Donc on continue maintenant sur un nouveau sujet que j'aimerais proposer. Cette fois-ci c'est plus avec mon expertise de thèse autour de ce qu'on appelle l'IA symbolique, qu'on va définir par la suite. Et en fait on voudrait se concentrer sur un problème assez simple, qui est résolvable par l'humain, le sudoku, et montrer en fait à quel point les IA actuelles, les IA modernes, ne sont pas bonnes pour résoudre ce genre de problème. Voilà, donc l'analyse de ces principes inductifs qu'on va définir par la suite et les projections qu'on peut s'en faire. Voilà, donc dans l'introduction, ce qu'il faut toujours se dire, c'est que les LLM sont des supports, des outils pour l'aide à la décision de l'utilisateur. Et de toujours considérer ces outils-là comme ne remplaçant pas notre esprit critique et qu'on va forcément conserver ce point de vue-là. Le Sudoku sert d'exemple simple ici, juste pour montrer ses limitations. Mais évidemment, on ne se focalise pas essentiellement sur le Sudoku. Évidemment, si on demande à un LLM actuel, résume-moi le Sudoku, ce qu'il va faire le LLM, c'est plutôt proposer l'algorithme et le résoudre formellement. Mais imaginons un problème de ce même ordre qui n'a pas de solution actuelle, comment va répondre le LLM et ce qu'il va répondre?avec certainement une hallucination, mais le plus fort dans tout ça, c'est qu'il va la dire avec une certaine garantie de sa part qui dit que cette information-là est vraie. Donc voilà pourquoi il faut regarder cet esprit critique. Pour ce faire, la présentation va suivre quatre étapes. Tout d'abord, un petit historique de l'IA. Une très vague introduction au domaine de la logique. Quelques expérimentations autour du Sudoku pour voir les limites des LLM actuelles. Et les perspectives entre différentes IA. Ici, on ne voit pas trop, mais en fait, c'est la représentation du penseur qui est sceptique face à l'ensemble de ses LLM qui l'entourent, à droite et à gauche. Donc pour l'instant, il est sceptique. On verra comment ça s'améliore dans le temps, ou pire. Pour la brève histoire, dans les années 50-80, commencent à s'intensifier les recherches autour de la recherche symbolique. Qu'est-ce qu'on entend par symbolique? On constitue le monde sous forme de symboles. On va donner avec certitude en tant qu'experts que ceci est un symbole et qu'il y a un ensemble de règles qui permettent de matérialiser ce symbole-là dans le monde.C'est ce qu'on va appeler le paradigme symbolique. Ce qui est fort avec ce paradigme symbolique, c'est qu'il y a besoin de peu d'exemples pour commencer à symboliser le monde. C'est toute une représentation déclarative qu'on pourra donner textuellement avec un langage qu'on dit formel. Et à la fin, le raisonnement est justement lisible, un petit peu comme si on faisait un raisonnement sur un théorème mathématique. Les limites, c'est que c'est fragile au bruit. Ce qu'on entend par là, c'est de se dire dans ces modèles formels, un exemple simple qui est souvent donné dans le monde de la logique, c'est de se dire, ok, les oiseaux savent voler. Le pingouin est un oiseau, mais le pingouin ne sait pas voler. Et là, dans ce genre de paradigme, c'est justement ce bruit, cette ambiguïté qui va faire un peu capoter ce paradigme. Par la suite, dans les années 80, on a le collectionnisme qui, lui, est beaucoup moins fragile à cette tendance-là. Et il va principalement prendre inspiration des réseaux neuronaux dans notre cerveau humain pour pouvoir proposer sa solution. Donc sa force, c'est une meilleure généralisation de tout ce qui est système de perception et de langage, le langage comme on l'entend avec les LLM, de perception, par exemple la reconnaissance d'objets dans un environnement.Les limites de ce genre d'outils, c'est évidemment qu'il y a besoin d'une quantité massive de données pour pouvoir apprendre. Pour apprendre le simple fait que je