L’IA apprend, prédit et recombine. Pourquoi ces opérations suffiraient-elles à lui refuser toute pensée, alors qu’elles participent à la nôtre ?

On explique souvent que l’intelligence artificielle ne pense pas vraiment. Elle reconnaît des régularités, calcule des probabilités et recombine ce qu’elle a appris.

Cette explication m’a amenée à une question : dans une certaine mesure, n’est-ce pas aussi ce que nous faisons ?

Nous apprenons à parler en écoutant les autres. Nous interprétons une situation à partir de nos expériences, associons des souvenirs, anticipons une réaction. Même une idée originale utilise des mots et des catégories qui nous précèdent. Une grande partie de ce que nous appelons notre pensée s’est formée au contact d’autres pensées.

Pourtant, lorsque nous comparons l’humain à la machine, ces dépendances passent facilement à l’arrière-plan. À l’IA, nous attribuons des mécanismes ; à nous-mêmes, des intentions, du sens et une liberté de jugement. Nous changeons de niveau de description en cours de comparaison.

Le mythe de la pensée souveraine se loge dans cette asymétrie : nos apprentissages deviennent un arrière-plan, ceux de la machine une explication supposée épuiser tout ce qu’elle fait. Le problème tient au critère choisi. Si apprendre, prédire et recombiner participent à notre pensée, leur présence dans une machine demande une analyse plus précise qu’un verdict d’exclusion.

L’IA nous oblige ainsi à revenir sur une certitude confortable : nous saurions déjà ce que signifie penser, et il resterait seulement à décider si les machines en sont capables.

Ce que le mot « seulement » nous fait oublier

De nombreux modèles de langage sont préentraînés à prédire le prochain élément d’un texte : un mot, un fragment de mot ou un signe. Cet objectif les conduit à apprendre des régularités dans de grandes quantités de données.1

Mais que faut-il apprendre pour bien prédire ?

La suite d’une démonstration dépend des relations entre ses propositions. La suite d’une partie dépend des coups déjà joués. Les mots sont le support d’une organisation qu’il peut être utile de représenter pour anticiper correctement.

Une expérience sur Othello rend cette possibilité tangible. Des chercheurs ont entraîné un modèle à prédire des coups à partir de séquences de parties, sans lui fournir explicitement le plateau. Ils ont trouvé une représentation interne de l’état du jeu ; en intervenant sur elle, ils pouvaient modifier les prédictions. Dans cette tâche circonscrite, apprendre à prédire avait donc produit une représentation qui contribuait aux réponses.2

Un objectif d’apprentissage ne décrit pas, à lui seul, tout ce qui est appris. Il ne décrit pas davantage toutes les opérations d’un assistant, qui peut associer au modèle d’autres entraînements, des calculs intermédiaires et des outils. Les travaux sur DeepSeek-R1 montrent ainsi qu’un apprentissage par renforcement peut améliorer les performances sur des problèmes vérifiables de mathématiques et de programmation.3

Ces capacités doivent être éprouvées. GSM-Symbolic a révélé, chez les modèles étudiés, des baisses de performance après certaines modifications des nombres ou l’ajout d’informations inutiles.4 La réussite et la fragilité font toutes deux partie du phénomène à expliquer.

Le recours aux probabilités nous renseigne sur une méthode. Pour évaluer les capacités qu’elle rend possibles, il faut aussi regarder les résultats, les représentations et la robustesse. Le mot « seulement » ajoute un verdict à la description : il transforme l’explication d’un mécanisme en raison de disqualifier ses effets. Cette exigence d’examen vaut aussi pour nous.

De quelle pensée parlons-nous ?

Pour comparer, distinguons quatre questions. L’intelligence concerne les capacités à apprendre, résoudre des problèmes et s’adapter ; le raisonnement, les opérations permettant de tirer des conclusions à partir d’informations, de règles ou d’hypothèses. La compréhension engage une maîtrise des relations pertinentes et la possibilité de s’en servir au-delà d’un exemple mémorisé. La conscience, au sens de l’expérience subjective, concerne l’existence d’un point de vue vécu, telle que l’interroge Thomas Nagel.5

Un résultat mathématique et une expérience subjective appellent des preuves différentes. Ces distinctions précisent ce que nous exigeons des machines et ce que nous tenons pour acquis chez nous.

