Judea Pearl – 1936 à nos jours

Biographie

L’histoire des sciences computationnelles et de l’épistémologie contemporaine est jalonnée de ruptures conceptuelles majeures, mais peu d’entre elles ont transformé aussi radicalement notre compréhension de l’intelligence, de l’incertitude et du raisonnement que l’œuvre monumentale de Judea Pearl. Né en 1936 à Tel Aviv, ce chercheur israélo-américain, lauréat du prestigieux prix Turing en 2011, a consacré plus d’un demi-siècle à combler le fossé vertigineux qui sépare la pure corrélation statistique de l’intuition causale humaine. Alors que l’intelligence artificielle du vingtième siècle oscillait entre le déterminisme rigide d’une logique symbolique incapable d’appréhender le flou du monde réel et les approches purement connexionnistes réduisant l’apprentissage à une optimisation aveugle, Pearl a élaboré une troisième voie : celle d’une formalisation mathématique rigoureuse de la pensée probabiliste, suivie de l’édification d’une théorie complète de la causalité structurale.

L’impact de Judea Pearl dépasse largement les frontières de l’informatique théorique. En introduisant au début des années 1980 les réseaux bayésiens, il a fourni aux sciences cognitives, à la médecine, à la robotique et à la statistique moderne un langage universel pour représenter les connaissances incertaines et propager les croyances de manière computationnellement traitable. Pourtant, loin de se reposer sur ce triomphe qui avait déjà révolutionné le domaine de l’intelligence artificielle, Pearl a opéré au tournant des années 1990 une seconde révolution, plus audacieuse encore. Constatant les limites rédhibitoires des probabilités classiques face aux questions fondamentales du « pourquoi » et du « que se passerait-il si », il a bravé le dogme statistique séculaire initié par Karl Pearson et Ronald Fisher, selon lequel la causalité ne serait qu’une illusion non mathématisable ou une simple corrélation robuste. En créant le modèle causal structurel, le calcul des interventions (le célèbre do-calculus) et une théorie formelle des contrefactuels, Judea Pearl a doté la science d’outils formels permettant d’interroger directement la réalité contrefactuelle et interventionnelle.

Explorer l’itinéraire intellectuel de Judea Pearl, de ses premières découvertes en ingénierie jusqu’à ses plaidoyers contemporains pour une intelligence artificielle causale capable de surpasser le simple ajustement de courbes de l’apprentissage profond, revient à plonger dans l’une des aventures intellectuelles les plus fécondes du siècle écoulé. Ce voyage traverse la formalisation des graphes acycliques dirigés, la résolution définitive du paradoxe de Simpson, l’analyse philosophique du libre arbitre et de la responsabilité morale, ainsi que la refondation méthodologique de l’épidémiologie et des sciences sociales. À travers son œuvre, Pearl ne s’est pas contenté de programmer des machines : il a révélé l’architecture logique de notre propre imagination, démontrant avec une clarté limpide que la véritable intelligence ne réside pas dans l’accumulation passive de données, mais dans la capacité à bâtir des modèles du monde pour en sonder les mystères inobservés et les futurs possibles.

1. Biographie intellectuelle et genèse scientifique de Judea Pearl

1.1 Les premières années et la formation académique

Judea Pearl naît en 1936 à Tel Aviv, au sein d’une famille profondément imprégnée de culture humaniste et de rigueur intellectuelle, dans ce qui était alors la Palestine sous mandat britannique. Dès son plus jeune âge, il manifeste une curiosité insatiable pour les phénomènes physiques et une inclination marquée pour les structures abstraites des mathématiques. Élevé à Bnei Brak, une ville où cohabitent traditions séculaires et ferveur pionnière, Pearl est fasciné par la mécanique du monde naturel, cherchant spontanément à décomposer chaque mécanisme en ses éléments constituants pour en comprendre le fonctionnement intime. Cette disposition d’esprit analytique le conduit naturellement vers des études d’ingénierie électrique au sein du prestigieux Technion – Institut de technologie d’Israël à Haïfa. Il y obtient son baccalauréat universitaire en sciences en 1960, développant une maîtrise approfondie de la théorie des circuits, de l’électromagnétisme et des équations différentielles qui régissent les systèmes physiques dynamiques.

Animé par la volonté d’approfondir les aspects fondamentaux de la physique appliquée et du traitement de l’information, Judea Pearl émigre aux États-Unis au début des années 1960 pour poursuivre sa formation aux cycles supérieurs. Il rejoint d’abord le Newark College of Engineering (aujourd’hui le New Jersey Institute of Technology), où il décroche une maîtrise en génie électrique en 1961, avant d’intégrer l’Université Rutgers pour obtenir une maîtrise en physique en 1965. Cette double compétence en ingénierie des systèmes et en physique théorique culmine avec l’obtention de son doctorat en génie électrique à l’École polytechnique de Brooklyn (aujourd’hui la New York University Tandon School of Engineering) la même année. Sa thèse doctorale, rédigée sous la direction de mentors exigeants, explore les propriétés électromagnétiques et les dynamiques de vortex dans les films supraconducteurs, un sujet à la pointe de la physique du solide de l’époque qui préfigure les architectures matérielles émergentes.

Recruté par les célèbres laboratoires de recherche de la Radio Corporation of America (RCA) à Princeton, puis par la division de recherche de l’Electronic Memories, Inc., Pearl travaille activement sur la conception de mémoires supraconductrices à base d’effet Josephson et sur des dispositifs de stockage d’information à haute densité. Durant ces années industrielles, il publie d’importantes contributions sur la théorie du traitement du signal, les propriétés paramétriques des matériaux magnétiques et la physique de l’information. Cependant, son esprit s’émancipe progressivement des contingences strictement matérielles du matériel électronique. L’avènement des premiers ordinateurs numériques et l’émergence des concepts cybernétiques le poussent à s’interroger sur la nature même du traitement de l’information : comment concevoir des algorithmes capables de prendre des décisions optimales face à des signaux bruités et fragmentaires ?

Ce questionnement existentiel pour un ingénieur de son calibre le conduit à franchir le pas académique définitif. En 1969, Judea Pearl est recruté par l’Université de Californie à Los Angeles (UCLA) au sein du département d’informatique nouvellement créé dans le sillage des pionniers d’ARPANET. Ce tournant marque le début d’une réorientation disciplinaire spectaculaire vers l’intelligence artificielle, un domaine alors dominé par les promesses mirifiques mais fragiles de la logique symbolique. À UCLA, Pearl commence par étudier la théorie des graphes appliquée à l’optimisation combinatoire et publie en 1984 un ouvrage de référence sur les heuristiques de recherche, intitulé Heuristics: Intelligent Search Strategies for Computer Problem Solving. Cet ouvrage fondamental théorise les algorithmes d’exploration arborescente tels que A* et pose les bases méthodologiques d’une réflexion qui ne cessera de hanter le chercheur : la modélisation de la rationalité humaine sous contrainte computationnelle.

1.2 Émergence de l’intérêt pour l’incertitude et la modélisation cognitive

Au début des années 1980, le paysage de l’intelligence artificielle est dominé de manière quasi hégémonique par le paradigme des systèmes experts. Ces systèmes, reposant sur des moteurs d’inférence fonctionnant en logique formelle du premier ordre et exploitant de vastes bases de règles déterministes de type « SI condition ALORS action », prétendent rivaliser avec les spécialistes humains dans des domaines pointus comme le diagnostic médical ou la prospection géologique. Pourtant, Judea Pearl perçoit avec une lucidité critique les failles béantes de cette approche. Confrontés à la réalité empirique, ces systèmes s’effondrent sous le poids de leur propre rigidité combinatoire. Le monde réel n’est ni binaire ni parfaitement observable ; il est saturé de bruit, d’exceptions imprévues, de données manquantes et d’ambiguïtés contextuelles que la logique booléenne classique se révèle incapable de traiter sans introduire une explosion intolérable de micro-règles contradictoires.

Les pionniers des systèmes experts, conscients de ce problème, avaient tenté d’adjoindre à leurs architectures des rustines numériques ad hoc, telles que les coefficients de certitude du système MYCIN ou les logiques floues naissantes. Pearl rejette catégoriquement ces expédients non fondés, soulignant qu’ils violent les principes les plus élémentaires de la cohérence inductive et conduisent rapidement à des dérives inférentielles aberrantes. Il observe que l’esprit humain, confronté au doute et à la contingence, ne procède pas par accumulation de règles déterministes fragilisées par des pondérations arbitraires, mais déploie une intuition phénoménologique sophistiquée, capable d’évaluer la vraisemblance relative d’hypothèses concurrentes à la lumière d’indices perceptifs parcellaires. Cette intuition humaine n’est pas le fruit d’un calcul global omniscient, mais d’une organisation modulaire et distribuée de la pensée.

C’est à cette époque que Judea Pearl opère un choix intellectuel à contre-courant des dogmes établis de l’informatique : il entreprend de réhabiliter le formalisme probabiliste, issu des travaux du révérend Thomas Bayes et de Pierre-Simon de Laplace, pour modéliser le jugement humain et l’architecture cognitive des systèmes intelligents. À l’époque, la majorité des chercheurs en intelligence artificielle méprisaient les probabilités, les jugeant trop lourdes sur le plan computationnel en raison de la nécessité de manipuler des tables de probabilités conjointes de taille exponentielle par rapport au nombre de variables. Pearl perçoit immédiatement l’erreur fondamentale de ses pairs : l’esprit humain ne calcule pas des intégrales sur des espaces continus à mille dimensions, mais exploite des propriétés d’indépendance conditionnelle locale.

En s’inspirant des mécanismes psychologiques de l’attention et de la catégorisation, Pearl démontre que l’incertitude n’est pas une anomalie épistémique à éliminer, mais l’élément central de toute cognition adaptative. Pour modéliser cette capacité, il est impératif de représenter explicitement les relations de dépendance informationnelle qui lient les concepts entre eux. Ce constat fondateur marque l’acte de naissance d’un programme de recherche qui allait non seulement sortir l’intelligence artificielle de son « deuxième hiver », mais également poser les jalons d’une refonte complète de la modélisation cognitive computationnelle. Pearl comprend que la structure topologique de nos connaissances précède et conditionne le calcul de nos croyances.

