🤖 AI

Plausible Reasoning and First-Order Plausible Logic

Cet article présente la logique plausible (PL), un système de logique du premier ordre non probabiliste fondé sur 17 principes qui permet de raisonner de manière déféasible à partir de faits et de statements plausibles, et qui est décrit comme le seul système à satisfaire la quasi-totalité des principes souhaités tout en traitant correctement divers exemples.

Auteurs originaux : David Billington

Publié 2026-04-22

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : David Billington

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

Imagine que vous êtes un détective privé dans une ville où les faits sont clairs, mais où la plupart des indices sont des rumeurs, des suppositions ou des « probablement ». C'est exactement le défi que relève David Billington dans son article sur le Raisonnement Plausible et la Logique Plausible.

Voici une explication simple de ce travail complexe, imagée et en français.

1. Le Problème : La vie n'est pas une équation mathématique

Dans les mathématiques classiques (la logique traditionnelle), tout est noir ou blanc. Si A est vrai, alors B est vrai. Pas de demi-teinte. Mais dans la vraie vie, c'est différent.

Exemple : « Les oiseaux volent » est généralement vrai. Mais un pingouin est un oiseau qui ne vole pas.
Le défi : Comment créer un système logique qui accepte que quelque chose soit « généralement vrai » sans pour autant être une certitude absolue, et qui sait se rétracter quand on apprend une nouvelle information (comme l'existence du pingouin) ?

Billington dit : « Arrêtons d'utiliser des nombres et des probabilités (comme 75 % de chances). Utilisons plutôt le bon sens et des règles de priorité. »

2. Les Règles du Jeu : 17 Principes pour un bon détective

L'auteur propose 17 principes (règles) que toute bonne logique de ce type doit respecter. On peut les voir comme les règles d'un jeu de société très sophistiqué.

Voici quelques-unes des plus importantes, expliquées avec des métaphores :

La Distinction (Principe de Représentation) : Il faut savoir distinguer un fait (une photo prise) d'une rumeur (un commérage). On ne peut pas traiter les deux de la même façon.
La Non-Monotonie (Le principe de la rétractation) : C'est le plus important. Dans la logique classique, si vous ajoutez une information, vous ne pouvez jamais perdre une conclusion. Dans la vie réelle, c'est l'inverse.
- Analogie : Vous pensez que « Nancy est un céphalopode, donc elle n'a probablement pas de coquille ». C'est une conclusion logique. Mais si vous apprenez ensuite que « Nancy est un nautile » (un céphalopode qui a une coquille), votre conclusion précédente tombe à l'eau. La logique doit être capable de dire : « Oups, j'avais tort, je me rétracte ».
Le Paradoxe du Conjonctif (Le principe du « et ») : Si « il pleut » est probable et que « je suis dehors » est probable, cela ne veut pas dire que « il pleut ET je suis dehors » est probable. Parfois, deux probabilités mises ensemble deviennent impossibles. La logique doit le comprendre.
L'Ambiguïté (Le dilemme du juge) : Parfois, les preuves pour et contre sont égales.
- Scénario : Vous avez deux témoins qui se contredisent.
- Option A (Bloquer l'ambiguïté) : Comme dans un procès civil (« la balance des probabilités »), vous décidez qui a le plus de poids et vous tranchez.
- Option B (Propager l'ambiguïté) : Comme dans un procès pénal (« au-delà de tout doute raisonnable »), vous dites : « Je ne peux pas décider, il y a trop de doute ».
- Billington dit qu'une bonne logique doit pouvoir faire les deux selon le contexte.

3. La Solution : La Logique Plausible (PL)

Billington a créé un nouveau système appelé Logique Plausible (PL). Imaginez-le comme un chef d'orchestre qui dirige 8 musiciens différents (8 algorithmes de raisonnement).

Pourquoi 8 ? Parce que selon la situation, vous avez besoin de différents niveaux de prudence :

Le Facteur (φ) : Il ne parle que des faits absolus. Zéro erreur, mais très peu d'informations.
Le Prudent (π) : Il est très méfiant. Il ne conclut rien tant qu'il n'est pas sûr à 100 % qu'il n'y a pas de contre-argument. C'est le niveau « au-delà de tout doute raisonnable ».
Le Confiant (β) : Il est plus optimiste. Il conclut si les preuves sont en sa faveur, même s'il y a un petit doute. C'est le niveau « balance des probabilités ».
Et 4 autres variantes pour gérer les cas intermédiaires.

Ces 8 algorithmes forment une hiérarchie. Si le plus prudent ne peut pas conclure, on essaie le suivant, et ainsi de suite, jusqu'à trouver une réponse qui a du sens.