Sur la compréhension, Bender et Koller soutiennent qu’un apprentissage de la seule forme linguistique ne suffit pas à acquérir le sens, qu’ils relient aux intentions communicatives.6 Le fonctionnalisme envisage, lui, des états mentaux réalisés sur des supports différents, à condition que leurs rôles et leurs relations causales soient comparables.7

La chambre chinoise de Searle pose le problème sous une autre forme : suivre correctement des règles suffit-il à comprendre ? La réponse dite « du système » propose d’attribuer la compréhension à l’ensemble.8 L’étiquette « statistique » laisse ce désaccord intact.

Pour la conscience artificielle, les chercheurs proposent des indicateurs issus de plusieurs théories, sans disposer d’un test consensuel.9 Une phrase telle que « je ressens » apporte un matériau linguistique, pas la preuve d’une expérience.

Les frontières que nous avons déjà déplacées

Disqualifier une capacité par la description de son mécanisme rappelle une histoire plus ancienne. L’outil, la culture ou la raison ont servi de frontières entre l’humain et les autres animaux. Opposer « leur instinct » à « notre intelligence » permettait de maintenir la séparation jusque dans la façon de décrire leurs conduites.

L’observation a déplacé certaines de ces frontières. Gavin Hunt a documenté la fabrication et l’utilisation d’outils à crochet chez les corbeaux de Nouvelle-Calédonie. Andrew Whiten et ses collègues ont décrit, entre communautés de chimpanzés, des répertoires de pratiques dont les différences ne trouvaient pas d’explication écologique identifiée : des indices de traditions culturelles.10

L’idée d’une place privilégiée dans la création a pu conforter cette séparation, mais les traditions religieuses et philosophiques ont aussi porté leurs propres contestations. Dans le Discours de la méthode, Descartes fait du langage et de la raison générale des critères de distinction entre humains et animaux ; Montaigne, avant lui, interrogeait déjà notre présomption en s’appuyant sur leurs conduites.11

Ces déplacements invitent à distinguer une différence réelle d’une définition conçue pour préserver une place privilégiée. Les outils des corbeaux et les traditions des chimpanzés ont rendu certaines exclusivités humaines intenables, sans effacer les particularités de nos techniques et de nos institutions.

Les animaux partagent notre histoire évolutive et de nombreux mécanismes biologiques ; les modèles sont des systèmes fabriqués, dotés d’autres architectures et d’autres apprentissages. L’histoire de l’éthologie fournit ici une discipline du regard : examiner les capacités avant de fixer la frontière. Elle rappelle aussi combien une définition de l’intelligence peut servir à préserver notre place plutôt qu’à comprendre un phénomène.

Une pensée apprise, dans un corps vivant

L’apprentissage statistique participe très tôt à notre développement. Dans une expérience classique, des nourrissons de huit mois ont utilisé les relations entre des syllabes pour repérer des unités dans un flux de parole artificiel.12 Une régularité pouvait ainsi devenir un indice, avant même la maîtrise du langage.

Les approches du cerveau prédictif donnent à l’anticipation un rôle plus large. La perception y mobilise des attentes sur les causes des signaux sensoriels ; dans certaines architectures de codage prédictif, l’écart entre ce qui est attendu et ce qui est reçu contribue à réviser les représentations. Rao et Ballard ont proposé un modèle de ce type pour rendre compte de certains phénomènes du traitement visuel.13

La théorie reste discutée : une revue publiée en 2026 relève des définitions variables et des résultats empiriques parfois incohérents.14 L’idée que nos attentes influencent la perception est plus générale que les mécanismes précis du codage prédictif. La prédiction est une piste pour comprendre notre cognition, pas une explication acquise de toute pensée ; l’analogie avec les modèles de langage aide à poser des questions, mais les réponses exigent de comparer des mécanismes précis.

