63
Le c3rv34u statisticien
siècles, philosophes et logiciens se sont divisés sur
le problème de l’induction. Le cerveau humain, au
cours de l’apprentissage, semblait tirer des conclu-
sions trop solides à partir de données trop peu
fiables. On commence seulement à entrevoir com-
ment ce paradoxe peut être résolu, si l’on considère
que l’architecture du cortex a évolué pour former
une extraordinairemachine statistique, capable de
tirer le maximum d’inférences du moindre bit d’in-
formation statistique qu’il reçoit. Mais la théorie
bayésienne est maintenant plus qu’une hypothèse,
c’est aussi une industrie. En effet, toutes les grandes
sociétés de logiciel comme Google ou Microsoft
tentent de reproduire les algorithmes d’apprentis-
sage statistique du cerveau humain. Verrons-nous
bientôt des ordinateurs reproduire les spectacu-
laires capacités d’apprentissage d’un enfant de
quelques mois ?
Pour aller
plus loin
E.T. Jaynes,
Probability
Theory
: the Logic of Science
,
Cambridge, Cambridge
University Press, 2003.
D. Kersten, P. Mamassian
et A. Yuille,
« Object
perception as Bayesian
inference »,
Annual Review
of Psychology
, 55, 2004,
p. 271-304.
A. Perfors, J.B. Tenenbaum,
T.L. Griffiths et F. Xu,
« A tutorial introduction to
Bayesianmodels of cognitive
development »,
Cognition
,
120(3), 2011, p. 302-321.
E. Teglas, E. Vul, V. Girotto, M.
Gonzalez, J.B. Tenenbaum et
L.L. Bonatti,
« Pure reasoning
in 12-month-old infants as
probabilistic inference »,
Science,
332(6033), 2011,
p. 1054-1059.
J.B. Tenenbaum, C.
Kemp, T.L. Griffiths et
N.D. Goodman,
« How to
grow a mind : statistics,
structure, and abstraction »,
Science
, 331(6022), 2011,
p. 1279-1285.
Envidéo :
deux cours de
Stanislas
Dehaene
sur « Le cerveau
statisticien : La révolution
bayésienne en sciences
cognitives » et « Le bébé
statisticien », disponibles
sur le site du Collège de
France
de-france.fr/site/stanislas-
dehaene/#course
L’expérience montre que le cerveau de
l’enfant effectue exactement le même genre de
raisonnement abstrait lorsqu’il apprend des mots.
Un principe très abstrait est que les noms d’objets
renvoient souvent à la forme plutôt qu’à la texture
de ces objets : une « tasse » est un objet en forme de
tasse, peu importe sa couleur, sa taille, ou lamatière
dont elle est faite. Les enfants découvrent-ils ce
principe ? La réponse est positive. Dans une expé-
rience de Linda B. Smith
Figure 11
, un enfant voit un
adulte appeler des formes par des noms nouveaux
(« wif », « dax », etc.). Systématiquement, l’enfant
voit que la même syllabe s’applique à deux objets
de même forme, mais dont la texture, la taille et la
couleur varient. Par la suite, exposé à une seule ins-
tance d’un mot nouveau (« veet ») accompagné d’un
objet nouveau, il généralise correctement l’usage de
cemot à ces objets nouveaux demême forme, tandis
qu’il refuse d’appliquer le mot à des objets de même
texture, demême taille ou demême couleur, mais de
forme différente. L’enfant en a donc conclu qu’un
principegénéral gouverne laplupart desnoms com-
muns : chacun d’eux se réfère à une forme donnée.
L’apprentissage bayésien explique com-
ment l’enfant procède pour inférer de telles règles
abstraites. Pour Linda B. Smith, « chaque épi-
sode individuel d’apprentissage modifie celui qui
apprend, et change progressivement ce qu’il juge
facile à apprendre ».
Jusqu’à quel degré d’abstraction peut aller
l’induction ? Sur la base d’un algorithme informa-
tique qui simule l’inférence bayésienne hiérar-
chique, Tenenbaum et ses collègues parviennent
à modéliser l’induction automatique de la struc-
ture profonde de nombreux domaines : l’arbores-
cence de la famille des êtres vivants, la structure
circulaire du globe terrestre, ou même le principe
de causalité lui-même. Nous ne sommes donc pas
loin d’une modélisation des grands principes de la
découverte scientifique.
Apprendre, c’est induire un modèle pro-
bable à partir des données observées dans lemonde
extérieur par notre cerveau. Pendant plusieurs
