Machine de Turing universelle

[shub22]

intéressante discussion mais avec un réquisit non formulé et important: de nouveau l'anthropocentrisme refait surface lorsqu'on sous-entendrait que la conscience -sous entendu la conscience humaine- serait une finalité.
J'ai en mémoire la phrase de Aurélien Barrau lorsqu'il dit que la complexité est la seule finalité de l'univers.
On peut être d'accord ou pas avec cette affirmation mais les questions dont celles autour de la conscience - et l'intelligence- restent les mêmes.
La conscience, la volonté et l'intelligence: il doit y avoir un rapport essentiel entre les trois sinon s'il n'y avait que la complexité comme finalité comme il le dit, on verrait des éléphants roses volant dans le ciel, des mouches amphibies grosses comme 3 éléphants etc. Et la sélection naturelle n'explique pas tout loin de là.
-----

[obi76]

Que la conscience émerge de l'intelligence est de la métaphysique. Inutile de s'attarder là dessus : on n'a aucun élément qui permette de près ou de loin à savoir ça.

Pour ma réponse antérieure, finalement ce sera demain...

[pm42]

Pur problème de rendement énergétique des ordinateurs digitaux

Ok, ça je vois bien.

- On ne sait pas quelle fidélité on doit avoir par rapport aux neurones réels, on est d'ailleurs même plus sûrs qu'il n'y a pas d'autres cellules toutes aussi importante à simuler (cellules gliales par exemple). Et cela c'est une catastrophe, car si on veut un modèle précis du neurone, il n'a qu'à voir les travaux du projet Blue Brain pour se rendre compte que cela serait totalement hors de portée au niveau purement calcul d'en faire des milliards.

Pareil et effectivement, on ne connait même pas la taille du problème qu'on essaie de résoudre.

En gros, on veut faire une machine volante sans savoir si il est important de copier la morphologie détaillée des plumes.

Sachant qu'historiquement, on a fait des machines volantes qui ne sont pas des copies des oiseaux.

J'avais échangé avec Pr. Markram (Blue Brain) en lui demandant si on pouvait se contenter de modèles grossiers des neurones pour faire une machine qui pense, et il m'avait dit un truc genre "pas sûr qu'en faisant cela elle pensera comme nous".

Ceci dit, faire quelque chose qui pense différemment de nous serait très intéressant.

On croyait être des dieux avec la méca Q et la relativité générale, bah en fait on est des nains...

Je suis plus optimiste : il a en gros un siècle, on n'avait ni méca Q ni RG et des règles à calculer.
Depuis, on a fabriqué des machines qui reproduisent certaines fonctions du cerveau humain en mieux : calcul, mémorisation, jouer aux échecs.
Et plus récemment certaines fonctions en "très proche" : reconnaissance visuelle, vocale, etc.

Effectivement, reproduire la pensée reste un saut de grande ampleur et on ne peut pas se risquer à des prédictions mais ce qu'on fait actuellement est basé sur des technos inimaginables à l'époque du congrès Solvay.

[obi76]

Pur problème de rendement énergétique des ordinateurs digitaux.

Hmm là je ne suis pas d'accord, le problème est beaucoup plus amont (clairement algorithmique et structurel). Même avec un ordinateur qui ne consomme que dalle, sa structure même fait qu'en terme de vitesse on ne pourra pas (sachant qu'on est limité à 4~5 Ghz avec le silicium).

D'ailleurs si vous regardez bien, ça fait des années que la loi de Moore n'est plus respectée, et que la fréquence des processeurs n'augmente plus. Leur bande passante (avec la RAM et le PCIe), ainsi que le nombre de coeurs oui, mais leur fréquence non.

Autre exemple, les processeurs pour supercalculateurs sont moins rapide que des processeurs (haut de gamme) pour PC, entre autres à cause du NUMA : https://fr.wikipedia.org/wiki/Non_uniform_memory_access. Un calcul avec un proc de supercaculateur (typiquement les Xeon) vont environ 1.5 fois moins vite qu'un i7 (bus intégré), voire même 2x moins vite que chez moi avec un Ryzen 9 (a nombre de coeurs égaux en //), mais par contre un calculateur je peux en faire tourner 100 000 d'un coup, alors que chez moi un seul...

