Joshua Brett Tenenbaum (né en 1971) est professeur de science cognitive computationnelle au Massachusetts Institute of Technology. Il est reconnu pour ses contributions à la psychologie mathématique et à la science cognitive bayésienne, en particulier pour le développement de modèles probabilistes qui expliquent comment les humains apprennent et raisonnent à partir de données limitées. Son travail fait le pont entre la psychologie cognitive et l'intelligence artificielle, visant à rapprocher l'apprentissage automatique de la flexibilité et de l'efficacité humaines.
Tenenbaum dirige le laboratoire de science cognitive computationnelle du MIT et est chercheur principal au MIT Quest for Intelligence. Il a été nommé MacArthur Fellow en 2019, la fondation soulignant son rôle pionnier dans l'application de la modélisation statistique à l'étude de la cognition humaine et ses efforts pour relever le défi de la manière dont les esprits comprennent tant à partir de si peu, si rapidement.
Vie et éducation précoces
Tenenbaum a grandi en Californie, où sa mère travaillait comme enseignante et son père, Jay Martin Tenenbaum, est devenu un pionnier du commerce électronique. L'intérêt de ses parents pour l'enseignement et l'apprentissage a façonné sa direction intellectuelle précoce, et ses interactions ultérieures avec le psychologue cognitif Roger Shepard pendant ses années de premier cycle à Yale ont renforcé son focus sur la perception et le raisonnement. Il a obtenu un baccalauréat en physique de Yale en 1993. Il est ensuite passé au Massachusetts Institute of Technology pour des études supérieures, complétant un doctorat en 1999. Sa recherche doctorale portait sur l'inférence probabiliste comme modèle pour la cognition humaine, un thème qui définirait sa carrière.
Carrière académique
Après avoir terminé son doctorat, Tenenbaum a rejoint le corps professoral du MIT, où il est devenu professeur de science cognitive computationnelle. Il est affilié au Laboratoire d'informatique et d'intelligence artificielle(CSAIL) et dirige le groupe de science cognitive computationnelle. Son laboratoire étudie comment les gens infèrent les structures causales, apprennent des concepts, et généralisent à partir d'exemples épars, en utilisant des modèles bayésiens et des expériences comportementales.
En 2018, R&D Magazine a nommé Tenenbaum son Innovateur de l'année, reconnaissant son approche interdisciplinaire de la science cognitive et de l'IA. L'année suivante, la Fondation MacArthur lui a décerné une bourse, citant son travail sur la modélisation probabiliste de l'apprentissage, du raisonnement, et de la perception. Sa recherche a également inclus des efforts pour enseigner aux systèmes d'IA à imiter la reconnaissance faciale humaine et à programmer des machines pour comprendre la cause et l'effet.
Contributions de recherche
La contribution centrale de Tenenbaum est l'application de l'inférence bayésienne à la science cognitive. Il soutient que l'esprit effectue des calculs probabilistes pour inférer les explications les plus probables des entrées sensorielles et pour généraliser à partir d'exemples limités. Ce cadre a été utilisé pour modéliser l'apprentissage de concepts, le raisonnement causal, et l'organisation perceptuelle, fournissant un compte rendu unifié de la cognition humaine.
Son travail sur « apprendre à apprendre » et les modèles bayésiens hiérarchiques a influencé le apprentissage automatique en suggérant des moyens de construire des systèmes qui acquièrent de nouveaux concepts à partir de quelques exemples, une capacité qui reste difficile pour les approches standard de apprentissage profond. Il a collaboré avec des chercheurs tels que Brendan Lake sur le projet « apprentissage de concepts de niveau humain », qui a démontré comment des programmes probabilistes peuvent apprendre des caractères manuscrits à partir d'exemples uniques.
Science cognitive bayésienne
Tenenbaum est une figure centrale de la science cognitive bayésienne, un champ qui traite le cerveau comme effectuant une inférence probabiliste. Ses modèles combinent souvent des connaissances préalables avec des fonctions de vraisemblance pour prédire les jugements humains dans des tâches impliquant la catégorisation, le raisonnement causal, et la prise de décision. Ces modèles ont été validés contre des données comportementales, montrant qu'ils capturent à la fois les réponses moyennes et la variabilité individuelle.
Une idée clé dans son travail est l'analyse « rationnelle » de la cognition, qui suppose que le comportement humain se rapproche d'une inférence statistique optimale compte tenu des contraintes computationnelles. Cette perspective a été influente en psychologie mathématique, où elle a inspiré de nouveaux paradigmes expérimentaux et des méthodes quantitatives.
IA et cognition humaine
La recherche de Tenenbaum vise à combler le fossé entre l'intelligence artificielle et humaine. Il a soutenu que les réseaux de neurones actuels et les grands modèles de langage excellent dans la reconnaissance de formes mais manquent de la compréhension compositionnelle, causale, et de la physique intuitive que possèdent les humains. Son laboratoire explore des approches hybrides qui combinent des modèles probabilistes avec l'apprentissage profond pour atteindre une généralisation plus robuste.
Il a été impliqué dans le MIT Quest for Intelligence, une initiative pour faire progresser à la fois l'intelligence machine et humaine. À travers ce projet, il a promu l'idée que l'IA devrait être construite sur des principes de la science cognitive, tels que des théories intuitives du monde, plutôt que sur des corrélations purement statistiques.
Prix et reconnaissance
Au-delà de la bourse MacArthur, Tenenbaum a reçu de nombreux honneurs pour son travail interdisciplinaire. Il a été membre de la Cognitive Science Society et a siégé sur des comités éditoriaux de grandes revues en psychologie et en apprentissage automatique. Ses articles sont largement cités dans les domaines de la science cognitive et de l'IA, reflétant son impact à travers les disciplines.
Son prix d'Innovateur de l'année 2018 de R&D Magazine a souligné son potentiel à transformer la recherche en IA. La citation de la Fondation MacArthur a spécifiquement noté son rôle dans la démonstration de comment les modèles probabilistes expliquent la vitesse et la flexibilité de l'apprentissage humain.
Publications et influence
Tenenbaum maintient une liste de ses publications sur sa page web du MIT et sur Google Scholar. Ses œuvres les plus citées incluent des articles sur les modèles bayésiens de l'apprentissage de concepts, de l'induction causale, et de la physique intuitive. Ces publications ont façonné les agendas de recherche en science cognitive computationnelle et ont été adoptées par des chercheurs en IA cherchant à construire des systèmes plus semblables aux humains.
Son influence s'étend au développement de langages de programmation probabilistes, qui fournissent des outils pour exprimer des modèles génératifs complexes. Il a plaidé pour ces langages comme un pont entre les modèles cognitifs et les implémentations d'apprentissage automatique.
Héritage et orientations futures
Le travail de Tenenbaum a établi un cadre pour comprendre la cognition comme une inférence probabiliste, influençant à la fois la psychologie et l'IA. Sa recherche en cours continue d'explorer comment les machines peuvent acquérir des théories intuitives de la physique et de la causalité, et comment elles peuvent apprendre à partir de quelques exemples. Au début des années 2020, son laboratoire reste actif dans le développement de modèles qui intègrent le raisonnement symbolique avec l'apprentissage statistique.
Sa vision pour l'IA est une où les systèmes possèdent du sens commun et la capacité de raisonner sur des situations invisibles, s'appuyant sur des principes de la cognition humaine. Cet agenda le positionne comme une voix de premier plan dans l'effort pour créer une intelligence artificielle qui n'est pas seulement puissante mais aussi compréhensible et alignée avec les processus de pensée humains.