanente entre les tenants d’un innéisme linguistique et conceptuel radical et les partisans de l’empirisme computationnel contemporain incarné par les bâtisseurs de réseaux neuronaux massifs. Tenenbaum a souvent été attaqué sur deux fronts opposés.

D’un côté, les empiristes radicaux du Deep Learning accusent Tenenbaum de postuler une quantité excessive de structures innées et de contraintes pré-câblées dans ses modèles (moteurs physiques, architectures de planification rationnelle, grammaires génératives). Ils soutiennent, preuves empiriques récentes à l’appui, que des transformeurs colossaux entraînés sur le web peuvent faire émerger des capacités de raisonnement sophistiquées sans qu’aucune structure symbolique explicite n’ait été codée à la main par un concepteur humain, plaidant pour une tabula rasa computationnelle auto-organisée.

De l’autre côté, les innéistes fodoristes stricts lui reprochent de diluer la pureté des universaux de l’esprit en conférant un rôle trop déterminant à l’ajustement probabiliste des croyances par l’expérience sensorielle. Tenenbaum a répondu avec une grande finesse conceptuelle en clarifiant la nature exacte de ses présupposés innés : ce que le cerveau hérite de son évolution biologique n’est pas un ensemble de propositions de contenu factuel figé, mais un système de démarrage (starter pack) constitué d’espaces de concepts fondamentaux et d’algorithmes génériques de recherche de programmes probabilistes. Pour Tenenbaum, l’opposition séculaire entre innéisme et empirisme est un faux débat : la puissance de l’esprit réside précisément dans la conjonction inséparable d’un noyau abstrait inné hautement structuré et d’une machinerie d’inférence statistique extraordinairement plastique capable de bâtir des mondes à partir de cette semence.

11. Distinctions académiques, mentorat et impact institutionnel

11.1 Reconnaissance scientifique et distinctions prestigieuses

L’envergure intellectuelle des contributions de Joshua Tenenbaum et la transformation profonde qu’il a opérée dans le paysage des sciences de la pensée lui ont valu une reconnaissance internationale unanime, sanctionnée par les distinctions les plus prestigieuses de la communauté académique.

En 2019, la Cognitive Science Society lui décerne le prix le plus éminent de la discipline, le David E. Rumelhart Prize, considéré comme l’équivalent du prix Nobel pour les sciences cognitives. L’attribution de ce prix consacre sa découverte de l’apprentissage conceptuel bayésien et son rôle pionnier dans l’unification des théories psychologiques sous un formalisme computationnel rigoureux. Cette même consécration institutionnelle s’est traduite par son élection comme membre de l’American Academy of Arts and Sciences et au sein de la Society of Experimental Psychologists.

L’impact de Tenenbaum est également mesurable par son rayonnement bibliométrique exceptionnel. Ses articles fondateurs parus dans des revues d’élite telles que Science, Nature, Behavioral and Brain Sciences, Psychological Review et PNAS totalisent plusieurs dizaines de milliers de citations, franchissant allègrement les frontières des départements de psychologie pour influencer en profondeur les informaticiens théoriciens, les roboticiennes, les philosophes analytiques et les neurophysiologistes. Parallèlement, ses projets de recherche d’avant-garde ont attiré les financements institutionnels les plus compétitifs de la National Science Foundation (NSF), de la Defense Advanced Research Projects Agency (DARPA) et de la fondation MacVicar, dont il a été nommé Fellow pour son engagement pédagogique d’exception au MIT.

11.2 Rôle de mentor et formation d’une nouvelle école de pensée

Au-delà de ses propres écrits scientifiques, le legs académique de Joshua Tenenbaum est magnifié par son rôle extraordinaire de mentor et de bâtisseur d’école. Doté d’une générosité intellectuelle et d’un charisme pédagogique remarquables, il a formé au sein du Computational Cognitive Science Group du MIT une génération entière de chercheurs de premier plan qui occupent aujourd’hui les chaires les plus influentes de la scène académique mondiale.

