IA neurosymbolique : la mise à niveau du « système 2 »

La tromperie la plus dangereuse en matière d’intelligence artificielle est la croyance selon laquelle « l’échelle est tout ce dont vous avez besoin ».

Au cours des trois dernières années, l’hypothèse consensuelle était que si les laboratoires de modélisation se contentaient d’alimenter les architectures avec plus de texte et de manière exponentielle avec plus de calcul, les systèmes finiraient par maîtriser les lois de la physique et de la logique. L’hypothèse était simple : le raisonnement n’est qu’un sous-produit de la complexité du langage.

Cette hypothèse est bancale.

Bien que GPT-4 et ses successeurs puissent composer des sonnets shakespeariens sur les fours grille-pain, ils ont toujours du mal à résoudre des énigmes logiques de base en plusieurs étapes qu’un élève de cinquième année résoudrait en quelques secondes. Ils hallucinent les citations, échouent en toute confiance en arithmétique et on ne peut pas leur faire confiance pour exécuter des flux de travail autonomes sans supervision humaine.

Le lauréat du prix Nobel Daniel Kahneman a défini deux modes cognitifs. La première est rapide et instinctive. La seconde est lente et logique. Les modèles génératifs contemporains s’appuient exclusivement sur le premier mode. Ce sont des comparateurs de modèles probabilistes, prédisant le mot suivant sur la base d’une probabilité statistique plutôt que d’une vérification.

Pour créer des agents capables d’effectuer un travail réel, comme gérer des comptes bancaires, concevoir des infrastructures ou diagnostiquer des maladies, l’industrie doit débloquer le deuxième mode : le raisonnement lent, délibératif et logique.

Entrez IA neurosymbolique.

La promesse non tenue des réseaux de neurones purs

Pour comprendre pourquoi ce changement se produit, il est nécessaire d’examiner les échecs du paradigme actuel.

Le problème de la « fraise »

Demandez à un LLM standard de compter le nombre de « r » dans le mot « fraise ». Pour un humain, c’est trivial. Pour un LLM, c’est étonnamment difficile. Ce n’est pas parce que le modèle est « stupide », mais à cause de la tokénisation. Le modèle ne voit pas les lettres « s-t-r-a-w… » ; il voit un seul jeton entier représentant le concept « fraise ». Il ne peut littéralement pas « voir » les lettres à l’intérieur du jeton sans le décomposer, ce qui nécessite une étape logique qu’il est fondamentalement incapable d’exécuter de manière fiable par la seule probabilité.

L’hallucination mathématique

Lorsqu’un LLM résout un problème mathématique tel que 345 x 921, il n’effectue pas de multiplication. Il rappelle des modèles similaires à partir de ses données de formation. Si les nombres spécifiques sont rares ou uniques, le modèle devine le résultat en fonction des chiffres « qui se ressemblent » les uns à côté des autres. C’est pourquoi les modèles obtiennent souvent des premiers et des derniers chiffres corrects (forte probabilité) mais modifient les chiffres du milieu.

Ce flou probabiliste est acceptable pour écrire de la poésie. C’est catastrophique pour l’ingénierie des structures.

L’architecture de la raison

L’IA neurosymbolique n’est pas un modèle unique. C’est une architecture hybride. Il reconnaît que les réseaux neuronaux et la logique symbolique sont optimisés pour des tâches opposées et met fin à la tentative de forcer l’un à accomplir les tâches de l’autre.

• La couche neuronale (Intuition) : ce composant gère les données « désordonnées ». Il traite les valeurs des pixels d’une image, l’ambiguïté de la parole humaine ou « l’ambiance » d’un document. Il traduit le monde réel chaotique en représentations structurées.
• La couche symbolique (logique) : il s’agit du domaine de la “Good Old-Fashioned AI” (GOFAI). Il traite des règles strictes, de l’algèbre, de la logique formelle et des graphiques de connaissances. Cela ne devine pas. Il calcule.
• The Bridge : la avancée réside dans la communication bidirectionnelle entre ces couches. Le réseau neuronal analyse le problème et le moteur symbolique prouve la réponse.

Comment ça marche en pratique

Prenons un problème de physique impliquant le mouvement d’un projectile.

Un LLM pur (Système 1) examine ses données de formation pour des problèmes de mots similaires. Il prédit la réponse en fonction de la probabilité. Si les variables sont uniques, cela donne souvent des hallucinations à un résultat plausible mais incorrect.

Un système neurosymbolique fonctionne différemment :

1. Perception neuronale : Le LLM lit le texte et analyse la signification sémantique en une représentation formelle (par exemple, les variables v = 60, d = 300, a = 9.8).
2. Exécution symbolique : il transmet ces variables à un solveur symbolique (tel qu’une calculatrice Python ou un prouveur de théorème formel). Ce solveur applique la loi rigide d = vt + 0.5at^2.
3. Traduction neuronale : le solveur renvoie le résultat numérique exact au composant neuronal, qui l’enveloppe ensuite dans une phrase en langage naturel pour l’utilisateur.

Le système ne « fait jamais le calcul ». Il agit comme un traducteur entre le monde humain désordonné et le monde logique rigide.

L’histoire de la querelle

Cette approche met fin à une guerre civile de cinquante ans en informatique.

