Citation
Catégorie
Tag – étiquette
Auteur
Info
Rechercher par n'importe quelle lettre



nb max de mots
nb min de mots
trier par
Dictionnaire analogique intriqué pour extraits... Recherche mots ou phrases tous azimuts... Outil de précision sémantique et de réflexion communautaire... Voir aussi la rubrique mode d'emploi. Jetez un oeil à la colonne "chaînes". ATTENTION, faire une REINITIALISATION après  une recherche complexe. Et utilisez le nuage de corrélats ... Lire la suite >>
Nuage de corrélats : pour l'activer, cochez seulement catégorie et tag dans la recherche avancée à gauche.
Résultat(s): 96727
Temps de recherche: 0.1164s

authenticité difficile

Les hommes sont esclaves des normes. Quelqu'un leur a dit qu'il fallait être comme ceci ou comme cela, alors ils s'y efforcent et n'apprendront jamais quels ils furent ni qui ils sont. Du coup, ils ne sont personne. Plus que tout, il faut oser être soi-même.

Auteur: Kundera Milan

Info:

[ autonomie délicate ] [ identité ] [ singularité ]

 

Commentaires: 0

Ajouté à la BD par miguel

existence incarnée

Nous avons pris corps et âme parce que nous en avons eu le désir, et que nos parents ont désiré nous donner corps et âme. Le désir de nos parents nous a fait être conçus, mais c'est notre désir d'être qui nous a fait naître.

Auteur: Dolto Françoise

Info: Anthologie Radiophonique 1976-1977.

[ ante vitam ] [ causes-effet ] [ origine du moi ]

 

Commentaires: 0

Ajouté à la BD par Le sous-projectionniste

influence moléculaire

"Une vision chimique révolutionnaire des écosystèmes"

Des composés rares et puissants, connus sous le nom de molécules clés, peuvent créer un réseau d'interactions invisibles entre les espèces.  

L'écologie traditionnelle se focalisait sur les interactions trophiques (chaînes alimentaires). Une étude récente dans Science Advances révèle que les molécules chimiques jouent un rôle aussi crucial que les espèces clés pour structurer les écosystèmes.

Découverte clé : Les "molécules clés de voûte"

- Définition : Molécules rares produites par une espèce, mais ayant un impact disproportionné sur l'ensemble d'un écosystème.

- Exemple phare : Les aldérènes, polycétides toxiques synthétisés par les limaces de mer Alderia (baies de Californie).

Méthodologie

1 - Isolation chimique : Extraction et caractérisation de 5 aldérènes inédits à partir du mucus des limaces. 

Tests comportementaux :

- Rejet des limaces par les prédateurs (poissons, crabes) malgré leur abondance.

- Mimétisme évolutif d'un isopode, protégé sans produire lui-même la toxine.

Expérience de terrain :

- Injection d'aldérènes dans la vase → fuite des vers et crustacés, asphyxie du sol.

- Multiplication par 6 des œufs d'escargots California horn snails en zone traitée.

Implications écologiques

- Redirection de la biomasse : Les aldérènes détournent 99,9% de la matière organique des limaces vers la décomposition microbienne plutôt que la prédation.

- Restructuration spatiale : Création de "zones mortes" anoxiques et modification des niches reproductives.

Émergence de réseaux chimiques : Les molécules agissent comme des signaux multispecies, influençant le comportement au-delà de leur fonction initiale (défense → reproduction → mimétisme).

Défis conceptuels

Mesure de l'impact : Comment quantifier le "degré clé" d'une molécule ?

Analogies contestées : Certains écologues (comme Erik Sotka) soulignent les limites du parallèle avec les "espèces clés", déjà ambiguë.

Perspective

Nouveau paradigme : Les écosystèmes seraient régis par un double réseau : trophique et chimique.

Applications :

Conservation ciblée des espèces productrices de molécules clés.

Modélisation des cascades chimiques dans les changements climatiques.

"Ces limaces transpirent de chimie, tout le reste doit composer avec… ou déguerpir."  P Krug.

Cette étude ouvre une ère où la biochimie et l'écologie fusionnent pour révéler des interactions invisibles, mais fondamentales, qui sculptent le vivant à l'échelle moléculaire.



 

Auteur: Internet

Info: https://www.quantamagazine.org/a-new-chemical-view-of-ecosystems-20250305, auteurs principaux : Patrick Krug (biologiste marin, Cal State LA),  Richard Zimmer (écologue chimiste, UCLA), Eric Schmidt (chimiste, Université de l'Utah)

[ pivot ] [ dualité ] [ interactions chimico-écologiques ] [ effet domino ] [ dynamique invisible ] [ flux transformationnel ]

 

Commentaires: 0

Ajouté à la BD par miguel

dynamique écologique

 Des chercheurs ont découvert un mécanisme qui pourrait précipiter l’effondrement de nombreuses espèces

Le réchauffement climatique met la biodiversité en danger. Et nous n’avions jusqu’ici peut-être pas tout à fait conscience d’à quel point une montée des températures peut avoir un effet dévastateur sur les populations.

