Un problème de Bongard est un type de puzzle visuel dans lequel une personne ou une machine doit identifier une règle qui distingue deux ensembles d'images, généralement présentés côte à côte. Chaque ensemble contient six diagrammes simples, et le solveur doit trouver un critère de classification binaire qui sépare l'ensemble de gauche de l'ensemble de droite. Les problèmes ont été introduits par l'informaticien soviétique Mikhail Bongard dans son livre de 1970 « Pattern Recognition », et ils sont depuis devenus une référence standard dans la recherche en sciences cognitives et en intelligence artificielle.
Les problèmes de Bongard sont notables pour leur combinaison de difficulté perceptuelle et conceptuelle. Les règles peuvent impliquer des propriétés géométriques telles que la forme, la taille, l'orientation, le nombre ou l'arrangement spatial, mais elles exigent souvent un raisonnement abstrait sur les relations, la symétrie, ou même des catégories sémantiques. Parce que les images sont délibérément minimales, les problèmes isolent le défi central de découvrir une règle générale à partir d'exemples limités, une tâche triviale pour les humains dans de nombreux cas, mais notoirement difficile pour les machines.
Contexte historique
Mikhail Bongard a développé ces problèmes en travaillant à l'Institut de cybernétique de Moscou, visant à comprendre les mécanismes de reconnaissance de formes dans les systèmes biologiques et artificiels. Sa monographie de 1970 présentait 100 problèmes, chacun conçu pour tester différents aspects de l'abstraction visuelle. Les problèmes ont gagné une attention plus large en Occident grâce au livre de Douglas Hofstadter de 1979 « Gödel, Escher, Bach », qui les a discutés comme des exemples de la « connaissance tacite » impliquée dans la perception et la fabrication d'analogies. Hofstadter a ensuite utilisé les problèmes de Bongard dans ses recherches au MIT Computer Science and Artificial Intelligence Laboratory, où lui et ses étudiants ont développé des modèles computationnels pour les résoudre.
Structure et exemples
Un problème de Bongard typique présente deux boîtes, étiquetées A et B, chacune contenant six petits diagrammes. Le solveur doit trouver une règle que tous les six diagrammes de la boîte A satisfont, tandis qu'aucun des six de la boîte B ne la satisfait. Par exemple, un problème pourrait avoir la boîte A contenant uniquement des formes avec un nombre pair de côtés, et la boîte B contenant des formes avec un nombre impair de côtés. Un autre pourrait exiger de reconnaître que toutes les figures de la boîte A sont orientées verticalement, tandis que celles de la boîte B sont horizontales. Les règles peuvent être hiérarchiques, comme « toutes les formes de A contiennent un petit cercle à l'intérieur d'un triangle plus grand », ou elles peuvent impliquer des comparaisons entre éléments, comme « le nombre de points noirs est égal au nombre de carrés blancs ».
Certains problèmes sont délibérément ambigus, avec plusieurs règles plausibles, ce qui souligne le rôle des connaissances préalables et du contexte dans l'interprétation. La difficulté varie de triviale (par exemple, la couleur ou la taille) à hautement abstraite (par exemple, « les figures de A sont toutes topologiquement équivalentes à un cercle »).
Rôle dans les sciences cognitives
Les scientifiques cognitifs ont utilisé les problèmes de Bongard pour étudier la formation de concepts humains, le raisonnement inductif et la nature de l'intelligence visuelle. Des chercheurs tels que Joshua Tenenbaum et Brendan Lake à Stanford et MIT les ont cités comme des exemples des capacités de « cartographie rapide » et d'« apprentissage en un seul exemple » que les humains possèdent mais que les machines n'ont pas. Les problèmes exigent non seulement la correspondance de motifs, mais aussi la capacité de générer et de tester des hypothèses sur des catégories abstraites, un processus qui reste mal compris. Des études ont montré que les solveurs humains s'appuient souvent sur des règles verbalisables, suggérant un lien entre le langage et le raisonnement visuel.
Apprentissage automatique et références en IA
Dans le domaine de l'intelligence artificielle, les problèmes de Bongard sont devenus une référence pour évaluer les capacités de raisonnement visuel. Les premières tentatives dans les années 1970 et 1980 utilisaient des approches d'IA symbolique, mais elles ont échoué face à la nature ouverte des règles. Avec l'essor de l'apprentissage automatique et de l'apprentissage profond, les chercheurs ont développé de nouveaux ensembles de données basés sur les problèmes de Bongard, tels que l'ensemble Bongard-HOI (2020) et l'ensemble Bongard-LOGO (2022), qui génèrent un grand nombre de problèmes de manière programmatique. Ces ensembles de données sont utilisés pour tester les réseaux de neurones et les modèles basés sur les transformeurs, y compris les grands modèles de langage lorsqu'ils sont combinés avec des encodeurs visuels.
Les systèmes de pointe actuels performent encore bien en dessous de la précision humaine sur les nouveaux problèmes de Bongard. Par exemple, une étude de 2023 a constaté que même les meilleurs modèles atteignaient seulement environ 60 % de précision sur un ensemble de 100 problèmes, contre une performance humaine presque parfaite. La difficulté réside dans le besoin de raisonnement compositionnel et la capacité de généraliser à partir d'une poignée d'exemples, ce qui contraste avec la nature gourmande en données de la plupart des approches d'apprentissage profond. Des chercheurs chez Google DeepMind et OpenAI ont exploré l'utilisation des problèmes de Bongard pour sonder les capacités de raisonnement de leurs modèles, mais aucun système ne les a encore maîtrisés.
Concepts connexes et orientations futures
Les problèmes sont étroitement liés à d'autres tâches de raisonnement visuel telles que les matrices progressives de Raven, qui impliquent de compléter un motif dans une grille, et le corpus de raisonnement et d'abstraction (ARC) introduit par François Fleuret en 2019. ARC partage l'objectif de mesurer l'intelligence générale à travers des puzzles visuels, mais il utilise un format différent. Certains chercheurs soutiennent que les problèmes de Bongard sont plus difficiles car ils exigent de découvrir une règle binaire à partir d'exemples positifs et négatifs, alors que les tâches ARC impliquent souvent des règles de transformation.
Les travaux futurs pourraient impliquer de combiner les problèmes de Bongard avec des approches d'apprentissage par curriculum ou de méta-apprentissage, ou de les utiliser pour évaluer les capacités de raisonnement émergentes des systèmes d'IA générative. À partir du milieu des années 2020, aucun système publié n'a atteint une performance de niveau humain sur un large ensemble de problèmes de Bongard, ce qui en fait un domaine de recherche actif dans la quête de l'intelligence artificielle générale.