ne sais pas, un cheval est un cheval, il faudra des millions d'images du cheval pour pouvoir le prendre en compte. Le problème, c'est le peu d'explicabilité. Autre exemple qui est souvent donné, c'est qu'on peut avoir un réseau de neurones qui est très bon pour pouvoir diagnostiquer une maladie pour une personne en fonction de ses symptômes en entrée. Sauf que si on n'a pas de raisonnement derrière, on ne peut pas réellement utiliser ce genre de modèle dans le monde réel.Voilà, c'est là où en extension de cette brève histoire, il y a le neurosymbolique qui apparaît, et où on viendrait mêler un petit peu ces deux types d'intelligence dans une certaine projection de ces intelligences artificielles. On verra plus tard à quoi ça peut ressembler. Pour resituer un petit peu où est-ce qu'on peut placer, comment on peut comprendre ces IA, il y a deux domaines de la logique et de l'inférence qu'on va introduire ce soir. Un domaine qu'on connaît, je pense, tout ça c'est bien, c'est la déduction, avec cette fameuse citation incluant Socrate. Donc la déduction part du général vers le particulier. Si les prémices sont vraies, alors les conclusions le sont aussi, nécessairement. Définition qui est peut-être à revoir pour certains domaines. J'en ai parlé il n'y a pas longtemps avec une amie philosophe qui n'aimait pas trop qu'on dise du général au particulier. Ici, on adoptera ça pour juste le temps de ce discours. Donc voilà, avec ce fameux Socrate, il vient de se dire, si on a les prémices vraies que tous les hommes sont mortels et que Socrate est un homme, une déduction de ces prémices-là, c'est que Socrate est donc mortel.En revanche, là c'est comment on pourrait finalement replacer ça par rapport au paradigme symbolique qui est très strict par rapport à ce qu'on lui donne en entrée. Et bien là, on va introduire ce qu'est l'induction. Et dans l'induction, on va dire l'inverse. On part du particulier, on va observer plein d'exemples dans le monde réel et on va essayer d'extraire une règle qui est un peu plus générale. C'est pour ça qu'on dit qu'on part du particulier vers le général et pour l'inverse du général, on arrive à dériver vers du particulier. Ici, cette fois, dans ce principe inductif, on va avoir toutes ces prémices ici qui vont dire« Ok, Socrate est mortel, Platon est mortel, plein de gens certainement sont mortels, Andreas est mortel. A priori. L'induction dirait que, ok, on a une petite tendance à travers ce jeu de données pour dire que tous les hommes sont mortels. Sauf que ça reste inductif parce que, ok, il y a peut-être des propriétés qui disent que chacune de ces personnes sont des hommes. On n'a pas testé tous les hommes, toutes les femmes ou tous les humains disponibles pour pouvoir dire que ça est une déduction. Et voilà, et peut-être qu'Andreas n'est pas un homme. C'est un extraterrestre. Voilà, donc pour l'instant,On doit rester prudent par rapport à ce qu'on a à faire à partir d'une induction. Là, on doit le replacer par rapport aux IA actuelles. Plutôt par rapport au problème qu'on étudie, c'est que le Sudoku a besoin d'une rigoureuse chaîne de déduction pour pouvoir être résolu. Là où en fait les LLM tels qu'on les a actuellement font de l'induction. Et donc avec de l'induction, il est très compliqué de respecter une chaîne de déduction comme pour un sudoku. Et pour en être encore un peu plus convaincu, on peut se lancer dans ces expérimentations-là. Pour rappel, très bref de ce qu'est un sudoku, c'est une grille de 9x9 où chaque case doit être remplie avec un nombre entre 1 et 9. Chaque ligne est différente, chaque colonne a des nombres différents et chaque sous-matrice, sous-partie de 3x3, n'a que des nombres distincts aussi. Il est important de dire que le problème du Sudoku est à distinguer des instances du Sudoku. Le problème du Sudoku englobe toutes les compositions du Sudoku possibles. Une