🤖 AI

On the Definition of Intelligence

Cet article propose une définition de l'intelligence indépendante de l'espèce basée sur la « fidélité de l'entité », formalisée en tant qu'intelligence de concept $\varepsilon$ , qui évalue la capacité d'un agent à générer de nouvelles instances d'un concept indiscernables des exemples originaux dans une tolérance spécifiée.

Auteurs originaux : Kei-Sing Ng

Publié 2026-08-13

📖 7 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Kei-Sing Ng

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Le Grand Mystère de l'Intelligence : « Qu'est-ce qui est intelligent ? »

Imaginez que vous vous teniez dans une bibliothèque immense et chaotique où les livres sont écrits dans toutes les langues imaginables, et certains ne sont même pas faits de papier — ils sont faits de lumière, de son ou de mathématiques pures. Depuis des décennies, des scientifiques et des ingénieurs tentent de construire une machine capable de lire, de comprendre et d'écrire ces livres aussi bien qu'un humain. Ce domaine est appelé l'Intelligence Artificielle (IA Générale ou AGI), et la question cruciale qui plane sur elle est simple mais incroyablement difficile : qu'est-ce qui rend réellement quelque chose « intelligent » ?

Habituellement, nous définissons l'intelligence par ce qu'une machine peut faire. Peut-elle vous battre aux échecs ? Peut-elle conduire une voiture ? Peut-elle réussir un examen ? Mais cela devient complexe. Si un robot est exceptionnel aux échecs mais incapable de nouer ses propres lacets, est-il intelligent ? Si un pigeon peut repérer une cellule cancéreuse sur une lame mieux qu'un médecin, le pigeon est-il un génie ? Les anciennes méthodes pour mesurer l'intelligence reposent souvent sur la comparaison des machines aux humains, ce qui revient à juger un poisson sur sa capacité à grimper à un arbre. Nous avons besoin d'une nouvelle règle, une règle qui ne se soucie pas de savoir si le penseur est un humain, un pigeon ou une puce informatique. Nous avons besoin d'une définition qui fonctionne pour tout le monde, partout, basée sur un seul superpouvoir universel.

L'idée majeure du papier : Le test du « Imitateur »

Dans ce papier, Kei-Sing Ng propose une façon nouvelle, ludique, mais mathématiquement sérieuse de définir l'intelligence. Au lieu de demander « Peut-il résoudre des problèmes ? » ou « Peut-il gagner des jeux ? », l'auteur pose une question plus simple : « Peut-il produire davantage de la même chose ? »

L'idée centrale est que l'intelligence est la capacité de regarder quelques exemples d'un « concept » puis de générer de nouvelles choses qui s'insèrent parfaitement dans ce même concept. Pensez-y comme à un chef cuisinier expert. Si vous donnez à un chef une assiette de pancakes parfaits, dorés et moelleux (les exemples), un chef véritablement intelligent peut cuisiner une toute nouvelle fournée qui ressemble, goûte et semble exactement comme les originales. Si les nouveaux pancakes sont brûlés ou crus, le chef n'est pas très bon dans le concept de « pancakes ».

Le papier suggère que cette « fidélité générative » — la capacité de créer de nouvelles choses indiscernables des anciennes — est le cœur battant de l'intelligence. Qu'il s'agisse d'un humain dessinant un nouveau tableau dans le style de Van Gogh, d'un pigeon triant des lames médicales, ou d'un ordinateur écrivant un poème, tous sont intelligents s'ils peuvent prendre quelques exemples et produire de nouveaux exemplaires qui s'ajustent si bien au modèle que personne ne peut faire la différence.

La règle magique de l'« Indiscernabilité »

Pour rendre cette idée précise, l'auteur introduit un concept appelé intelligence de $\epsilon$ -concept (prononcé « epsilon-concept »). La lettre grecque $\epsilon$ (epsilon) représente ici simplement une infime marge d'erreur autorisée.