- Quand les températures grimpent, il se passe au sein des populations quelque chose d’inattendu

- Une compétition entre individus

- Une concurrence insoutenable pour les populations

Dans un contexte de réchauffement climatique, il arrive un moment où les températures atteignent ce que les chercheurs appellent une limite de tolérance thermique. Comprenez, une température à partir de laquelle une espèce ne peut plus survivre. Des chercheurs travaillent à déterminer à quel niveau elle se situe pour les humains.

Quand les températures grimpent, il se passe au sein des populations quelque chose d’inattendu

Mais des bioscientifiques de l'université Rice (États-Unis) viennent de faire une découverte " fascinante et troublante " à ce sujet. Selon les résultats qu'ils publient dans la revue Ecology, de nombreuses espèces pourraient faire face à un déclin rapide de leur population bien avant d'atteindre leurs limites de tolérance thermique. " Cela signifie que des effondrements de population dus à la température pourraient se produire à des seuils de réchauffement plus bas que prévu et pourraient affecter des espèces que l'on pensait résistantes aux changements de température ", explique Zoey Neale, auteur de l'étude, dans un communiqué de l’université Rice.

Une compétition entre individus

Et le mécanisme incriminé, c'est celui de la concurrence pour les ressources. Car les travaux des chercheurs montrent qu'à mesure que les températures grimpent, la compétition entre les individus d'une même espèce - en l'occurrence Daphnia pulex, un zooplancton qui joue un rôle essentiel dans les réseaux alimentaires d'eau douce et la qualité de l'eau - devient significativement plus forte.

Pour mettre des chiffres sur cette idée, les chercheurs rapportent que pour chaque augmentation de 7 °C de la température, les effets de la compétition doublent, provoquant un déclin spectaculaire de la population de 50 %, le tout faisant disparaître les avantages en matière de métabolisme et de reproduction pourtant connus pour se produire lors d'un réchauffement modéré.

Une concurrence insoutenable pour les populations

Ce résultat remet en question l'hypothèse selon laquelle un réchauffement profite aux populations ectothermes - comprenez, celles de ces animaux qui ne produisent pas ou peu de chaleur - en stimulant la croissance individuelle. En réalité, la hausse des températures peut nuire aux populations en intensifiant la concurrence avant même que le stress physiologique ne devienne un facteur critique. D'autant qu'une concurrence exacerbée a déjà tendance à déstabiliser une population... 


Auteur: Internet

Info: https://www.futura-sciences.com/, Nathalie Mayer, 16 mars 2025

[ réseaux trophiques ] [ stress thermique ] [ avertissement ]

 

Commentaires: 0

Ajouté à la BD par miguel

proto-société humaine

Relations de bon voisinage : les bonobos offrent un aperçu des alliances humaines d'antan

Les êtres humains sont capables de former des alliances stratégiques avec d'autres humains au-delà de leur cercle familial ou de leurs proches. Selon une étude publiée dans le journal Science, ils ne sont pas les seuls.

Les bonobos font équipe avec des étrangers dans des domaines variés, comme pour faire leur toilette, partager leur nourriture, voire forger des alliances contre des agresseurs sexuels. Liran Samuni, auteure principale de l'étude, explique qu'étudier les primates revient à ouvrir "une fenêtre sur notre passé" en fournissant des indices sur la manière dont les humains se sont mis à collaborer à plus grande échelle.

Un "altruisme réciproque" envers leurs semblables

Les bonobos (Pan paniscus) sont avec les chimpanzés (Pan troglodytes) les êtres vivants les plus proches de l'espèce humaine. Bonobos et chimpanzés sont également très proches.

Les relations entre chimpanzés, qui peuvent déboucher sur des violences mortelles, sont très étudiées, à la différence des interactions entre bonobos, une espèce en danger et difficile à observer. A cause des conclusions sur les chimpanzés, certains chercheurs ont déduit que l'hostilité contre l'étranger était intrinsèque à la nature humaine, même cachée sous le vernis des normes sociales.

Liran Samuni et Martin Surbeck se sont concentrés sur deux petits groupes de bonobos de 11 et 20 adultes.

Ils ont constaté qu'ils passaient 20% de leur temps ensemble, à manger, se reposer, se déplacer.

