Recherche
Quatre terrains, une même exigence
La recherche avance sur quatre terrains distincts, qui exercent le socle décrit dans La méthode sur des substrats réels et en mesurent la portée. Tous servent le même but : une IA embarquée déterministe et certifiable, aujourd’hui au stade du prototype. Chaque terrain a sa page détaillée, avec ses protocoles et ses résultats.
La généralisation, niveau par niveau
La question tient en une phrase : qu’est-ce qu’un système apprend, exactement, quand on dit qu’il a appris ? J’y réponds par une échelle à trois niveaux. Le premier est l’apprentissage par conséquence directe, où une expérience favorable doit modifier une préférence ultérieure. Le deuxième est la généralisation à des situations voisines de celles rencontrées. Le troisième est la recomposition d’éléments connus en une combinaison jamais vue.
Le résultat vérifié à ce jour est le suivant : sur un circuit d’apprentissage modélisé à partir d’une partie du connectome de la drosophile, mon prototype apprend une tâche, puis une seconde, et conserve en partie la première, au-dessus du hasard ; le protocole d’apprentissage est supervisé. Les niveaux de l’échelle structurent la feuille de route, et la page détaillée explique pourquoi cette échelle est l’instrument de mesure le plus utile du programme : elle indique où la conception doit évoluer, pas seulement combien il faudrait entraîner.
La feuille de route des trois niveaux →
Le banc d’essai connectome
Le câblage neuronal de la drosophile, publié par le consortium FlyWire, est l’un des rares connectomes complets disponibles à cette échelle — 139 255 neurones et leurs connexions. Je m’en sers comme structure d’essai à grande échelle : dans l’article D, la topologie fournit un graphe réaliste et exigeant, sur lequel le déterminisme d’exécution tient à pleine échelle, avec empreintes reproductibles et rejeu exact (deux exécutions donnent la même trace). Pour tester mes hypothèses sur l’apprentissage, j’utilise un circuit bien plus petit, modélisé à partir d’une partie de ce connectome.
La topologie sert de substrat de câblage, rien de plus : les dynamiques, les poids et les règles d’apprentissage sont propres au projet. Ce terrain montre que le rejeu bit à bit du moteur tient au passage à l’échelle, vérifié par double exécution jusqu’au graphe complet (un test, pas une preuve).
L’organisme simulé
Un quadrupède simulé donne au système un corps, donc des conséquences. C’est le terrain où les propriétés de la couche de vérifiabilité deviennent des démonstrations concrètes : rejouer une exécution à l’identique, la reprendre après interruption au point exact où elle s’était arrêtée, établir, en débranchant une partie, qu’elle est nécessaire à un comportement donné — sur des heures d’exécution continue.
La démonstration porte sur la continuité et l’auditabilité d’un organisme simulé qui dure ; ce qu’il apprend relève de la feuille de route, et aucune forme de cognition n’est revendiquée.
La démonstration d’intégrité →
Les travaux mathématiques
Deux travaux consolident le programme par sa base. La spécification arithmétique décrit un calcul entier assez complètement pour que deux machines quelconques produisent le même résultat au bit près, avec un arrondi contrôlé et une saturation explicite. Elle est déposée, publique, et implémentable par un tiers de façon autonome ; trois implémentations indépendantes, en C, en Python et en Rust, produisent déjà la même empreinte de conformité.
Si l’un de ces terrains croise le vôtre
Les spécifications, les noyaux publics et les formats de conformité sont disponibles, sous licences déclarées.