Dans un centre de calcul, une machine reçoit une suite de données inconnues. À chaque nouvelle entrée, elle répond sans hésiter, sans jamais avoir mémorisé la solution auparavant. Cette scène banale, en apparence, prend un tout autre sens à la lumière de la nouvelle définition quantitative de l’intelligence proposée par des chercheurs sur arXiv.
La définition quantitative de l’intelligence s’intéresse à la manière dont un système, qu’il soit biologique ou artificiel, produit des réponses correctes face à des situations inédites. Selon les auteurs, l’intelligence ne se limite pas à l’accumulation de connaissances, mais se mesure à la capacité de généraliser au-delà de ce qui a été stocké. L’article introduit une formule précise : la densité d’intelligence correspond au rapport entre le logarithme du nombre de sorties indépendantes et la longueur totale de la description du système.
Autrement dit, un système qui se contente de mémoriser voit sa description grandir à mesure que le nombre de réponses à fournir augmente. À l’inverse, un système « intelligent » fonctionne sur un principe plus compact : sa description reste inchangée, même lorsque la variété des sorties explose. Cette distinction entre mémorisation et connaissance repose sur la notion de généralisation : la faculté de produire des réponses correctes pour une infinité de cas, sans avoir besoin d’enregistrer chaque cas particulier.
De la mémoire à la connaissance : le critère de généralisation (définition quantitative de l'intelligence)
La définition quantitative de l’intelligence met en avant un critère central : la généralisation. Un système « sait » son domaine si un mécanisme fini lui suffit pour couvrir une infinité de situations. Cela s’oppose à la simple mémorisation, où chaque nouvelle entrée nécessite de stocker une solution supplémentaire. Cette approche théorique place tous les systèmes – du circuit logique le plus élémentaire jusqu’au cerveau humain – sur un continuum d’intelligence, sans distinction de support matériel.
Les auteurs étendent cette idée à la notion de sens ou de signification. Dans leur cadre, donner du sens à un domaine revient à sélectionner et ordonner des fonctions capables de produire les bonnes réponses, là où la justesse peut être définie. Cette vision s’affranchit de la vieille opposition entre syntaxe et sémantique, un débat rendu célèbre par John Searle. Selon eux, dès lors qu’on peut spécifier la correction des réponses, la distinction entre syntaxe et signification s’estompe.
Contextualité et mesure de l’indépendance
Un autre concept clé de leur approche est celui de contextualité, défini comme l’inverse de la complexité de Kolmogorov conditionnelle d’une sortie, sachant le contexte des sorties précédentes. Cette mesure permet de réunir, en une seule condition, la justesse d’une réponse et son indépendance par rapport aux précédentes. En d’autres termes, plus la sortie d’un système dépend de son contexte, plus sa complexité conditionnelle est faible, et plus elle est susceptible de refléter une véritable intelligence.
En combinant ces critères, les auteurs proposent une échelle continue, indépendante du support, qui va des portes logiques élémentaires jusqu’aux cerveaux vivants. Chaque système se voit attribuer une densité d’intelligence, reflet de sa capacité à généraliser efficacement tout en produisant des sorties adaptées à des contextes variés.
La définition quantitative de l’intelligence esquissée ici ne se contente pas d’une élégance mathématique. Elle ambitionne de fournir un outil de mesure objectif, applicable à tout système physique, pour quantifier ce qui fait la spécificité de l’intelligence face à la simple accumulation d’informations. Ce cadre pourrait, à terme, guider la conception de machines capables de « savoir » plutôt que de simplement mémoriser, et éclairer les débats sur l’intelligence artificielle bien au-delà des frontières conceptuelles traditionnelles.
Source : arXiv:2604.10873, 27 avril 2026.
Source originale : A Quantitative Definition of Intelligence via arxiv.org (27/04/2026)
Credit photo: Mikhail Nilov (Licence Pexels) – source image