Joshua Brett Tenenbaum est professeur de science cognitive computationnelle au Massachusetts Institute of Technology (MIT), où il dirige le laboratoire de science cognitive computationnelle et est membre du laboratoire d'informatique et d'intelligence artificielle du MIT (CSAIL). Il est surtout connu pour avoir été un pionnier de l'application de la modélisation probabiliste et statistique à l'étude de l'apprentissage, du raisonnement et de la perception humains, une approche qui a remodelé à la fois la science cognitive et la recherche en intelligence artificielle. Ses travaux abordent une énigme centrale de la cognition : comment l'esprit humain peut-il déduire des connaissances riches et généralisables à partir de données éparses et ambiguës, souvent décrites comme apprendre « tant de choses à partir de si peu, si rapidement ».
Les recherches de Tenenbaum se situent à l'intersection de l'apprentissage automatique, de la psychologie mathématique et de la science cognitive bayésienne. Il développe des modèles computationnels qui considèrent l'esprit comme une sorte de moteur d'inférence probabiliste, et il utilise ces modèles pour expliquer des capacités humaines telles que l'apprentissage de concepts, le raisonnement causal et la physique intuitive. Ses idées ont influencé les efforts visant à construire des systèmes d'IA qui apprennent davantage comme les humains, allant au-delà de la correspondance de motifs de l'apprentissage profond standard vers une compréhension plus flexible, compositionnelle et causale.
Vie et éducation précoces
Tenenbaum a grandi en Californie dans un foyer intellectuellement engagé. Sa mère était enseignante, et son père, Jay Martin Tenenbaum, est un pionnier du commerce sur Internet connu pour ses travaux précoces sur le commerce électronique et les marchés en ligne. L'intérêt de ses parents pour l'enseignement et l'apprentissage a eu une influence durable sur son développement intellectuel, l'orientant vers des questions sur la manière dont les connaissances sont acquises et représentées.
Pendant ses années de premier cycle à l'université Yale, Tenenbaum a été influencé par le psychologue cognitif Roger Shepard, un pionnier de l'étude de la représentation mentale et de la similarité. Les travaux de Shepard sur les modèles géométriques de la cognition et son accent sur le rôle de la généralisation dans la perception ont marqué la pensée de Tenenbaum. Tenenbaum a obtenu son diplôme de premier cycle en physique à Yale en 1993, une formation qui lui a donné une base solide en modélisation mathématique et en inférence statistique.
Il est ensuite allé au MIT pour ses études supérieures, obtenant un doctorat en 1999. Au MIT, il a été exposé au domaine émergent de la modélisation bayésienne de la cognition, qui deviendrait la pierre angulaire de sa carrière. Ses travaux de doctorat portaient sur la manière dont les gens font des inférences à partir de preuves limitées, jetant les bases de ses contributions ultérieures aux modèles probabilistes de l'apprentissage et de la perception.
Carrière académique et axe de recherche
Après avoir obtenu son doctorat, Tenenbaum a rejoint le corps professoral du MIT, où il est devenu professeur de science cognitive computationnelle. Il est affilié au département des sciences du cerveau et cognitives et est chercheur principal au CSAIL, le laboratoire interdisciplinaire du MIT pour l'informatique et l'intelligence artificielle. Il dirige également le MIT Quest for Intelligence, une initiative visant à comprendre la nature de l'intelligence et à construire des machines qui la reproduisent.
Le programme de recherche de Tenenbaum repose sur l'idée que la cognition humaine peut être comprise à travers le prisme de l'inférence bayésienne. Dans ce cadre, l'esprit est vu comme mettant continuellement à jour ses croyances sur le monde en fonction de connaissances antérieures et de nouvelles preuves. Ses modèles expliquent comment les gens peuvent apprendre de nouveaux concepts à partir de quelques exemples seulement, déduire des relations causales à partir d'observations éparses et faire des prédictions intuitives sur des événements physiques. Ces modèles surpassent souvent les approches traditionnelles d'apprentissage automatique pour capturer la rapidité et la flexibilité de l'apprentissage humain.
Un thème clé de ses travaux est la distinction entre l'apprentissage « sans modèle », qui repose sur des régularités statistiques dans les données, et l'apprentissage « basé sur un modèle », qui construit des représentations structurées du monde. Tenenbaum soutient que l'intelligence humaine repose fortement sur ce dernier, et il a plaidé pour des systèmes d'IA qui combinent les deux approches. Cette perspective a influencé une génération de chercheurs travaillant sur les réseaux de neurones et les grands modèles de langage, qui cherchent de plus en plus à intégrer des connaissances structurées et un raisonnement causal dans leurs systèmes.
Contributions à la science cognitive bayésienne
Tenenbaum est largement crédité comme l'un des premiers chercheurs à appliquer la modélisation probabiliste et statistique à l'apprentissage, au raisonnement et à la perception humains. Ses travaux précoces sur l'apprentissage de concepts ont montré que les gens peuvent déduire les limites de catégories nouvelles à partir d'une poignée d'exemples, un exploit que les modèles bayésiens peuvent reproduire en équilibrant les attentes antérieures avec les données observées. Ces travaux ont fourni un compte rendu formel de la manière dont les humains généralisent à partir de petits échantillons, un problème qui reste central à la fois pour la science cognitive et l'apprentissage automatique.
Il a également apporté des contributions significatives à l'étude du raisonnement causal. Ses modèles expliquent comment les gens déduisent des relations de cause à effet à partir de modèles de corrélation et d'intervention, et comment ils utilisent ces inférences pour faire des prédictions et planifier des actions. Cette recherche a des implications pour les systèmes d'IA qui doivent raisonner sur le monde, des véhicules autonomes aux outils de diagnostic médical.