instance, ce sera juste un exemple avec des nombres donnés, une grille donnée comme on peut voir dans nos magazines. Donc voilà, et quand on dit résoudre le problème du Sudoku, c'est son entièreté, pas juste quelques exemples. Donc on dit qu'il y a différentes instances du Sudoku. Il y a des instances qui sont dites simples, qu'on arrive à résoudre assez efficacement en tant qu'humain.et d'autres grilles qui sont plus avancées et pour lesquelles il faudra utiliser des techniques un peu plus compliquées. L'une d'entre elles s'appelle le X-Wing, en référence à Star Wars, puisqu'en fait elle va nous demander de regarder quatre nombres en même temps, quatre cases vides en même temps, pour pouvoir déduire une information supplémentaire, faire une vraie déduction en tout cas. Voilà, donc ce qu'on va dire par là, c'est que résoudre une grille, ce n'est pas comprendre et résoudre le sudoku au global. Parce qu'on va voir en fait que nos IA actuelles, nos IA modernes, arrivent quand même à s'en sortir malgré tout. L'instance qu'on a donnée, qui est copiable par nos propres moyens aussi, on peut le retester avec nos LLM préférés, Eh bien, on l'a donné à ChatGPT, celui qui est gratuit. ChatGPT a essayé de le résoudre, ça a arrêté à la deuxième ligne. Et en fait, à la deuxième ligne, il s'est permis de mettre un zéro, qui est une contrainte qui n'est évidemment pas respectée. Voilà pour le tour de GPT, on l'a donné aussi à Gemini, le modèle assez simple de Gemini qui s'appelle Gemini Fast. Pareil, là il a rempli la grille en entier, il ne s'est même pas arrêté à la première erreur. Et à vrai dire, en fait ici il s'est permis de mettre 2 zéros sur cette ligne là. Donc de nouveau, LLM nous donne avec assurance le retour de la grille complétée, mais en fait avec aucune certitude.de l'information finale qui est réellement bien vérifiée. Mais contre exemple, avec cet instant simple, c'est Gemini 3 Pro qui a utilisé ce qu'on appelle une chaîne de pensée où en fait Gemini va se donner une réponse à lui-même, une réponse qu'il va réinterpréter par lui-même en disant est-ce que ça a l'air vrai et si c'est pas vrai, il continue de rechercher et si ça continue, il continue, etc. Jusqu'à temps de trouver une solution qui semble viable. Et donc par ce principe de chaîne de pensée, et bien Gemini a réussi à résoudre le Sudoku. Donc par des principes inductifs et une chaîne de pensée, par chance, des fois, ça peut fonctionner.Voilà, donc ça c'est pour une instance simple. Maintenant on arrive sur une instance qui est plus compliquée, pour laquelle on va avoir besoin d'une technique qui est proche du X-Wing, le Y-Wing, et pour laquelle on l'a soumis au modèle le plus fort de Google, qui cette fois a résonné pendant 3 minutes d'HLF. Voilà l'instance compliquée et voilà le résultat qu'il nous a donné. Et en fait, dans ce résultat qu'il nous a donné cette fois-ci, il a halluciné une valeur ici. Il a mis un 6 alors que c'était un 1 qui était donné à l'instance initiale. Et donc pour se conformer à un sodoku qui était valide, tout simplement il s'est permis de changer les règles du sodoku initial. Ce qui est intéressant, c'est les logs de ce fameux Gemini, où on voit qu'il réfléchit vraiment un petit peu comme ce qu'on pourrait faire en tant qu'humain. Je définis une solution, j'analyse le nombre à placer, etc. Et on voit même sur la fin de ce log que des fois il se trompe, donc je me dis qu'il faut que je réassigne cette valeur-là, etc. Donc on voit vraiment une chaîne de pensée comme on pourrait le faire en tant qu'humain, mais pas avec cette pensée qui est assez forte et assez déterminée et assez déductive pour pouvoir répondre à des problèmes qui sont aussi compliqués que le Sudoku.Voilà, et comme deux exemples ne suffisent pas, en fait, il existe plein d'études qui examinent comment se passe la résolution de Sudoku et des puzzles de manière