Les chercheurs ont également observé que la coopération entre les deux groupes était essentiellement impulsée par quelques individus, qui avaient déjà tendance à être les plus coopératifs à l'intérieur de leur propre groupe. Ces individus entraient en relation avec les bonobos sociables de l'autre groupe, créant un système de bénéfice mutuel ou "altruisme réciproque".

Les femelles unies contre la violence sexuelle

Les scientifiques ont également constaté que les femelles, au sein de leur propre groupe ou alliées avec celles de l'autre groupe, formaient des coalitions pour chasser un individu d'un arbre fruitier ou empêcher l'avance sexuelle non désirée d'un mâle. "Nous ne voyons pas chez les bonobos la coercition sexuelle, fréquente chez les chimpanzés."

Pour les auteurs, cette étude offre un "scénario alternatif" à celui qui voudrait que la coopération aille à l'encontre de la nature humaine ou qu'elle naisse des connexions entre familles élargies.  Mais "cela ne signifie pas que la reconstruction du passé humain doit être fondée uniquement sur les bonobos", juge Joan Silk, scientifique de l'Université d'Etat de l'Arizona.

Les chimpanzés sont plus proches de l'homme par d'autres aspects : ils se servent plus d'outils et chassent des proies animales. Les chimpanzés mâles forment des liens étroits avec d'autres mâles et soutiennent leurs agressions tandis que les bonobos mâles forgent des liens forts avec les femelles.

Comprendre le processus de sélection qui a abouti à ces divergences "pourrait aider à élucider comment et pourquoi les hommes sont devenus des primates si surprenants", conclut-elle.







 



 

Auteur: Internet

Info: https://www.science.org/doi/10.1126/science.adl1813, nov 2023

[ éthologie ]

 

Commentaires: 0

Ajouté à la BD par Le sous-projectionniste

éthologie

Les primates préfèrent le sexe aux conflits, selon une étude 

Les humains ne sont pas les seuls à utiliser le sexe comme un exutoire aux frustrations. Une étude britannique publiée dans la revue Royal Society Open Science révèle que les bonobos et les chimpanzés ont eux aussi recours aux rapports sexuels pour calmer les tensions au sein de leur groupe.

Les chercheurs de l'université de Durham se sont intéressés à la sexualité de ces primates, qui ne se limite pas uniquement à la reproduction. Les bonobos, en particulier, sont connus pour leur liberté sexuelle et leur tendance à utiliser le sexe pour renforcer leurs liens sociaux. Chez les chimpanzés, en revanche, cette fonction du sexe reste moins étudiée.

Le stress désamorcé par le sexe

Pour mieux comprendre ces comportements, les scientifiques ont observé ces deux espèces dans des sanctuaires en République démocratique du Congo et en Zambie, à des moments précis de stress : après des conflits sociaux et avant l’alimentation, une période où la compétition est forte. Au total, plus de 1400 heures d’observation ont été menées sur 53 bonobos et 75 chimpanzés sur une période de sept mois.

Les résultats montrent que juste avant de se nourrir, bonobos et chimpanzés adoptent des comportements similaires.

Ils apaisent les tensions sans violence en ayant des contacts sexuels, souvent initiés par les membres les plus âgés.

Cette pratique semble s’apprendre avec le temps, suggérant qu’elle se transmet d’une génération à l’autre.

Après un conflit, cependant, leurs réactions diffèrent. Les bonobos préfèrent se réconcilier par le sexe, tandis que les chimpanzés privilégient d’autres formes d’apaisement, comme des gestes affectueux ou des contacts rassurants.

Fait intéressant, chez ces deux espèces, ces interactions sexuelles ne se limitent pas aux couples de sexes opposés : elles peuvent aussi avoir lieu entre individus du même sexe. Chez les bonobos, ce sont les femelles qui prennent le plus souvent l’initiative alors que chez les chimpanzés, ce rôle revient plutôt aux mâles.

Facteur de régulation sociale

Jake Brooker, chercheur postdoctoral au département de psychologie de l’université de Durham et auteur principal de l’étude, met en avant l’importance de ces découvertes. Il souligne que bien que les bonobos soient souvent considérés comme hypersexuels et les chimpanzés comme plus agressifs, cette recherche révèle qu’ils adoptent une approche similaire en utilisant le sexe pour gérer leurs relations sociales.

"Le fait que les deux espèces utilisent le sexe de cette manière offre une fascinante fenêtre sur le passé, apportant une preuve supplémentaire que pour les humains, les bonobos et les chimpanzés, notre utilisation du sexe à des fins sociales est un héritage de notre ancêtre commun", explique-t-il dans un communiqué.

