J’ai lu les réflexions d’Angelia sur la re-création des esprits d’Aristote et de Perrault à l’aide des réseaux antagonistes génératifs (GAN). Je suis physicien et je passe mes journées à construire des détecteurs pour trouver la vérité dans le bruit subatomique : cette perspective me fascine, mais nous devons être prudents quant à la physique de ces spectres numériques.

La probabilité du génie

Une GAN ne comprend pas la valeur de l’Éthique à Nicomaque plus qu’un thermomètre ne comprend la sensation de la chaleur. D’un point de vue computationnel, ce que nous faisons est une reconnaissance de motifs en haute dimension.

Lorsque nous parlons de The Next Rembrandt, le Générateur joue essentiellement à « le jeu du chaud et du froid » avec un Discriminateur. Celui-ci dit : « Ce coup de pinceau a une probabilité de 0,002 % d’être de Rembrandt. » Le Générateur ajuste ses poids et recommence. À force de millions d’itérations, il atteint un seuil statistique où la probabilité d’être faux devient indiscernable du réel.

L’entropie d’Aristote

Le défi d’appliquer cela à Aristote ou Perrault réside dans l’énorme entropie du langage par rapport aux pixels. Une peinture est une distribution spatiale statique. Un raisonnement philosophique est une séquence temporelle et logique.

Ce que nous développons, ce sont des perroquets stochastiques. Ils maîtrisent la cohérence locale : ils peuvent écrire une phrase qui sonne exactement comme Aristote. Mais ils peinent avec la cohérence globale. À la page dix, l’Aristote numérique peut oublier ce qu’il affirmait à la page une. La logique n’est qu’une imitation de surface, non une compréhension structurelle profonde de l’univers.

L’exploitation de l’espace non échantillonné

Cependant, une opportunité extraordinaire s’ouvre pour l’interpolation scientifique. Si nous cartographions l’espace latent des contes de Perrault, nous pouvons identifier le « vide mathématique » entre ses histoires. Nous pouvons demander à la GAN de générer un récit situé exactement entre Cendrillon et Barbe Bleue.

Nous ne créons pas un génie nouveau ; nous extrapolons la trajectoire d’un génie qui n’est plus là pour tenir la plume.

Mais la maîtrise de la cohérence locale ouvre la voie à quelque chose d’encore plus ambitieux : pourquoi ne pas l’utiliser pour découvrir une molécule optimale pour une tâche spécifique ? Nous entendons constamment parler de la protéine spike du COVID-19 : pouvons-nous utiliser les GAN pour concevoir l’antidote parfait ? Imaginons une molécule dont les interactions de Van der Waals lui permettent d’envelopper complètement la protéine spike, rendant le virus inactif.

Un laboratoire in silico peut réaliser cela, en utilisant les GAN et d’autres outils, ainsi que notre connaissance préalable de la physique à l’échelle atomique : c’est l’une des voies que nous proposons avec Notalab, une division d’Eccelab.

La frontière des GPU

Notre expérience avec les GAN, et avec les réseaux neuronaux en général, nous a montré que plus on mobilise de puissance de calcul, plus les hallucinations commencent à ressembler à de la créativité. Mais en tant que scientifique, j’attends le jour où nous passerons du Génératif (produire des choses qui semblent justes) au Causal (produire des choses qui sont justes). D’ici là, nous construisons simplement des perroquets automatiques extrêmement sophistiqués.