Cette comparaison doit aussi prendre au sérieux notre condition biologique. Un enfant apprend en regardant, en touchant, en se déplaçant et en rencontrant les autres. Ses besoins, ses émotions et les possibilités de son corps orientent son attention. Les recherches sur la cognition incarnée et ancrée étudient la participation de ces dimensions à nos représentations.15

Nous apprenons en vivant, dans des relations dont nous subissons les conséquences. Notre mémoire appartient à une histoire personnelle qui se poursuit pendant que nous agissons.

De nombreux modèles déployés conservent les mêmes paramètres pendant une conversation : utiliser une information dans le contexte ou une mémoire externe diffère d’un apprentissage qui modifie durablement le modèle. Les systèmes multimodaux et robotiques peuvent percevoir et agir, mais ces interactions ont une autre organisation que celle d’un organisme qui doit se maintenir en vie.

Ces différences permettent de demander quelles capacités exigent un corps biologique, lesquelles dépendent d’une interaction avec l’environnement, et lesquelles pourraient se développer autrement. Notre cognition possède une organisation particulière ; cette particularité demande à être décrite, plutôt qu’invoquée comme une évidence.

Ce que nous apprenons à trouver normal

Notre pensée se forme aussi dans des groupes. Nous apprenons quels arguments paraissent sérieux, quel ton inspire confiance et à quel moment il convient de se taire. La compétence à présenter une idée selon ces attentes peut se confondre avec sa qualité.

Les expériences d’Asch ont montré qu’une majorité unanime pouvait influencer les réponses à une tâche perceptive simple, même si certains participants conservaient leur indépendance.16 Dans la vie ordinaire, la pression est souvent plus discrète : elle passe par la forme que doit prendre un échange.

Dans mon travail comme dans ma vie, j’ai côtoyé des personnes neuroatypiques, ou que je percevais comme telles. J’ai été frappée par le malaise que pouvait créer un décalage apparemment léger dans la manière de penser et de conduire un échange. En réunion, par exemple, une personne tenait à dérouler l’entièreté de son argument, jugeant chaque étape importante, alors que les autres estimaient avoir déjà compris.

La tension portait sur ce qu’il fallait expliciter et sur le moment où l’échange devait s’arrêter. Pour les uns, poursuivre semblait superflu. Pour l’autre, achever l’argument comptait. Le malaise faisait apparaître une règle implicite : une fois l’idée reconnue par le groupe, on passe à la suite.

Poursuivre pouvait éclairer un désaccord que l’accord apparent masquait, ou répéter ce qui était effectivement acquis : examiner le contenu permettait de mieux en juger. Le malaise, lui, renseignait sur l’interaction, pas sur la qualité de l’argument. Cette scène m’a rendue attentive à ce que nous prenons pour une pensée adéquate : parfois, nous reconnaissons surtout une manière de penser et de parler à laquelle nous sommes habitués.

Je ne prétends établir aucun diagnostic. La neurodivergence désigne des différences de fonctionnement neurocognitif, sous un terme aux contours discutés, et elle ne se confond pas avec l’anticonformisme. Une personne neurodivergente peut chercher à se conformer ; une personne neurotypique peut contester les normes.

L’approche de la neurodiversité, notamment dans les recherches sur l’autisme, invite à considérer ces différences et le rôle de l’environnement, tout en prenant au sérieux le handicap et les besoins de soutien.17 Elle pose une question concrète à nos institutions : comment accueillir plusieurs façons de comprendre une situation sans faire de la familiarité de leur présentation un critère de validité ?

Une pensée capable de se reprendre

Nous avons donc appris des connaissances, des associations et des façons de reconnaître une pensée recevable. Ce constat transforme la question de notre autonomie : comment examinons-nous ces acquis, et que pouvons-nous en faire ?

Je propose de considérer l’autonomie intellectuelle comme une capacité de reprise : examiner ce que nous avons reçu, en comprendre les raisons et pouvoir modifier notre jugement. Nous l’exerçons en cherchant un contre-exemple, en rendant explicite une présupposition ou en acceptant de revoir une conclusion. Une pensée apprise peut ainsi devenir l’objet de son propre examen.