2. Les réseaux bayésiens : Révolutionner le raisonnement probabiliste

2.1 Fondements formels des réseaux bayésiens

L’acte fondateur de la révolution probabiliste opérée par Judea Pearl est matérialisé par la publication en 1988 de son ouvrage majeur, Probabilistic Reasoning in Intelligent Systems: Networks of Plausible Inference. Dans ce traité, Pearl formalise pour la première fois le concept de réseau bayésien, une structure mathématique élégante unifiant la théorie des graphes et le calcul des probabilités. Formellement, un réseau bayésien est un graphe orienté acyclique (DAG, pour Directed Acyclic Graph) noté $G = (V, E)$, où l’ensemble des nœuds $V$ représente des variables aléatoires discrètes ou continues, et l’ensemble des arcs orientés $E$ encode des dépendances statistiques directes entre ces variables. L’acyclicité du graphe garantit l’absence de boucles causales ou informationnelles directes, permettant d’ordonner topologiquement les variables du modèle.

La puissance conceptuelle de ce formalisme réside dans le théorème de factorisation de la probabilité conjointe. Soit un ensemble de $n$ variables aléatoires $X = {X_1, X_2, dots, X_n}$. Sans hypothèse simplificatrice, la loi de probabilité conjointe $P(X_1, X_2, dots, X_n)$ nécessite la spécification d’un nombre exponentiel de paramètres ($2^n – 1$ dans le cas de variables binaires), ce qui rend le stockage et l’inférence totalement insolubles pour des systèmes complexes. Un réseau bayésien résout cette malédiction de la dimensionnalité en exploitant la propriété markovienne locale : chaque variable $X_i$ est conditionnellement indépendante de ses non-descendants dans le graphe, sachant ses parents directs $\text{Pa}(X_i)$. En vertu de cette propriété, la distribution conjointe se factorise de manière remarquablement compacte sous la forme du produit canonique :

P(X_1, X_2, …, X_n) = ∏ P(X_i | Pa(X_i))

Cette décomposition modulaire réduit drastiquement le nombre de paramètres nécessaires, rendant la modélisation de systèmes comptant des centaines, voire des milliers de variables, parfaitement accessible aux ordinateurs modernes. Cependant, pour que ce formalisme soit pleinement opérationnel, il était indispensable de pouvoir lire directement sur la structure du graphe les indépendances conditionnelles induites par cette factorisation. C’est ici que Pearl réalise l’une de ses percées mathématiques les plus célèbres : l’invention du critère de d-séparation (séparation directionnelle). La d-séparation permet de déterminer de manière purement algorithmique si deux ensembles de variables $X$ et $Y$ sont conditionnellement indépendants étant donné un troisième ensemble de variables observées $Z$.

Le critère de d-séparation repose sur l’analyse de tous les chemins non orientés reliant un nœud de $X$ à un nœud de $Y$, et examine le comportement des nœuds intermédiaires selon trois configurations topologiques élémentaires :
les chaînes causales directes ($A \rightarrow B \rightarrow C$), les bifurcations ou causes communes ($A \leftarrow B \rightarrow C$), et les structures en collision ($A \rightarrow B \leftarrow C$), souvent appelées collisionneurs ou configurations en V. Pearl démontre mathématiquement qu’un chemin est bloqué par l’ensemble de conditionnement $Z$ si l’une des conditions suivantes est remplie :

• Le chemin contient un nœud non-collisionneur (chaîne ou bifurcation) qui appartient à l’ensemble $Z$.
• Le chemin contient un nœud collisionneur $B$ tel que ni $B$ ni aucun de ses descendants dans le graphe n’appartient à l’ensemble $Z$.

Cette découverte formelle permet de déduire instantanément des relations d’indépendance conditionnelle complexes sans jamais recourir à des calculs d’intégrales ou à des manipulations algébriques laborieuses de tables de probabilités.

Pour rendre ces réseaux dynamiques et capables de réagir en temps réel à l’arrivée d’observations fragmentaires, Pearl conçoit ensuite l’algorithme de propagation de croyances (belief propagation). Conçu initialement pour les arbres et les polytrees (graphes sans cycles non orientés), cet algorithme distribue l’inférence exacte par un mécanisme élégant de passage de messages locaux entre nœuds voisins. Chaque variable agit comme un processeur autonome qui reçoit des messages de ses parents (représentant le soutien déductif ou prédictif descendant) et de ses enfants (représentant le soutien diagnostique ou inductif ascendant), met à jour sa croyance marginale locale à l’aide du théorème de Bayes, puis transmet de nouveaux messages à ses voisins. Ce paradigme algorithmique distribué évite tout goulot d’étranglement centralisé et résout le problème de l’actualisation bayésienne en temps linéaire par rapport au nombre de nœuds du graphe.

2.2 Parallèles avec la psychologie du traitement de l’information

Dès la conception de ses réseaux bayésiens, Judea Pearl n’a jamais envisagé son travail comme une simple contribution d’ingénierie mathématique destinée à optimiser des calculs sur silicium. Dans son esprit, le formalisme des graphes probabilistes constituait une tentative explicite de percer le mystère computationnel de la cognition humaine. Il existe en effet une parenté conceptuelle frappante entre l’architecture de la propagation de croyances et le fonctionnement des réseaux neuronaux biologiques du cerveau. Tout comme les assemblées de neurones du cortex cérébral communiquent par des décharges synaptiques locales sans qu’un chef d’orchestre global ne supervise l’activité cérébrale, l’algorithme de Pearl parvient à une cohérence globale du système à partir de transactions informationnelles strictement circonscrites au voisinage topologique immédiat de chaque nœud.

Sur le plan de la psychologie cognitive, les réseaux bayésiens apportent une solution formelle au problème classique de l’intégration multisensorielle et de la mise à jour des croyances. Face à une scène visuelle complexe ou à un discours ambigu, le système perceptif humain ne fonctionne pas par déductions séquentielles aveugles, mais par ajustements permanents de ses hypothèses internes à la réception de nouveaux stimuli. Ce processus, que la psychologie computationnelle moderne qualifie aujourd’hui de codage prédictif sous l’impulsion de chercheurs comme Karl Friston, a trouvé ses premières racines computationnelles rigoureuses dans les mécanismes d’inférence descendante (top-down) et ascendante (bottom-up) articulés par Pearl au sein de ses structures graphiques.

Un apport psychologique majeur réside dans la modélisation élégante du phénomène d’« évacuation » ou d’explication concurrente (explaining away). Considérons une configuration de type collisionneur où deux causes indépendantes, par exemple un cambriolage ($C$) et un léger séisme ($S$), peuvent toutes deux déclencher l’alarme d’une maison ($A$). Avant toute observation de l’alarme, la probabilité d’un cambriolage et celle d’un séisme sont mutuellement indépendantes. Cependant, dès lors que l’alarme retentit ($A$ est observé), la confirmation soudaine de l’occurrence d’un séisme à la radio réduit instantanément la probabilité perçue que l’alarme ait été causée par un cambriolage. Ce phénomène de compétition épistémique entre hypothèses rivales, observé de manière constante chez les êtres humains, était impossible à modéliser correctement avec les systèmes experts traditionnels sans introduire des règles d’inhibition complexes et fragiles. Grâce aux propriétés de d-séparation du collisionneur non conditionné qui devient actif dès qu’il est instancié, Pearl a démontré comment cette dynamique cognitive subtile émerge naturellement et inévitablement de la simple topologie du graphe bayésien.

Par ailleurs, l’utilisation de ces graphes probabilistes a permis d’éclairer la manière dont le cerveau humain résout le compromis entre précision inductive et charge cognitive. La mémoire de travail humaine est notoirement limitée, incapable de jongler simultanément avec plus de quelques éléments d’information distincts. En exploitant les frontières markoviennes (le Markov blanket) définies par Pearl — à savoir l’ensemble minimal constitué des parents d’un nœud, de ses enfants et des autres parents de ses enfants, qui isole totalement ce nœud du reste du réseau —, l’esprit humain peut focaliser ses ressources attentionnelles sur un sous-ensemble local et pertinent d’hypothèses sans risquer de perdre la cohérence du système global. L’œuvre de Pearl sur les réseaux bayésiens a ainsi servi de matrice épistémologique à toute une génération de psychologues computationnels, à l’instar de David Marr, Josh Tenenbaum ou Thomas Griffiths, transformant profondément la manière dont la science appréhende l’esprit humain comme une machine prédictive bayésienne optimale.

3. De la corrélation à la causalité : La rupture épistémologique

3.1 La critique de l’interdiction causale en statistique classique

Malgré l’immense retentissement mondial de ses travaux sur les réseaux bayésiens dans les années 1980, Judea Pearl prend conscience, au fil de ses discussions avec des statisticiens, des médecins et des philosophes, d’un malaise épistémologique fondamental. Les réseaux bayésiens, bien qu’orientés par des flèches suggérant intuitivement des directions d’influence causale, demeurent au fond des objets purement observationnels. Mathématiquement, ils n’encodent que des distributions de probabilités conditionnelles conjointes. Or, une distribution conjointe $P(X, Y)$ est strictement symétrique sur le plan informationnel par la formule de Bayes : $P(X|Y)P(Y) = P(Y|X)P(X)$. Elle permet de répondre à des questions du type : « Quelle est la probabilité que le patient ait une maladie sachant qu’il présente tel symptôme ? », mais elle est fondamentalement muette lorsqu’il s’agit de prédire les conséquences d’une intervention délibérée sur le monde.

Pearl se heurte alors de plein fouet au dogme le plus rigide et le plus enraciné de la statistique classique, forgé à la fin du XIXe et au début du XXe siècle par des figures tutélaires telles que Karl Pearson, Francis Galton et Ronald Aylmer Fisher. Obsédé par le positivisme scientifique et soucieux de purger la statistique de toute métaphysique ou téléologie suspecte, Pearson avait décrété avec une véhémence doctrinale que la causalité n’était rien d’autre qu’un concept archaïque, une survivance animiste de la philosophie aristotélicienne qui devait être intégralement dissoute dans la notion purement mathématique de corrélation. L’adage universellement répété dans tous les amphithéâtres du monde — « corrélation ne vaut pas causalité » (cum hoc ergo propter hoc) — s’était ainsi mué en une véritable interdiction épistémologique, un tabou méthodologique interdisant aux scientifiques d’écrire des équations formelles contenant des variables causales.