générale. Ici, 100 sur le coup ont été donnés de différentes tailles. Il y a peut-être des gens qui veulent entrer. Donc on a des SOTOKU qui sont en 4x4 dans cette expérience, en 6x6 et en 9x9 qu'on a donné à différentes IA plus ou moins fortes. QN qui sont des modèles open source, GPT qu'on connaît, Gemini et O3 qui est le modèle avancé. d'OpenAI et on voit qu'au final déjà l'ancienne instance de Gemini Pro n'arrivait pas du tout à résoudre les Sudoku 9x9 et que c'était seulement le début avec ce O3 Mini au moment de l'étude en 2024-2025 j'imagine. Voilà, toutes ces considérations pour dire pourquoi ces résultats. Parce que tout d'abord, ces fameux LLM sont appris de façon inductive à représenter le monde. On va plutôt dire quelle est la valeur la plus probable qui va pouvoir apparaître à cet endroit-là plutôt que de la déduction forte. Par contraste, le Sudoku requiert une chaîne de déduction qui, elle, est plus forte.Comme on l'a vu, ça provoque des hallucinations par rapport à la solution donnée. Et que des fois, même si la chaîne de pensée est un principe assez fort avec nos élèves actuels, n'est pas suffisant pour répondre à des problèmes qui sont un peu plus compliqués comme celui-ci. Voilà, en conclusion. Le Sudoku illustre des limitations structurelles avec les IA modernes, comme on l'a remarqué ici, ce qui nécessite toujours de conserver un esprit très critique par rapport aux résultats que nous donnent ces LLM. Le Sudoku est un exemple, on va dire, un peu bateau, logique, mais au final, dans toutes les requêtes qu'on peut faire au quotidien, il y a beaucoup de problèmes de logique qui sont bafoués de cette manière-là. Les solvers symboliques nous permettent de trouver ce genre de solution. On pense à des futurs systèmes hybrides qui permettraient de raisonner de façon déductive et inductive par la même occasion. Ici, le penseur qui continue de conserver son esprit critique par rapport à tous ces LLM. Et je crois qu'il y a une dernière slide qui parle de neurosymbolique et qui viserait dans cette vue-là de combiner un petit peu ces deux paradigmes, comme on disait juste avant.entre la logique déductive et la logique inductive. Peu importe pour ces détails-là. Ce qu'en dit le penseur à la fin, là c'est cette vue ici qui est proposée. Le penseur qui semble enceint, enfin revitalisé, après avoir appris que finalement si on fusionne ces différents principes, on pourra peut-être s'en sortir avec des IA qui nous répondent plus franchement, avec plus de certitude. Sauf que dans tout ça, c'est un penseur qui a été généré par Gemini. Et donc un penseur pensé et dessiné par l'IA, c'est peut-être un penseur qui a été justement biaisé par l'IA elle-même.Voilà, et merci beaucoup pour votre attention. Merci aussi à Afra qui a donné beaucoup de retours par rapport à... Je la remercie notamment pour ses déductions et ses inductions à propos de ses propres termes. C'est la personne en philosophie qui n'était pas forcément d'accord avec les principes de généralité et de particularité. Sophia pour son point de vue neuroscientifique et Hugo de cette maison avec qui on va avoir de prochaines discussions entre l'élève et le neurosymbolique. Donc pareil, un article est en approche et merci à l'audience, mortelle comme immortelle, d'avoir écouté et à vos questions, avec plaisir.Parce qu'on n'a pas encore la preuve du contraire. Comme ça, ça donne une validité particulière à l'induction, si tu es immortel, pour donner tort au LLM.Je propose qu'on passe rapidement à Andreas, parce que je pense qu'on a déjà passé beaucoup de temps. Et nous sommes encore. Andreas, we'll have a nice subject about the Russian related that will... I need to view the AI more and more from a veryCritic Ray. Yes, the mic is for you. For the slides, the, you know. I think this is welcome, yeah. Sorry for that. But we hear you voice, actually. Okay.