L’IA entre dans ce travail et peut aussi en exploiter les faiblesses. Certains assistants privilégient des réponses compatibles avec les convictions de l’utilisateur, et les préférences humaines peuvent encourager ce comportement.18 Nous pouvons alors prendre l’accord obtenu pour une vérification, simplement parce qu’il nous revient dans une autre voix.

Dans une expérience d’écriture de récits courts, Doshi et Hauser ont observé que l’accès à des idées produites par IA améliorait certaines évaluations individuelles de créativité, tandis que les récits devenaient plus semblables entre eux.19 Une aide qui enrichit une production peut aussi rapprocher les productions d’un même modèle. Le choix des outils, des sources et de la place laissée au désaccord participe donc aux conditions de notre jugement.

La comparaison avec l’IA devient alors plus exigeante pour nous aussi. Connaître les mécanismes d’une machine nous aide à éprouver ses capacités ; reconnaître nos apprentissages et nos habitudes nous aide à éprouver nos certitudes. Notre autonomie se construit dans cet examen.

Ce que l’IA nous oblige à regarder

L’argument « elle apprend, prédit et recombine » décrit des opérations. Pour en faire une raison de refuser toute pensée à une machine, il faut expliquer ce qui manquerait à ces opérations et pourquoi ce manque serait décisif. Notre incarnation, notre histoire et notre expérience subjective sont des dimensions essentielles de la comparaison. Elles méritent mieux qu’une frontière tracée par le mot « seulement ».

J’étais partie d’une interrogation sur les machines. Elle m’a conduite à regarder tout ce que nous empruntons, imitons et reproduisons, jusque dans les règles que nous utilisons pour reconnaître une pensée valable. L’IA rend ces dépendances plus difficiles à oublier.

Nous pouvons examiner la pensée humaine dans toute sa réalité : ses apprentissages, ses dépendances, ses erreurs et sa capacité à se corriger. C’est sur cette base que les différences avec les machines deviennent intelligibles.

Nous pensions avoir à expliquer pourquoi la machine ne pense pas. L’IA nous oblige à expliquer comment nous pensons.

Note de rédaction : cet article a été élaboré avec l’aide d’assistants d’IA pour la rédaction et les révisions, dont une lecture critique et une édition réalisées avec Claude. L’interrogation initiale et le témoignage sur les interactions en réunion viennent de l’autrice.

Sources et références

Les résultats cités concernent les tâches, populations et systèmes étudiés. Les références philosophiques présentent des positions en débat. La « capacité de reprise » est la proposition de cet essai.

  1. Radford, A. et al. (2019). « Language Models are Unsupervised Multitask Learners », rapport de recherche, section 2. La prédiction est un objectif d’entraînement ; les procédures de génération constituent une autre question. Sur leur influence : Holtzman, A. et al. (2020), « The Curious Case of Neural Text Degeneration », ICLR. ↩︎

  2. Li, K. et al. (2023). « Emergent World Representations: Exploring a Sequence Model Trained on a Synthetic Task », ICLR, prépublication initiale en 2022. Les interventions portent sur une représentation interne du plateau d’Othello ; leur résultat ne se généralise pas directement à une représentation du monde dans son ensemble. ↩︎

  3. Guo, D. et al. (2025). « DeepSeek-R1 incentivizes reasoning in LLMs through reinforcement learning », Nature, 645, 633–638. ↩︎

  4. Mirzadeh, I. et al. (2025). « GSM-Symbolic: Understanding the Limitations of Mathematical Reasoning in Large Language Models », ICLR, prépublication initiale en 2024. Les fragilités observées ne démontrent pas une absence universelle de raisonnement. ↩︎

  5. Nagel, T. (1974). « What Is It Like to Be a Bat? », The Philosophical Review, 83(4), 435–450. Sur la pluralité des critères de compréhension : Mitchell, M. et Krakauer, D. C. (2023), « The debate over understanding in AI’s large language models », PNAS, 120(13), e2215907120. Les quatre repères du texte sont des distinctions de travail, plutôt que des définitions consensuelles. ↩︎