Un héritage évolutif partagé ?

Il reste néanmoins essentiel d’observer ces comportements dans divers contextes et en milieu naturel afin de mieux saisir les mécanismes sexuels et sociaux qui régissent la vie en communauté de nos plus proches cousins dans l'évolution naturelle. Cela permet, par extension, d’explorer les origines mêmes de notre nature humaine.

Cette étude ouvre de nouvelles perspectives sur les liens profonds entre sexualité et dynamique sociale chez nos plus proches cousins. En révélant que le sexe joue un rôle apaisant aussi bien chez les bonobos que chez les chimpanzés, elle suggère que ces comportements pourraient être un héritage évolutif partagé. Une meilleure compréhension de ces mécanismes nous permettrait ainsi d’éclairer les origines de nos propres interactions sociales et affectives.

 



 

Auteur: Internet

Info: https://royalsocietypublishing.org/doi/10.1098/rsos.242031, 5 mas 2025

[ libido ] [ singes ]

 

Commentaires: 0

Ajouté à la BD par Le sous-projectionniste

Intelligence artificielle

Les logiciels de chatbot commencent à être confrontés à des limites fondamentales

Des résultats récents montrent que les grands modèles de langage ont du mal à effectuer des tâches de composition, ce qui suggère une limite stricte à leurs capacités.

Le 17 décembre 1962, Life International a publié une énigme logique composée de 15 phrases décrivant cinq maisons sur une rue. Chaque phrase était un indice, comme " L'Anglais vit dans la maison rouge " ou " Le lait est bu dans la maison du milieu ". Chaque maison était d'une couleur différente, avec des habitants de nationalités différentes, possédant des animaux différents, et ainsi de suite. Le titre de l'article posait la question : " Qui possède le zèbre ? " Des problèmes comme celui-ci se sont révélés être une mesure des capacités — ou plutôt des limites — des modèles d'apprentissage automatique actuels.

Également connu sous le nom d'énigme ou de casse-tête d'Einstein (attribution probablement apocryphe), ce problème teste un certain type de raisonnement en plusieurs étapes. Nouha Dziri, chercheuse scientifique à l'Allen Institute for AI, et ses collègues ont récemment soumis des modèles de langage basés sur des transformers ( LLMs ), comme ChatGPT, à ce type de tâches — et les ont largement trouvés insuffisants. " Ils pourraient ne pas être capables de raisonner au-delà de ce qu'ils ont vu dans les données d'entraînement pour des tâches difficiles ", a déclaré Dziri. " Ou du moins, ils font une approximation, et cette approximation peut être erronée. "

L'énigme d'Einstein nécessite de composer une solution globale à partir de solutions à des sous-problèmes, ce que les chercheurs appellent une tâche compositionnelle. L'équipe de Dziri a montré que les LLMs, qui ont été entraînés uniquement à prédire le mot suivant dans une séquence — ce qui est le cas de la plupart d'entre eux — sont fondamentalement limités dans leur capacité à résoudre des tâches de raisonnement compositionnel. D'autres chercheurs ont montré que les transformers, l'architecture de réseau neuronal utilisée par la plupart des LLMs, ont des limites mathématiques strictes lorsqu'il s'agit de résoudre de tels problèmes. Les scientifiques ont obtenu quelques succès en repoussant ces limites, mais ces solutions semblent de plus en plus être des correctifs à court terme. Si c'est le cas, cela signifie qu'il existe des limites computationnelles fondamentales aux capacités de ces formes d'IAs — ce qui pourrait signifier qu'il est temps d'envisager d'autres approches.

" Ce travail est vraiment motivé par l'idée d'aider la communauté à décider si les transformers sont vraiment l'architecture que nous voulons adopter pour un apprentissage universel ", a déclaré Andrew Wilson, expert en apprentissage automatique à l'Université de New York, qui n'a pas participé à cette étude.

Le succès attire l'examen

Ironiquement, les LLMs ne doivent s'en prendre qu'à eux-mêmes pour cette découverte de l'une de leurs limites. " La raison pour laquelle nous nous sommes tous demandé s'ils faisaient un vrai raisonnement est due à leurs capacités impressionnantes ", a déclaré Dziri. Ils ont impressionné sur des tâches impliquant le langage naturel, malgré la simplicité apparente de leur entraînement. Pendant la phase d'entraînement, un LLM est exposé à un fragment de phrase avec le dernier mot masqué (bien que techniquement, ce ne soit pas toujours un seul mot). Le modèle prédit les informations manquantes, puis " apprend " de ses erreurs.

