Semantic Information Beyond Shannon: Meaning,Coherence, and Agency in Experiential Systems

Imaginez que vous vous tenez dans une pièce remplie de friture radio. Pour une machine qui ne fait que compter les signaux, cette statique est un véritable trésor d'informations. C'est chaotique, imprévisible et plein de « bits ». Mais pour vos oreilles, ce n'est que du bruit. Maintenant, imaginez qu'un ami murmure votre nom dans cette même statique. Soudain, ce son minuscule et discret devient la chose la plus importante de l'univers. Il capte votre attention, change votre humeur et vous dit exactement quoi faire ensuite. C'est le casse-tête qui hante les scientifiques depuis des décennies : comment un signal passe-t-il de la simple donnée à la signification ?

Pendant longtemps, la référence pour comprendre l'information a été une théorie appelée l'Information de Shannon. Voyez cela comme un service postal hyper efficace. Il se soucie uniquement du nombre de lettres que vous pouvez envoyer, de la vitesse à laquelle elles voyagent et de la probabilité qu'elles se perdent dans le courrier. Il ne se soucie pas de savoir si la lettre dit « Je t'aime » ou « Le ciel est vert ». Pour le service postal, les deux ne sont que des suites de symboles. Cela fonctionne parfaitement pour envoyer des SMS ou diffuser des vidéos en streaming, mais cela se heurte à un mur lorsque nous essayons de comprendre les êtres vivants. Un cerveau n'est pas un service postal ; c'est une ville bouillonnante où chaque signal est un feu de signalisation, une sirène d'alarme ou une carte. Si nous ne faisons que compter les bits, nous passons à côté de l'essentiel : pourquoi le cerveau est-il en pleine effervescence. Cet article pose une question simple mais profonde : qu'est-ce qui fait qu'un signal importe au système qui le reçoit ?

Les auteurs de cet article, une équipe de l'Institut indien de technologie de Mandi et du centre de recherche IKS, proposent une nouvelle façon de voir les choses. Ils suggèrent que la signification n'est pas quelque chose que l'on ajoute à l'information plus tard, comme si l'on saupoudrait un gâteau de sucre. Au contraire, la signification est un type spécial de « ajustement » ou de « couplage » qui se produit à l'intérieur même du système. Ils appellent cela le Couplage Signification–Expérience (MEC).

Pour comprendre leur idée, imaginez un danseur et une musique. La musique (l'information) possède un rythme et une structure. Le danseur (l'agent) a un style, un objectif et une manière de bouger. Si le danseur reste immobile pendant que la musique joue, il n'y a pas de danse, seulement du son. Si le danseur bouge de manière aléatoire, il y a du mouvement, mais pas de danse. Mais quand les mouvements du danseur correspondent parfaitement au rythme et à l'intention du danseur d'exprimer une histoire, c'est là que la magie opère. L'article soutient que l'information sémantique (la signification) est précisément cette « danse » entre ce que le système expérimente et ce que le système essaient de faire.

L'article introduit une formule pour mesurer cette « danse », écrite sous la forme SI = g(R, A).

• R représente l'Organisation Représentationnelle. C'est la façon dont le système trie le monde. C'est la liste des choses que le système remarque, comme une carte de la pièce ou une liste de sons.
• A représente l'Alignement Agentif. C'est la « posture » ou l'« objectif » du système. C'est ce que le système essaie d'accomplir, comme « trouver la sortie », « éviter le danger » ou « trouver de la nourriture ».
• g est la fonction qui mesure à quel point la carte (R) s'ajuste à l'objectif (A).

Les auteurs suggèrent que si votre carte est parfaite mais que vous n'avez aucun objectif, vous n'avez aucune signification. Si vous avez un objectif fort mais aucune carte pour vous guider, vous n'avez pas non plus de signification. La signification n'existe que lorsque les deux sont verrouillés ensemble.

