Grands modèles de langage

A Polyphonic Conception of AI Understanding

Avec Pierre Beckmann.

Soutient que la question de savoir si les grands modèles de langage comprennent ce dont ils parlent est à la fois incontournable et mal posée : incontournable, parce que les utilisateurs doivent distinguer les réponses qui méritent une confiance épistémique de celles qui n’en méritent pas, et qu’aucun vocabulaire purement mathématique ou statistique ne permet d’opérer cette distinction sans réintroduire, sous un autre nom, le concept de compréhension ; mal posée, parce que le concept hérité présuppose un lieu unique de la compréhension. L’interprétabilité mécaniste révèle au contraire que les LLM sont des systèmes profondément polyphoniques, dont les réponses émergent de mécanismes parallèles d’inégale fiabilité. En s’appuyant sur des indices de compréhension médicale, mathématique, logique et spatiale dans les LLM, l’article élabore une conception adaptée à de tels systèmes : un modèle comprend un domaine dans la mesure où il contient des circuits solides, qui suivent la structure pertinente, et les mobilise de manière fiable pour contrôler ses réponses — ce qui transforme des disputes métaphysiques en apparence oiseuses en questions empiriques traitables, susceptibles de guider la répartition de la confiance.

IA, grands modèles de langage, compréhension, interprétabilité mécaniste, ingénierie conceptuelle, adaptation conceptuelle, IA explicable

Evolving Minds, Evolving Language: Metaphor as a Process of Conceptual Adaptation to Artificial Intelligence

Manuscrit (+diaporama)

Soutient que l’application croissante de termes cognitifs tels que « compréhension » ou « raisonnement » aux grands modèles de langage, y compris par des chercheurs techniquement avertis, ne relève ni d’attributions littérales ni d’un simple parler relâché, mais de la métaphore comme adaptation conceptuelle : l’extension créatrice de concepts au-delà de leur domaine d’origine sous la pression de besoins conceptuels. En mobilisant la tradition Strawson-Kant sur l’imagination et l’application des concepts, la sémantique inférentialiste, la théorie du rational framing de Bermúdez et le modèle de structure-mapping de Gentner, l’article propose un cadre à quatre composantes : transfert sélectif de liens inférentiels plutôt que de référence, rôle directeur des besoins conceptuels et de leur normativité aptique, possibilité d’évaluer empiriquement les inférences transférées grâce à l’interprétabilité mécaniste, et « carrière » des termes cognitifs appliqués à l’IA, depuis la comparaison novatrice jusqu’à une possible conventionnalisation. Il déplace ainsi le débat sur l’applicabilité littérale des termes cognitifs à l’IA vers des questions graduelles et empiriquement traitables sur l’aptitude de transferts inférentiels déterminés, tout en montrant que le vocabulaire cognitif employé pour l’IA a des enjeux évaluatifs et pratiques.

IA, grands modèles de langage, compréhension, adaptation conceptuelle, normativité aptique, interprétabilité mécaniste

Re-Engineering the Concept of Understanding for AI

Avec Pierre Beckmann.

Soutient que le concept de compréhension doit être repensé pour la cognition artificielle, d’une manière empiriquement informée par la recherche sur l’interprétabilité mécaniste et théoriquement informée par une compréhension des fonctions du concept.

IA, grands modèles de langage, compréhension, ingénierie conceptuelle, interprétabilité mécaniste, fonctions des concepts

Forms of Understanding in LLMs: A Crisis for Comprehension?

Dans The Routledge Handbook of Philosophy of AI. Leonard Dung, Guido Löhr et Chris Ranalli (dir.). Londres : Routledge. À paraître. Avec Pierre Beckmann.

IA, grands modèles de langage, compréhension

Mechanistic Indicators of Understanding in Large Language Models

Philosophical Studies. 2026. Avec Pierre Beckmann. doi:10.1007/s11098-026-02513-1

Mobilise des données techniques détaillées issues de la recherche sur l’interprétabilité mécaniste (MI) pour soutenir que, bien que les LLM diffèrent profondément de la cognition humaine, ils font plus que comptabiliser des cooccurrences de mots : ils forment des structures internes que l’on peut comparer de façon féconde à différentes formes de compréhension humaine, telles que la compréhension conceptuelle, factuelle et principielle. Nous synthétisons les résultats les plus pertinents à ce jour de la MI tout en les inscrivant dans un cadre théorique intégrateur pour penser la compréhension dans les LLM. Le phénomène des « parallel mechanisms » montre toutefois que les différences entre les LLM et la cognition humaine sont aussi philosophiquement fécondes à considérer que les similarités.

IA, grands modèles de langage, interprétabilité mécaniste, compréhension, modèles du monde, IA explicable

World Modeling in Transformers

arXiv 2609.21748. 2026. Avec Pierre Beckmann et André Freitas. doi:10.48550/arXiv.2609.21748

Montre que des échecs comportementaux peuvent donner l’impression qu’un transformer est dépourvu de modèle du monde alors même qu’il a appris des représentations fidèles de son environnement. Dans le cas de TaxiGPT, un transformer entraîné sur des trajets aléatoires à travers Manhattan, dont les échecs avaient été interprétés comme le signe d’une carte interne incohérente, l’analyse mécaniste et des interventions causales révèlent un modèle qui représente les intersections et les rues, suit sa propre position et s’oriente à l’aide d’une boussole pointée vers son but ; ses échecs tiennent aux interférences entre des représentations d’intersections superposées, dont un « regroupement par affordances », qui rapproche les intersections offrant les mêmes déplacements autorisés, limite les conséquences. Propose des indicateurs mécanistes permettant de comparer les modèles, qui montrent que les capacités de modélisation du monde émergent à différents stades de l’entraînement, et plaide pour que l’on passe de la question de savoir si un modèle possède un modèle du monde à l’étude mécaniste de sa modélisation du monde.

IA, grands modèles de langage, modèles du monde, interprétabilité mécaniste

Can AI Rely on the Systematicity of Truth? The Challenge of Modelling Normative Domains

Philosophy & Technology 38 (34): 1–27. 2025. doi:10.1007/s13347-025-00864-x

Soutient que le caractère asystématique des domaines normatifs, provenant de la pluralité, de l’incompatibilité et de l’incommensurabilité des valeurs, pose un défi à la capacité de l’IA de modéliser ces domaines de manière exhaustive, et souligne le rôle indispensable de l’agentivité humaine dans la délibération pratique.

IA, grands modèles de langage, systématicité, vérité, conflits de valeurs, éthique de l’IA, délibération

Kein Sicherheitsnetz der Wahrheit: Warum Normativität für LLMs schwierig bleibt

meta(φ) 13 (1): 51—89. 2025.

IA, grands modèles de langage, systématicité, vérité, conflits de valeurs

On the Fundamental Limitations of AI Moral Advisors

Philosophy & Technology 38 (71): 1–4. 2025. Commentaire invité. doi:10.1007/s13347-025-00896-3

Soutient que, si l’asystématicité de la vérité milite contre la personnalisation des conseillers moraux fondés sur l’IA, elle impose aussi des limites aux conseillers moraux d’IA généralistes.

IA, éthique de l’IA, conseillers IA, grands modèles de langage, systématicité, délibération