Et pour finir le scaling n'est clairement pas unitaire : plus vous augmentez les communications, moins les codes scalent. Du coup vous avez une limite indépendante du rendement, peu importe le nombre de proc que vous pourrez mettre en oeuvre.

Je ne pense donc clairement pas que ce soit un problème de rendement, mais bien d'architecture.

Quant aux GPU c'est très bien, mais outre leur durée de vie très limitée lorsqu'elles sont en stress, ça n'est utile que pour certains problèmes très particuliers.

[obi76]

Prédiction personnelle au pif: cela ne va rien donner d'utile pour progresser vers une IA forte, pas plus que Blue Brain et le Human Brain Project avant, mais je peux me tromper bien sûr!

C'est également ce que je pense...

Tu fais référence à la méca flux. En fait, je me suis rendu compte que la complexité généré par des entités en interaction (prends le simple problème à 3 corps en interaction gravitationnelle, article FS ici), comme par exemple la complexité générées par des milliards de neurones (ou autre cellules...) en interaction dépasse l'imagination, et on a pas de modèles mathématiques (comme dans les milieux continus) pour maitriser cela.
C'est juste trop fort, beaucoup trop fort pour nous. ^

Alors là je vais une petite dissertation.

Quand on parle de choses qui interagissent entre elles, il y a plusieurs méthodes, ça dépend du type d'interaction. Finalement la simulation numérique ça revient à priori systématiquement (je n'ai pas de contre-exemple en tête) à de la simulation d'interactions.

1°) Interactions par collision
Là on est dans le cas de la mécanique des fluides par exemple, où les particules collisionnent très souvent avec leurs voisines. Soit :
- on est à l'équilibre thermodynamique, et dans ce cas on peut utiliser les moments de la PDF de la vitesse des particules, et on tombe sur un modèle moyen (En gros on moyenne Boltzmann et on tombe sur NS). Fondamentalement ça veut dire qu'on est capable de lier l'évolution des moments d'une PDF en fonction de ses dérivées spatiales. Les codes de calcul qui font ça il y en a plein, le gratuit auquel je pense immédiatement c'est OpenFoam. A noter que dans le cas où on est toujours à l'équilibre en pression, une approche consistant à résoudre une équation de Poisson permet d'avoir la pression dans tout le domaine. Ca permet d'obtenir le champ de pression, et par conséquent en chaque point la contribution de tout le domaine sur celui-ci de manière instantané.
- on n'est pas à l'équilibre thermodynamique, on se retrouve avec des particules dont on ne peut pas lier les moments de leur PDF. Là pas 50 solution : on doit simuler l'évolution de la PDF elle-même. C'est beaucoup plus costaud, lourd et lent. Un code qui fait ça par exemple c'est GYSELA, pour simuler le plasma dans ITER
- on essaye de modéliser le fluide par des particules virtuelles qui collisionnent entre-elles (méthode SPH). Chaque particule virtuelle représentant un très grand nombre de "particules réelles". Là la problématique ce n'est "que" de la vitesse de détection des plus proches voisins.

2°) Interactions à distance (gravitation, plasma, etc.)
Là on se retrouve face à ce que vous dites, comme le problème des N corps : chaque éléments interagit avec tous les autres, et à distance (et possiblement : pas instantanément).
- Dans le cas où ce n'est pas instantané, pas 50 solutions, on calcule le potentiel gravitationnel consécutif à la présence de tous les corps, et on propage l'onde résultante (RG). Un code qui fait ça : RAMSES. En fait l'astuce c'est de faire de l'interaction directe à petite échelle (algorithme en N²), et à grande échelle de résoudre le potentiel gravitationnel et le faire propager. C'est un mélange d'interaction locale lagrangienne et globale eulérienne. Comme dans le cas de GYSELA pour le champs EM couplé aux ions (qui de fait interagissent entre eux puisqu'ils sont chargés)
- Dans le cas où c'est instantané, on peut faire la même méthode que précédemment, sauf qu'on a plus de propagation d'onde à résoudre : "juste" une équation de Poisson. Cette méthode reste cependant approximative comme précédement
- Si on veut la solution exacte, là on tombe sur un algo en N², et dès qu'on a trop d'éléments : plus possible. A moins que le nombre d'interactions soit limité (tout le monde n'interagit pas avec tout le monde), dans ce cas on a un problème algorithmiquement en N*k, avec k le nombre d'interactions moyenne de chaque corps vers les autres.