Pour prouver qu'il ne s'agit pas seulement d'une rêverie philosophique, les auteurs ont construit une simple simulation informatique, qu'ils appellent un « modèle de jouet ». Ils ont créé un petit agent numérique doté de trois sens (un indice spatial, un motif de bord et une tonalité ambiante) et de trois objectifs possibles (navigation, recherche de point de repère ou simple écoute de l'arrière-plan).

Dans leur simulation, ils ont gardé les sens de l'agent exactement les mêmes tout en changeant son objectif.

• Lorsque l'objectif de l'agent était la Navigation, l'« indice spatial » est devenu extrêmement significatif. Le score d'information sémantique a bondi à environ 0,433.
• Lorsque l'objectif de l'agent est passé à la Surveillance de l'Arrière-plan, ce même indice spatial est devenu presque inutile. Le score est tombé à environ 0,317.
• La « signification » du signal a changé d'environ 27 % simplement parce que l'attention de l'agent a changé, alors même que le signal lui-même n'avait pas changé du tout.

Cette simulation montre que la signification n'est pas une propriété fixe d'un signal. C'est une relation. Un signal peut être lourd de données mais vide de sens s'il ne se connecte pas à ce que le système est en train de faire. Inversement, un signal minuscule et ténu peut être chargé de sens s'il est exactement ce dont le système a besoin en ce moment.

L'article explore également ce qui se passe lorsque cette « danse » se brise. Ils décrivent trois façons dont la signification peut échouer :

1. La Fragmentation : Le système voit trop de choses mais ne parvient pas à les connecter à un objectif. C'est comme être dans une pièce bondée où tout le monde crie, et vous ne parvenez à entendre aucune conversation.
2. La Rigidité : Le système continue de faire la même chose même quand le monde a changé. C'est comme un GPS qui continue de vous dire de tourner à gauche dans un mur parce qu'il n'a pas mis à jour sa carte.
3. Le Désalignement : Le signal est clair, mais l'objectif est mauvais. C'est comme entendre une alarme incendie alors que vous essayez de dormir ; le son est clair, mais votre objectif actuel (dormir) rend le signal confus ou ignoré jusqu'à ce que vous réalisiez le danger.

Les auteurs précisent bien qu'ils ne résolvent pas le « problème difficile » de la conscience (pourquoi nous ressentons quoi que ce soit). Ils ne disent pas que cette formule nous dira si un robot est véritablement « vivant » ou s'il « ressent ». Ils proposent plutôt un nouvel outil pour décrire comment un système organise son monde. Ils soutiennent que les théories précédentes tentaient de trouver la signification dans le signal lui-même (en vérifiant s'il est vrai) ou dans le monde extérieur (en vérifiant s'il aide à survivre). Cet article suggère que nous devrions regarder à l'intérieur du système pour voir comment sa carte interne et ses objectifs internes dansent ensemble.

L'équipe admet qu'il ne s'agit que d'une première étape. Leur formule est une « somme pondérée », ce qui est une façon simple d'additionner les choses, mais ils montrent que des versions plus complexes (utilisant ce qu'on appelle une « famille de moyennes de puissance ») pourraient également fonctionner. Ils suggèrent qu'à l'avenir, les scientifiques pourraient utiliser cette idée pour tester l'intelligence artificielle. Si un robot possède une excellente carte interne mais que ses objectifs ne sont que des nombres aléatoires programmés par un humain, il pourrait avoir une grande quantité de « données » mais une signification nulle. Mais si les objectifs du robot et sa carte sont véritablement couplés — s'il essaie réellement de résoudre un problème en utilisant sa propre compréhension — alors il pourrait être sur la voie de ce que nous pourrions appeler la compréhension sémantique.

En résumé, cet article suggère que la signification n'est pas une chose que l'on trouve ; c'est une chose que l'on fait. C'est la relation active et dynamique entre ce que vous savez et ce que vous essayez d'accomplir. Quand ces deux lignes se croisent, l'information cesse d'être un simple bruit pour devenir une histoire.