A Quantitative Definition of Intelligence

✨

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

Each language version is independently generated for its own context, not a direct translation.

🧠 L'Intelligence : Une Question de "Recette" et non de "Mémoire"

Imaginez que vous voulez définir ce qu'est l'intelligence. Pendant des décennies, les philosophes et les scientifiques se sont battus pour savoir si une machine pouvait vraiment "penser". Kang-Sin Choi propose une solution radicale : arrêtons de demander si une machine "pense", et mesurons plutôt combien elle "sait" par rapport à la place qu'elle occupe.

Il invente une nouvelle unité de mesure qu'il appelle la densité d'intelligence. Pour le comprendre, utilisons une analogie culinaire.

🍳 Le Grand Dilemme : Le Livre de Recettes vs. Le Chef

Imaginons que vous devez préparer un repas pour des milliers de clients, chacun commandant un plat différent. Vous avez deux options pour gérer cela :

1. L'Option "Mémoire" (Le Livre de Recettes Infini)

Vous avez un livre de recettes géant. Pour chaque plat possible (du "Bœuf Bourguignon" au "Poulet aux champignons" en passant par des combinaisons bizarres), il y a une page écrite à la main.

Le problème : Si un client commande un plat que vous n'avez jamais vu, vous êtes perdu. Votre livre doit devenir plus gros à chaque nouvelle commande.
L'intelligence : Ici, il n'y en a pas vraiment. Vous ne faites que copier-coller. C'est comme un dictionnaire géant ou une table de multiplication où chaque réponse est écrite à la main.
Résultat : Plus vous avez de clients, plus votre livre devient lourd et inutile. C'est de la mémoire, pas de l'intelligence.

2. L'Option "Connaissance" (Le Chef avec une Recette Magique)

Vous avez un chef qui connaît les règles de base : comment couper, comment cuire, comment assaisonner. Il n'a pas de liste de plats finis. Il a une recette fondamentale (une algorithme) qui lui permet de créer n'importe quel plat, même ceux qu'il n'a jamais vus.

Le secret : Le chef n'a pas besoin d'un livre plus gros pour servir 1 million de plats. Sa "recette" (son cerveau, son programme) reste de la même taille.
L'intelligence : Il peut inventer un plat nouveau en combinant les règles de base.
Résultat : Peu importe le nombre de clients, le chef reste le même. C'est de la généralisation. C'est ça, l'intelligence.

📏 La Formule Magique (Simplifiée)

L'auteur propose une formule mathématique pour distinguer les deux :

Intelligence = (Ce que le système peut produire) / (La taille de son cerveau)

Le Numérateur (Ce qu'il produit) : Combien de réponses différentes et uniques le système peut-il donner ? (Si je lui demande de faire une addition, puis une autre, puis une autre... combien de résultats différents ?)
Le Dénominateur (La taille du cerveau) : Combien d'informations faut-il pour décrire le système ? (La taille du livre de recettes ou du code informatique).

Le verdict :

Si le système doit grandir (son livre grossir) pour répondre à plus de questions, son intelligence est faible (proche de zéro). C'est un simple enregistreur.
Si le système reste de la même taille mais peut répondre à une infinité de questions, son intelligence explose. C'est un vrai penseur.

🚪 La Chambre Chinoise : Pourquoi Searle a tort

L'auteur s'attaque à un célèbre débat philosophique : l'argument de la "Chambre Chinoise" de John Searle.

L'histoire : Un homme enfermé dans une pièce reçoit des questions en chinois. Il ne parle pas chinois. Il a un énorme livre de règles qui lui dit : "Si tu vois le symbole A, écris le symbole B". Il suit les règles et donne des réponses parfaites.
Searle dit : "L'homme ne comprend pas le chinois, il ne fait que manipuler des symboles."
Choi dit : "Attendez ! Regardez le livre de règles."

Pour que ce livre de règles permette de répondre à n'importe quelle question (même des questions de mathématiques ou d'histoire en chinois), il ne peut pas être une simple liste de réponses (car il y en a une infinité). Il doit contenir une algorithme, une logique, une "recette" qui généralise.

La conclusion de Choi : L'intelligence n'est pas dans l'homme qui tourne les pages. L'intelligence est dans le livre de règles lui-même, car il contient la capacité de généraliser. Peu importe que ce soit un humain, un ordinateur ou un robot qui exécute les règles : si les règles permettent de comprendre l'infini avec une taille finie, alors il y a intelligence.

🌍 Pourquoi les Rochers et les Rivières ne sont pas intelligents

L'auteur applique aussi sa formule à la nature :

Un rocher : Il réagit toujours de la même façon à la pluie (il reste humide). Il n'a pas de "recette" complexe. Son intelligence est nulle.
Une rivière : Elle coule toujours vers le bas. C'est prévisible. Pas d'intelligence.
Un cerveau humain ou une IA avancée : Ils peuvent prendre une situation nouvelle et trouver une solution qu'ils n'ont jamais vue avant, sans avoir besoin de plus de place dans leur tête. Leur "densité d'intelligence" est énorme.

