paradoxe de Moravec

Le paradoxe de Moravec désigne un décalage tenace entre les capacités humaines et celles des machines : les tâches que nous trouvons triviales, comme saisir une tasse de café ou marcher sur du gravier, exigent une puissance de calcul bien plus importante d'un robot que les tâches que nous considérons intellectuellement difficiles, comme jouer aux échecs ou résoudre des équations différentielles. Un bras robotique a besoin de millions de mises à jour de capteurs par seconde, de boucles de rétroaction complexes et d'une détection de collision en temps réel juste pour ramasser un objet sans l'écraser. Pendant ce temps, apprendre à une machine à gagner aux échecs a nécessité un calcul par force brute, certes, mais rien qui n'approche les ressources neurales qu'un tout-petit dépense pour apprendre à marcher.

Le paradoxe découle d'un décalage évolutif. Les cerveaux humains ont évolué sur des millions d'années pour résoudre d'abord les problèmes sensorimoteurs : la survie impliquait de voir des proies, de saisir des outils, de se déplacer sur des terrains. Le raisonnement abstrait est comparativement récent, construit sur ces compétences incarnées. Nous avons un matériel neural spécialisé pour la vision et le contrôle moteur, affiné par la sélection naturelle. Les ordinateurs numériques n'ont pas un tel héritage. Ils excellent dans la manipulation formelle de symboles, dans le respect explicite des règles, mais ils manquent du substrat dense, parallèle et analogique qui rend la perception et le mouvement humains si efficaces.

Où se situe le goulot d'étranglement

Le contrôle sensorimoteur en temps réel exige un taux d'échantillonnage, une latence et une bande passante qui ne s'adaptent pas bien. Une main robotique avec 20 articulations, 50 capteurs tactiles et une entrée caméra doit calculer les couples articulaires, prédire le glissement, détecter les collisions et mettre à jour sa stratégie en 10 à 100 millisecondes. Ce n'est pas un seul calcul. Ce sont des milliers d'équations différentielles couplées, d'estimations d'état et d'heuristiques apprises fonctionnant en parallèle. Un moteur d'échecs, en revanche, peut traiter les coups par lots hors ligne. Sa latence peut s'étendre à des secondes. La différence n'est pas subtile : c'est la différence entre une interaction physique en boucle fermée et un brassage de symboles en boucle ouverte.

Le paradoxe a remodelé la recherche en robotique. Au lieu de construire des robots qui raisonnent sur le monde puis agissent, les ingénieurs entraînent désormais des réseaux neuronaux sur la vision et la proprioception, apprenant directement les politiques sensorimotrices à partir des données. Cela fonctionne mieux que la programmation explicite car le réseau peut implicitement capturer les statistiques du problème physique. Pourtant, ce changement, de la logique à l'apprentissage, n'élimine toujours pas le coût fondamental. Un robot apprenant à saisir nécessite des milliers ou des millions d'essais, soit en simulation, soit sur du matériel. Un nourrisson humain saisit naturellement en quelques mois.

Nommée d'après Hans Moravec dans les années 1980, cette observation reste centrale dans les débats sur l'intelligence artificielle générale. Elle suggère que le problème difficile de l'IA n'est pas le raisonnement mais l'incarnation. Une machine qui peut tenir une conversation mais ne peut pas ouvrir une porte n'est pas intelligente ; c'est un tour de passe-passe avec des racines superficielles dans le monde réel. Cela a poussé la robotique vers l'apprentissage incarné, le transfert du simulé au réel et les conceptions biomimétiques qui empruntent leur structure à la biologie plutôt que de construire à partir de principes premiers.