Un autre domaine de ses travaux est la physique intuitive, où il a modélisé comment les gens prédisent le mouvement des objets et raisonnent sur la stabilité physique. Ces modèles capturent les jugements humains sur des scénarios tels que des tours qui tombent ou des balles qui entrent en collision, et ils ont été utilisés pour améliorer les systèmes d'IA qui interagissent avec des environnements physiques. Son approche combine souvent des expériences comportementales avec des simulations computationnelles, une méthodologie qui est devenue standard dans le domaine.
Reconnaissance et récompenses
En 2018, le magazine R&D a nommé Tenenbaum son « Innovateur de l'année », reconnaissant ses contributions à la jonction de la science cognitive et de l'intelligence artificielle. Le prix a souligné ses travaux sur les modèles probabilistes de la cognition et ses efforts pour construire des machines qui apprennent comme les humains.
L'année suivante, en 2019, Tenenbaum a été nommé boursier MacArthur, un honneur souvent appelé « subvention de génie ». La Fondation MacArthur l'a félicité pour avoir développé et appliqué la modélisation probabiliste et statistique à l'apprentissage, au raisonnement et à la perception humains, et pour avoir montré comment ces modèles expliquent la capacité de l'esprit à comprendre tant de choses à partir de si peu, si rapidement. La bourse lui a fourni une subvention sans conditions pour poursuivre ses recherches, qu'il a utilisée pour faire avancer des projets sur une IA semblable à l'humain.
Ses travaux ont également été reconnus à travers de nombreuses conférences invitées, des discours d'ouverture et des collaborations avec des organisations de recherche en IA de premier plan. Il contribue fréquemment aux discussions sur l'avenir de l'intelligence artificielle, en particulier sur la manière d'aller au-delà des limitations actuelles de l'apprentissage automatique.
Recherches récentes et applications en IA
Ces dernières années, Tenenbaum s'est concentré sur l'enseignement aux systèmes d'IA d'imiter l'apprentissage et la perception humains. Une ligne de recherche consiste à développer des modèles qui reconnaissent les visages comme le font les gens, en utilisant non seulement des caractéristiques visuelles mais aussi des connaissances sur le contexte social et l'apparence typique. Ces travaux visent à rendre l'IA plus robuste et plus alignée sur les attentes humaines.
Un autre axe majeur est la programmation de l'IA pour comprendre la cause et l'effet. Tenenbaum a soutenu que les systèmes actuels d'apprentissage profond, y compris les transformeurs et les grands modèles de langage, sont puissants pour la reconnaissance de motifs mais manquent souvent de la compréhension causale sur laquelle les humains s'appuient. Son laboratoire a développé des modèles qui apprennent des structures causales à partir de données, leur permettant de raisonner sur les interventions et les contrefactuels. Ces modèles ont été appliqués à des problèmes en robotique, en compréhension du langage naturel et en découverte scientifique.
Ses travaux ont influencé la communauté plus large de l'IA, y compris les chercheurs d'organisations comme OpenAI, Google DeepMind et Anthropic, qui ont cité ses idées dans des discussions sur la construction d'une IA plus semblable à l'humain. Il a également collaboré avec Brendan Lake, un ancien étudiant, sur le concept de « généralisation compositionnelle », qui explore comment l'IA peut recombiner des concepts appris de manière nouvelle.
Publications et influence
Tenenbaum maintient une liste extensive de publications sur sa page Web du MIT et sur Google Scholar, avec des centaines d'articles dans des revues et conférences de premier plan. Ses travaux les plus cités incluent des articles sur les modèles bayésiens de l'apprentissage de concepts, l'induction causale et la physique intuitive, ainsi que des revues influentes sur le rôle de l'inférence probabiliste dans la cognition. Ces articles ont façonné la recherche à la fois en science cognitive et en apprentissage automatique, et ils sont fréquemment utilisés comme références fondamentales dans les cours de troisième cycle.
Son influence s'étend au-delà du monde académique. Il a été un défenseur vocal d'une approche plus interdisciplinaire de l'IA, une approche qui s'appuie sur des idées de la psychologie, des neurosciences et de la philosophie. Il a soutenu que les progrès en intelligence artificielle nécessiteront non seulement de mettre à l'échelle les réseaux de neurones mais aussi de comprendre les principes de l'intelligence humaine. Cette vision a trouvé un écho chez les chercheurs travaillant sur l'IA générative et l'apprentissage automatique plus largement.
Héritage et travaux en cours
Tenenbaum continue de diriger le laboratoire de science cognitive computationnelle au MIT, où il encadre une nouvelle génération de chercheurs. Les projets de son laboratoire couvrent des sujets tels que l'apprentissage à partir de quelques exemples, la découverte causale et la construction de systèmes d'IA capables d'expliquer leur raisonnement. Il est également impliqué dans le MIT Quest for Intelligence, qui vise à intégrer la recherche à travers l'université et au-delà.
Ses travaux ont aidé à établir la science cognitive bayésienne comme un domaine majeur, et ils ont inspiré des efforts pour construire une IA qui apprend davantage comme les humains. Au début des années 2020, ses idées sont de plus en plus pertinentes pour les débats sur les limitations des systèmes d'IA actuels, en particulier leur tendance à nécessiter de grandes quantités de données et leur difficulté avec le raisonnement causal. La recherche de Tenenbaum offre une voie vers une intelligence plus efficace, plus flexible et plus semblable à l'humain, un objectif qui reste central à la fois pour la science cognitive et l'intelligence artificielle.