La Plateforme Stevenson

Outils pour utilisateurs

Outils du site

Piste : • HAS Haute Autorité de la Santé • IA-Newton Intelligence Artificielle • Gaêl Giraud État stratège : vers un protectionnisme écologique ?
connaissance:comprendrepage:ia-newton_intelligence_artificielle

Différences

Ci-dessous, les différences entre deux révisions de la page.

Lien vers cette vue comparative

Les deux révisions précédentesRévision précédente
Prochaine révision		Révision précédente
connaissance:comprendrepage:ia-newton_intelligence_artificielle [2026/01/22 10:19] – ADICEconnaissance:comprendrepage:ia-newton_intelligence_artificielle [2026/01/22 11:25] (Version actuelle) – ADICE
Ligne 1: Ligne 1:
 ===== IA-Newton Intelligence Artificielle ===== ===== IA-Newton Intelligence Artificielle =====
  
-AI-Newton : un système de découverte de lois physiques basé sur les concepts et ne nécessitant aucune connaissance physique préalable. ======+**AI-Newton : un système de découverte de lois physiques basé sur les concepts et ne nécessitant aucune connaissance physique préalable.** 
 +======   ======
  <font 1rem min-width:224.64px max-width:540.8px/rival-sans;;initial;;#ffffff>Toi-Le Fang</font>    [[eden@stu.pku.edu.cn|]]  <font 1rem min-width:224.64px max-width:540.8px/rival-sans;;initial;;#ffffff>Toi-Le Fang</font>    [[eden@stu.pku.edu.cn|]]
- <font 0.9rem width:fit-content margin-top:8px; margin-bottom:32px; padding:0.2rem/rival-sans;;inherit;;inherit>École de physique, Université de Pékin, Pékin 100871, Chine</font>+ <font 0.9rem width:fit-content margin-top:8px margin-bottom:32px padding:0.2rem/rival-sans;;inherit;;inherit>École de physique, Université de Pékin, Pékin 100871, Chine</font>
  <font 1rem min-width:224.64px max-width:540.8px/rival-sans;;inherit;;inherit>Dong-Shan Jian</font>  [[dsjian@stu.pku.edu.cn|]]  <font 1rem min-width:224.64px max-width:540.8px/rival-sans;;inherit;;inherit>Dong-Shan Jian</font>  [[dsjian@stu.pku.edu.cn|]]
- <font 0.9rem width:fit-content margin-top:8px; margin-bottom:32px; padding:0.2rem/rival-sans;;inherit;;inherit>École de physique, Université de Pékin, Pékin 100871, Chine</font>+ <font 0.9rem width:fit-content margin-top:8px margin-bottom:32px padding:0.2rem/rival-sans;;inherit;;inherit>École de physique, Université de Pékin, Pékin 100871, Chine</font>
  <font 1rem min-width:224.64px max-width:540.8px/rival-sans;;inherit;;inherit>Xiang Li</font>  [[lix-PHY@pku.edu.cn|]]  <font 1rem min-width:224.64px max-width:540.8px/rival-sans;;inherit;;inherit>Xiang Li</font>  [[lix-PHY@pku.edu.cn|]]
- <font 0.9rem width:fit-content margin-top:8px; margin-bottom:32px; padding:0.2rem/rival-sans;;inherit;;inherit>École de physique, Université de Pékin, Pékin 100871, Chine</font>+ <font 0.9rem width:fit-content margin-top:8px margin-bottom:32px padding:0.2rem/rival-sans;;inherit;;inherit>École de physique, Université de Pékin, Pékin 100871, Chine</font>
  <font 1rem min-width:224.64px max-width:540.8px/rival-sans;;inherit;;inherit>Yan-Qing Ma</font>  [[yqma@pku.edu.cn|]]  <font 1rem min-width:224.64px max-width:540.8px/rival-sans;;inherit;;inherit>Yan-Qing Ma</font>  [[yqma@pku.edu.cn|]]
- <font 0.9rem width:fit-content margin-top:8px; margin-bottom:32px; padding:0.2rem/rival-sans;;inherit;;inherit>École de physique, Université de Pékin, Pékin 100871, Chine</font>  Centre de physique des hautes énergies, Université de Pékin, Pékin 100871, Chine+ <font 0.9rem width:fit-content margin-top:8px margin-bottom:32px padding:0.2rem/rival-sans;;inherit;;inherit>École de physique, Université de Pékin, Pékin 100871, Chine</font>  Centre de physique des hautes énergies, Université de Pékin, Pékin 100871, Chine
  <font 16px/rival-sans;;initial;;#ffffff>(11 décembre 2025)</font>  <font 16px/rival-sans;;initial;;#ffffff>(11 décembre 2025)</font>
- 
  <font 1.4rem/rival-sans;;#000000;;#ffffff>Abstract</font>  <font 1.4rem/rival-sans;;#000000;;#ffffff>Abstract</font>
 + <font 16px/rival-sans;;initial;;#ffffff>Si les méthodes actuelles d'intelligence artificielle excellent dans la dérivation de modèles empiriques à partir d'expériences individuelles, un défi majeur demeure : celui de découvrir les principes physiques fondamentaux communs qui sous-tendent ces modèles – une tâche pour laquelle les physiciens humains sont particulièrement compétents. Afin de combler cette lacune, nous présentons AI-Newton, un nouveau cadre pour la découverte scientifique axée sur les concepts.</font>
  