Les plus grands LLMs — OpenAI's o1 et GPT-4, Google's Gemini, Anthropic's Claude — s'entraînent sur presque toutes les données disponibles sur Internet. En conséquence, les LLMs finissent par apprendre la syntaxe et une grande partie des connaissances sémantiques du langage écrit. Ces modèles " pré-entraînés " peuvent être encore entraînés, ou affinés, pour accomplir des tâches sophistiquées bien au-delà de la simple complétion de phrases, comme résumer un document complexe ou générer du code pour jouer à un jeu vidéo. Les résultats étaient si puissants que les modèles semblaient, à certains moments, capables de raisonner. Pourtant, ils échouaient aussi de manière à la fois évidente et surprenante.

" Sur certaines tâches, ils performent incroyablement bien ", a déclaré Dziri. " Sur d'autres, ils sont étonnamment stupides. "

Prenons la multiplication de base. Les LLMs standards, comme ChatGPT et GPT-4, échouent lamentablement. Début 2023, lorsque l'équipe de Dziri a demandé à GPT-4 de multiplier deux nombres à trois chiffres, il n'a réussi que 59 % du temps. Lorsqu'il a multiplié deux nombres à quatre chiffres, la précision est tombée à seulement 4 %.

L'équipe a également testé les LLMs sur des tâches comme l'énigme d'Einstein, où ils ont également eu un succès limité. GPT-4 a toujours donné la bonne réponse lorsque le puzzle impliquait deux maisons avec deux attributs par maison. Mais la précision est tombée à 10 % lorsque la complexité du puzzle est passée à quatre maisons avec quatre attributs par maison. Pour la version originale de Life International — cinq maisons, chacune avec cinq attributs — le taux de réussite était de 0 %.

L'équipe de Dziri a pensé que peut-être les LLMs n'avaient tout simplement pas vu assez d'exemples dans leurs données d'entraînement, alors ils ont affiné GPT-3 sur 1,8 million d'exemples de multiplication de deux nombres. Ensuite, lorsqu'ils lui ont présenté de nouveaux problèmes, le LLM les a réussis — mais seulement s'ils étaient suffisamment similaires à ce qu'il avait vu pendant l'entraînement. Par exemple, les données d'entraînement incluaient la multiplication de deux nombres à trois chiffres, et d'un nombre à deux chiffres avec un nombre à quatre chiffres, mais lorsque le modèle a été interrogé sur la multiplication d'un nombre à quatre chiffres avec un nombre à trois chiffres, il n'a réussi que 2 % du temps. " S'ils raisonnent vraiment et comprennent certaines tâches, ils devraient saisir l'algorithme implicite ", a déclaré Dziri. Ce n'est pas ce que son équipe a observé. " Cela soulève beaucoup de questions sur la façon dont les LLMs accomplissent les tâches et s'ils font un vrai raisonnement. "

L'équipe a observé le même schéma pour résoudre l'énigme d'Einstein : GPT-3 a échoué lorsqu'on lui a demandé de résoudre des versions plus grandes du puzzle par rapport à celles sur lesquelles il avait été affiné. " Il imite quelque chose qu'il a vu, mais il n'en a pas une compréhension complète ", a déclaré Dziri.

Limites dures

Alors que Dziri et ses co-auteurs finalisaient leurs résultats, une autre équipe adoptait une approche différente pour comprendre pourquoi les LLMs avaient du mal avec les tâches compositionnelles. Binghui Peng, alors doctorant à l'Université de Columbia, travaillait avec l'un de ses directeurs de thèse, Christos Papadimitriou, et des collègues pour comprendre pourquoi les LLMs " hallucinent ", c'est-à-dire génèrent des informations factuellement incorrectes. Peng, maintenant chercheur postdoctoral à l'Université de Stanford, soupçonnait que c'était parce que les transformers semblaient manquer de la " capacité de composition ".

Pour comprendre pourquoi, imaginez que nous donnons à un LLM deux informations : Le père de Frédéric Chopin était Nicolas Chopin, et Nicolas Chopin est né le 15 avril 1771. Si nous lui demandons ensuite : " Quelle est la date de naissance du père de Frédéric Chopin ? ", le LLM devrait répondre en composant, ou en assemblant, les différents faits. En effet, il devrait répondre à la question imbriquée suivante : " Quelle est la date de naissance de (Qui est le père de (Frédéric Chopin) ? " Si le LLM prédit les mauvais mots comme réponse, on dit qu'il a halluciné — dans ce cas, peut-être à cause de son échec à résoudre la tâche compositionnelle.