Pearl entreprend une critique dévastatrice et historiquement documentée de cette démission scientifique. Il fait remarquer l’ironie tragique de la situation : la quasi-totalité des questions qui motivent la recherche empirique — qu’il s’agisse de savoir si le tabagisme cause le cancer du poumon, si une baisse des taux d’intérêt relancera l’emploi, ou si un traitement médical sauvera des vies — sont des questions intrinsèquement et exclusivement causales. En privant les chercheurs d’un langage formel pour exprimer la causalité, la statistique classique s’était volontairement amputée de la capacité à formaliser les problèmes les plus urgents de l’humanité. Le seul recours autorisé par le dogme fisherien était l’essai contrôlé randomisé (ECR, ou Randomized Controlled Trial). Cependant, lorsque l’expérimentation physique directe s’avère impossible, immorale ou excessivement coûteuse (comme forcer des humains à fumer pendant vingt ans pour observer l’apparition de tumeurs), les statisticiens se retrouvaient théoriquement désarmés, réduits à employer des euphémismes trompeurs comme les « facteurs de risque », les « associations significatives » ou les « modèles prédictifs » sans jamais oser trancher la question du mécanisme causal générateur.

Cette carence méthodologique n’était pas seulement philosophique ; elle engendrait des paradoxes logiques insolubles au sein des données purement observationnelles. Pearl rappelle l’audace pionnière du généticien américain Sewall Wright qui, dès les années 1920, avait développé l’analyse de chemin (path analysis) et osé tracer des flèches causales pour étudier l’hérédité chez les cobayes. Mais les travaux de Wright avaient été impitoyablement marginalisés et rejetés par l’orthodoxie statistique menée par Pearson et Fisher. Judea Pearl réalise alors que le problème n’était pas conceptuel mais linguistique : la science ne disposait pas d’une algèbre causale rigoureuse permettant de distinguer de manière syntaxique une observation passive d’une intervention délibérée. Pour libérer la science du joug de Pearson, il fallait créer de toutes pièces un nouveau formalisme mathématique capable d’étendre la théorie des probabilités au-delà des contraintes observationnelles.

3.2 Le paradoxe de Simpson revisité par le prisme structural

Pour illustrer de manière irréfutable l’incapacité de la statistique pure à résoudre les problèmes décisionnels sans le secours d’un modèle causal explicite, Judea Pearl s’empare de l’un des casse-têtes les plus célèbres de la discipline : le paradoxe de Simpson (ou paradoxe de Yule-Simpson). Ce phénomène mathématique troublant décrit une situation dans laquelle une corrélation ou une tendance observée au sein de plusieurs sous-groupes de données s’inverse de manière spectaculaire lorsque les sous-groupes sont agrégés en une seule population globale. Pendant près d’un siècle, les manuels de statistique traitaient ce paradoxe comme une curiosité arithmétique inhérente aux fractions ou un simple problème d’échantillonnage, recommandant vaguement de « faire preuve de prudence » sans jamais fournir de critère formel et infaillible pour déterminer s’il fallait se fier aux données agrégées ou aux données stratifiées pour prendre une décision.

Considérons un exemple clinique classique formalisé par Pearl. Des médecins évaluent l’efficacité d’un nouveau médicament ($X$) sur la guérison d’une pathologie mortelle ($Y$). Les données globales montrent que parmi les patients ayant pris le médicament, le taux de guérison est de 50 %, tandis que chez ceux qui ne l’ont pas pris, il s’élève à 40 %. L’analyse agrégée semble donc recommander le traitement avec enthousiasme. Cependant, lorsque les statisticiens séparent la cohorte selon le sexe des patients ($Z$), une réalité totalement inverse apparaît : chez les hommes, le taux de guérison est de 70 % sans médicament et de seulement 60 % avec le médicament ; chez les femmes, il est de 30 % sans médicament et de 20 % avec le médicament. Autrement dit, le traitement est nocif pour les hommes, nocif pour les femmes, mais miraculeux pour la population générale !

Cette situation engendre une paralysie décisionnelle totale. Faut-il administrer le médicament à un patient qui entre dans la clinique si l’on ignore son sexe, alors que le médicament est mortifère dès lors qu’il est un homme et tout aussi mortifère dès lors qu’elle est une femme ? Pearl démontre que les probabilités mathématiques pures sont incapables de trancher ce dilemme car les données numériques brutes demeurent strictement identiques, qu’une variable intermédiaire soit une cause commune (confondant) ou une conséquence (médiateur). La réponse ne réside pas dans les chiffres, mais dans le processus générateur sous-jacent qui a gouverné la collecte des données, c’est-à-dire dans la structure causale du monde.

Grâce à son formalisme structural, Pearl apporte la solution définitive au paradoxe. Si la variable de stratification $Z$ (le sexe) est une cause commune à la fois de la décision de prendre le traitement (par exemple, les femmes consomment plus volontiers ce médicament en raison d’effets secondaires différentiels) et de la guérison naturelle (les hommes ont une constitution biologique différente leur conférant une meilleure survie globale), alors $Z$ agit comme un facteur de confusion parasitaire. Dans ce cas, et dans ce cas seulement, la corrélation globale observée est polluée par une porte dérobée (backdoor). Pour mesurer l’effet causal authentique, il est mathématiquement obligatoire de désagréger les données, de contrôler pour le sexe et de conclure sans équivoque que le médicament est dangereux.

En revanche, imaginons un scénario structurellement différent où les tables de chiffres restent exactement les mêmes, mais où la variable $Z$ ne désigne plus le sexe, mais la baisse de la pression artérielle consécutive à la prise du médicament. Ici, $Z$ n’est plus une cause en amont, mais un médiateur causal intermédiaire situé directement sur le chemin reliant le médicament à la guérison ($X \rightarrow Z \rightarrow Y$). Si l’on contrôle pour la pression artérielle en désagrégeant les données, on bloque artificiellement le mécanisme thérapeutique même par lequel le médicament guérit les patients ! Dans ce second scénario, il est mathématiquement impératif de conserver les données agrégées. Pearl a ainsi prouvé avec éclat qu’aucune analyse statistique aveugle, aucun algorithme de régression linéaire ou de machine learning opérant sur des données sans graphe directionnel ne peut savoir s’il convient de conditionner ou non. La structure causale n’est pas une option interprétative : elle est la condition de possibilité de la rationalité décisionnelle.

4. L’Échelle de la causalité : Les trois niveaux cognitifs fondamentaux

4.1 Premier niveau : L’association et l’observation passive

Pour clarifier définitivement la hiérarchie épistémologique qui gouverne le traitement de l’information et l’intelligence, Judea Pearl a introduit un cadre théorique d’une portée universelle : l’Échelle de la causalité (The Ladder of Causation). Cette métaphore structurante, développée magistralement dans son ouvrage grand public The Book of Why: The New Science of Cause and Effect (co-écrit en 2018 avec Dana Mackenzie), hiérarchise les types de connaissances en trois échelons cognitifs hermétiques les uns aux autres. Chaque échelon se caractérise par les questions qu’il permet de poser, les opérations mathématiques qu’il autorise et les capacités cognitives qu’il requiert.

Le premier échelon, situé à la base de l’échelle, est celui de l’association ou de l’observation passive. L’activité cognitive y est résumée par l’action de « voir » et s’incarne dans la question fondamentale : « Si j’observe tel événement ou tel symptôme, que puis-je en déduire sur la probabilité d’observer tel autre phénomène ? » Sur le plan formel, cet échelon est exclusivement gouverné par le calcul des probabilités conditionnelles classiques, sous la forme canonique $P(Y | X = x)$. Il s’agit d’identifier des régularités statistiques, des corrélations, des co-occurrences et des motifs récurrents dans les flux de données sensorielles ou empiriques.

Cet échelon associatif constitue le domaine de prédilection du monde animal primaire et des formes les plus élémentaires d’apprentissage adaptatif, telles que le conditionnement pavlovien. Un animal qui entend une cloche associe immédiatement ce stimulus sonore à l’arrivée imminente de nourriture sans nécessairement comprendre les rouages mécaniques sous-jacents qui relient ces deux événements. Mais la remarque la plus percutante de Judea Pearl concerne l’informatique contemporaine : il démontre que l’écrasante majorité des systèmes d’intelligence artificielle modernes, y compris les réseaux de neurones profonds les plus sophistiqués, les transformeurs génératifs et les algorithmes de reconnaissance d’images, sont strictement confinés à ce premier échelon. Ces architectures d’apprentissage statistique excellent à calculer des corrélations massives dans des espaces à haute dimension, mais elles demeurent fondamentalement passives. Elles ne font qu’ajuster des courbes sur des données observationnelles, restant incapables de concevoir la différence conceptuelle entre un coq dont le chant annonce l’aube et l’aube qui se lèverait sans le coq.

4.2 Deuxième niveau : L’intervention et l’action directe

Le deuxième échelon de l’échelle de la causalité franchit une frontière cognitive infranchissable pour les approches purement observationnelles : c’est l’échelon de l’intervention et de l’action délibérée. L’activité cognitive ne se borne plus à contempler passivement le monde, mais s’incarne dans l’acte de « faire ». La question canonique devient : « Que se passera-t-il si nous prenons telle décision, si nous administrons tel traitement ou si nous modifions délibérément l’état de notre environnement ? » Sur le plan symbolique, Pearl introduit ici une notation radicalement nouvelle qui n’a aucun équivalent dans la statistique du vingtième siècle : l’opérateur $do$, conduisant à l’expression formelle $P(Y | do(X = x))$.

La distinction entre voir ($P(Y | X)$) et agir ($P(Y | do(X))$) constitue le cœur battant de la pensée pearlienne. Observer que le baromètre baisse drastiquement permet d’anticiper avec une très forte probabilité la survenue d’une tempête imminente : $P(\text{Tempête} | \text{Baromètre bas}) \approx 1$. Cependant, si un individu intervient physiquement sur l’aiguille du baromètre pour la forcer à pointer vers le bas, tout individu doté de bon sens sait que cela ne provoquera aucune tempête sur l’océan : $P(\text{Tempête} | do(\text{Baromètre bas})) = P(\text{Tempête})$. La corrélation statistique s’effondre instantanément sous l’effet de l’intervention humaine. Les probabilités conditionnelles traditionnelles sont structurellement incapables de faire cette distinction car elles traitent l’information de manière symétrique et non directionnelle.