• Les symbolistes (années 1950-1990) : ils pensaient que le renseignement était une manipulation évidente des règles. Ils ont construit des systèmes experts (comme Deep Blue d’IBM). Ces systèmes étaient parfaitement logiques mais fragiles. Si une règle n’était pas explicitement programmée, le système plantait. Ils ne pouvaient pas gérer le désordre du monde réel (par exemple, reconnaître un chat).
• Les connexionnistes (années 2010 à aujourd’hui) : ils pensaient que l’intelligence émergeait de réseaux massifs de neurones simples (Deep Learning). Cette approche a remporté la dernière décennie car elle permettait de gérer des données désordonnées. Cependant, cela a sacrifié l’explicabilité et la logique au profit de la performance.

L’IA neurosymbolique est le traité de paix. Il admet que les symbolistes avaient raison sur le raisonnement et que les connexionnistes avaient raison sur l’apprentissage.

La preuve : AlphaGeometry et AlphaProof

Cette trajectoire n’est théoriquement pas spéculative. Google DeepMind a prouvé qu’il fonctionne au plus haut niveau de concurrence.

En 2024, DeepMind a publié AlphaGeometry, un système neurosymbolique qui a résolu les problèmes de géométrie de l’Olympiade mathématique internationale (OMI) au niveau d’un médaillé d’or.

Ce système utilisait une approche hybride unique :

• Un Générateur neuronal crée des « constructions » (comme ajouter une nouvelle ligne à un triangle pour aider à résoudre une preuve). Cela sert d’« intuition », suggérant où la solution pourrait être trouvée.
• Un moteur symbolique tente ensuite de prouver rigoureusement la déclaration en utilisant une logique formelle.

Si le moteur symbolique reste bloqué, le modèle neuronal propose une nouvelle « idée » (une construction auxiliaire). Ils font des allers-retours – l’intuition guidant la logique, la logique vérifiant l’intuition – jusqu’à ce que la preuve soit complète.

AlphaProof et le langage « Lean »

Fin 2025, AlphaProof est allé plus loin. Il intègre l’apprentissage par renforcement avec Lean, un langage de programmation formel utilisé pour la vérification mathématique.

Contrairement à Python, où le code peut s’exécuter tout en étant logiquement défectueux, Lean est un « assistant de preuve ». Il valide mathématiquement chaque ligne de code. Si la logique n’est pas solide, le code ne se compile pas. En forçant l’IA à produire son raisonnement en Lean, DeepMind a essentiellement créé une barrière anti-hallucinations. Le modèle peut essayer mille idées fausses, mais l’utilisateur ne voit que celle qui compile mathématiquement.

L’écart entre les entreprises : pourquoi les banques détestent les chatbots

Le passage à l’IA neurosymbolique est la condition préalable à « l’ère agentique » dans les entreprises.

Actuellement, l’adoption par les entreprises est bloquée par le « Trust Gap ». Aucun directeur financier n’autorisera un agent de chaîne d’approvisionnement autonome qui commande probablement la bonne quantité d’acier. Ils ont besoin d’un agent qui commande de manière prouvée le montant dérivé de la base de données d’inventaire.

Les systèmes neurosymboliques offrent trois mises à niveau critiques pour les entreprises :

1. Vérifiabilité : étant donné que la logique se déroule dans une couche symbolique, les auditeurs peuvent inspecter le « processus de réflexion ». Ils peuvent voir exactement quelle règle a été appliquée pour refuser un prêt ou approuver une transaction.
2. Efficacité des données : Un réseau neuronal a besoin de voir des millions d’exemples d’ajout pour “l’apprendre”. Un système symbolique n’a besoin de la règle d’addition qu’une seule fois. Cela réduit considérablement les besoins en données pour les tâches de domaine spécialisées.
3. Généralisation : un réseau neuronal a du mal avec les données « hors distribution » (par exemple, des nombres plus grands que ceux qu’il a vus lors de la formation). Une règle de logique symbolique fonctionne pour x=1 et x=1,000,000,000 avec la même précision.

Le spectre de l’IA hybride

Il est important de noter qu’il ne s’agit pas d’un commutateur binaire. Les chercheurs identifient un spectre d’intégration neurosymbolique :

• Type 1 (Standard) : réseau neuronal avec post-traitement symbolique (par exemple, ChatGPT écrivant du code Python pour résoudre des mathématiques).
• Type 2 (Profond) : des règles symboliques sont intégrées dans la fonction de perte du réseau neuronal pendant l’entraînement. Le modèle est « pénalisé » pour violation de la logique, même si le texte semble fluide.
• Type 3 (entièrement intégré) : systèmes comme AlphaGeometry dans lesquels les deux composants fonctionnent dans une boucle étroite et itérative, créant un « moteur de raisonnement » supérieur à la somme de ses parties.

Le chemin à parcourir

L’ère des « Pure LLM » touche à sa fin. La prochaine génération de modèles frontières (GPT-5, Gemini 3) sera probablement neurosymbolique sous le capot, cachant les solveurs symboliques derrière une interface de discussion.

La « magie » de l’IA s’estompe, et c’est une évolution positive. L’industrie troque la magie d’un chatbot d’écriture de poésie contre la fiabilité d’un outil de qualité technique. C’est moins excitant dans les fêtes, mais c’est infiniment plus précieux pour la civilisation.

L’industrie est enfin en train de doter les cerveaux numériques d’un cortex préfrontal.