- <font 16px/rival-sans;;initial;;#ffffff>Si les méthodes actuelles d'intelligence artificielle excellent dans la dérivation de modèles empiriques à partir d'expériences individuelles, un défi majeur demeure : celui de découvrir les principes physiques fondamentaux communs qui sous-tendent ces modèles – une tâche pour laquelle les physiciens humains sont particulièrement compétents. Afin de combler cette lacune, nous présentons AI-Newton, un nouveau cadre pour la découverte scientifique axée sur les concepts. Notre système déduit de manière autonome des lois physiques générales directement à partir de données brutes issues de multiples expériences, sans supervision ni connaissance physique préalable. Ses innovations principales sont doubles : (1) la proposition de concepts physiques interprétables pour construire des lois, et (2) la généralisation progressive de ces lois à des domaines plus vastes. Appliqué à un vaste ensemble de données bruitées d'expériences de mécanique, AI-Newton redécouvre avec succès des lois fondamentales et universelles, telles que la deuxième loi de Newton, la conservation de l'énergie et la gravitation universelle. Ce travail représente une avancée significative vers une découverte scientifique autonome, comparable à celle de l'être humain.</font>+Notre système déduit de manière autonome des lois physiques générales directement à partir de données brutes issues de multiples expériences, sans supervision ni connaissance physique préalable. Ses innovations principales sont doubles : (1) la proposition de concepts physiques interprétables pour construire des lois, et (2) la généralisation progressive de ces lois à des domaines plus vastes. Appliqué à un vaste ensemble de données bruitées d'expériences de mécanique, AI-Newton redécouvre avec succès des lois fondamentales et universelles, telles que la deuxième loi de Newton, la conservation de l'énergie et la gravitation universelle. Ce travail représente une avancée significative vers une découverte scientifique autonome, comparable à celle de l'être humain.
  
 [[https://arxiv.org/html/2504.01538v2|Texte complet]] [[https://arxiv.org/html/2504.01538v2|Texte complet]]
  
 ---- ----
- 
- 
  
 **Synthèse analytique de AI-Newton faite par ChatGPT janvier 2026** **Synthèse analytique de AI-Newton faite par ChatGPT janvier 2026**
Ligne 196: Ligne 195:
 **Synthèse comparative (concept / capacité)** **Synthèse comparative (concept / capacité)**
  