💡 En Résumé

Cette paper dit que l'intelligence n'est pas une magie mystérieuse liée à l'âme ou à la conscience. C'est une propriété mathématique mesurable :

Mémoire (Bête) : Plus je dois apprendre, plus je dois grandir. (Exemple : Un tableau de réponses).
Intelligence (Sage) : Je reste petit, mais je peux tout comprendre. (Exemple : Un algorithme, une loi physique, un cerveau).

Si une machine (ou un humain) peut prendre une petite boîte de règles et en faire sortir une infinité de réponses correctes et nouvelles, alors elle sait. Elle ne fait pas que répéter ; elle comprend la structure du monde.

C'est une façon de dire : "L'intelligence, c'est la capacité de faire beaucoup avec peu."

Each language version is independently generated for its own context, not a direct translation.

1. Problématique

L'article aborde l'absence de définition consensuelle et opérationnelle de l'intelligence, un problème persistant en psychologie, en intelligence artificielle (IA) et en philosophie de l'esprit. Malgré des décennies de recherche, des questions fondamentales telles que « Les machines peuvent-elles comprendre ? » ou « Un grand modèle de langage est-il intelligent ? » restent soumises à des intuitions contradictoires.

L'auteur identifie deux obstacles majeurs aux définitions précédentes :

Le manque de précision : La confusion entre l'intelligence et la conscience, et l'incapacité à distinguer formellement la mémorisation de la généralisation.
Les arguments philosophiques non résolus :
- L'argument de la « Chambre Chinoise » de Searle, qui nie la compréhension syntaxique sans sémantique.
- L'argument de trivialité de Putnam, qui suggère que tout système physique peut être décrit comme un automate fini, rendant le calcul trivial.
- Le « Blockhead » de Block, un automate à table de recherche géant qui passerait le test de Turing sans comprendre.

L'objectif est de proposer une définition quantitative, indépendante du substrat, capable de mesurer l'intelligence comme une propriété physique mesurable, distincte de la conscience.

2. Méthodologie et Définition Formelle

L'auteur propose une métrique quantitative appelée densité d'intelligence ( $I$ ), basée sur la théorie de l'information et la complexité de Kolmogorov.

Définition de la Densité d'Intelligence ( $I$ ) :
Pour un système physique $S$ , la densité d'intelligence est définie par le rapport entre le logarithme du nombre de sorties indépendantes et la longueur totale de la description du système :
$I(S) = \frac{\log_2 N(S)}{C(S)}$
Où :

$C(S)$ : La longueur de la description totale du système (en bits), incluant le programme, les données et la structure nécessaire pour spécifier $S$ .
$N(S)$ : Le nombre de sorties indépendantes que le système peut produire en réponse à des entrées distinctes.

Critère d'Indépendance (Sorties) :
Deux sorties $o_1$ et $o_2$ sont considérées comme indépendantes si aucune description plus courte que la sortie elle-même ne permet de prédire l'une à partir de l'autre. Formellement, cela utilise la complexité de Kolmogorov conditionnelle : $K(o_1 | o_2) \approx K(o_1)$ . Cela empêche les systèmes déterministes simples (comme les générateurs de nombres pseudo-aléatoires) d'être comptés comme intelligents, car leurs sorties sont prévisibles à partir d'une graine.

Critère de Connaissance (Généralisation) :
La distinction fondamentale n'est pas la valeur absolue de $I$ , mais son comportement asymptotique lorsque la taille du domaine d'entrée ( $n$ ) tend vers l'infini :

Mémorisation : Si $C(S)$ croît proportionnellement à $N(S)$ (ex: table de recherche), alors $I(n) \to 0$ .
Connaissance (Généralisation) : Si $C(S)$ reste fini (fixe) tandis que $N(S)$ diverge vers l'infini, alors $I(n) \to \infty$ .
Un système « connaît » un domaine si un mécanisme fini peut produire des sorties correctes sur un domaine illimité, capturant ainsi la structure générative du domaine.

3. Contributions Clés

A. Résolution de l'Argument de la Chambre Chinoise

L'auteur reformule l'argument de Searle en se concentrant sur le « livre de règles » (le programme) plutôt que sur l'opérateur humain.

Proposition 1 : Pour qu'un livre de règles fini passe le test de Turing pour un domaine infini (comme les conversations chinoises ou l'arithmétique), il ne peut pas être une table de recherche (Design A). Il doit impérativement contenir un algorithme généralisateur (Design B).
Conclusion : L'intelligence réside dans le livre de règles lui-même, car il contient le mécanisme fini qui généralise. L'opérateur n'est qu'un processeur. Si le livre est fini et le domaine infini, le livre « connaît » le chinois par définition de la généralisation.