Imaginez que vous ayez un « discriminateur » — cela pourrait être un juge humain, un programme informatique, ou même un critique d'art très strict. Son travail est de regarder un tas d'exemples originaux et un tas de nouvelles créations et d'essayer de repérer les faux.

Si le discriminateur peut facilement voir la différence, le système n'est pas intelligent concernant ce concept.
Si le discriminateur essaie de toutes ses forces mais ne peut pas distinguer les nouvelles créations des originales (dans cette infime marge d'erreur $\epsilon$ ), alors le système est intelligent.

Le papier soutient que c'est une bien meilleure façon de mesurer l'intelligence que l'ancien « Test de Turing » (où un humain essaie de deviner s'il parle à un robot). Le Test de Turing n'est qu'une version spécifique de cette nouvelle règle. Dans le nouveau cadre, si une machine peut générer des réponses indiscernables de celles des humains, elle réussit. Mais la règle fonctionne aussi pour des choses que le Test de Turing ne peut pas traiter, comme une machine générant un nouveau type de moteur qui correspond au concept de « transport efficace » aussi bien qu'un cheval ou une voiture.

Ce que cette définition laisse de côté (Et pourquoi)

L'auteur est très clair sur ce que cette définition n'est pas.

Ce n'est pas une question de conscience. Vous n'avez pas besoin d'avoir des sentiments, une âme ou un « soi » pour être intelligent selon cette règle. Un simple programme informatique qui résout des problèmes mathématiques parfaitement est intelligent parce qu'il génère des réponses correctes, même s'il ne « sait » pas qu'il fait des mathématiques.
Ce n'est pas une question d'apprentissage. Une machine n'a pas besoin d'être capable d'apprendre de nouvelles choses à la volée pour être qualifiée d'intelligente. Si une machine est figée dans le temps mais peut toujours générer des exemples parfaits d'un concept, elle compte. L'apprentissage est simplement un moyen d'améliorer votre capacité à générer ces exemples au fil du temps, mais ce n'est pas la définition de l'intelligence elle-même.
Ce n'est pas une question d'anthropocentrisme. La définition ne se soucie pas de savoir si le « concept » est quelque chose que les humains apprécient. Si un oiseau peut générer un nid qui correspond au concept de « abri sûr » mieux qu'un architecte humain, l'oiseau est intelligent dans ce domaine.

Les deux visages de l'intelligence : « Maintenant » et « Plus tard »

Le papier décompose également l'intelligence en deux catégories intéressantes pour nous aider à comprendre comment elle fonctionne au fil du temps :

Capacité Synchronique (L'intelligence du « Maintenant ») : C'est la capacité d'un système à générer de bons exemples pour un ensemble de différents concepts à cet instant précis. C'est comme un couteau suisse qui possède tous les outils prêts à l'emploi immédiatement.
Capacité Diachronique (L'intelligence du « Plus tard ») : C'est la capacité de s'adapter. Si le monde change et que vous devez apprendre un nouveau concept (comme passer de la fabrication de pancakes à celle de gaufres), à quelle vitesse pouvez-vous générer de bonnes gaufres ? C'est la partie « apprentissage », que le papier traite comme un superpouvoir distinct, mais lié.

Pourquoi cela importe

L'auteur suggère qu'en se concentrant sur cette capacité « générative », nous pouvons enfin construire un étalon unique pour mesurer tout, des cerveaux biologiques aux ordinateurs artificiels. Cela change l'objectif de la recherche en IA. Au lieu d'essayer de faire des machines qui « pensent » comme les humains, nous devrions nous concentrer sur la création de machines capables de générer des résultats indiscernables de la vérité, de l'art ou de la solution que nous recherchons.

Le papier conclut que cette approche pourrait rendre l'IA plus sûre et plus fiable. Si nous entraînons les machines à générer des résultats parfaitement cohérents avec un concept « sûr », nous pourrions empêcher les erreurs préjudiciables. Il suggère également que l'avenir de l'IA pourrait impliquer l'utilisation de mathématiques avancées (comme la Théorie des Catégories) pour cartographier la façon dont ces concepts se connectent, permettant aux machines de passer d'une idée à une autre avec aisance.

