GENESIS \u2013 Petit interm\u00e8de pour seuls geeks<\/a> – o\u00f9 \u00e9tait pr\u00e9sent\u00e9 un programme g\u00e9n\u00e9rant la suite de Fibonacci en tant que lign\u00e9e reproductive, sans boucle \u00ab\u00a0FOR… NEXT\u00a0\u00bb, remplac\u00e9e par un \u00ab\u00a0cycle de libido\u00a0\u00bb, la reproduction se poursuivant jusqu\u2019\u00e0 ce que la lign\u00e9e ait atteint une profondeur cible – j’introduisais \u00ab\u00a0C1\u00a0\u00bb, une compression de premier type, pouvant \u00eatre op\u00e9r\u00e9e lors d’un couplage.<\/p>\nJ’explique : si lors du couplage de deux instances de m\u00eame nature a et b, elles poss\u00e8dent des \u00e9l\u00e9ments en commun (en termes ensemblistes : si leur intersection n’est pas vide) la description la plus courte (MDL = minimal description length<\/em>) de la paire en tant qu’unit\u00e9 peut se contenter de mentionner une seule fois ce qu’elles ont en commun (en termes ensemblistes : la description la plus courte de la paire a et b est plus courte que l’union des descriptions de a et b envisag\u00e9s s\u00e9par\u00e9ment).<\/p>\nDans le petit programme Python ci-dessous la compression de premier type \u00ab\u00a0C1\u00a0\u00bb intervient \u00e0 nouveau :<\/p>\n
c1 = compress_overlap(e1, e2)<\/code> :<\/p>\n= \u00ab\u00a0C1 comprime le recouvrement des deux \u00e9l\u00e9ments a et b de la paire\u00a0\u00bb.<\/p>\n
Mais j’introduis dans ce petit programme, \u00ab\u00a0C2\u00a0\u00bb : la compression du second type, celle que l’on peut op\u00e9rer en raccourcissant la description conjointe de deux m\u00e9canismes A et B parce qu’on a d\u00e9couvert qu’ils sont analogues : qu’ils fonctionnent sous un certain rapport de la m\u00eame mani\u00e8re. On peut du coup d\u00e9crire dans une perspective \u00ab\u00a0trans-substrat\u00a0\u00bb la paire qu’ils constituent \u00e0 deux en d\u00e9crivant ce qu’ils ont en commun et en pr\u00e9cisant ensuite en quoi chacun des deux m\u00e9canismes, A et B, se distingue de l’autre (en termes ensemblistes : l’intersection de A et B sert de point de d\u00e9part de la description de la paire, \u00e0 quoi on ajoute la description de A moins ce qu’il a en commun avec B, soit A \\ B, et la description de B moins ce qu’il a en commun avec A, soit B \\ A).<\/p>\n
c2 = description_length_saved(rule, network)<\/code><\/p>\n= \u00ab\u00a0C2 exprime l’\u00e9conomie r\u00e9alis\u00e9e dans la description des deux m\u00e9canismes (r\u00e8gle symbolique vs r\u00e9seau neuronal) du fait de leur analogie\u00a0\u00bb.<\/p>\n
Donc \u00ab C1 \u00bb comme compression de deux instances de m\u00eame nature, du fait de leur couplage, par \u00e9limination de la redondance entre les deux, compression habituellement qualifi\u00e9e d’\u00ab\u00a0optimisation\u00a0\u00bb, et \u00ab\u00a0C2\u00a0\u00bb comme compression de deux m\u00e9canismes observ\u00e9s dans des substrats diff\u00e9rents par d\u00e9couverte d’une \u00ab\u00a0analogie\u00a0\u00bb dans leur mode de fonctionnement, comme aboutissement d’une validation trans-substrat<\/em>.<\/p>\nLe syst\u00e8me g\u00e9n\u00e8re des r\u00e8gles-rejetons<\/em> qui g\u00e9n\u00e9ralisent l’analogie d\u00e9couverte entre les deux substrats (ici : symbolique \u2194 neuronal).\u2028C2 mesure la quantit\u00e9 de description que nous \u00e9conomisons gr\u00e2ce \u00e0 une seule r\u00e8gle-rejeton<\/em> rendant compte de plusieurs m\u00e9canismes.<\/p>\nschema Example { features: [x:any, y:any] }
\nschema Rule { features: [lhs:pattern, rhs:pattern] }# Graines : exemples observ\u00e9s
\npopulation D = [
\nExample(x: 0, y: 0),
\nExample(x: 1, y: 2),
\nExample(x: 2, y: 4),
\nExample(x: 3, y: 6),
\n…
\n]<\/p>\n
