Connexionnisme

Le Connexionnisme  est une approche théorique en sciences cognitives, neurosciences et intelligence artificielle qui modélise les processus mentaux comme des phénomènes émergents issus de réseaux d'unités simples interconnectées, souvent des réseaux de neurones artificiels. Émergé à la fin des années 1980 comme alternative au computationnalisme dominant (inspiré de Putnam et Fodor), il puise ses racines dans les travaux des années 1950 sur les perceptrons de Frank Rosenblatt. Il connaît un essor avec le deep learning moderne, simulant l'apprentissage neuronal via des ajustements de poids synaptiques.

Les modèles connexionnistes reposent sur des unités (neurones artificiels) liées par des connexions pondérées : un état mental est un vecteur d'activations, et l'apprentissage modifie ces poids, souvent via la rétropropagation ou la loi de Hebb ("les neurones qui s'activent ensemble se connectent"). Contrairement au symbolisme, il privilégie le traitement parallèle distribué plutôt que des règles logiques explicites.

Pilier de l'IA contemporaine (deep learning, ChatGPT-like), il excelle en reconnaissance d'images, langage naturel et prédiction. En neurosciences, il inspire des modèles du cerveau où les connexions orchestrent les fonctions cognitives, aidant à comprendre troubles comme l'autisme ou les lésions.