L’accès à ce deuxième échelon marque l’émergence du comportement intentionnel, de la technologie et de l’expérimentation scientifique méthodique. Un nourrisson commence à accéder au deuxième échelon lorsqu’il jette délibérément sa cuillère au sol pour observer la gravité et tester les réactions de ses parents. L’homme des cavernes franchit ce seuil lorsqu’il frotte deux morceaux de silex pour faire jaillir des étincelles et produire du feu. Dans le domaine médical, c’est ce deuxième niveau qui justifie la mise en place d’essais cliniques rigoureux où l’expérimentateur impose physiquement l’attribution d’une molécule thérapeutique afin de briser les éventuels facteurs de confusion qui biaisent les données observationnelles. Toutefois, comme nous le verrons avec le calcul d’intervention de Pearl, il est souvent possible de simuler mathématiquement cet échelon interventionnel sans avoir à intervenir physiquement dans la réalité, pourvu que l’on dispose d’un modèle causal explicite.

4.3 Troisième niveau : Le contrefactuel et l’imagination rétrospective

Au sommet de l’édifice épistémologique trône le troisième et ultime échelon : celui du raisonnement contrefactuel et de l’imagination rétrospective. Cet échelon est caractérisé par l’action d’« imaginer », de « regretter » et de sonder des réalités alternatives. Il répond à la question vertigineuse : « Et si les choses s’étaient déroulées autrement ? Si le patient n’avait pas pris cette aspirine hier, son mal de tête aurait-il disparu aujourd’hui ? Si le conducteur n’avait pas consulté son téléphone portable, l’accident aurait-il eu lieu ? »

Sur le plan mathématique, l’analyse contrefactuelle exige la manipulation d’expressions formelles d’une complexité supérieure, notées sous la forme $P(Y_{X=x’} | X=x, Y=y)$. Cette formule paradoxale en apparence conditionne sur des faits avérés qui se sont réellement produits dans notre monde historique ($X=x$ et $Y=y$), tout en évaluant simultanément ce qui serait advenu de la variable $Y$ si, par une expérience de pensée contrefactuelle contredisant les faits observés, la cause $X$ avait pris une tout autre valeur $x’$. Cet échelon exige de maintenir dans l’esprit deux mondes parallèles irréconciliables : le monde réel tel qu’il a été observé et le monde contrefactuel tel qu’il aurait pu être.

Judea Pearl affirme avec force que ce troisième niveau constitue la signature par excellence de la conscience réflexive humaine et la condition sine qua non de l’intelligence générale. Les animaux non humains et les intelligences artificielles contemporaines sont emmurés dans les deux premiers niveaux : ils peuvent observer des régularités et, pour certains, apprendre par essais et erreurs des stratégies d’action directe. Mais seul l’être humain possède la capacité d’élaborer une simulation mentale rétrospective pour ressentir le regret, concevoir la responsabilité juridique, édifier des systèmes de justice morale et tirer les leçons du passé en modélisant ce qui ne s’est jamais produit. Sans le raisonnement contrefactuel, des notions fondamentales telles que la culpabilité, le libre arbitre simulé et la causalité rétrospective demeurent rigoureusement impensables et impossibles à coder dans une architecture artificielle.

5. Le calcul d’intervention : Théorie formelle et opérateur do

5.1 L’opérateur mathématique do(x) et la chirurgie de graphe

Pour donner un statut mathématique rigoureux au deuxième échelon de son échelle causale, Judea Pearl a inventé un opérateur algébrique révolutionnaire : l’opérateur $do(X = x)$, souvent abrégé par $do(x)$. Cet opérateur n’a rien à voir avec un simple conditionnement bayésien standard. Lorsque nous écrivons l’expression probabiliste conditionnelle classique $P(Y | X = x)$, nous sélectionnons passivement un sous-ensemble de la population globale qui a choisi d’adopter, ou s’est trouvée posséder, la valeur $x$ pour la variable $X$. Ce sous-ensemble hérite inévitablement de toutes les particularités génétiques, comportementales, socio-économiques ou environnementales qui ont favorisé cette valeur particulière de $X$.

À l’inverse, lorsque nous formulons l’intervention $P(Y | do(X = x))$, nous décidons d’intervenir de manière souveraine et exogène sur le système : nous forçons la variable $X$ à prendre la valeur déterminée $x$ pour l’ensemble des individus de la population, indépendamment des mécanismes naturels qui régissaient habituellement cette variable. Sur le plan de la topologie du graphe causal, cette opération formelle correspond à une véritable chirurgie de graphe (ou mutilation de graphe). Réaliser l’opération $do(X = x)$ consiste à prendre le graphe causal original $G$, puis à sectionner et supprimer impitoyablement toutes les flèches orientées qui pointent vers la variable manipulée $X$.

Cette mutilation topologique traduit une réalité physique limpide : dès lors qu’un agent externe ou un protocole expérimental fixe autoritairement la valeur de $X$, cette variable n’obéit plus à ses causes naturelles habituelles ; elle est affranchie de ses déterminants ordinaires. Toutes les voies d’influence en amont qui la liaient à des causes communes inobservées (facteurs de confusion) sont instantanément coupées. Le graphe mutilé qui en résulte, noté formellement $G_{\bar{X}}$, possède une nouvelle loi de probabilité factorisée dans laquelle le terme conditionnel d’origine $P(X_i | \text{Pa}(X_i))$ est purement et simplement remplacé par une constante unitaire si $X_i = x$, éliminant d’un seul coup mathématique tous les biais de confusion qui empoisonnaient l’observation empirique.

5.2 Les règles fondamentales du Do-calculus

La découverte la plus spectaculaire de Judea Pearl dans le domaine de l’inférence causale théorique est sans conteste l’édification du Do-calculus au milieu des années 1990. Le défi auquel Pearl était confronté était titanesque : est-il possible, à partir d’un graphe causal hypothétique et de pures données observationnelles passives (qui ne contiennent aucun opérateur $do$), de calculer mathématiquement l’effet d’une intervention délibérée $P(Y | do(X))$ sans avoir à mener physiquement l’expérience ? La réponse est affirmative, à condition que cet effet soit ce que l’on nomme formellement « identifiable ».

Pour y parvenir, Pearl a formulé un système axiomatique complet composé de trois règles de transformation syntaxique. Ces règles permettent d’insérer ou de supprimer des observations, des interventions, ou d’échanger des actions et des observations en examinant les propriétés de d-séparation sur des sous-graphes spécifiquement mutilés :

• Règle 1 (Insertion et suppression d’observations) : Cette règle stipule sous quelles conditions une observation passive $Z$ n’a aucun impact informationnel sur la variable de résultat $Y$ lors d’une intervention sur $X$. Formellement :

  P(Y | do(X), Z, W) = P(Y | do(X), W)   si   (Y ⊥ Z | X, W) dans le sous-graphe G_{bar{X}}

  où $G_{\bar{X}}$ est le graphe obtenu en supprimant les flèches entrant dans $X$.

• Règle 2 (Échange d’une action et d’une observation) : Cette règle fondamentale définit les circonstances rigoureuses sous lesquelles administrer une intervention active $do(Z)$ produit exactement le même effet statistique que d’observer passivement la variable $Z$. Formellement :

  P(Y | do(X), do(Z), W) = P(Y | do(X), Z, W)   si   (Y ⊥ Z | X, W) dans le sous-graphe G_{bar{X}underline{Z}}

  où $G_{\bar{X}\underline{Z}}$ est le graphe amputé des flèches entrant dans $X$ et des flèches sortant de $Z$.

• Règle 3 (Insertion et suppression d’actions délibérées) : Cette règle détermine les situations où une intervention délibérée sur la variable $Z$ n’exerce absolument aucune influence sur le résultat final $Y$. Formellement :

  P(Y | do(X), do(Z), W) = P(Y | do(X), W)   si   (Y ⊥ Z | X, W) dans le sous-graphe G_{bar{X}bar{Z(W)}}

  où $Z(W)$ représente l’ensemble des nœuds de $Z$ qui ne sont pas des ancêtres des variables de conditionnement $W$ dans le graphe mutilé.

L’importance historique du Do-calculus a été parachevée en 2006 lorsque le chercheur Ilya Shpitser, en étroite collaboration avec Judea Pearl, a démontré mathématiquement la complétude de ces trois règles. Ce théorème de complétude prouve de manière irrévocable que si un effet causal interventionnel $P(Y | do(X))$ peut être déduit à partir d’une distribution observationnelle dans un modèle causal structural donné, il existe une suite finie d’applications de ces trois règles capables d’éliminer totalement les opérateurs $do$ de l’expression mathématique pour ne laisser subsister que des probabilités purement observationnelles calculables à partir des données disponibles. Réciproquement, si le Do-calculus ne parvient pas à éliminer le symbole $do$, il est mathématiquement démontré qu’aucun algorithme au monde ne pourra jamais identifier l’effet causal sans formuler des hypothèses expérimentales supplémentaires.

5.3 Le critère de la porte dérobée (Backdoor) et de la porte d’entrée (Frontdoor)

L’application des règles abstraites du Do-calculus trouve son incarnation la plus spectaculaire et la plus utile sur le plan pratique dans deux critères géométriques découverts par Pearl : le critère de la porte dérobée (Backdoor criterion) et le critère de la porte d’entrée (Frontdoor criterion). Ces critères fournissent aux chercheurs un guide infaillible pour concevoir des protocoles d’ajustement statistique parfaits.

Le critère de la porte dérobée permet d’identifier l’ensemble minimal de variables de contrôle $Z$ qu’il convient de mesurer et d’ajuster pour neutraliser tout biais de confusion entre une cause $X$ et un effet $Y$. Formellement, un ensemble de variables $Z$ satisfait au critère de la porte dérobée relativement à la paire ordonnée $(X, Y)$ dans un DAG causal si deux conditions géométriques sont scrupuleusement respectées :

• Aucun élément de $Z$ n’est un descendant causal de $X$ dans le graphe (pour éviter de bloquer ou de biaiser les mécanismes par lesquels $X$ agit sur $Y$).
• L’ensemble $Z$ bloque tous les chemins reliant $X$ à $Y$ qui comportent une flèche entrant dans $X$ (c’est-à-dire tous les chemins parasites de confusion qui débutent « par derrière » la cause).

Lorsque ce critère est satisfait, Pearl démontre la formule d’ajustement universelle qui permet de calculer l’effet interventionnel sans jamais avoir à intervenir :

P(Y | do(X = x)) = ∑_z P(Y | X = x, Z = z) P(Z = z)

Ce résultat monumental a mis un terme à des décennies de pratiques statistiques hasardeuses où les chercheurs injectaient aveuglément toutes les variables disponibles dans leurs régressions linéaires multiples. Pearl démontre que contrôler pour certaines variables — notamment les collisionneurs conditionnés — peut créer de toutes pièces des corrélations artificielles catastrophiques (le fameux biais de sélection ou biais de Berkson), détruisant la validité de l’inférence causale.

