Feuille de recherche · Propriétés d’apprentissage
Trois niveaux de généralisation
« Généraliser » n’est pas une case oui/non. C’est une montée à trois étages. Le premier est amorcé, avec un résultat partiel vérifié ; le deuxième est observé, mais on ne peut pas le porter au crédit du système, car une méthode simple par similarité l’atteint aussi ; le troisième — comprendre une règle abstraite jamais vue — reste ouvert. Voici la carte exacte, et pourquoi le déterminisme permet de la dresser.
Deux axes, pas une course
D’autres projets simulent la drosophile avec une fidélité biologique remarquable — connectome complet, corps réaliste, comportements naturels. Sur cet axe de fidélité, ils sont en avance, et je ne cherche pas à les rattraper.
Mon axe est différent : l’apprentissage vérifiable. Une réplique fidèle d’un connectome est un instantané : ses connexions sont celles d’un moment donné, et à elle seule elle n’apprend pas. Mon prototype, lui, apprend, et cet apprentissage se vérifie : sur un circuit modélisé à partir d’une partie du connectome de la drosophile, il apprend une tâche, puis une seconde, et conserve en partie la première, au-dessus du hasard ; sur les protocoles testés, ses décisions enregistrées se rejouent à l’identique, bit à bit, en Python comme en Rust, et une reprise après interruption redonne exactement le même état. Ce que je n’ai pas encore montré, c’est qu’une conséquence vécue suffise à faire changer un choix ultérieur. La question n’est donc pas de savoir si j’ai une meilleure mouche, mais jusqu’où va cet apprentissage et où il s’arrête aujourd’hui.
L’échelle des trois niveaux
carte établie à partir des tests du banc d’essai
Niveau 1 — généralisation locale / associative
C’est apprendre par l’expérience directe : associer un objet à ce qui l’a suivi (« cet objet m’a été favorable ») et s’en servir ensuite. Sur mon banc d’essai, le prototype apprend une association, puis une seconde, et conserve en partie la première : sa performance sur la première tâche reste au-dessus du hasard (environ 0,62 en moyenne sur une série d’étude de 12 individus simulés, contre 0,50 pour le hasard ; l’un des douze reste sous le hasard), tout en baissant nettement par rapport au niveau atteint juste après le premier apprentissage. Sur les protocoles testés, ses décisions enregistrées se rejouent à l’identique, bit à bit, avec deux implémentations (Python et Rust).
C’est un apprentissage, pas un réflexe câblé d’avance. Amorcé, dans un périmètre borné : le protocole d’apprentissage est supervisé, la première tâche n’est conservée qu’en partie, et il reste à montrer qu’une conséquence vécue suffit à faire changer un choix ultérieur.
Niveau 2 — généralisation par similarité
Un cran plus haut : reconnaître ou transférer vers des objets nouveaux quand ils partagent un cœur sensoriel avec des objets déjà vus. Le prototype le fait — mais une référence simple par similarité (KNN) le fait aussi, ce qui montre la limite : c’est utile, mais c’est reconnaître une ressemblance, pas comprendre une règle.
Observé et borné — utile, mais pas « intelligent » au sens fort, et non attribuable au seul système.
Niveau 3 — généralisation compositionnelle forte
Le sommet : « je comprends que A+B implique X, même si je n’ai jamais vu cette combinaison ». C’est là qu’on parle vraiment de règle abstraite, et c’est là que les derniers tests sont catégoriques.
Les tests préenregistrés menés à ce jour ne montrent pas de généralisation compositionnelle apprise qui batte un contrôle. La cause est identifiée en interne ; elle n’est pas détaillée ici, parce qu’elle touche à la conception du prototype et à la suite du travail.
Ouvert — encore loin, et le verrou est identifié.
Un instrument de diagnostic
Le déterminisme comme outil de diagnostic
Un résultat négatif bien établi a de la valeur : il évite de chercher au mauvais endroit. Un système déterministe permet de le constater nettement, de le rejouer et de le vérifier, test après test.
C’est le genre de limite qu’un système déterministe permet de voir nettement, là où un système probabiliste opaque laisse espérer indéfiniment que ça finira par marcher.
La suite
Le plan de travail qui découle de ce diagnostic est établi et suivi en interne. Il n’est pas détaillé ici : une feuille de route publiée indiquerait à un concurrent où chercher, et surtout quoi éviter. Ce qui sera publié, ce sont les résultats, une fois revus, négatifs compris — comme tout le reste de ce site.
Ce qui ferait basculer cette page
Le jour où le prototype franchira le niveau 3 — une généralisation compositionnelle apprise (pas une règle programmée à l’avance), sur substrat entier (donc vérifiable), qui bat un contrôle — cette page basculera d’« objectif » à « atteint et vérifiable ». Ce résultat-là serait soumis à la relecture par des pairs.
D’ici là, cette page décrit l’objectif tel qu’il est, et l’acquis tel qu’il est mesuré.