Pourquoi je dis ça. Parce que dans le cas d'interactions entre neurones, on se retrouve dans un cas où on a aussi bien du local que du distant. Et de plus il n'est pas possible (à mon avis) de créer une quelconque fonction de leur état dont les moments permettraient de représenter leur état et leur évolution. En fait on se retrouve dans un problème qui est un mélange des précédents :
- chaque élément peut interagir avec des éléments distants
- pour moi il n'y a pas de notion d'équilibre local (en gros il n'y a pas d'échelle à partir de laquelle on peut considérer une PDF de leur état dont les moments permettent une description fine)
- on ne peut pas modéliser une quelconque fonction d'onde puisque dans ce cas c'est un scalaire qui se propage : algorithmiquement parlant on ne peut pas savoir, connaissant cette fonction à un instant donné et à un endroit donné, connaître la contribution de chacun (nécessaire puisque ce sont des interactions inter-neuronales).

Donc la problématique se pose en terme de :
- interactions locale ou pas ?
- fonction descriptive de l'état du système local existante ? (et de préférence à nombre de dimensions réduite : la simulation d'une PDF ralentit comme le nombre de dimensions de celle-ci. Pour des neurones je doute qu'on puisse les représenter avec si peu d'état, mais je me trompe peut-être)
- interactions instantanées ou pas ?

Pour la simulation d'un cerveau, on se retrouve avec un problème où pour moi la notion de PDF ne permet pas une description du système. On se retrouve donc dans le cas du problème des N corps, qui est un vrai problème si on ne peut pas utiliser cette notion de champs pour le résoudre. On est donc face à un algo en N*k, avec N très grand, et k le nombre de liens possibles par neurones (en ordre de grandeur).

Ma conclusion : simuler convenablement un réseau neuronal à grande échelle nécessite donc une approche "naïve" pour être représentative, et par voie de fait est nécessairement algorithmiquement extrêmement lourd dès lors que N dépasse le milliard.

[FinalSpark]

Merci pour ces informations pointues, je pense que l'on est bien d'accord. J'aurai éventuellement suggéré, et sous toute réserves, les réponses suivantes aux 3 questions que tu mentionne:
- interactions non locales (on peut avoir des axones de plusieurs cm de long dans le cerveau il me semble)
- fonction descriptive: un véritable enfer si l'on tient compte de tous les canaux ioniques, des synapses, neurotransmetteurs, et tout ce que l'on ne sait pas encore (qui est peut-être plus important que ce que l'on sait déjà....)
- interactions non instantanéee

Pour ton calcul je prendrai N=100 milliards et k=10 000. Je sais, c'est pas cool...

Hmm là je ne suis pas d'accord, le problème est beaucoup plus amont (clairement algorithmique et structurel). Même avec un ordinateur qui ne consomme que dalle, sa structure même fait qu'en terme de vitesse on ne pourra pas (sachant qu'on est limité à 4~5 Ghz avec le silicium).

D'ailleurs si vous regardez bien, ça fait des années que la loi de Moore n'est plus respectée, et que la fréquence des processeurs n'augmente plus. Leur bande passante (avec la RAM et le PCIe), ainsi que le nombre de coeurs oui, mais leur fréquence non.