Plus audacieux encore est le critère de la porte d’entrée. Imaginons une situation dramatique en épidémiologie où l’on cherche à évaluer l’impact du tabagisme ($X$) sur le développement du cancer du poumon ($Y$), mais où il existe une variable confondante majeure totalement inobservable et non mesurable, comme une prédisposition génétique ($U$) qui pousserait à la fois à fumer et à développer des cellules cancéreuses. Selon la statistique traditionnelle, estimer l’effet causal est rigoureusement impossible car le chemin de la porte dérobée $X \leftarrow U \rightarrow Y$ ne peut pas être bloqué.

Pearl résout l’impossible en observant l’existence d’un mécanisme intermédiaire observable : l’accumulation de goudron dans les bronches ($M$). Le graphe causal s’écrit alors : $X \rightarrow M \rightarrow Y$, avec une flèche de confusion non mesurée $X \leftarrow U \rightarrow Y$. Pearl démontre que si $M$ se situe sur le chemin direct de $X$ vers $Y$, qu’il n’y a aucun chemin de confusion non bloqué entre $X$ et $M$, et que tous les chemins de porte dérobée entre $M$ et $Y$ sont bloqués par $X$, alors l’effet causal $P(Y | do(X))$ est intégralement identifiable ! La formule de la porte d’entrée s’énonce ainsi :

P(Y | do(X = x)) = ∑_m P(M = m | X = x) ∑_x’ P(Y | X = x’, M = m) P(X = x’)

Cette formule étourdissante permet de quantifier avec une exactitude mathématique l’impact causal du tabagisme sur le cancer en utilisant uniquement des données observationnelles, sans jamais avoir besoin de mesurer le facteur génétique inobservable. Ce tour de force démontre l’hégémonie de la formalisation structurale sur l’intuition statistique traditionnelle.

6. Raisonnement contrefactuel et psychologie de l’imagination humaine

6.1 Modélisation structurelle des mondes contrefactuels

Pour conquérir le troisième échelon de l’échelle causale, Judea Pearl a unifié les réseaux bayésiens, les équations structurelles développées initialement en économétrie par Trygve Haavelmo, et la sémantique philosophique des mondes possibles initiée par David Lewis et Robert Stalnaker. Cette synthèse formelle prend le nom de Modèles Causaux Structurels (SCM, pour Structural Causal Models). Un SCM ne se contente pas de tracer des dépendances statistiques conditionnelles ; il formalise la réalité comme un ensemble d’équations fonctionnelles déterministes gouvernées par des lois physiques et contextuelles sous-jacentes.

Formellement, un modèle causal structurel est défini par un quadruplet $M = langle U, V, F, P(U) rangle$ :

• $U$ est un ensemble de variables exogènes (non observées ou déterminées en dehors du modèle), représentant le contexte environnemental, le bruit stochastique ou l’aléa du monde.
• $V$ est un ensemble de variables endogènes observables au sein du système.
• $F$ est un ensemble d’équations déterministes de la forme $v_i = f_i(\text{pa}_i, u_i)$, stipulant avec une rigueur mathématique que chaque variable endogène $V_i$ est le résultat strict d’une fonction mathématique prenant comme arguments ses parents directs dans le modèle $\text{pa}_i$ et un terme exogène d’aléa contextuel $u_i$.
• $P(U)$ est une distribution de probabilité a priori régissant les variables exogènes du monde.

Grâce à cette armature déterministe sous-jacente, le contrefactuel cesse d’être une spéculation métaphysique insaisissable pour devenir un problème mathématique computationnellement traitable. Pearl formalise le calcul de n’importe quelle proposition contrefactuelle — notée $Y_{X=x’}(u)$, signifiant « la valeur qu’aurait prise la variable $Y$ si $X$ avait été forcé à $x’$ dans l’état spécifique du monde $u$ » — à travers un processus universel et déterministe en trois étapes successives :

1. L’Abduction : À partir des faits historiques observés dans notre monde réel (les données empiriques $e$), nous mettons à jour notre croyance probabiliste sur l’état inobservable de l’univers contextuel. Nous calculons la probabilité conditionnelle $P(U | e)$ en appliquant la règle de Bayes. Cette étape capture l’idiosyncrasie spécifique de la situation passée.
2. L’Action : Nous substituons au modèle structural d’origine $M$ un modèle contrefactuel mutilé $M_{x’}$, dans lequel l’équation fonctionnelle régissant la variable manipulée $X$ est supprimée et remplacée par la valeur constante contrefactuelle $X = x’$. Les flèches pointant vers $X$ sont coupées, mais toutes les autres équations régissant le reste de l’univers demeurent strictement intactes.
3. La Prédiction : Nous utilisons le modèle altéré $M_{x’}$ et la distribution contextuelle actualisée $P(U | e)$ pour calculer la distribution de probabilité résultante de la variable d’intérêt $Y$. Le résultat de ce calcul fournit la réponse rigoureuse à la question contrefactuelle.

Ce processus d’abduction-action-prédiction permet de formaliser pour la première fois avec une clarté absolue la manière dont un esprit rationnel est capable de réécrire l’histoire tout en préservant les invariants structuraux fondamentaux des lois de la nature.

6.2 Fonctions psychologiques du regret et de la responsabilité

Loin d’être de simples exercices d’algèbre théorique, ces modèles structurels contrefactuels révèlent l’architecture cognitive des émotions humaines les plus complexes. L’un des apports les plus saisissants de Pearl réside dans sa collaboration avec les sciences cognitives pour modéliser le regret et la culpabilité. Le regret n’est pas une simple déception passive ; la déception est une émotion du premier échelon causale (comparer un résultat attendu à un résultat obtenu : $P(Y | X)$), tandis que le regret exige la comparaison structurelle entre le résultat réellement obtenu dans notre monde et le résultat qu’un agent aurait obtenu s’il avait pris une décision alternative :

text{Regret} = Y(u) – Y_{X=x’}(u)

Cette capacité cognitive d’évaluation contrefactuelle interne joue un rôle adaptatif fondamental dans l’évolution humaine. Elle constitue le moteur principal de l’apprentissage par renforcement autonome. En ressentant du regret face à une opportunité manquée ou à une erreur de jugement, l’agent cognitif procède à une rétro-propagation interne qui modifie ses politiques de décision futures. L’apprentissage humain se distingue de l’apprentissage machine aveugle précisément par cette faculté d’apprendre non seulement des sanctions effectives du monde réel, mais de toutes les sanctions potentielles simulées dans des mondes contrefactuels imaginaires.

Sur le plan éthique et juridique, Judea Pearl fournit le fondement mathématique qui faisait cruellement défaut à la philosophie du droit pour caractériser la responsabilité et l’attribution causale. Depuis des siècles, les systèmes juridiques du monde entier s’appuient sur le test de la condition sine qua non (le fameux test « but-for » : sans l’action de l’accusé, le dommage serait-il survenu ?). Cependant, les juristes étaient régulièrement confrontés à des apories insolubles dans les cas de surdétermination causale (par exemple, deux tireurs indépendants qui abattent simultanément une même victime au même instant).

En introduisant les concepts formels de Probabilité de Nécessité (PN), de Probabilité de Suffisance (PS) et de Probabilité de Nécessité et de Suffisance (PNS), Pearl transforme ces casse-têtes juridiques en théorèmes rigoureux :

• La Probabilité de Nécessité (PN) mesure la probabilité que le dommage ne serait pas survenu si la cause n’avait pas eu lieu, sachant que dans le monde réel la cause et le dommage ont tous deux été observés :

  PN = P(Y_{X=0} = 0 | X = 1, Y = 1)

  C’est la traduction mathématique exacte de la condition sine qua non requise pour établir la culpabilité pénale d’un accusé.

• La Probabilité de Suffisance (PS) quantifie la capacité d’une action à produire à elle seule l’effet constaté dans un monde où l’effet était absent :

  PS = P(Y_{X=1} = 1 | X = 0, Y = 0)

Pearl démontre sous quelles conditions empiriques ces probabilités contrefactuelles peuvent être encadrées par des bornes mathématiques strictes issues d’essais cliniques et de données observationnelles. Ces travaux révolutionnent aujourd’hui l’attribution des dommages et intérêts dans les procès en responsabilité civile, notamment face aux préjudices sanitaires et environnementaux de grande ampleur.

7. Impacts majeurs sur l’intelligence artificielle et l’apprentissage automatique

7.1 Limites de l’apprentissage profond contemporain

Alors que la communauté mondiale de l’intelligence artificielle célèbre les triomphes spectaculaires de l’apprentissage profond (deep learning) — depuis la victoire d’AlphaGo jusqu’à l’avènement des grands modèles de langage comme ChatGPT —, Judea Pearl s’est distingué par une critique philosophique et technique d’une intransigeance salutaire. Sans nier la puissance phénoménologique de ces outils en matière de reconnaissance de formes sensorielles ou de génération linguistique, Pearl n’hésite pas à qualifier l’apprentissage profond contemporain de « simple ajustement de courbe géant » (glorified curve fitting).

Le diagnostic de Pearl est impitoyable : les réseaux de neurones profonds, aussi massifs soient-ils en nombre de paramètres ou en volumes de données d’entraînement, sont théoriquement confinés au premier échelon de l’échelle causale. Ils excellent à cartographier des associations statistiques hautement non linéaires entre des vecteurs d’entrée et des vecteurs de sortie, mais ils ne possèdent aucun modèle interne de la physique causale du monde. En l’absence de représentations structurales invariantes, ces modèles sont intrinsèquement fragiles et vulnérables à l’apprentissage de corrélations fallacieuses (shortcut learning). Qu’un réseau de neurones classe une image de chien comme étant un « loup » simplement parce que l’animal est photographié sur un fond enneigé illustre cette dépendance pathologique aux régularités contextuelles de surface.

