La résolution de problèmes humaine est le processus cognitif par lequel des individus ou des groupes identifient un écart entre un état actuel et un objectif souhaité, puis conçoivent et exécutent une séquence d'opérations pour réduire ou éliminer cet écart. C'est un aspect fondamental de l'intelligence, englobant tout, des tâches banales comme planifier un itinéraire à la découverte scientifique complexe. L'étude de la résolution de problèmes humaine a historiquement été un sujet central en psychologie et en sciences cognitives, et elle a également servi d'inspiration fondatrice pour le domaine de l'intelligence artificielle, où les chercheurs ont tenté de modéliser et de reproduire ces processus dans des machines.
Les premières recherches psychologiques, en particulier au milieu du XXe siècle, ont encadré la résolution de problèmes comme une forme de recherche dans un espace de problèmes. Cette perspective, défendue par des figures comme Allen Newell et Herbert Simon, considérait un problème comme consistant en un état initial, un état but et un ensemble d'opérateurs qui transforment un état en un autre. La tâche du résolveur est de trouver un chemin à travers cet espace, souvent en utilisant des heuristiques - des raccourcis mentaux ou des règles empiriques - pour élaguer la recherche et la rendre réalisable. Cette approche de traitement de l'information a conduit au développement des premiers programmes d'IA, tels que le General Problem Solver, qui tentaient explicitement d'imiter la recherche heuristique humaine.
Heuristiques et biais
Un courant majeur de recherche, initié par les psychologues Daniel Kahneman et Amos Tversky dans les années 1970, s'est concentré sur les heuristiques que les humains utilisent réellement, qui s'écartent souvent de la logique normative. Ils ont identifié des raccourcis courants tels que la représentativité (juger la probabilité par la similarité), la disponibilité (juger la fréquence par la facilité de rappel) et l'ancrage (s'appuyer excessivement sur une information initiale). Ces heuristiques sont généralement efficaces mais peuvent conduire à des erreurs systématiques ou à des biais cognitifs. Ces travaux ont remis en question la notion d'humains comme acteurs purement rationnels et ont mis en évidence la nature limitée de la rationalité humaine - un concept qui a influencé la manière dont les modèles de apprentissage automatique sont évalués, en particulier pour comprendre leurs modes d'échec et leurs limites.
Insight et restructuration
Toute résolution de problèmes n'implique pas une recherche incrémentale. Les psychologues de la Gestalt, plus tôt au XXe siècle, ont souligné le rôle de l'insight - une restructuration soudaine, souvent non consciente, du problème qui mène à une solution immédiate. Des exemples classiques incluent le puzzle des neuf points, où le résolveur doit briser une hypothèse implicite sur les limites. La recherche sur l'insight a montré qu'il implique souvent une période d'impasse, suivie d'un éclair soudain de compréhension. Cela contraste avec les approches algorithmiques pas à pas. Dans l'IA moderne, le concept d'insight a des parallèles dans la capacité des grands modèles de langage à produire des solutions novatrices à des problèmes inédits, bien que la question de savoir si ces systèmes restructurent réellement les problèmes ou s'appuient sur la complétion de motifs reste un sujet de débat parmi des chercheurs comme Melanie Mitchell.
Résolution de problèmes en intelligence artificielle
L'étude formelle de la résolution de problèmes humaine a directement façonné les débuts de l'IA. Le ordinateur d'échecs Deep Blue, qui a vaincu le champion du monde Garry Kasparov en 1997, utilisait un algorithme de recherche par force brute, mais sa fonction d'évaluation était calibrée avec des connaissances humaines sur les échecs. Plus récemment, le passage de l'IA symbolique au apprentissage profond a déplacé l'attention de la recherche explicite vers l'apprentissage de représentations à partir de données. Les réseaux de neurones, en particulier les transformeurs, sont entraînés à prédire les prochains jetons ou actions, et leurs capacités de résolution de problèmes émergent de ces motifs statistiques. Par exemple, la série GPT d'OpenAI et les modèles Claude d'Anthropic peuvent résoudre des tâches de raisonnement complexes, mais leurs méthodes sont opaques et diffèrent souvent des processus cognitifs humains. Des chercheurs comme Joshua Tenenbaum au MIT CSAIL soutiennent que l'IA actuelle manque de la compréhension causale et de la physique intuitive qui sous-tendent la résolution de problèmes humaine, plaidant pour une synthèse de l'apprentissage profond avec le raisonnement symbolique.
Modèles computationnels et architectures cognitives
Pour combler l'écart entre la résolution de problèmes humaine et machine, les scientifiques cognitifs ont construit des modèles computationnels qui simulent la performance humaine. L'architecture ACT-R, développée par John Anderson à l'Université Carnegie Mellon, tente de modéliser les processus cognitifs sous-jacents, y compris la récupération en mémoire et l'acquisition de compétences procédurales. De même, l'architecture SOAR, créée par Newell et ses étudiants, est conçue pour gérer une large gamme de tâches de résolution de problèmes en utilisant un système de production. Ces modèles ont été utilisés pour prédire les temps de réaction et les taux d'erreur humains dans des expériences contrôlées, fournissant un lien testable entre la théorie psychologique et l'implémentation computationnelle. Ils informent également la conception d'IA plus semblables aux humains, comme les efforts de Sanctuary AI pour construire des robots polyvalents qui raisonnent sur leur environnement.
Défis modernes et orientations futures
La recherche contemporaine sur la résolution de problèmes humaine est de plus en plus interdisciplinaire, combinant psychologie, neurosciences et IA. Un défi clé est de comprendre comment les humains résolvent des problèmes mal structurés, où l'objectif ou les opérateurs ne sont pas clairement définis. Un autre est le rôle de la créativité et du raisonnement par analogie, où des solutions d'un domaine sont transférées à un autre. En IA, la quête d'une IA générative capable de résoudre des problèmes novateurs a conduit à des techniques comme le RLHF (apprentissage par renforcement avec retour humain) pour aligner le comportement du modèle sur les préférences humaines. Cependant, au début des années 2020, les systèmes d'IA peinent encore avec des tâches nécessitant le bon sens, la planification à long terme et une adaptation robuste à des circonstances changeantes - des domaines où la résolution de problèmes humaine excelle. Les travaux en cours dans des institutions comme le Stanford AI Lab et la Berkeley AI Research continuent d'explorer ces frontières, s'inspirant souvent directement des sciences cognitives pour construire des systèmes plus capables et interprétables.