Peng voulait tester cette intuition. Son équipe a commencé par étudier les propriétés d'un transformer simple, avec une seule couche, qui apprend à " prêter attention " à l'ordre et à la position des mots d'une phrase lorsqu'il essaie de prédire le mot suivant. (Les LLMs modernes ont des dizaines de telles couches.) L'équipe a établi un lien entre la complexité de la couche de transformer et la " taille du domaine ", c'est-à-dire le nombre de bits nécessaires pour représenter les questions. En se concentrant sur ce modèle simple, ils ont prouvé une limite mathématique. " Si le nombre total de paramètres dans ce transformer à une couche est inférieur à la taille d'un domaine, alors les transformers ne peuvent pas résoudre la tâche compositionnelle ", a déclaré Peng. En d'autres termes, un LLM avec une seule couche de transformer était clairement et mathématiquement limité.

Bien que ce soit un résultat théorique fort, ses implications pratiques n'étaient pas claires, car les LLMs modernes sont bien plus complexes. " Il n'est pas facile d'étendre notre preuve ", a déclaré Peng. Son équipe a donc utilisé une approche différente pour étudier les capacités des transformers plus complexes : ils se sont tournés vers la théorie de la complexité computationnelle, qui étudie les problèmes en termes de ressources, comme le temps et la mémoire, nécessaires pour les résoudre.

Pousser les limites

Pour être clair, ce n'est pas la fin des LLMs. Wilson de NYU souligne que malgré ces limites, les chercheurs commencent à améliorer les transformers pour les aider à mieux gérer, entre autres, l'arithmétique. Par exemple, Tom Goldstein, informaticien à l'Université du Maryland, et ses collègues ont ajouté une astuce à la façon dont ils présentaient les nombres à un transformer entraîné à additionner, en intégrant des informations " positionnelles " supplémentaires dans chaque chiffre. En conséquence, le modèle pouvait être entraîné sur des nombres à 20 chiffres et additionner de manière fiable (avec 98 % de précision) des nombres à 100 chiffres, alors qu'un modèle entraîné sans cette astuce n'était précis qu'à environ 3 %. " Cela suggère qu'il y a peut-être des interventions basiques que l'on pourrait faire ", a déclaré Wilson. " Cela pourrait vraiment faire progresser ces problèmes sans avoir à repenser toute l'architecture. "

Une autre façon de surmonter les limites d'un LLM, au-delà de simplement augmenter la taille du modèle, est de fournir une solution étape par étape d'un problème dans l'invite, une technique connue sous le nom de chain-of-thought prompting. Des études empiriques ont montré que cette approche peut donner à un LLM comme GPT-4 une nouvelle capacité à résoudre des tâches plus variées. Il n'est pas tout à fait clair pourquoi, ce qui a poussé de nombreux chercheurs à étudier ce phénomène. " Nous étions curieux de savoir pourquoi c'est si puissant et pourquoi on peut faire tant de choses ", a déclaré Haotian Ye, doctorant à l'Université de Stanford.

Lorsque Ye était encore étudiant à l'Université de Pékin, lui et ses collègues ont modélisé le comportement des transformers avec et sans chain-of-thought prompting. Leur preuve, utilisant une autre branche de l'informatique appelée théorie de la complexité des circuits, a établi comment le chain-of-thought prompting transforme essentiellement un grand problème en une séquence de problèmes plus petits, permettant aux transformers de s'attaquer à des tâches compositionnelles plus complexes. " Cela signifie... qu'il peut résoudre certains problèmes qui se trouvent dans une classe computationnelle plus large ou plus difficile ", a déclaré Ye.

Mais Ye met en garde : leur résultat n'implique pas que les modèles du monde réel résoudront réellement de tels problèmes difficiles, même avec le chain-of-thought. Le travail s'est concentré sur ce qu'un modèle est théoriquement capable de faire ; les spécificités de la façon dont les modèles sont entraînés dictent comment ils peuvent atteindre cette limite supérieure.

En fin de compte, aussi impressionnants que soient ces résultats, ils ne contredisent pas les conclusions des équipes de Dziri et Peng. Les LLMs correspondent fondamentalement aux modèles qu'ils ont vus, et leurs capacités sont limitées par des frontières mathématiques. Les astuces d'incorporation et le chain-of-thought prompting étendent simplement leur capacité à faire des correspondances de modèles plus sophistiquées. Les résultats mathématiques impliquent que vous pouvez toujours trouver des tâches compositionnelles dont la complexité dépasse les capacités d'un système donné. Même certains modèles plus récents, comme les " modèles à espace d'états ", qui ont été présentés comme des alternatives plus puissantes aux transformers, montrent des limites similaires.