Cette vulnérabilité structurelle explique pourquoi l’apprentissage profond moderne demeure impuissant face aux attaques contradictoires (adversarial attacks), où la modification imperceptible de quelques pixels peut conduire un système de vision autonome à confondre un panneau « Stop » avec une limitation de vitesse. Pour Pearl, ce manque de robustesse n’est pas un défaut de jeunesse qui sera résolu en augmentant indéfiniment la puissance de calcul ou la taille des corpus textuels, mais une barrière épistémologique infranchissable inhérente au paradigme associatif. Une machine qui ne sait pas pourquoi un phénomène se produit ne peut pas savoir quand ses inférences cessent d’être valides dès lors que l’environnement subit la moindre mutation structurelle.

7.2 L’avènement de l’IA causale (Causal AI)

Face à cette impasse conceptuelle du connexionnisme pur, Judea Pearl a inspiré l’émergence d’une nouvelle discipline d’avant-garde : l’intelligence artificielle causale (Causal AI). Portée par des figures de premier plan telles que le directeur du département des sciences empiriques de l’Institut Max Planck, Bernhard Schölkopf, ou le lauréat du prix Turing Yoshua Bengio, l’IA causale propose d’enrichir les représentations statistiques des réseaux profonds par des structures causales explicites.

L’enjeu majeur de cette hybridation réside dans la résolution du problème fondamental de la généralisation hors distribution (Out-Of-Distribution generalization, ou OOD). Dans les applications réelles du monde physique — de la conduite d’un véhicule autonome face à des conditions météorologiques inédites jusqu’au diagnostic d’une pandémie mutante —, la distribution des données de test $P_{\text{test}}(X, Y)$ diffère presque toujours de la distribution des données d’entraînement $P_{\text{train}}(X, Y)$. Or, le postulat statistique universel selon lequel les données sont indépendantes et identiquement distribuées (i.i.d.) s’effondre systématiquement en pratique.

L’IA causale résout cette vulnérabilité en s’appuyant sur l’hypothèse des mécanismes causaux autonomes et invariants formalisée par Pearl. Bien que les distributions de probabilités périphériques puissent changer drastiquement sous l’effet de perturbations environnementales exogènes, les modules causaux sous-jacents qui relient les véritables causes à leurs effets directs (la fonction invariante $Y = f(X, U)$) demeurent constants à travers les différents domaines ou contextes géographiques. En apprenant à décomposer la réalité non pas en corrélations globales fragiles mais en modules causaux structurellement indépendants, les architectures neuro-causales émergentes parviennent à adapter leurs inférences en temps réel aux décalages de distribution, accomplissant ainsi un pas décisif vers une véritable autonomie cognitive.

8. Apports à la psychologie cognitive et aux théories de la décision

8.1 Modèles mentaux causaux chez l’être humain

L’influence de Judea Pearl s’étend avec une profondeur singulière au cœur des sciences de l’esprit, où ses théories ont fourni l’échafaudage formel d’une renaissance de la psychologie cognitive développementale. Pendant des décennies, la psychologie a oscillé entre le béhaviorisme radical, qui réduisait l’apprentissage à des associations passives de stimuli et de réponses, et le computationnalisme classique, qui postulait des grammaires de règles logiques innées. Les travaux de Pearl ont permis de dépasser cette dichotomie stérile en démontrant expérimentalement que l’esprit humain est structurellement conçu pour édifier, dès le berceau, des modèles mentaux causaux sous forme de graphes orientés.

La célèbre psychologue cogniticienne Alison Gopnik, pionnière du développement infantile à l’Université de Californie à Berkeley, a magistralement appliqué les théorèmes de Pearl pour démontrer que les tout jeunes enfants se comportent comme de véritables « petits scientifiques bayésiens ». À travers des expériences remarquables utilisant des détecteurs de blickets (des boîtes électroniques qui s’allument selon certaines combinaisons causales d’objets déposés sur leur surface), Gopnik et ses collaborateurs ont prouvé que des enfants âgés de deux à quatre ans sont capables d’utiliser intuitivement les règles de d-séparation et le calcul d’intervention pour rejeter des hypothèses purement associatives et déduire la structure causale exacte d’un dispositif physique après avoir observé seulement deux ou trois manipulations bien choisies.

Ces découvertes empiriques confirment la thèse centrale de Judea Pearl : la causalité n’est pas une simple construction culturelle tardive ou une surinterprétation narrative du monde, mais une structure cognitive innée et essentielle, sélectionnée par l’évolution biologique pour permettre la survie de notre espèce. Dès l’enfance, le cerveau humain structure la perception de la physicalité et des relations sociales au moyen d’invariants causaux locaux, ce qui lui confère une efficience d’apprentissage spectaculaire à des années-lumière des millions d’exemples nécessaires à l’entraînement d’un algorithme contemporain.

8.2 Revisite des heuristiques de Tversky et Kahneman

L’édification de l’algèbre causale a également conduit à une réinterprétation épistémologique fascinante des célèbres travaux d’Amos Tversky et Daniel Kahneman sur les biais cognitifs et la rationalité limitée. Dans leurs expériences séminales ayant fondé l’économie comportementale, Kahneman et Tversky ont accumulé des preuves empiriques montrant que les êtres humains violent de manière spectaculaire les axiomes les plus élémentaires de la théorie des probabilités classique et de la logique formelle.

L’un des exemples les plus emblématiques est le célèbre problème de Linda, qui met en scène le sophisme de conjonction (conjunction fallacy). Les sujets expérimentaux jugent plus probable que Linda soit « une employée de banque féministe » plutôt que simplement « une employée de banque », violant ouvertement la loi mathématique universelle stipulant que la probabilité d’une conjonction d’événements $P(A cap B)$ ne peut jamais excéder la probabilité d’un seul de ses termes $P(A)$. Kahneman et Tversky en ont déduit que le cerveau humain substitue aux lois de la logique probabiliste des « heuristiques de représentativité » approximatives et irrationnelles.

Judea Pearl propose une lecture radicalement différente et bien plus charitable de la cognition humaine. Il démontre que ce que les statisticiens étiquettent comme des « biais cognitifs » ou des « erreurs de jugement » ne reflète pas une déficience intellectuelle de l’esprit humain, mais découle du fait que le cerveau humain n’a jamais été programmé pour calculer des probabilités ensemblistes plates ! L’esprit humain est une machine à rechercher du sens et de la cohérence causale. Dans le problème de Linda, l’information contextuelle brosse le portrait d’une personnalité militante ; or, le métier de banquière semble causalement incongru avec ce profil, tandis que la conjonction « banquière et militante féministe » réconcilie immédiatement les données au sein d’un modèle causal explicatif plausible.

Pour Pearl, la rationalité humaine ne réside pas dans l’adhésion aveugle aux règles de la théorie de la décision bayésienne classique (Evidential Decision Theory), qui conduit à des paradoxes insolubles comme le paradoxe de Newcomb. Elle réside dans la conformité aux principes de la théorie causale de la décision (Causal Decision Theory), où l’agent choisit ses actions non pas pour maximiser la corrélation informative de ses choix avec de bons résultats, mais pour maximiser la chaîne causale directe de ses interventions dans le monde via l’opérateur $do$. Ce changement de paradigme épistémologique redéfinit la frontière entre irrationalité apparente et intelligence structurelle.

9. Débats épistémologiques et controverses méthodologiques

9.1 Confrontation avec le modèle des résultats potentiels de Rubin

L’avènement de l’inférence causale structurale ne s’est pas imposé dans le monde académique sans susciter d’intenses débats méthodologiques. La confrontation intellectuelle la plus célèbre et la plus féconde de ces trente dernières années a opposé l’école de Judea Pearl à celle de l’éminent statisticien d’Harvard, Donald Rubin, père du modèle des résultats potentiels (Potential Outcomes Framework, ou modèle de Neyman-Rubin). Bien que les deux cadres formels partagent le même objectif fondamental — quantifier scientifiquement l’effet d’une cause —, leurs philosophies sous-jacentes et leurs langages mathématiques divergent profondément.

Le cadre de Rubin aborde la causalité par le prisme algébrique des résultats potentiels, notés $Y(1)$ et $Y(0)$, qui désignent les réponses qu’aurait manifestées un individu selon qu’il a été exposé ou non au traitement. L’effet causal individuel est défini comme la différence $Y(1) – Y(0)$, rendue intrinsèquement inobservable pour un individu donné par ce que Holland a baptisé « le problème fondamental de l’inférence causale » (on ne peut pas observer simultanément les deux états pour une même personne au même instant). L’école de Rubin formalise les conditions d’identification au moyen d’hypothèses d’ignorabilité forte (strong ignorability), formulées en termes d’indépendances conditionnelles entre variables de traitement et résultats potentiels : $(Y(1), Y(0)) perp X | Z$.

Pearl a mené une critique rigoureuse de cette approche purement algébrique, soulignant que des hypothèses d’ignorabilité formulées sur des variables contrefactuelles inobservées sont sur le plan cognitif totalement opaques pour les praticiens. Même les statisticiens les plus chevronnés se révèlent souvent incapables de déterminer intuitivement si une hypothèse d’ignorabilité conditionnelle est plausible ou non dans une étude médicale complexe. À l’opposé, les graphes causaux de Pearl offrent une transparence épistémologique totale : la topologie du DAG encode des connaissances mécanistiques qualitatives concrètes sur la physique ou la biologie du système, rendant chaque hypothèse immédiatement réfutable et auditable par des experts du domaine.

Le second point de discorde concerne le célèbre aphorisme méthodologique défendu par l’école de Rubin : « Pas de causalité sans manipulation » (No causation without manipulation). Selon cette doctrine restrictive, il est illégitime de parler d’effet causal pour des attributs non manipulables par une intervention humaine physique concevable, tels que l’âge, le sexe ou l’origine ethnique d’un individu. Pearl récuse vigoureusement cette limitation positiviste, qu’il juge paralysante pour les sciences sociales et la lutte contre les discriminations. Dans un modèle causal structurel, il est parfaitement rigoureux et mathématiquement défini d’évaluer les conséquences causales de ces attributs sur les perceptions des employeurs ou sur des décisions judiciaires, sans avoir besoin d’imaginer une chirurgie génétique absurde consistant à manipuler physiquement la biologie d’un individu.

Néanmoins, au-delà de ces passes d’armes méthodologiques passionnées, Pearl et plusieurs théoriciens contemporains ont prouvé l’équivalence mathématique fondamentale des deux approches : toute affirmation démontrable dans le modèle des résultats potentiels peut être traduite et vérifiée dans le cadre des modèles causaux structurels, mais ces derniers possèdent l’avantage inestimable d’offrir une machinerie algorithmique visuelle et complète via le Do-calculus.