4. Comment ça marche ? (L'Arbre de la Vérité)

Pour prouver quelque chose, le système ne fait pas une simple liste de calculs. Il construit un arbre (un diagramme qui part d'un tronc et se divise en branches).

Chaque branche représente une règle ou un indice.
Si une branche mène à une contradiction ou à un cercle vicieux (une boucle infinie), l'arbre s'arrête là.
Le système explore toutes les branches possibles pour voir si la conclusion tient bon.

C'est comme explorer une grotte : vous avancez, si vous tombez sur un mur (une preuve contre), vous rebroussez chemin. Si vous trouvez un chemin clair, vous arrivez à la conclusion.

5. Pourquoi c'est génial ?

Avant ce travail, il n'y avait pas de système unique qui pouvait gérer tous ces cas complexes (les faits, les rumeurs, les contradictions, les doutes) sans utiliser des mathématiques lourdes (comme les probabilités statistiques).

La Logique Plausible est comme un couteau suisse du bon sens. Elle permet à une intelligence artificielle (ou à un humain) de :

Raisonner avec des informations incomplètes.
Changer d'avis intelligemment quand on apprend du nouveau.
Gérer les situations où la réponse n'est ni « oui » ni « non », mais « probablement oui » ou « on ne sait pas ».

En résumé

David Billington nous dit : « La vie est remplie de "probablement" et de "généralement". Notre logique doit arrêter de faire comme si tout était certain. Elle doit apprendre à naviguer dans le brouillard, à savoir quand trancher et quand rester prudent, et à savoir quand se rétracter sans perdre la face. »

C'est une boîte à outils pour penser comme un humain, avec toutes nos nuances et nos doutes, mais avec la rigueur d'un ordinateur.

1. Problématique

Le raisonnement plausible (ou defeasible reasoning) traite de situations où les informations sont imprécises, souvent exprimées par des termes comme « généralement », « probablement » ou « typiquement ». Contrairement aux probabilités numériques, ce type de raisonnement ne repose pas sur des valeurs chiffrées mais sur un poids d'évidence.

Le problème central abordé par l'auteur est l'absence d'une logique formelle unifiée capable de :

Distinguer rigoureusement les faits (vérités certaines) des énoncés plausibles.
Gérer la non-monotonie (l'ajout d'information peut invalider une conclusion précédente).
Traiter les ambiguïtés (quand il existe des preuves pour et contre une proposition).
Satisfaire un ensemble cohérent de principes logiques nécessaires et souhaitables, tout en évitant les boucles infinies dans les algorithmes de preuve.

Les logiques existantes (comme la logique par défaut de Reiter) échouent souvent à satisfaire simultanément tous les critères intuitifs du raisonnement plausible, notamment concernant la cohérence, la gestion des conjonctions/disjonctions et la propagation de l'ambiguïté.

2. Méthodologie

L'auteur adopte une approche structurée en plusieurs étapes :

Définition des Principes : L'article énonce 17 principes fondamentaux pour les logiques de raisonnement plausible.
- 14 principes nécessaires : Incluent la distinction fait/plausible, la non-monotonie, la non-conjonctivité (la conjonction de deux plausibles n'est pas nécessairement plausible), la cohérence forte (2-consistance), et la capacité à gérer l'ambiguïté.
- 3 principes souhaitables : Incluent la décidabilité (termination) et l'absence de boucles.
Modélisation Mathématique :
- Utilisation de graphes acycliques enracinés (rad) pour représenter les preuves, permettant des structures de preuve complexes et potentiellement infinies (mais finies par chemin).
- Définition d'une description plausible (plausible-description) $D = (Ax, R, >)$, composée d'axiomes (faits), d'un ensemble de règles (strictes, déféables, et d'avertissement) et d'une relation de priorité.
Conception Algorithmique :
- Développement d'une logique du premier ordre appelée Logique Plausible (PL).
- Définition de 8 algorithmes de preuve distincts ( $\phi, \pi, \psi, \theta, \theta', \beta, \psi', \pi'$ ) organisés en une hiérarchie linéaire. Ces algorithmes varient selon leur stratégie de gestion de l'ambiguïté (blocage ou propagation) et leur niveau de confiance.
- Introduction d'une fonction de preuve $P$ et d'une fonction d'évaluation de vérité $V$ à 4 valeurs ( $t$ : généralement vrai, $f$ : généralement faux, $a$ : ambigu, $u$ : indéterminé).