En résumé, le papier nous invite à cesser de demander « Est-ce intelligent ? » et à commencer à demander « Peut-il produire davantage de la même chose, si bien que nous ne pouvons pas faire la différence ? ». Si la réponse est oui, alors, selon cette nouvelle définition, il est intelligent.

Résumé technique : Sur la définition de l'intelligence

Énoncé du problème
La quête de l'Intelligence Artificielle Générale (IAG) nécessite une définition de l'intelligence qui soit formelle, opérationnelle et indépendante de l'espèce. Les définitions existantes présentent des limites significatives :

Définitions orientées vers un but : Les définitions telles que celle de Legg et Hutter (mesurant la capacité d'un agent à atteindre des objectifs dans divers environnements) peinent à s'appliquer à des comportements dépourvus d'environnements clairs, de signaux de récompense ou d'objectifs bien définis (ex. : l'IA générative).
Définitions anthropocentrées et temporelles : Les approches comme le Test de Turing ou la définition d'Elaine Rich (l'IA consistant à faire faire aux ordinateurs des choses que les humains font actuellement mieux) sont soit limitées par la comparaison homme-machine, soit dépendantes du temps en fonction de la supériorité humaine actuelle.
Problèmes d'opérationnalisation : Les définitions psychologiques (ex. : celles de Wechsler) sont difficiles à opérationnaliser pour des systèmes non humains.

Il manque un cadre unifié capable d'évaluer les systèmes biologiques, artificiels et hybrides à travers divers paradigmes, incluant l'apprentissage par renforcement, les modèles génératifs, la classification et le raisonnement analogique, sans dépendre de descriptions vagues ou du jugement humain comme métrique unique.

Méthodologie
Le document propose une définition de l'intelligence fondée sur la fidélité générative et l'indistinguabilité des entités. La méthodologie repose sur les constructions formelles suivantes :

Espace conceptuel et fibres :
- Soit $U$ l'univers de toutes les entités concevables (points de données, produits, actions, concepts).
- Un espace conceptuel est défini comme une application surjective $\Phi: U \to K$ , où $K$ est l'ensemble des concepts.
- Pour un concept $k \in K$ , l'ensemble des entités exemplifiant ce concept est la « fibre » $C_k = \Phi^{-1}(k)$ .
Intelligence $\varepsilon$ -conceptuelle :
- Étant donné un multiensemble d'entités d'entrée $S \subseteq U$ appartenant à un concept $C_k$ , un agent est intelligent s'il peut générer un ensemble d'entités $\hat{S}$ qui exemplifie le même concept.
- Distinguateurs : Une famille de fonctions $F = \{f: U \to [0, 1]\}$ agit comme des distinguateurs pour tester la similitude entre $S$ et $\hat{S}$ .
- Score : Une fonction de score $\sigma$ agrège les sorties des distinguateurs sur un ensemble.
- Métrique : La métrique d'intelligence est définie comme la borne supérieure de la différence de scores entre l'ensemble original et l'ensemble généré à travers tous les distinguateurs :
  $\Delta^\sigma_F(S, \hat{S}) = \sup_{f \in F} |\sigma(\{f(x) : x \in S\}) - \sigma(\{f(x') : x' \in \hat{S}\})|$
- Définition : Un agent est $\varepsilon$ -intelligent par rapport au concept $k$ si $\Delta^\sigma_F(S, \hat{S}) \le \varepsilon$ . Cela implique que les entités générées sont indistinguables des entités originales dans une tolérance $\varepsilon$ par n'importe quel distinguateur admissible dans $F$ .
Cadre dynamique :
- Le document distingue la Capacité Synchrone (largeur de la génération d'entités de faible $\varepsilon$ pour un ensemble fixe de concepts à un instant $t$ ) et la Capacité Diachronique (la capacité à transférer la compétence d'un ensemble de concepts à un autre, mesurant ainsi l'apprentissage/l'adaptation).