Parmi ses anciens doctorants et post-doctorants figurent des figures majeures telles que :

• Noah Goodman : Professeur à l’Université Stanford, pionnier des langages de programmation probabiliste (Church) et de la pragmatique computationnelle du langage.
• Charles Kemp : Professeur à l’Université de Melbourne, théoricien de la découverte de structures conceptuelles relationnelles et des taxonomies bayésiennes.
• Brenden Lake : Professeur à l’Université de New York (NYU), mondialement réputé pour ses travaux sur le one-shot learning, le benchmark Omniglot et l’induction de concepts visuels par programmes bayésiens.
• Tomer Ullman : Professeur à l’Université Harvard, spécialiste de pointe de la physique intuitive, du raisonnement contrefactuel et des théories causales chez le nourrisson.

La culture de laboratoire instaurée par Tenenbaum au MIT est réputée pour sa dialectique bienveillante, son audace conceptuelle sans compromis et son obsession pour la clarté formelle. En organisant des cours pionniers — comme son célèbre séminaire Computational Cognitive Science au MIT — et en fondant des ateliers internationaux de référence, Tenenbaum a essaimé les méthodologies bayésiennes et neuro-symboliques sur l’ensemble des cinq continents, façonnant l’épistémologie de plusieurs générations d’étudiants.

11.3 Publications phares et ouvrages de référence

L’œuvre écrite de Joshua Tenenbaum est jalonnée de publications monumentales qui ont jalonné les étapes du renouveau cognitiviste. Parmi celles-ci, l’article inaugural de 2000 dans Science (« A Global Geometric Framework for Nonlinear Dimensionality Reduction ») demeure un classique absolu de l’analyse des données mathématiques, ayant posé les fondations géométriques de la topologie non linéaire.

Dans la sphère de la psychologie, son article de 2001 dans Cognition avec Griffiths (« Generalization, similarity, and Bayesian inference ») constitue la refondation définitive de la théorie de la généralisation de Shepard. En 2006, il coordonne un numéro spécial historique de la revue Trends in Cognitive Sciences, intitulé « Probabilistic models of cognition », qui acte officiellement l’avènement du paradigme bayésien comme cadre de référence hégémonique dans l’étude computationnelle de l’esprit.

On doit également mentionner son manifeste de 2011 dans Science avec Kemp, Griffiths et Goodman (« How to grow a mind: Statistics, structure, and abstraction »), qui synthétise sa vision du développement de l’intelligence par combinaison récursive de statistiques et de structures symboliques, ainsi que l’article de 2015 dans Science avec Brenden Lake et Ruslan Salakhutdinov (« Human-level concept learning through probabilistic program induction »), qui a prouvé expérimentalement sur l’alphabet universel Omniglot qu’un système d’induction de programmes probabilistes surpassait les réseaux de neurones profonds et égalait la capacité humaine de catégorisation visuelle instantanée. Ces textes continuent d’orienter les agendas de recherche des laboratoires de pointe à travers le monde.

12. Héritage intellectuel et perspectives futures pour la science de l’esprit

12.1 L’intégration avec les modèles de langage et l’IA générative

L’irruption tonitruante des grands modèles de langage (Large Language Models – LLM) comme GPT-4 dans le paysage technologique et intellectuel contemporain a posé un défi direct aux théories de Joshua Tenenbaum. Ces réseaux de transformeurs massifs, entraînés sur des trillions de paramètres textuels par simple tâche d’auto-complétion statistique, manifestent des compétences linguistiques et conversationnelles éblouissantes qui semblent de prime abord contredire l’impératif de structures symboliques et de modèles causaux explicites défendu par Tenenbaum.

Fidèle à sa rigueur méthodologique, Tenenbaum a accueilli ces avancées non comme une réfutation de ses travaux, mais comme une opportunité expérimentale inédite de repenser l’articulation entre perception linguistique et compréhension authentique. Avec ses collaborateurs contemporains, Tenenbaum démontre que si les transformeurs constituent de fantastiques systèmes d’émission de texte intuitif (analogues au Système 1 rapide et associatif décrit par Daniel Kahneman), ils demeurent sujets à des hallucinations fatales, à des défaillances logiques absurdes et à une incapacité à planifier à long terme dès lors qu’ils sont confrontés à des problèmes nécessitant un raisonnement rigoureux sur l’état physique du monde.