3. Contributions Clés

A. Les 17 Principes du Raisonnement Plausible

L'article formalise ce qui constitue un raisonnement plausible correct. Parmi les contributions majeures :

Principe de Représentation : Nécessité de distinguer syntaxiquement les faits des plausibles.
Principe de Non-Conjonctivité : La conjonction de deux énoncés plausibles n'est pas toujours plausible (ex: dans un tirage au sort, "ce n'est pas 1" et "ce n'est pas 2" sont plausibles, mais leur conjonction "ce n'est ni 1 ni 2" peut ne pas l'être si le nombre 3 est exclu).
Principe de Non-Monotonie : L'ajout de preuves contre une hypothèse doit pouvoir rétracter une conclusion antérieure.
Principe de l'Inclus du Milieu : Une logique plausible doit avoir au moins 3 valeurs de vérité (vrai, faux, et un état intermédiaire comme "ambigu" ou "indéterminé").

B. La Logique Plausible (PL)

PL est définie comme la seule logique (à la connaissance de l'auteur) satisfaisant tous les principes nécessaires et la majorité des principes souhaitables.

Types de règles :
- Strictes ( $\to$ ) : Implication matérielle classique.
- Déféables ( $\Rightarrow$ ) : Règles par défaut (ex: "Les oiseaux volent généralement").
- D'avertissement ( $;$ ) : Règles qui préviennent contre une conclusion sans nécessairement prouver le contraire (ex: "Un oiseau effrayé pourrait ne pas voler", empêchant la conclusion "il vole" sans prouver "il ne vole pas").
Hiérarchie des Algorithmes :
- $\phi$ : Preuve factuelle (certaine).
- $\pi, \psi, \theta, \beta$ : Algorithmes plausibles avec différents niveaux de confiance et de gestion de l'ambiguïté.
- $\pi$ (propagateur d'ambiguïté) et $\beta$ (bloqueur d'ambiguïté) représentent des extrêmes dans le traitement des conflits d'information.
- La hiérarchie permet de choisir le niveau de rigueur adapté au contexte (ex: droit civil vs droit pénal).

C. Sémantique et Preuves

Preuves comme RAD : Une preuve en PL n'est pas une séquence linéaire mais un graphe acyclique enraciné, capable de modéliser des dépendances complexes et des boucles potentielles (gérées par des historiques de preuve).
Théorie de la Vérité : Définition d'une fonction de vérité $V$ à 4 valeurs qui mappe les résultats des algorithmes de preuve vers des états sémantiques, respectant le principe de l'Inclus du Milieu.

4. Résultats

Satisfaction des Principes : PL satisfait les 14 principes nécessaires. Elle satisfait 2 des 3 principes souhaitables (elle est cohérente et gère les boucles via les historiques), mais échoue sur un principe de décidabilité stricte dans certains cas infinis (bien que les preuves soient finies par chemin).
Cohérence et Consistance : Les algorithmes de PL sont prouvés comme étant cohérents (une formule ne peut être ni prouvée ni réfutée simultanément par le même algorithme) et fortement 2-consistants (la conjonction de deux formules prouvées est satisfaisable avec les faits).
Exemples Validés : L'auteur démontre que PL résout correctement des exemples classiques de raisonnement plausible (ex: le paradoxe du tirage au sort, le puzzle de l'ambiguïté avec les céphalopodes, les loteries) là où d'autres logiques échouent.
Hiérarchie Linéaire : La relation d'inclusion entre les ensembles de formules prouvables par les différents algorithmes ( $D(\phi) \subseteq D(\pi) \subseteq \dots \subseteq D(\beta)$ ) est établie, offrant des niveaux de confiance graduels.

5. Signification et Impact

Cet article est une contribution fondamentale à l'intelligence artificielle et à la logique non monotone.

Unicité : L'auteur affirme que PL est la seule logique connue à satisfaire l'ensemble complet de ces principes formels tout en traitant correctement des exemples complexes.
Flexibilité Pragmatique : La présence de 8 algorithmes permet d'adapter le système de raisonnement à des contextes réels où le coût de l'erreur varie (ex: un algorithme "bloqueur d'ambiguïté" pour les décisions civiles, un "propagateur" pour les décisions pénales).
Fondation Théorique : En formalisant le raisonnement plausible sans nombres (sans probabilités), l'article offre une alternative robuste aux approches bayésiennes pour les systèmes où les données quantitatives sont absentes mais où le raisonnement qualitatif est crucial.
Structure de Preuve : L'utilisation de graphes acycliques enracinés (RAD) pour les preuves offre un nouveau paradigme pour visualiser et analyser la complexité du raisonnement non monotone.

En résumé, David Billington propose une architecture logique complète, Plausible Logic (PL), qui formalise rigoureusement le bon sens humain face à l'incertitude, en résolvant des paradoxes logiques et en fournissant des outils mathématiques pour gérer l'ambiguïté et la non-monotonie de manière structurée.