# Accouplement de symbolique \u00e0 symbolique : rassemblement des exemples sous une r\u00e8gle provisoire
\nrule unify_examples(e1:Example, e2:Example) -> child_rule:Rule, c1
\nwhere pattern = induce_pattern([e1, e2]) # par exemple, y = 2*x
\nchild_rule = synthesize(e1, e2) with [lhs: \u00ab\u00a0x\u00a0\u00bb, rhs: \u00ab\u00a02*x\u00a0\u00bb]
\nc1 = compress_overlap(e1, e2) # nombre moindre de paires si la r\u00e8gle est d’application
\nend<\/p>\n
# Analogie trans-substrat (C2) : alignement de la r\u00e8gle symbolique avec un petit predicteur neuronal
\nrule cross_substrate(rule:Rule, net:NeuralModel) -> unified:Rule, c2
\nwhere agree = correlation( rule.predict(D.x), net.predict(D.x) )
\nif agree > 0.95:
\nunified = install(rule) # acceptation de l’explication symbolique
\nc2 = description_length_saved(rule, D)
\nelse:
\nunified = reject(rule); c2 = 0
\nend<\/p>\n
# Pulsion : la curiosit\u00e9 d\u00e9clenche des tentatives de g\u00e9n\u00e9ralisation
\ndrive curiosity(threshold = 0.5)<\/p>\n
on cycle curiosity:
\ne1, e2 = sample(D, 2)
\nr, c1 = unify_examples(e1, e2)
\nif c1 > 0:
\nunified, c2 = cross_substrate(r, current_net)
\nif c2 > curiosity.threshold:
\nrecord(unified, origin=\u2033C2\u2033)<\/p>\n
# Validation (condition pour qu’elle soit retenue)
\nvalidate(unified across D_test) >= 0.95<\/p>\n<\/div>\n
Lecture<\/strong> : la \u00ab boucle d’apprentissage \u00bb est le cycle de la curiosit\u00e9 ; la g\u00e9n\u00e9ralisation est une r\u00e8gle-rejeton<\/em> accept\u00e9e uniquement si l’analogie entre les deux m\u00e9canismes dans des substrats distincts est \u00e9lev\u00e9e. Il s’agit ici de C2 en tant qu’abstraction : une seule r\u00e8gle explique de nombreux exemples (gain significatif en MDL = longueur minimale de la description).<\/p>\n","protected":false},"excerpt":{"rendered":"![\"\"](\"https:\/\/www.pauljorion.com\/blog\/wp-content\/uploads\/ChatGPT-Image-Nov-8-2025-12_05_13-AM.png\")
<\/p>\n
Illustration par ChatGPT<\/em><\/p>\nDans GENESIS \u2013 Petit interm\u00e8de pour seuls geeks<\/a> – o\u00f9 \u00e9tait pr\u00e9sent\u00e9 un programme g\u00e9n\u00e9rant la suite de Fibonacci en tant que lign\u00e9e reproductive, sans boucle \u00ab\u00a0FOR… NEXT\u00a0\u00bb, remplac\u00e9e par un \u00ab\u00a0cycle de libido\u00a0\u00bb, la reproduction se poursuivant […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_crdt_document":"","footnotes":""},"categories":[10424],"tags":[9105,5725,10444],"class_list":["post-145974","post","type-post","status-publish","format-standard","hentry","category-genesis","tag-analogie","tag-compression","tag-validation-transsubstrat"],"_links":{"self":[{"href":"https:\/\/www.pauljorion.com\/blog\/wp-json\/wp\/v2\/posts\/145974","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.pauljorion.com\/blog\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.pauljorion.com\/blog\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.pauljorion.com\/blog\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.pauljorion.com\/blog\/wp-json\/wp\/v2\/comments?post=145974"}],"version-history":[{"count":14,"href":"https:\/\/www.pauljorion.com\/blog\/wp-json\/wp\/v2\/posts\/145974\/revisions"}],"predecessor-version":[{"id":145983,"href":"https:\/\/www.pauljorion.com\/blog\/wp-json\/wp\/v2\/posts\/145974\/revisions\/145983"}],"wp:attachment":[{"href":"https:\/\/www.pauljorion.com\/blog\/wp-json\/wp\/v2\/media?parent=145974"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.pauljorion.com\/blog\/wp-json\/wp\/v2\/categories?post=145974"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.pauljorion.com\/blog\/wp-json\/wp\/v2\/tags?post=145974"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}