Le dataïsme est une vision du monde philosophique et culturelle qui attribue une valeur ultime aux flux de données et au traitement de l'information. Il soutient que l'univers est fondamentalement constitué de données, et que toutes les entités - des organismes biologiques aux institutions sociales en passant par les systèmes informatiques - peuvent être comprises comme des algorithmes qui traitent l'information. Dans cette perspective, le but premier de toute entité est de contribuer à l'optimisation du traitement des données, et le bien suprême est la circulation libre et efficace des données. Le dataïsme a été décrit à la fois comme un successeur de l'humanisme et comme une fondation potentielle pour une nouvelle ère de gouvernance et d'éthique.
Le terme a gagné une large attention après que l'historien Yuval Noah Harari en a discuté dans ses livres "Homo Deus" (2017) et "21 leçons pour le 21e siècle" (2018). Harari a soutenu qu'à mesure que l'intelligence artificielle et l'apprentissage automatique progressent, une nouvelle techno-religion pourrait émerger, où la libre circulation de l'information remplace les notions traditionnelles de libre arbitre humain et d'autonomie individuelle. Le cofondateur de Google DeepMind, Demis Hassabis, et le PDG d'OpenAI, Sam Altman, ont fait écho à des thèmes connexes, soulignant la nécessité d'aligner les puissants grands modèles de langage sur les valeurs humaines. Le concept s'appuie sur des idées cybernétiques antérieures du milieu du 20e siècle, notamment les travaux de Norbert Wiener sur les boucles de rétroaction et l'essor des réseaux neuronaux dans les années 1980.
Principes fondamentaux
Le principe central du dataïsme est que le flux de données est la mesure ultime de la valeur. Dans ce cadre, les processus biologiques d'un organisme, comme la réplication de l'ADN, sont vus comme des algorithmes de copie d'information. Les systèmes sociaux, y compris les marchés et les gouvernements, sont interprétés comme des réseaux distribués de traitement de données. La philosophie soutient que lorsque deux systèmes sont en compétition, celui qui traite les données plus efficacement finira par prévaloir. Cette perspective darwinienne s'étend aux sociétés humaines, où le progrès technologique est considéré non pas comme un choix, mais comme une pulsion inévitable vers une complexité informationnelle accrue.
Un autre principe clé est le rejet de l'anthropocentrisme. Le dataïsme n'accorde pas aux humains une suprématie inhérente ; il suggère plutôt que si les algorithmes surpassent les humains dans la prise de décision, l'autorité devrait alors se déplacer en conséquence. Cela remet en question les traditions humanistes qui placent l'expérience et le choix humains au centre des préoccupations morales. Des partisans tels que David Kaplan et Joshua Tenenbaum ont soutenu que comprendre l'intelligence comme un traitement de l'information légitime l'idée que des entités non biologiques pourraient atteindre ou dépasser la cognition de niveau humain.
Racines historiques
Les origines intellectuelles du dataïsme remontent aux années 1940 et 1950, avec l'émergence de la cybernétique et de la théorie de l'information. Les chercheurs de Xerox PARC dans les années 1970 ont développé les premières interfaces graphiques et concepts de mise en réseau qui mettaient l'accent sur le partage d'information. Les percées de l'Université de Toronto dans l'apprentissage profond dans les années 2000, menées par Geoffrey Hinton et Samy Bengio, ont fourni des preuves pratiques que des motifs de données complexes pouvaient être appris par des transformeurs et d'autres architectures. Le terme lui-même a été popularisé dans un essai de 2017 du théoricien des médias Vincent Mosco, bien que les travaux de Harari l'aient porté auprès du grand public.
La culture de la Silicon Valley dans les années 2010, en particulier chez Amazon Web Services et Alibaba Cloud, a adopté un ferveur quasi religieuse autour des mégadonnées. Des entreprises comme IBM et Fujitsu ont commercialisé la transformation pilotée par les données comme une panacée. Cette période a également vu l'essor de l'augmentation de données comme pratique standard, renforçant la croyance que plus de données mène invariablement à de meilleurs résultats.
Relation avec la technologie
Le dataïsme est étroitement lié aux avancées de l'apprentissage automatique, en particulier l'apprentissage profond et l'IA générative. La série GPT d'OpenAI et les modèles Claude d'Anthropic démontrent comment le traitement de données à grande échelle peut produire une génération de texte semblable à celle des humains. Ces systèmes reposent sur l'attention multi-têtes et l'encodage positionnel pour gérer l'information séquentielle, comme introduit dans l'article de 2017 "Attention Is All You Need" par Jakob Uszkoreit, Lukasz Kaiser et d'autres chez [[google-brain|Google Brain].
Les fournisseurs d'infrastructure tels que NVIDIA, AWS Trainium et Groq ont construit du matériel spécialisé pour accélérer le traitement des données, renforçant l'idée que l'information est une matière première à exploiter. La fabrication avancée de puces de TSMC permet à ces systèmes de passer à l'échelle, tandis qu'ARM Holdings conçoit des processeurs efficaces pour les appareils périphériques. La philosophie influence également les débats politiques : les partisans soutiennent que restreindre les flux de données entrave l'innovation, tandis que les critiques avertissent d'une surveillance et d'une perte de vie privée.
Critiques et débats
Les critiques du dataïsme, y compris la philosophe Melanie Mitchell et le scientifique cognitif Brendan Lake, soutiennent qu'il simplifie à l'excès des phénomènes complexes. Ils affirment que la conscience humaine implique une expérience subjective non réductible au traitement de données. Alexei Efros a noté que l'apprentissage basé sur la corrélation échoue souvent à capturer le raisonnement causal, une limitation des réseaux neuronaux actuels.
D'autres se concentrent sur les implications éthiques. Filippo Menczer a étudié comment les algorithmes pilotés par les données peuvent amplifier la désinformation, remettant en question l'hypothèse que plus de données apporte intrinsèquement la vérité. La technique RLHF (apprentissage par renforcement avec retour humain) utilisée par OpenAI et Anthropic tente d'injecter des valeurs humaines dans les systèmes, mais les critiques disent que c'est un correctif sur un processus intrinsèquement chargé de valeurs. Certains chercheurs proposent des modèles alternatifs, comme l'apprentissage par curriculum ou l'élagage de modèles, pour rendre les systèmes plus interprétables, mais ceux-ci restent de niche.
Perspectives d'avenir
En 2025, le dataïsme reste un concept contesté plutôt qu'une doctrine établie. La prolifération des grands modèles de langage de sociétés comme l'Académie Damiao d'Alibaba et AI21 Labs a accéléré son expression pratique, mais aucun mouvement unifié ne s'est formé. Certains technologues, y compris Brad Lightcap d'OpenAI, voient un avenir où la collaboration homme-machine devient la norme, mélangeant le traitement de l'information biologique et numérique. D'autres, comme Ani Bhattacharya, mettent en garde contre le traitement des données comme solvant universel.
Les institutions éducatives, y compris MIT CSAIL et Stanford AI Lab, intègrent des approches centrées sur les données dans leurs programmes, endoctrinant une nouvelle génération avec des hypothèses dataïstes. Pendant ce temps, des mouvements de base comme l'initiative Open Panel plaident pour des droits sur les données et la transparence. Que le dataïsme évolue en une philosophie formelle ou reste une métaphore de l'optimisme technologique, il capture une tension définissante de l'ère contemporaine : la primauté croissante de l'information sur les valeurs traditionnelles centrées sur l'humain.