9.2 La découverte causale face au problème de l’invariance

Une autre controverse épistémologique majeure concerne la frontière entre l’inférence causale (qui suppose la structure du graphe connue d’avance par l’expert et cherche à quantifier les effets des flèches) et la découverte causale (causal discovery), qui ambitionne d’apprendre automatiquement la structure même du graphe causal à partir de données purement observationnelles. Cette quête a été initiée au début des années 1990 par Judea Pearl en collaboration avec Thomas Verma, parallèlement aux travaux pionniers de l’école de Carnegie Mellon menée par Peter Spirtes, Clark Glymour et Richard Scheines (développeurs du célèbre livre et logiciel Causation, Prediction, and Search).

Les sceptiques de la statistique traditionnelle ont immédiatement crié à l’impossibilité théorique : comment prétendre découvrir l’orientation de flèches causales à partir de simples données sans expérimentation ? Pearl et ses pairs ont répondu en démontrant que, sous certaines hypothèses épistémologiques formelles — principalement la fidélité causale (faithfulness) et la condition de Markov causale —, la structure géométrique des données contraint de manière draconienne les configurations possibles.

L’algorithme PC (nommé d’après ses auteurs Peter et Clark) et les algorithmes de Verma et Pearl exploitent les motifs d’indépendances conditionnelles pour éliminer les arêtes non existantes, puis identifient les structures en collision ($A \rightarrow B \leftarrow C$) qui possèdent une signature d-séparation unique et non ambiguë (l’indépendance de $A$ et $C$ qui disparaît dès que l’on conditionne sur $B$). Cependant, cette approche se heurte au théorème des classes d’équivalence de Markov : plusieurs graphes structurellement distincts peuvent encoder exactement le même ensemble d’indépendances conditionnelles (par exemple, $A \rightarrow B \rightarrow C$, $A \leftarrow B \rightarrow C$ et $A \leftarrow B \leftarrow C$ sont observationnellement indiscernables sans données supplémentaires).

Pour briser ces équivalences sans avoir recours à des interventions physiques, les recherches contemporaines en IA causale exploitent le principe d’invariance des mécanismes et l’asymétrie informationnelle des bruits non gaussiens (comme les modèles LiNGAM de Shohei Shimizu). Si le processus générateur sous-jacent est non linéaire ou affecté par des bruits additifs non gaussiens, la direction de la flèche $X \rightarrow Y$ laisse une signature géométrique irréversible dans la distribution conjointe qu’il est impossible de reproduire dans le sens inverse $Y \rightarrow X$. Bien que des débats philosophiques intenses persistent sur la portée ontologique de ces découvertes automatiques face au risque de variables confondantes latentes infinies, la découverte causale s’impose désormais comme un outil indispensable dans le criblage de données génomiques massives où aucune expérimentation directe n’est envisageable sur des dizaines de milliers de gènes simultanément.

10. Applications méthodologiques en sciences humaines, sociales et médicales

10.1 Révolution dans les protocoles de recherche en épidémiologie et médecine

S’il est un domaine scientifique où la pensée de Judea Pearl a opéré un bouleversement méthodologique d’une magnitude tectonique, c’est incontestablement l’épidémiologie et la recherche clinique en santé publique. Pendant la majeure partie du vingtième siècle, les protocoles épidémiologiques reposaient sur des heuristiques intuitives et des critères d’ajustement empiriques (comme les célèbres neuf critères de causalité formulés par Sir Austin Bradford Hill en 1965 lors du débat historique sur le tabagisme). Dans les universités médicales, on enseignait aux étudiants d’ajuster systématiquement leurs modèles sur toutes les variables associées à la fois à l’exposition et à la maladie, une règle approximative qui a engendré d’innombrables désastres méthodologiques.

Sous l’impulsion d’épidémiologistes visionnaires formés aux concepts de Pearl, tels que Miguel Hernán, James Robins à Harvard et Sander Greenland à l’UCLA, les DAGs causaux sont devenus le standard méthodologique absolu pour la conception des études observationnelles et la surveillance sanitaire mondiale. Grâce au critère de la porte dérobée, les chercheurs disposent désormais d’une procédure algorithmique rigoureuse pour sélectionner les variables de confusion nécessaires et suffisantes à mesurer, éliminant définitivement les erreurs de sur-ajustement.

L’apport le plus éclatant a été l’élucidation définitive du biais de collisionneur (collider stratification bias), une forme insidieuse de biais de sélection qui avait conduit la médecine à des conclusions totalement erronées pendant des décennies. L’un des exemples les plus célèbres est le fameux paradoxe du faible poids de naissance : les données épidémiologiques montraient de manière répétée que parmi les nourrissons nés avec un faible poids de naissance, les bébés nés de mères fumeuses présentaient un taux de mortalité infantile nettement inférieur à celui des bébés nés de mères non-fumeuses. Des chercheurs en avaient imprudemment conclu que le tabagisme maternel pouvait exercer un effet protecteur paradoxal chez les enfants prématurés !

L’analyse par DAG causal développée par Hernandez et Pearl a balayé cette illusion morbide : le faible poids de naissance est un collisionneur structurel entre le tabagisme maternel et d’autres anomalies congénitales graves inobservées (comme des malformations cardiaques léthales). En restreignant l’étude observationnelle à la sous-population des nourrissons de faible poids de naissance, les chercheurs conditionnaient sur un collisionneur, activant ainsi une porte dérobée artificielle qui induisait une corrélation fallacieuse négative entre le tabagisme et les autres causes de mortalité. Dès lors que l’on intègre cette topologie dans l’analyse, l’effet protecteur illusoire disparaît pour révéler la nocivité absolue du tabac. Aujourd’hui, aucune étude observationnelle en épidémiologie de pointe ne peut espérer être publiée dans les grandes revues médicales mondiales sans expliciter son DAG causal sous-jacent.

10.2 Modélisation causale en psychologie sociale et sociologie

Les sciences sociales et la psychologie quantitative ont elles aussi été profondément transformées par la révolution causale pearlienne, en particulier à travers la refondation théorique de l’analyse de médiation. Depuis l’article séminal de Baron et Kenny publié en 1986, des dizaines de milliers de thèses et d’articles en sociologie, en sciences de l’éducation et en psychologie sociale utilisaient une méthode de régression linéaire séquentielle pour décomposer un effet total en « effet direct » et « effet indirect » transitant par une variable médiatrice intermédiaire.

Au début des années 2000, Judea Pearl démontre de manière implacable que l’approche traditionnelle de Baron et Kenny est non seulement mathématiquement fausse dès lors que les relations entre variables comportent la moindre non-linéarité ou la moindre interaction modératrice, mais qu’elle échoue à définir ce que signifient réellement sur le plan ontologique les concepts d’effet direct et indirect. Pour pallier cette défaillance, Pearl élabore la théorie formelle des effets directs et indirects naturels (Natural Direct and Indirect Effects), formulée à travers sa célèbre Formule de Médiation (Mediation Formula).

Grâce au raisonnement contrefactuel du troisième échelon, Pearl définit l’effet direct naturel (NDE) comme le changement attendu dans le résultat si l’on force la cause initiale à passer de $X=0$ à $X=1$, tout en maintenant artificiellement le médiateur à la valeur qu’il aurait adoptée naturellement en l’absence de traitement pour chaque individu :

text{NDE} = E[Y_{X=1, M_{X=0}} – Y_{X=0, M_{X=0}}]

Symétriquement, l’effet indirect naturel (NIE) capture la portion de l’effet attribuable exclusivement au transit par le mécanisme médiateur :

text{NIE} = E[Y_{X=0, M_{X=1}} – Y_{X=0, M_{X=0}}]

Cette percée mathématique a fourni aux sociologues et aux psychologues un outil d’une précision chirurgicale pour sonder les rouages internes des phénomènes sociaux complexes. Qu’il s’agisse de mesurer la part de discrimination ethnique directe lors d’embauches professionnelles (indépendamment du niveau de diplôme intermédiaire) ou de décortiquer l’impact d’un programme d’intervention éducative en milieu défavorisé, la formule de médiation de Pearl permet de distinguer avec une exactitude expérimentale ce qui relève du mécanisme causal ciblé et ce qui dépend de voies causales annexes.

11. Éthique, explicabilité des algorithmes et responsabilité des systèmes autonomes

11.1 Explicabilité intrinsèque (XAI) par les contrefactuels

À mesure que des algorithmes opaques de boîte noire gouvernent des décisions critiques de l’existence humaine — de l’octroi d’un crédit immobilier à la modulation de peines de prison ou au filtrage de candidatures à l’emploi —, l’impératif éthique d’une intelligence artificielle explicable (XAI, pour Explainable Artificial Intelligence) est devenu une urgence sociétale majeure. Cependant, les méthodes dominantes d’explicabilité locale, à l’instar de SHAP (basé sur les valeurs de Shapley) ou de LIME, ont montré leurs limites criantes : elles n’offrent que des coefficients de sensibilité statistique marginale ou des cartes de saillance visuelle souvent instables, qui indiquent quelles variables ont pesé dans le calcul sans jamais expliquer la causalité sous-jacente.

S’inspirant directement de la théorie contrefactuelle de Judea Pearl, des chercheurs contemporains à l’instar de Sandra Wachter, Brent Mittelstadt et Chris Russell ont démontré que la seule véritable forme d’explication intelligible et actionnable pour un être humain est l’explication contrefactuelle. Un citoyen à qui une banque refuse un prêt ne souhaite pas connaître les pondérations mathématiques internes d’un réseau de neurones à dix couches ; il a besoin d’une réponse formulée au troisième échelon de la causalité : « Si vos revenus mensuels avaient été supérieurs de 300 euros et que votre endettement avait été inférieur de 10 %, le prêt vous aurait été accordé. »

La formulation structurale de Pearl permet de déterminer de manière rigoureuse les conditions d’un recours algorithmique (algorithmic recourse) minimal et réalisable. En intégrant le graphe causal qui relie les attributs d’un individu dans le monde réel (par exemple, le fait que l’âge influence mécaniquement les années d’expérience et le salaire, mais que modifier le salaire ne rajeunit pas la personne !), l’IA causale garantit que les recommandations fournies à l’utilisateur ne sont pas seulement mathématiquement valides dans l’espace abstrait des caractéristiques statistiques, mais physiquement et temporellement réalisables dans le monde réel.