D'un côté, ces résultats ne changent rien pour la plupart des gens qui utilisent ces outils. " Le grand public ne se soucie pas de savoir s'ils raisonnent ou non ", a déclaré Dziri. Mais pour les personnes qui construisent ces modèles et essaient de comprendre leurs capacités, cela compte. " Nous devons vraiment comprendre ce qui se passe sous le capot ", a-t-elle déclaré. " Si nous comprenons comment ils accomplissent une tâche et comment ils raisonnent, nous pouvons probablement les améliorer. Mais si nous ne savons pas, c'est là que c'est vraiment difficile de faire quoi que ce soit. "




Auteur: Internet

Info: https://www.quantamagazine.org/chatbot-software-begins-to-face-fundamental-limitations-20250131/, Anil Ananthaswamy, 31 janv 2025

[ larges modèles de langage ] [ frontières cognitives ] [ limites architecturales ] [ données massives ]

 

Commentaires: 0

Ajouté à la BD par miguel

réflexion approfondie

En voici un exemple via une tâche qui exige plusieurs étapes de raisonnement logique, une compréhension contextuelle complexe et la capacité à combiner différentes informations pour arriver à une solution cohérente. Avec cette énigme à résoudre : 

Cinq maisons sont alignées dans une rue. Chaque maison est d'une couleur différente, appartient à une personne différente, et chaque personne boit une boisson spécifique, fume une marque de cigarettes particulière et possède un animal unique. Voici les indices :

1   Le Norvégien habite la première maison.

2   La maison bleue est à côté de la maison du Norvégien.

3   La personne qui fume des Pall Mall possède des oiseaux.

4   La maison verte est à gauche de la maison blanche.

5   La personne qui habite dans la maison jaune fume des Dunhill.

6  La personne qui boit du lait habite dans la maison du milieu.

7  L'Allemand fume des Prince.

8  La personne qui fume des Blend habite à côté de celle qui possède des chats.

9  La personne qui possède un cheval habite à côté de celle qui fume des Dunhill.

10 La personne qui boit du café habite dans la maison verte.

11  La personne qui boit de l'eau habite à côté de celle qui fume des Blend.

Question : Qui possède le poisson ?

Cette tâche nécessite une réflexion approfondie parce qu'il faut :

Un raisonnement déductif qui analyse les indices, élimine les possibilités impossibles et établit des relations logiques entre les maisons, les couleurs, les boissons, les cigarettes et les animaux.

Une gestion de contraintes multiples : Les indices sont interdépendants, ce qui signifie qu'une seule erreur dans le raisonnement peut fausser toute la solution.

Une planification multi-étapes, apte à suivre une séquence logique de séquences pour résoudre l'énigme sans perdre de vue les contraintes précédentes.

Pourquoi les chatbotsà suivre  échouent souvent ici ?

- Les modèles comme ChatGPT ou GPT-4 peuvent fournir des réponses partielles ou incorrectes car ils ne "raisonnent" pas véritablement ; ils s'appuient sur des corrélations apprises dans leurs données d'entraînement.

- Ces modèles manquent d'une mémoire structurée pour gérer efficacement toutes les contraintes simultanément.

- Ils ne peuvent pas facilement revenir en arrière pour corriger une hypothèse initiale erronée.

Pour résoudre ce puzzle, nous devons déduire les caractéristiques de chaque maison en utilisant les indices fournis. Voici comment procéder étape par étape :Étape 1 : Structurer les informations

Nous avons 5 maisons, numérotées de 1 à 5. Chaque maison a :





  • Une couleur




  • Une nationalité




  • Une boisson




  • Une marque de cigarettes




  • Un animal

    Nous allons créer un tableau pour organiser les informations.





Étape 2 : Appliquer les indices





  1. Le Norvégien habite la première maison.





    • Maison 1 : Nationalité = Norvégien.






  2. La maison bleue est à côté de la maison du Norvégien.





    • Maison 2 : Couleur = bleue.






  3. La personne qui fume des Pall Mall possède des oiseaux.





    • Pall Mall → Oiseaux.






  4. La maison verte est à gauche de la maison blanche.





    • La maison verte est immédiatement à gauche de la maison blanche.






  5. La personne qui habite dans la maison jaune fume des Dunhill.





    • Maison jaune : Cigarettes = Dunhill.






  6. La personne qui boit du lait habite dans la maison du milieu.





    • Maison 3 : Boisson = lait.






  7. L'Allemand fume des Prince.





    • Nationalité = Allemand → Cigarettes = Prince.






  8. La personne qui fume des Blend habite à côté de celle qui possède des chats.





    • Blend → à côté de chats.






  9. La personne qui possède un cheval habite à côté de celle qui fume des Dunhill.





    • Cheval → à côté de Dunhill.