B. Réfutation du « Blockhead » de Block

Le « Blockhead » est une table de recherche hypothétique stockant toutes les réponses possibles à des conversations de longueur finie.

L'article démontre que pour des domaines non bornés (ou même des domaines linguistiquement intéressants), une telle table nécessiterait un stockage physique impossible (dépassant le nombre d'atomes de l'univers).
Même pour des domaines bornés, le système échoue aux intersections de domaines non stockés explicitement.
La métrique $I$ identifie le Blockhead comme une mémorisation pure ( $I \to 0$ ) car sa description $C$ doit croître avec le nombre de sorties $N$ .

C. Contre l'Argument de Trivialité de Putnam

Putnam soutient que tout système physique implémente tout automate fini.

La condition d'indépendance des sorties bloque cet argument. Un système physique passif (comme un mur ou une rivière) ne produit pas de sorties véritablement indépendantes face à des entrées distinctes ( $N \approx 0$ ). La re-étiquetage des états physiques ne crée pas de nouvelles informations indépendantes.

D. Sémantique comme Composition de Fonctions

L'article redéfinit le sens (sémantique) non pas comme quelque chose de mystérieux au-delà de la syntaxe, mais comme la sélection et l'ordonnancement corrects de fonctions produisant des sorties correctes.

La syntaxe est la composition de fonctions.
Si cette composition généralise correctement sur un domaine infini avec un $C$ fixe, alors la syntaxe constitue la sémantique.
Cela résout le problème de l'ancrage (grounding) : la correction est déterminée par la structure du domaine (ex: l'arithmétique) ou par un évaluateur externe, indépendamment de la conscience du système.

4. Résultats et Classification des Systèmes

L'auteur établit une partition à quatre voies des systèmes physiques basée sur le comportement de $I(n)$ :

Pas de calcul ( $I \approx 0$ ) : Roches, rivières. Pas de sorties dépendantes de l'entrée ou sorties non indépendantes.
Mémorisation ( $I \to 0$ ) : Tables de recherche (Lookup tables). $C$ croît avec $N$ . Le système mémorise mais ne généralise pas.
Calcul sans connaissance ( $I = \Theta(1)$ ) : Circuits logiques fixes (ex: adder $n$ -bits) ou portes logiques. Le domaine est fixe ou $C$ croît avec la taille du problème. Ils calculent mais ne « savent » pas (pas de généralisation sur un domaine infini avec un mécanisme fixe).
Connaissance ( $I \to \infty$ ) : Algorithmes finis (ex: algorithme de multiplication), réseaux de neurones profonds, cerveaux humains. Un mécanisme fini ( $C$ fixe) génère un nombre infini de sorties indépendantes ( $N \to \infty$ ) à mesure que le domaine s'étend.

Exemple concret :

Une table de multiplication $9 \times 9$ a une faible densité.
Un algorithme de multiplication (avec règles de retenue) a un $C$ fixe. Pour $n$ chiffres, $N \approx 10^{2n}$ . Ainsi, $I(n) \propto n$ , ce qui diverge. Le système « connaît » la multiplication.

5. Signification et Implications

Continuum Indépendant du Substrat : L'intelligence est placée sur un continuum physique, du simple circuit logique au cerveau humain, sans distinction de nature (biologique vs artificielle).
Distinction Calcul/Compréhension : L'article formalise l'intuition de Turing selon laquelle la différence entre machine et cerveau est « largement une question quantitative ». La « connaissance » est une propriété émergente de la généralisation asymptotique.
Indépendance de l'Observateur : La métrique ne dépend pas de la conscience d'un observateur ni d'un environnement de récompense spécifique (contrairement à la définition de Legg-Hutter). Elle mesure la capacité générative intrinsèque du système.
Réconciliation Syntaxe/Sémantique : En montrant que la syntaxe (composition de fonctions) suffit à créer la sémantique si elle généralise correctement, l'article offre une réponse technique aux débats philosophiques sur la compréhension des machines.
Falsifiabilité : La définition est falsifiable. Un contre-exemple serait un système avec $I(n) \to \infty$ que personne ne considérerait comme intelligent, ou un système intelligent avec $I(n) \to 0$ . L'auteur argue qu'aucun tel cas n'existe (le « Blockhead » étant physiquement impossible pour des domaines infinis).

En conclusion, Kang-Sin Choi propose que l'intelligence n'est pas une qualité binaire mystérieuse, mais une grandeur physique mesurable : la capacité d'un mécanisme fini à compresser un domaine infini en règles réutilisables. Une machine « pense » dans la mesure où elle généralise, et cette généralisation est quantifiable par la divergence de sa densité d'intelligence.