AUTO-ORGANISATION

Auto-organisation au sens fort

Au contraire, une auto-organisation au sens fort implique que même la tâche à accomplir, le but à atteindre, c'est-à-dire ce qui définit la signification de la structure et du fonctionnement de la machine, soit une propriété émergente de l'évolution de la machine elle-même.

C'est ce qui se produit dans des systèmes naturels non programmés, où l'on observe l'émergence de structures et de fonctions à un niveau macroscopique, à partir de contraintes physico-chimiques peu spécifiques au niveau microscopique.

Un tel comportement peut être simulé par des programmes d'ordinateur particuliers, qui ne sont pas en fait programmés explicitement pour quelque chose de spécifique et qui pourtant exécutent quelque chose qui a un sens.

Un programme de ce type, appelé Soar par ses auteurs A. Newell, J. Laird et P. Rosenbloom, se présente comme un système expert programmé pour résoudre des problèmes. Mais, à la différence d'un système expert classique auquel serait proposé un problème pour lequel la base de connaissances serait insuffisante, Soar ne s'arrête jamais. Il propose toujours une solution, même inadéquate et, à la limite, en partie aléatoire, à tout problème qui lui est proposé, en recherchant un problème jugé voisin – suivant ses propres critères –, déjà stocké dans son « espace de problèmes ». Il applique ainsi des règles générales, qui ne sont pas destinées de façon spécifique à résoudre tel ou tel problème mais à se déplacer dans son espace de problèmes. Il mémorise ensuite le problème et sa solution, enrichissant ainsi ses connaissances à partir d'expériences non programmées. Comme le dit Newell de façon imagée : « Soar n'a pas à être programmé pour faire quelque chose », ou encore : « Soar est finalisé (goal oriented) », mais pas seulement parce qu'il a appris des buts dans sa mémoire. Il est finalisé, orienté vers des buts parce que ceux-ci émergent de ses interactions avec l'environnement. Il construit ses propres buts chaque fois qu'il ne peut pas simplement continuer. »

Ainsi, ce qui caractérise une auto-organisation au sens fort est l'absence de but défini à l'avance et l'émergence de ce qui apparaît, après coup, comme un comportement fonctionnel, c'est-à-dire ayant un sens.

Nos propres travaux sur l'émergence de procédures de classification dans des réseaux booléens (H. Atlan et al., 1986, H. Atlan, 1987), fournissent d'autres exemples de simulation d'auto-organisation au sens fort.

On observe, dans des réseaux d'automates en partie aléatoires, des propriétés de classification et de reconnaissance de formes sur la base de critères auto-engendrés, non programmés. Il s'agit là de simulations d'auto-organisation fonctionnelle où ce qui émerge est non seulement une structure macroscopique à partir de contraintes microscopiques peu spécifiques, mais une fonction au sens biologique. Celle-ci, observée au niveau global, est le produit de contraintes locales peu spécifiques, partiellement aléatoires, en ce sens qu'elles ne sont pas programmées en vue de la fonction émergente qui en résulte.

Typiquement, on construit un réseau de quelques centaines d'éléments où chacun reçoit deux entrées binaires de deux de ses voisins et envoie une sortie binaire, dont la valeur est celle de son propre état, à deux autres de ses voisins.

Les éléments du réseau sont donc des automates qui calculent à chaque unité de temps une fonction booléenne de deux variables. La structure du réseau, c'est-à-dire la fonction assignée à chaque automate, est produite en distribuant au hasard sur les automates les quatorze fonctions booléennes non constantes. Un état initial du réseau est aussi déterminé en tirant au sort l'état initial de chaque automate. Le réseau[...]