-|**Outil / approche**Découverte conceptuelle** |**Lois générales autonomes** |**Interprétable** | \\ **Données brutes** | +|
-| **AI-Newton** (2025)| +
-   ✔️ explicite|    +
-   ✔️ généralise|   +
-   ✔️ élevé|    +
-   ✔️ oui| +
-|**AI Feynman** (2020)|  +
-   ❌ implícite|  +
-   ⚠️ limitée|   +
-   ✔️ moyen|  +
-   ✔️ oui| +
-| **Eureqa** | +
-   ❌|  +
-   ⚠️ limitée|   +
-   ✔️ moyen|   +
-   ✔️ oui| +
-| **PSE / symbolic enumeration** |   +
-   ❌|    +
-   ⚠️ dépend du cadre|  +
-   ✔️ élevé|  +
-   ✔️ oui| +
-|  **PhySO** |   +
-   ❌|   +
-   ⚠️ dépend|  +
-   ✔️ variable|   +
-   ✔️ oui| +
-|  **VIPER-R1** |  +
-   🔶 multimodal|   +
-   ⚠️ prototype|   +
-   ✔️ favorable|  +
-   ✔️ oui| +
-|  **AI Descartes / KAN** |   +
-   🧠 recherche méthodologique|    +
-   🧠 exploration|    +
-   potentielle|   +
-   oui| +
- +
-**Conclusion** +
- +
-**AI-Newton se distingue par l’intégration explicite de concepts physiques et par son flux de découverte autonome**, ce qui est **rare ou absent chez la plupart des autres outils**. Cependant : +
-  * **des algorithmes comme AI Feynman ou Eureqa**  ont déjà montré qu’il est possible de **extraire des équations physiques à partir de données**, même si sans la même architecture conceptuelle. +
-  * **des cadres récents (PSE, PhySO, PhyE2E, VIPER-R1)**  représentent des avancées vers des capacités similaires ou complémentaires. +
-  * **des travaux de recherche méthodologique**  (AI Descartes, KAN) explorent des façons d’intégrer raisonnement formel et apprentissage pour une IA scientifique plus profonde. +
-Ainsi, AI-Newton s’inscrit dans un **écosystème scientifique actif**, où plusieurs approches tentent d’étendre les capacités de l’IA pour produire des lois **interprétables et généralisables**  à partir de données. +
- +
-Y a-t-il des applications de ces outils dans le développement des LLM ? +
- +
-Oui. **Il existe déjà des applications directes et indirectes de ces outils de découverte de lois dans le développement des grands modèles de langage (LLM)**, mais elles se situent à un niveau plus **méthodologique et architectural**  que dans une intégration « clé en main ». On peut les analyser selon quatre axes principaux. +
- +
-**1. Apports à l’apprentissage de représentations structurées et interprétables** +
- +
-Les systèmes comme **AI-Newton, AI-Feynman ou PhySO**  montrent qu’il est possible de passer : +
-  * de données brutes, +
-  * à des **concepts explicites**, +
-  * puis à des **relations générales compactes**. +
- +
-Cette logique influence directement la recherche sur les LLM dans trois directions : +
- +
-**a) Induction de concepts latents explicites** +
- +
-Dans les LLM, les concepts sont aujourd’hui : +
- +
-  * massivement **implicites**, +
-  * distribués dans les poids, +
-  * difficiles à isoler ou contrôler. +
- +
-Les travaux issus de la découverte de lois inspirent : +
- +
-  * la **désentrelacement conceptuel**  (concept disentanglement), +
-  * la recherche de **variables latentes interprétables**, +
-  * les tentatives de passage de représentations continues vers des **objets symboliques**. +
- +
-C’est une motivation centrale derrière : +
- +
-  * les modèles neuro-symboliques, +
-  * les Kolmogorov-Arnold Networks (KAN), +
-  * certaines approches de « mechanistic interpretability ». +
- +
-**2. Amélioration du raisonnement causal et scientifique des LLM** +
- +
-Les outils de type AI-Newton reposent sur : +
- +
-  * la **causalité**, +
-  * la **généralisation hors distribution**, +
-  * l’extension raisonnée de lois existantes. +
- +
-Ces principes sont activement repris pour corriger des limites majeures des LLM. +
- +
-**a) Limitation des hallucinations** +
- +
-Les LLM produisent des énoncés plausibles mais parfois faux. \\ +
-Les cadres de découverte scientifique introduisent : +
- +
-  * des **contraintes structurelles**, +
-  * des mécanismes de vérification interne, +
-  * une hiérarchie concepts → lois → conséquences. +
- +
-Cela inspire : +