Autre exemple, les processeurs pour supercalculateurs sont moins rapide que des processeurs (haut de gamme) pour PC, entre autres à cause du NUMA : https://fr.wikipedia.org/wiki/Non_uniform_memory_access. Un calcul avec un proc de supercaculateur (typiquement les Xeon) vont environ 1.5 fois moins vite qu'un i7 (bus intégré), voire même 2x moins vite que chez moi avec un Ryzen 9 (a nombre de coeurs égaux en //), mais par contre un calculateur je peux en faire tourner 100 000 d'un coup, alors que chez moi un seul...

Et pour finir le scaling n'est clairement pas unitaire : plus vous augmentez les communications, moins les codes scalent. Du coup vous avez une limite indépendante du rendement, peu importe le nombre de proc que vous pourrez mettre en oeuvre.

Je ne pense donc clairement pas que ce soit un problème de rendement, mais bien d'architecture.

Quant aux GPU c'est très bien, mais outre leur durée de vie très limitée lorsqu'elles sont en stress, ça n'est utile que pour certains problèmes très particuliers.

Tu as peut-être raison, moi je constate juste que notre cerveau c'est 20W et qu'une simulation numérique sur ordinateur demanderait au bas mot 20MW (j'en sais rien en fait...), donc j'en conclu que, qu'elle que soit l'architecture, les transistors consomment trop...

On croyait être des dieux avec la méca Q et la relativité générale, bah en fait on est des nains...

Depuis, on a fabriqué des machines qui reproduisent certaines fonctions du cerveau humain en mieux : calcul, mémorisation, jouer aux échecs.
Et plus récemment certaines fonctions en "très proche" : reconnaissance visuelle, vocale, etc.

La reconnaissance visuelle par réseaux de neurones, c'est pas trés "récent", je codais déjà ca sur mon Amiga il y a 25 ans

Le vrai probléme c'est que tous les outils IA que je connais (j'adorerai que l'on me présente des outils que j'ignore!) et utilisés pour réaliser ces "fonctions du cerveau humain" se sont montrés des voies sans issues pour aller plus loin...

Donc, je ne pense même pas que l'on ait réellement progressé vers une IA (je sais c'est pas ce que les médias racontent...)

Effectivement, reproduire la pensée reste un saut de grande ampleur et on ne peut pas se risquer à des prédictions mais ce qu'on fait actuellement est basé sur des technos inimaginables à l'époque du congrès Solvay.

Oui, en effet, mais ces technos ne sont pas les bonnes pour aller plus loin, je pense...

Au passage, je note que l'on a dérivé sérieusement du sujet initial (en partie ma faute). (je dis cela juste pour fayoter avec les modos...)

[obi76]

J'aurai éventuellement suggéré, et sous toute réserves, les réponses suivantes aux 3 questions que tu mentionne:
- interactions non locales (on peut avoir des axones de plusieurs cm de long dans le cerveau il me semble)
- fonction descriptive: un véritable enfer si l'on tient compte de tous les canaux ioniques, des synapses, neurotransmetteurs, et tout ce que l'on ne sait pas encore (qui est peut-être plus important que ce que l'on sait déjà....)
- interactions non instantanéee

Pour ton calcul je prendrai N=100 milliards et k=10 000. Je sais, c'est pas cool...

C'est exactement ce à quoi je pensais, du coup compliqué...

Tu as peut-être raison, moi je constate juste que notre cerveau c'est 20W et qu'une simulation numérique sur ordinateur demanderait au bas mot 20MW (j'en sais rien en fait...), donc j'en conclu que, qu'elle que soit l'architecture, les transistors consomment trop...

Avant de réfléchir à comment réduire ça, encore faudrait-il y arriver Déjà un processeur c'est 2D, un cerveau c'est 3D. Modéliser l'un avec l'autre, forcément ça demande énormément de surface... Et le problème d'un processeur 3D c'est clairement son refroidissement (en plus des difficultés pour le concevoir / fabriquer évidement). En plus il faut pas mal de transistors pour simuler numériquement un neurone... Une approche analogique serait la solution ? Ca fait pas mal de temps que j'y pense, si on arrive à faire un circuit qui réagit comme un neurone en analogique : plus d'horloge, plus de problème d'interaction en temps réel... tout ça devient naturel.