  10. La personne qui boit du café habite dans la maison verte.





    • Maison verte : Boisson = café.






  11. La personne qui boit de l'eau habite à côté de celle qui fume des Blend.





    • Eau → à côté de Blend.







Étape 3 : Déduire les positions





  • Maison 1 : Norvégien, couleur inconnue, boisson inconnue, cigarettes inconnues, animal inconnu.




  • Maison 2 : Couleur = bleue.




  • Maison 3 : Boisson = lait.




  • Maison 4 : Couleur = verte (car elle est à gauche de la maison blanche).




  • Maison 5 : Couleur = blanche.





La maison verte (4) boit du café (indice 10).



Étape 4 : Compléter les informations





  • Maison jaune : Fume des Dunhill (indice 5). La seule maison disponible pour être jaune est la maison 1.





    • Maison 1 : Couleur = jaune, cigarettes = Dunhill.






  • Maison 2 : Couleur = bleue, à côté de la maison 1 (Dunhill). Selon l'indice 9, la personne avec un cheval est à côté de Dunhill.





    • Maison 2 : Animal = cheval.






  • Maison 3 : Boisson = lait.




  • Maison 4 : Couleur = verte, boisson = café.




  • Maison 5 : Couleur = blanche.





Étape 5 : Résoudre les cigarettes et les animaux





  • Pall Mall : Possède des oiseaux (indice 3). La seule maison disponible est la maison 3.





    • Maison 3 : Cigarettes = Pall Mall, animal = oiseaux.






  • Blend : À côté des chats (indice 8). La maison 2 ou 4 peut fumer des Blend.





    • Maison 2 : Cigarettes = Blend, animal = cheval.




    • Maison 4 : Cigarettes = Prince (Allemand, indice 7).






  • Prince : Fumé par l'Allemand (indice 7). La maison 4 est allemande.





    • Maison 4 : Nationalité = Allemand, cigarettes = Prince.






  • Blend : La maison 2 fume des Blend, à côté des chats (maison 1 ou 3). Maison 1 a un animal inconnu, maison 3 a des oiseaux.





    • Maison 1 : Animal = chats.






  • Eau : À côté de Blend (indice 11). La maison 1 ou 3 boit de l'eau.





    • Maison 1 : Boisson = eau.






  • Maison 5 : Boisson inconnue, animal inconnu.





Étape 6 : Finaliser les informations





  • Maison 1 : Jaune, Norvégien, eau, Dunhill, chats.




  • Maison 2 : Bleue, inconnue, inconnue, Blend, cheval.




  • Maison 3 : Inconnue, inconnue, lait, Pall Mall, oiseaux.




  • Maison 4 : Verte, Allemand, café, Prince, inconnu.




  • Maison 5 : Blanche, inconnue, inconnue, inconnue, inconnue.





Étape 7 : Déduire le propriétaire du poisson



En utilisant les indices restants, nous déduisons que :





  • La maison 5 possède le poisson.

     



Auteur: Internet

Info: Compil de plusieurs articles établi par Mg, solutionné par deepseek, 16 mars 2025

[ problème des cinq maisons ] [ inférence ] [ intelligence artificielle ] [ enquête ] [ raisonnement compositionnel ] [ méthode ]

 

Commentaires: 0

Ajouté à la BD par Le sous-projectionniste

rapports humains

Nos vies sont comme des maisons. Certaines personnes sont autorisées à venir sur la pelouse, d’autres sur la galerie, d’autres encore à entrer dans le vestibule ou la cuisine. Non amis les plus proches sont invités à pénétrer plus loin dans notre maison, jusque dans le séjour.


— Et certains peuvent même venir dans la chambre à coucher…


Auteur: Penny Louise

Info: La faille en toute chose, Acte Sud, 2021, p. 164

[ progressifs ]

 

Commentaires: 0

Ajouté à la BD par miguel

écriture analysée

Flaubert est exemplairement un de ces auteurs qui donnent à percevoir le monde du texte dans une unité minuscule de langue. Qui parviennent à phraser un cosmos.

[…] définir un phrasé : cette tension vers un inatteignable qu'esquisse parfois le dessin phrastique, mais qu'il ne montre pas ; qui cependant lui donne, dans le meilleur des cas, sa tenue : son arc et sa flèche. C'est pour avoir pressenti cette possibilité dynamique dans les ressources de leur propre poétique que quelques écrivains touchent au bonheur du phrasé.

Auteur: Doumet Christian

Info: Que font les écrivains ?, pp. 37-38

[ lecture ] [ subjectivité réflexive ] [ rythme ] [ formules univers ] [ élégantes circonlocutions ]

 

Commentaires: 0

Ajouté à la BD par miguel