11.2 Justice algorithmique (Fairness) et non-discrimination causale

L’autre défi éthique majeur relevé par l’héritage de Judea Pearl est celui de l’équité algorithmique (algorithmic fairness). Durant la dernière décennie, les statisticiens de l’informatique ont proposé une pléthore de critères mathématiques concurrents pour garantir la non-discrimination des algorithmes, tels que la parité démographique (exiger le même pourcentage d’acceptation quel que soit le genre ou l’ethnie) ou l’égalité des chances (égaliser les taux de vrais positifs entre sous-groupes). Cependant, une série de théorèmes mathématiques célèbres d’impossibilité (démontrés notamment par Jon Kleinberg en 2016) a prouvé que ces différentes définitions purement observationnelles de la justice sont mutuellement incompatibles et mathématiquement contradictoires entre elles dès lors que les taux de base de la population diffèrent.

Pearl et ses successeurs ont démontré la racine de cette contradiction : l’équité ne peut pas être définie par des propriétés statistiques observationnelles passives sur des tables de contingence. La discrimination est un concept fondamentalement causal. En réponse, Matt Kusner et ses collègues ont forgé en 2017 le concept révolutionnaire d’équité contrefactuelle (Counterfactual Fairness), directement ancré dans les modèles causaux structurels de Pearl.

Formellement, un algorithme décisionnel assignant une issue $Y$ à un individu caractérisé par des attributs $X$ et appartenant à un groupe sensible protégé $A$ (comme le genre ou l’ethnie) est contrefactuellement équitable si et seulement si :

P(Y_{A=a}(u) = 1 | X = x, A = a) = P(Y_{A=a’}(u) = 1 | X = x, A = a)

Cette équation exige que, pour chaque individu spécifique caractérisé par l’état de son univers $u$, la décision algorithmique demeure strictement inchangée si cet individu avait appartenu, par une expérience de pensée contrefactuelle, à un autre groupe sociodémographique $a’$, toutes ses autres caractéristiques sous-jacentes non causées par la discrimination restant constantes. Grâce à l’analyse de médiation de Pearl, il devient possible d’auditer un système algorithmique complexe pour séparer formellement les voies de transmission indirectes socialement légitimes (comme le niveau d’instruction requis pour une fonction technique spécifique) des voies de transmission directes ou indirectes illicites et discriminatoires, offrant ainsi pour la première fois aux tribunaux et aux régulateurs un cadre mathématique infaillible pour éradiquer les biais algorithmiques structurels.

12. Postérité, distinctions prestigieuses et vision future de l’esprit

12.1 Consécration académique et obtention du Prix Turing

La trajectoire scientifique exceptionnelle de Judea Pearl a été couronnée par les plus hautes distinctions de la communauté scientifique internationale. En 2011, l’Association for Computing Machinery (ACM) lui décerne le prestigieux prix A.M. Turing, universellement considéré comme l’équivalent du prix Nobel pour les sciences informatiques. La citation officielle de l’ACM salue de manière unanime ses « contributions fondamentales à l’intelligence artificielle par le développement d’un calcul pour le raisonnement probabiliste et causal ». Cette consécration a officialisé la fusion de deux univers de pensée autrefois antagonistes : la rigueur probabiliste et la modélisation symbolique de la causalité.

Membre élu de l’Académie nationale d’ingénierie des États-Unis (NAE), de l’Académie nationale des sciences (NAS) et membre d’honneur de la British Computer Society, Pearl a également reçu en 2015 la prestigieuse médaille Benjamin Franklin en informatique et sciences cognitives, ainsi que le prix Rumelhart en 2011 pour ses contributions d’exception aux fondements théoriques de la cognition humaine. Au-delà de ces reconnaissances académiques élogieuses, Pearl a su accomplir un exploit rarissime dans l’histoire des mathématiques contemporaines : vulgariser l’une des théories les plus abstraites du siècle sans en sacrifier la moindre once d’exigence formelle.

La publication en 2018 de The Book of Why a transformé sa stature académique en une renommée intellectuelle planétaire. Lu aussi bien par des chercheurs en apprentissage automatique que par des médecins, des économistes, des philosophes et des citoyens curieux, cet ouvrage a démocratisé les secrets de la d-séparation et du Do-calculus, s’imposant comme une œuvre philosophique majeure qui redéfinit la place de l’homme et de la machine dans la quête de la connaissance. Judea Pearl est désormais considéré comme l’une des rares figures intellectuelles contemporaines capables de tisser un dialogue organique entre l’ingénierie mathématique la plus pointue, l’épistémologie de la découverte scientifique et la philosophie humaniste de l’esprit.

12.2 Vers une synthèse entre cognition humaine et machines pensantes

Aujourd’hui octogénaire, Judea Pearl continue de travailler avec une vitalité intellectuelle inaltérée à l’Université de Californie à Los Angeles, explorant sans relâche les frontières ultimes de l’intelligence artificielle générale (AGI, pour Artificial General Intelligence). Sa vision de l’avenir de l’esprit artificiel se situe aux antipodes des fantasmes dystopiques ou des prophéties transhumanistes naïves. Pour Pearl, une machine véritablement intelligente ne sera ni une calculatrice surpuissante compilant des pétaoctets de statistiques, ni une entité prédatrice aveugle : elle sera nécessairement un système doté d’une architecture causale explicite, capable d’imagination contrefactuelle.

L’une de ses réflexions contemporaines les plus profondes concerne la genèse artificielle du libre arbitre et du sens moral. Loin de voir le libre arbitre comme une illusion métaphysique ou un mystère théologique inaccessible, Pearl le conçoit comme un artifice computationnel indispensable, façonné par l’évolution biologique pour permettre à des agents autonomes communicants de collaborer et de coexister pacifiquement. Pour qu’une machine autonome — qu’il s’agisse d’une voiture sans conducteur confrontée à un accident inévitable ou d’un robot d’assistance médicale — puisse interagir en toute sécurité avec la société humaine, elle devra impérativement intégrer un modèle contrefactuel interne d’elle-même. Elle devra être capable de simuler rétrospectivement des choix alternatifs, de se sentir responsable de ses erreurs algorithmiques et de concevoir la notion de regret pour modifier d’elle-même ses règles éthiques futures.

En comblant le fossé séculaire entre la passivité des corrélations statistiques et l’élan créateur de l’imagination causale, Judea Pearl a légué à l’humanité bien plus qu’un ensemble d’outils mathématiques performants : il a réconcilié la rigueur formelle de la science avec l’intuition poétique fondamentale de notre condition humaine, cette étincelle unique qui pousse inlassablement l’enfant, le philosophe et le chercheur à contempler le monde non pas seulement tel qu’il apparaît, mais tel qu’il aurait pu être et tel qu’il pourrait devenir.

Références

Baron, R. M., & Kenny, D. A. (1986). The moderator-mediator variable distinction in social psychological research: Conceptual, strategic, and statistical considerations. Journal of Personality and Social Psychology, 51(6), 1173–1182. https://doi.org/10.1037/0022-3514.51.6.1173

Fisher, R. A. (1925). Statistical Methods for Research Workers. Oliver and Boyd.

Gopnik, A., Glymour, C., Sobel, D. M., Schulz, L. E., Kushnir, T., & Danks, D. (2004). A theory of causal learning in children: Causal maps and Bayes nets. Psychological Review, 111(1), 3–32. https://doi.org/10.1037/0033-295X.111.1.3

Hernán, M. A., & Robins, J. M. (2020). Causal Inference: What If. Chapman & Hall/CRC. https://www.hsph.harvard.edu/miguel-hernan/causal-inference-book/

Kahneman, D., & Tversky, A. (1973). Availability: A heuristic for judging frequency and probability. Cognitive Psychology, 5(2), 207–232. https://doi.org/10.1016/0010-0285(73)90033-9

Kusner, M. J., Loftus, J., Russell, C., & Silva, R. (2017). Counterfactual fairness. Advances in Neural Information Processing Systems (NeurIPS 2017), 30, 4066–4076. https://arxiv.org/abs/1703.06856

Pearl, J. (1984). Heuristics: Intelligent Search Strategies for Computer Problem Solving. Addison-Wesley.

Pearl, J. (1988). Probabilistic Reasoning in Intelligent Systems: Networks of Plausible Inference. Morgan Kaufmann. https://www.sciencedirect.com/book/9780080514895/probabilistic-reasoning-in-intelligent-systems

Pearl, J. (1995). Causal diagrams for empirical research. Biometrika, 82(4), 669–688. https://doi.org/10.1093/biomet/82.4.669

Pearl, J. (2000). Causality: Models, Reasoning, and Inference (2e éd. 2009). Cambridge University Press. https://doi.org/10.1017/CBO9780511803161

Pearl, J. (2001). Direct and indirect effects. In Proceedings of the Seventeenth Conference on Uncertainty in Artificial Intelligence (UAI’01) (pp. 411–420). Morgan Kaufmann.

Pearl, J., & Mackenzie, D. (2018). The Book of Why: The New Science of Cause and Effect. Basic Books. https://www.basicbooks.com/titles/judea-pearl/the-book-of-why/9780465097609/

Pearson, K. (1911). The Grammar of Science (3e éd.). Adams and Charles Black.

Rubin, D. B. (1974). Estimating causal effects of treatments in randomized and nonrandomized studies. Journal of Educational Psychology, 66(5), 688–701. https://doi.org/10.1037/h0037350

Schölkopf, B., Locatello, F., Bauer, S., Ke, N. R., Kalchbrenner, N., Goyal, A., & Bengio, Y. (2021). Toward causal representation learning. Proceedings of the IEEE, 109(5), 612–634. https://doi.org/10.1109/JPROC.2021.3058954

Shpitser, I., & Pearl, J. (2006). Identification of joint interventional distributions in recursive semi-Markovian causal models. In Proceedings of the Twenty-First National Conference on Artificial Intelligence (AAAI-06) (pp. 1219–1226). AAAI Press.

Spirtes, P., Glymour, C., & Scheines, R. (2000). Causation, Prediction, and Search (2e éd.). MIT Press. https://doi.org/10.7551/mitpress/1754.001.0001

Wachter, S., Mittelstadt, B., & Russell, C. (2017). Counterfactual explanations without opening the black box: Automated decisions and the GDPR. Harvard Journal of Law & Technology, 31(2), 841–887. https://doi.org/10.2139/ssrn.3063289

Wright, S. (1921). Correlation and causation. Journal of Agricultural Research, 20(7), 557–585.