Les projets les plus récents de son laboratoire s’orientent vers des architectures intégrées où les LLM sont utilisés comme des proposeurs d’hypothèses stochastiques au sein d’un moteur d’inférence bayésien hiérarchique. Le modèle de langage convertit l’ambiguïté des requêtes humaines en programmes symboliques ou en modèles physiques probabilistes, lesquels sont ensuite rigoureusement simulés, testés et vérifiés par les moteurs de physique et de psychologie intuitives avant d’être validés. Cette alliance entre l’expressivité linguistique brute des réseaux de neurones et la robustesse causale des modèles du monde représente indubitablement la frontière la plus prometteuse vers une intelligence artificielle générale sûre, vérifiable et alignée.

12.2 Nouvelles frontières de l’apprentissage tout au long de la vie

Parallèlement à ses recherches sur l’intelligence artificielle, Joshua Tenenbaum continue de repousser les frontières de la psychologie cognitive en explorant des territoires mentaux d’une sophistication croissante. L’une des directions majeures de son laboratoire réside dans l’extension des moteurs de physique intuitive à des domaines matériels hautement complexes : comment l’être humain raisonne-t-il sur les fluides visqueux, les cordes entremêlées, les tissus déformables ou les mécanismes granulaires comme le sable ?

Une autre frontière passionnante concerne la formalisation computationnelle de la créativité humaine et de la découverte scientifique automatisée. En modélisant la façon dont les scientifiques formulent de nouvelles métaphores, conçoivent des expériences novatrices et révisent les axiomes fondamentaux de leurs théories, Tenenbaum et son équipe explorent comment des architectures d’induction de programmes probabilistes guidées par des heuristiques de beauté mathématique et de compression algorithmique peuvent générer des découvertes conceptuelles inédites.

Enfin, Tenenbaum s’investit profondément dans l’analyse de la métacognition : la façon dont l’esprit humain évalue la certitude de ses propres jugements, alloue rationnellement son temps de réflexion interne (le calcul de la valeur computationnelle du temps) et développe une conscience explicite de ses propres limites épistémiques. Ces travaux pionniers ouvrent la perspective vertigineuse d’une théorie computationnelle complète de la conscience réflexive.

12.3 Le legs de Joshua Tenenbaum à la psychologie cognitive

À l’heure du bilan d’une trajectoire intellectuelle toujours en pleine effervescence, il apparaît indéniable que Joshua Tenenbaum a opéré un changement de paradigme définitif et irréversible dans la science de l’esprit humain. De même que Noam Chomsky avait balayé l’illusion empiriste du béhaviorisme skinnérien dans les années 1950, Joshua Tenenbaum a sauvé les sciences cognitives de l’écueil d’une dissolution simpliste dans le connexionnisme aveugle, en prouvant que l’esprit n’est pas un agrégat de pixels statistiques, mais un bâtisseur infatigable de modèles explicatifs du cosmos.

Son legs intellectuel le plus durable aura été de réconcilier ce que la tradition philosophique avait historiquement opposé : la déduction logique formelle et l’induction empirique stochastique, la structure géométrique et le calcul propositionnel, la rigueur mathématique des principes premiers et la liberté créatrice du jeu enfantin. En formulant l’hypothèse de l’esprit comme un système de programmation probabiliste incarnant un langage de la pensée récursif, Tenenbaum a offert aux sciences contemporaines un cadre théorique unifié d’une beauté et d’une fécondité incomparables.

Joshua Tenenbaum aura ainsi durablement scellé l’alliance entre l’exploration intime de la conscience humaine et l’édification des architectures intelligentes du futur. En nous apprenant à modéliser mathématiquement l’étincelle cognitive qui permet au nourrisson d’inférer les lois de l’univers en observant simplement la trajectoire d’une feuille qui tombe ou le sourire esquissé par sa mère, il n’a pas seulement réinventé l’intelligence artificielle : il a, plus fondamentalement encore, révélé la poésie formelle et la splendeur rationnelle qui définissent notre commune condition humaine.