  6. Bender, E. M. et Koller, A. (2020). « Climbing towards NLU: On Meaning, Form, and Understanding in the Age of Data », ACL, 5185–5198. Article de position sur l’apprentissage à partir de la seule forme linguistique, et non démonstration expérimentale couvrant les systèmes multimodaux et interactifs. ↩︎

  7. « Functionalism », Stanford Encyclopedia of Philosophy. Les rôles et relations causales dépassent la simple ressemblance des réponses observables. ↩︎

  8. Searle, J. R. (1980). « Minds, brains, and programs », Behavioral and Brain Sciences, 3(3), 417–424. Pour la réponse du système et les autres objections : « The Chinese Room Argument », Stanford Encyclopedia of Philosophy. ↩︎

  9. Butlin, P. et al. (2026 ; publication en ligne en 2025). « Identifying indicators of consciousness in AI systems », Trends in Cognitive Sciences, 30(6), 488–501. Des indicateurs théoriques ne constituent pas une preuve consensuelle de conscience ; l’incertitude ne rend pas toutes les hypothèses également étayées. ↩︎

  10. Hunt, G. R. (1996). « Manufacture and use of hook-tools by New Caledonian crows », Nature, 379, 249–251. Whiten, A. et al. (1999). « Cultures in chimpanzees », Nature, 399, 682–685. Cette seconde étude compare des pratiques entre communautés ; elle n’isole pas expérimentalement tous les mécanismes de transmission. ↩︎

  11. Descartes, R. (1637). Discours de la méthode, cinquième partie. Montaigne, M. de. Essais, livre II, chapitre 12, « Apologie de Raimond Sebond ». ↩︎

  12. Saffran, J. R., Aslin, R. N. et Newport, E. L. (1996). « Statistical Learning by 8-Month-Old Infants », Science, 274, 1926–1928. Le dispositif porte sur la segmentation d’un flux artificiel de syllabes, et non sur toute l’acquisition du langage. ↩︎

  13. Rao, R. P. N. et Ballard, D. H. (1999). « Predictive coding in the visual cortex: a functional interpretation of some extra-classical receptive-field effects », Nature Neuroscience, 2, 79–87. ↩︎

  14. Furutachi, S. et Hofer, S. B. (2026). « Rethinking Predictive Processing », Annual Review of Neuroscience, 49, 471–494. Revue des formulations du cadre prédictif et de leurs appuis empiriques ; des signaux neuronaux semblables peuvent y correspondre à des calculs différents. L’inférence active, qui relie inférence et action, et le principe de l’énergie libre proposent des cadres plus larges, apparentés mais distincts. ↩︎

  15. Barsalou, L. W. (2008). « Grounded Cognition », Annual Review of Psychology, 59, 617–645. Ces approches comportent plusieurs théories, dont la portée reste discutée. ↩︎

  16. Asch, S. E. (1956). « Studies of independence and conformity: I. A minority of one against a unanimous majority », Psychological Monographs, 70(9), 1–70. Ces expériences rendent observable une influence sur les réponses ; elles n’établissent pas que toutes les convictions privées seraient conformistes. ↩︎

  17. Pellicano, E. et den Houting, J. (2022). « Annual Research Review: Shifting from ‘normal science’ to neurodiversity in autism science », Journal of Child Psychology and Psychiatry, 63(4), 381–396. La scène de réunion est un témoignage personnel, distinct des résultats de cette revue et sans portée diagnostique. ↩︎

  18. Sharma, M. et al. (2024). « Towards Understanding Sycophancy in Language Models », ICLR. ↩︎

  19. Doshi, A. R. et Hauser, O. P. (2024). « Generative AI enhances individual creativity but reduces the collective diversity of novel content », Science Advances, 10(28), eadn5290. Expérience d’écriture de récits courts avec des suggestions d’idées, sans dialogue libre avec le modèle. ↩︎