Présentation du modèle computationnel
Le paradigme dominant, hérité d’Alan Turing, décrit la pensée comme une séquence entrée‑traitement‑sortie. Cette vision a inspiré les premiers ordinateurs, puis les réseaux de neurones artificiels. Des figures contemporaines comme Demis Hassabis de DeepMind qualifient le cerveau de « approximation biologique d’une machine de Turing », tandis qu’Elon Musk le résume à « un ordinateur biologique ». Le texte cite également John von Neumann, qui doutait que ce cadre puisse saisir la complexité du système nerveux humain.
Modèle de contrôle en boucle rétroactive
Paul Cisek, neuroscientifique à l’Université de Montréal, propose une alternative : le cerveau fonctionnerait comme un système de rétroaction. Au lieu de traiter passivement des données, l’organisme agit pour modifier les stimuli qu’il reçoit. Cette idée rejoint le concept de John Dewey, qui, au tournant du XXᵉ siècle, décrivait l’esprit comme un circuit où la réponse motrice influence le stimulus. L’exemple du champ extérieur qui attrape une balle illustre la différence : le modèle computationnel suppose un calcul implicite de vitesse et de gravité, alors que le modèle de contrôle se contente de garder la balle à la même position visuelle et d’ajuster le déplacement en conséquence.
Implications pour la conception d’IA
Si le cerveau est effectivement un système de contrôle, les architectures d’IA basées uniquement sur le traitement de données pourraient ignorer une dimension essentielle de l’interaction corps‑environnement. Les systèmes actuels, qui optimisent des fonctions de perte à partir de jeux de données statiques, ne reproduisent pas la capacité humaine à « modifier le stimulus » par l’action. Cette lacune explique, selon l’article, pourquoi les produits d’IA s’infiltrent dans la culture sans tenir compte des contraintes évolutives du cerveau, créant ainsi une « malbouffe cognitive ». En pratique, intégrer des boucles de rétroaction physiques ou simulées pourrait réduire ce décalage, mais le texte ne fournit pas de prototypes ou de métriques concrètes.
Limites de l’argumentation
L’analyse repose essentiellement sur des citations d’experts et sur des analogies historiques. Aucun chiffre, benchmark ou version de modèle n’est présenté, ce qui empêche une évaluation quantitative de l’écart entre les deux approches. De plus, le texte ne détaille pas comment les architectures de contrôle pourraient être implémentées dans les frameworks actuels (TensorFlow, PyTorch, etc.). Ainsi, bien que la critique du modèle computationnel soit argumentée, elle reste théorique et nécessite des études empiriques pour valider l’avantage d’une IA inspirée du contrôle biologique.