Contributions clés

Définition formelle unifiée : Le document fournit une définition mathématique unique ( $\varepsilon$ -intelligence conceptuelle) qui englobe divers paradigmes de l'IA. Il traite l'intelligence non pas seulement comme une application abstraite ou une maximisation de but, mais fondamentalement comme la génération de nouvelles entités cohérentes avec un concept donné.
Unification des benchmarks existants : L'auteur démontre que les tests d'intelligence établis sont des cas particuliers de son cadre :
- Test de Turing : Émerge lorsque la fibre est l'ensemble des réponses linguistiques humaines et les distinguateurs sont des juges humains.
- C-Tests : Émergent lorsque la fibre consiste en des séquences possédant une complexité de Levin spécifique et que les distinguateurs vérifient l'explication minimale unique.
- Intelligence de Legg-Hutter : Émerge lorsque la fibre est l'ensemble des séquences de comportement maximisant la récompense attendue dans un environnement.
Découplage de l'intelligence, de l'apprentissage et de la conscience :
- La définition ne nécessite pas de conscience ; un solveur déterministe peut présenter une $\varepsilon$ -intelligence élevée sans être conscient.
- La définition ne nécessite pas strictement de capacité d'apprentissage ; un système statique qui génère systématiquement des sorties correctes pour un concept est intelligent dans ce domaine, bien que l'apprentissage se rapporte à la capacité diachronique (le changement de $\varepsilon$ au fil du temps).
Critères opérationnels : La définition satisfait trois desiderata :
- Opérationnelle : Mesurable via des sorties observables et l'indistinguabilité.
- Falsifiable : Les systèmes générant des sorties divergentes du concept sont identifiés comme ayant une faible intelligence.
- Généralisable : Applicable aux humains, aux machines et aux systèmes biologiques sans biais anthropocentrique.

Résultats et implications théoriques
Le document ne présente pas de nouvelles données expérimentales mais propose une dérivation théorique et des vérifications de cohérence logique :

Fidélité générative : Le cadre postule que l'intelligence est la capacité de générer des entités cohérentes avec un concept, même si les entités sont abstraites (ex. : générer une voiture étant donné un cheval comme exemple de « transport »).
Sécurité et qualité des données : L'auteur soutient que, puisque l'intelligence est définie par la fidélité à un concept, la sécurité et la fiabilité des sorties sont directement déterminées par la qualité des données d'entraînement (les entités initiales $S$ ). Le curatage de données synthétiques conformes à la sécurité à la source est présenté comme une méthode primaire pour atténuer les sorties nuisibles.
Généralisation : Le cadre soutient la généralisation à des concepts non vus. Si un nouvel espace conceptuel $K_B$ peut être injecté dans un espace connu $K_A$ via un foncteur complet, fidèle et essentiellement surjectif, les bornes d'intelligence (distinguateurs) peuvent être transportées, permettant théoriquement au système de gérer des problèmes inédits.

Signification et revendications
Le document prétend fournir un « étalon unique » pour comparer les systèmes biologiques, artificiels et hybrides. Sa signification réside dans :

Changement de paradigme : Passer de définitions orientées vers le but ou spécifiques à une tâche vers un modèle de fidélité générative.
Fondation de l'IAG : Offrir une définition de base suffisamment générale pour englober divers paradigmes (RL, LLM, raisonnement analogique) tout en restant testable.
Directions futures : L'auteur suggère que le cadre peut être davantage affiné en utilisant la Théorie des Catégories, où les concepts sont des objets et la généralisation est modélisée par des foncteurs. Il note également que des travaux ultérieurs élargiront cela en un cadre mathématique basé sur des champs de similitude dirigés et des opérateurs génératifs.

L'auteur maintient une position modeste, présentant cela comme une « définition minimale et fondamentale » destinée à servir de base théorique pour des raffinements futurs et une validation empirique, plutôt que comme une théorie exhaustive et finale de l'intelligence.