Références

Battaglia, P. W., Hamrick, J. B., & Tenenbaum, J. B. (2013). Simulation as an engine of physical scene understanding. Proceedings of the National Academy of Sciences, 110(45), 18327-18332. https://doi.org/10.1073/pnas.1306572110

Baker, C. L., Saxe, R., & Tenenbaum, J. B. (2009). Action understanding as inverse planning. Cognition, 113(3), 329-349. https://doi.org/10.1016/j.cognition.2009.07.005

Fischer, J., Mikhael, J. G., Tenenbaum, J. B., & Kanwisher, N. (2016). Functional neuroanatomy of intuitive physical inference. Proceedings of the National Academy of Sciences, 113(34), E5072-E5081. https://doi.org/10.1073/pnas.1610344113

Gerstenberg, T., Goodman, N. D., Lagnado, D. A., & Tenenbaum, J. B. (2021). A counterfactual simulation model of causal judgment. Psychological Review, 128(6), 936-975. https://doi.org/10.1037/rev0000281

Goodman, N. D., Tenenbaum, J. B., & Gerstenberg, T. (2014). Concepts in a probabilistic language of thought. Center for Brains, Minds and Machines (CBMM) Memo, 015.

Gopnik, A., & Tenenbaum, J. B. (2007). Bayesian networks, Bayesian learning and cognitive development. Developmental Science, 10(3), 281-287. https://doi.org/10.1111/j.1467-7687.2007.00584.x

Kemp, C., & Tenenbaum, J. B. (2008). The discovery of structural form. Proceedings of the National Academy of Sciences, 105(31), 10687-10692. https://doi.org/10.1073/pnas.0802631105

Lake, B. M., Salakhutdinov, R., & Tenenbaum, J. B. (2015). Human-level concept learning through probabilistic program induction. Science, 350(6266), 1332-1338. https://doi.org/10.1126/science.aab3050

Lake, B. M., Ullman, T. D., Tenenbaum, J. B., & Gershman, S. J. (2017). Building machines that learn and think like people. Behavioral and Brain Sciences, 40, e253. https://doi.org/10.1017/S0140525X16001837

Marr, D. (1982). Vision: A computational investigation into the human representation and processing of visual information. W. H. Freeman and Company. https://mitpress.mit.edu/9780262514248/vision/

Mao, J., Gan, C., Kohli, P., Tenenbaum, J. B., & Wu, J. (2019). The Neuro-Symbolic Concept Learner: Interpreting scenes, words, and sentences from natural supervision. International Conference on Learning Representations (ICLR).

Pearl, J. (2000). Causality: Models, reasoning, and inference. Cambridge University Press. https://bayes.cs.ucla.edu/BOOK-2K/

Shepard, R. N. (1987). Toward a universal law of generalization for psychological science. Science, 237(4820), 1317-1323. https://doi.org/10.1126/science.3629243

Tenenbaum, J. B. (1999). A Bayesian framework for concept learning (Doctoral dissertation, Massachusetts Institute of Technology).

Tenenbaum, J. B., de Silva, V., & Langford, J. C. (2000). A global geometric framework for nonlinear dimensionality reduction. Science, 290(5500), 2319-2323. https://doi.org/10.1126/science.290.5500.2319

Tenenbaum, J. B., & Griffiths, T. L. (2001). Generalization, similarity, and Bayesian inference. Behavioral and Brain Sciences, 24(4), 629-640. https://doi.org/10.1017/S0140525X01000061

Tenenbaum, J. B., Griffiths, T. L., & Kemp, C. (2006). Theory-based Bayesian models of inductive learning and reasoning. Trends in Cognitive Sciences, 10(7), 309-318. https://doi.org/10.1016/j.tics.2006.05.009

Tenenbaum, J. B., Kemp, C., Griffiths, T. L., & Goodman, N. D. (2011). How to grow a mind: Statistics, structure, and abstraction. Science, 331(6022), 1279-1285. https://doi.org/10.1126/science.1192788

Ullman, T. D., Spelke, E., Battaglia, P., & Tenenbaum, J. B. (2017). Mind games: Game engines as an architecture for intuitive physics. Trends in Cognitive Sciences, 21(9), 649-665. https://doi.org/10.1016/j.tics.2017.05.012