- +
-  * des systèmes de **self-verification**, +
-  * des chaînes de raisonnement contraintes, +
-  * des architectures où le modèle doit proposer une hypothèse **testable**. +
- +
-**b) Raisonnement scientifique automatisé** +
- +
-Des projets expérimentaux utilisent des LLM comme : +
- +
-  * générateurs d’hypothèses, +
-  * assistants de raisonnement plausible, +
-  * orchestrateurs de boucles « hypothèse → test → révision ». +
- +
-AI-Newton est explicitement cité comme **complément potentiel**  aux LLM pour cette raison, et non comme concurrent. +
- +
-**3. Utilisation des LLM comme méta-composants dans ces systèmes** +
- +
-Inversement, les LLM sont déjà utilisés ou envisagés comme **briques internes**  de systèmes de découverte de lois. +
- +
-**a) Génération et extension de DSL** +
- +
-Les DSL physiques d’AI-Newton pourraient être : +
- +
-  * générés, +
-  * étendus, +
-  * ou adaptés automatiquement par des LLM. +
- +
-Un LLM est particulièrement performant pour : +
- +
-  * proposer des opérateurs, +
-  * suggérer des formes symboliques plausibles, +
-  * organiser des bibliothèques conceptuelles. +
- +
-**b) Pilotage du raisonnement plausible** +
- +
-Le raisonnement plausible humain est difficile à formaliser strictement. \\ +
-Les LLM peuvent intervenir comme : +
- +
-  * heuristiques de recherche, +
-  * moteurs de priorisation d’hypothèses, +
-  * générateurs de variations de lois candidates. +
- +
-On observe déjà ce schéma dans : +
- +
-  * les systèmes d’AutoML avancés, +
-  * les agents scientifiques autonomes, +
-  * les architectures de type « tool-augmented LLM ». +
- +
-**4. Vers des LLM plus proches d’une intelligence scientifique générale** +
- +
-Le lien le plus profond est **épistémologique**. +
- +
-**a) Ce que montrent AI-Newton et consorts** +
- +
-Ces systèmes démontrent que : +
- +
-  * la découverte scientifique n’est pas qu’un problème de prédiction, +
-  * elle repose sur la **construction cumulative de concepts**, +
-  * la compression explicative, +
-  * la recherche de lois invariantes. +
- +
-**b) Ce que cela implique pour les LLM** +
- +
-Cela alimente une critique croissante des LLM actuels : +
- +
-  * excellents en langage, +
-  * faibles en abstraction scientifique profonde, +
-  * dépendants de données déjà théorisées. +
- +
-Les enseignements tirés de la découverte de lois nourrissent : +
- +
-  * les recherches sur les **world models**, +
-  * les architectures hybrides perception–concept–loi, +
-  * les projets d’IA scientifique autonome (chez OpenAI, DeepMind, Meta). +
- +
-**5. Synthèse structurée** +
- +
-|**Dimension** |**Apport des outils de découverte de lois aux LLM** | +
-|Représentations internes|Passage de latents opaques à concepts explicites| +
-|Raisonnement|introduction de causalité et de généralisation réelle| +
-|Robustesse|Réduction des hallucinations par contraintes structurelle| +
-|Architecture|Modèles hybrides neuro-symboliques| +
-|Épistémologie|Déplacement du focus de la prédiction vers l’explication| +
- +
-**Conclusion** +
- +
-Les outils comme **AI-Newton ne sont pas intégrés directement dans les LLM**, mais ils jouent un rôle clé comme **laboratoires conceptuels**  pour leur évolution. \\ +
-Ils influencent :+
  
-  * la manière dont les LLM sont conçus, +* le LLM orchestre,
-  * les attentes épistémologiques à leur égard, +
-  * et les architectures hybrides émergentes.+
  
-À moyen terme, la convergence la plus probable n’est pas un « LLM qui découvre des lois », mais un **système composite**, où : 
-  * le LLM orchestre, 
   * des modules spécialisés découvrent,   * des modules spécialisés découvrent,
   * et des structures symboliques assurent la généralisation et la vérification.   * et des structures symboliques assurent la généralisation et la vérification.
/var/www/la-plateforme-stevenson.org/htdocs/v4/data/attic/connaissance/comprendrepage/ia-newton_intelligence_artificielle.1769073569.txt.gz · Dernière modification : de ADICE