Convergence des voies de l'intelligence et origines du calcul évolutionnaire

Quand la puissance de calcul et les capacités des modèles ne sont plus rares, la vraie question, après « calculer davantage », devient :comment chercher, et si la méthode de recherche elle-même peut être améliorée par le système. Le constat que cette page entend établir est le suivant : les multiples voies de développement de l'intelligence — compréhension, expression, action et rétroaction — convergent à nouveau lorsqu'il s'agit de résoudre des problèmes systémiques et réels ; et le calcul évolutionnaire constitue précisément la source technique la plus directe à ce point de convergence : il est à la fois le mécanisme de recherche et un objet qui peut lui-même être recherché.

I. Changement de prémisse : de la « génération unique » à la « recherche continue »

Les limites de la génération unique sont désormais pleinement révélées : une seule génération ne peut pas prouver sa propre justesse et reste difficilement valable après un changement d'environnement ou de modèle. Une fois les capacités renforcées, le goulot d'étranglement s'est déplacé de « générer une bonne réponse une seule fois » vers « comment chercher, rétroagir et filtrer en continu ». Autrement dit, la nature du problème est passée del'échantillonnageà larecherche— l'essentiel n'est plus de savoir s'il existe une réponse, mais de pouvoir la proposer, la valider, la conserver et la régénérer de façon répétée.

II. Pourquoi plusieurs voies convergent

Un système intelligent n'est pas une capacité unique, mais comprend plusieurs dimensions : compréhension, expression, action, rétroaction et sélection des résultats. Aucune de ces dimensions ne peut former une boucle fermée à elle seule : la compréhension doit être calibrée par la rétroaction, l'action doit converger grâce à la sélection des résultats, et l'expression doit être éprouvée par l'environnement. Ces voies se rejoignent donc au niveau systémique, sans se substituer les unes aux autres. On peut saisir cette interdépendance par une chaîne d'observation des plus simples : poser le problème → générer des candidats → rétroaction de l'environnement → évaluation et sélection → conservation et reproduction.

III. Positionnement de la source : pourquoi le calcul évolutionnaire

Parmi les nombreuses voies de convergence, le calcul évolutionnaire offre le mécanisme le plus direct et le plus opérationnel —population, mutation, sélection, itération, qui correspond naturellement à la boucle fermée systémique « génération — évaluation — conservation — reproduction ». Il ne s'agit pas d'une nouvelle forme de capacité d'expression, mais bien du mécanisme qui fait réellement tourner cette boucle ; c'est pourquoi cette page le positionne comme la source technique la plus directe au point de convergence.

IV. L'angle mort des algorithmes évolutionnaires classiques

Les algorithmes évolutionnaires classiques utilisent la mutation, le croisement et la sélection pour modifier les solutions candidates, mais modifient rarement « la méthode qui produit les solutions candidates ». Autrement dit, leméta-niveaude l'algorithme reste longtemps au stade de la conception manuelle. Il excelle à chercher des réponses, mais ne sait pas se chercher lui-même.

Prenons l'évolution différentielle comme exemple concret de ce coût : le choix d'une stratégie de mutation, la manière de sélectionner le vecteur de base, le réglage du facteur de mutation et de la probabilité de croisement influencent tous sensiblement le résultat. Face à des problèmes différents, le chercheur doit généralement choisir entre de nombreuses variantes, puis ajuster les paramètres par de multiples expérimentations. Ce travail se situe en dehors de la recherche, n'est pas réutilisable et s'accumule difficilement — c'est là l'illustration concrète de « l'algorithme qui cherche des réponses sans que lui-même entre dans le processus de recherche ».

V. Le tournant décisif : faire en sorte que l'algorithme optimise l'algorithme

Le véritable pas en avant consiste à faire entrer la méthode de résolution elle-même dans le processus de recherche, c'est-à-dire la perspective imbriquée d'«algorithme qui optimise l'algorithme». L'algorithme n'est alors plus seulement un outil pour chercher des réponses, mais devient un objet que l'on recherche et que l'on améliore. EvoX, présenté plus loin, est précisément le support qui systématise cette perspective (les détails de son architecture figurent dans les pages suivantes).