Juste pour l'anecdote j'étais tombé sur une recherche que je trouvais fascinante : faire passer des électrolytes dans les processeurs pour les alimenter en électricité, et en même temps les refroidir. Exactement ce que fait le sang. Je ne sais pas si ça a avancé.

La solution serait :
- de pouvoir faire des processeurs 3D (voire mieux : un ensemble de bloc analogiques réagissant comme le fait un neurone aux stimuli)
- de pouvoir avoir une grande liberté d'interconnections entre les blocs (qu'ils soient analogiques ou numériques)
- de pouvoir le refroidir en même temps qu'on l'alimente par le même fluide

Là, on pourra peut-être commencer à espérer pouvoir faire un truc qui commence à être sympa. Il n'y a que pour le second point que je ne vois pas du tout comment ce serait possible.

EDIT : rectification de mon post #35 : dans GYSELA les interactions EM sont instantanées.

[FinalSpark]

C'est exactement ce à quoi je pensais, du coup compliqué...
Avant de réfléchir à comment réduire ça, encore faudrait-il y arriver Déjà un processeur c'est 2D, un cerveau c'est 3D. Modéliser l'un avec l'autre, forcément ça demande énormément de surface... Et le problème d'un processeur 3D c'est clairement son refroidissement (en plus des difficultés pour le concevoir / fabriquer évidement). En plus il faut pas mal de transistors pour simuler numériquement un neurone... Une approche analogique serait la solution ? Ca fait pas mal de temps que j'y pense, si on arrive à faire un circuit qui réagit comme un neurone en analogique : plus d'horloge, plus de problème d'interaction en temps réel... tout ça devient naturel.

Juste pour l'anecdote j'étais tombé sur une recherche que je trouvais fascinante : faire passer des électrolytes dans les processeurs pour les alimenter en électricité, et en même temps les refroidir. Exactement ce que fait le sang. Je ne sais pas si ça a avancé.

La solution serait :
- de pouvoir faire des processeurs 3D (voire mieux : un ensemble de bloc analogiques réagissant comme le fait un neurone aux stimuli)
- de pouvoir avoir une grande liberté d'interconnections entre les blocs (qu'ils soient analogiques ou numériques)
- de pouvoir le refroidir en même temps qu'on l'alimente par le même fluide

Là, on pourra peut-être commencer à espérer pouvoir faire un truc qui commence à être sympa. Il n'y a que pour le second point que je ne vois pas du tout comment ce serait possible.

EDIT : rectification de mon post #35 : dans GYSELA les interactions EM sont instantanées.

Tu sais, je veux pas passer pour un vieux naze, mais en gros, j'ai l'impression que toutes les approches logiques ont déjà été plus ou moins tentées, certaines il y a étonnamment longtemps. Mais cela ne veut pas dire qu'il ne faut pas persévérer bien sûr. Donc les processeurs 3D, déjà fait (j'ai pas de références de tête), les neurones analogiques aussi... bien des fois! Ca s'appelle des puces neuromorphiques, les gens réessayent de temps en temps (de mémoire True North de IBM une des dernières), ca fait un gros buzz puis on en entend plus parler.

Tu as aussi toutes les approches "liquide state machine", en analogique tu peux faire calculer de l'eau par exemple, trés intéressant, il y a une publi d'un gars qui fait de la reconnaissance de la parole avec une bassine d'eau.

"refroidir en même temps qu'on l'alimente par le même fluide", là par contre je ne connaissais rien comme celà et ces electrolytes, merci! Par contre tu as le contraire "réchauffer en même temps qu'on l'alimente par le même fluide", c'est l'approche que je suis depuis quelques années... avec des neurones humains vivants...

[obi76]

Tu sais, je veux pas passer pour un vieux naze, mais en gros, j'ai l'impression que toutes les approches logiques ont déjà été plus ou moins tentées, certaines il y a étonnamment longtemps. Mais cela ne veut pas dire qu'il ne faut pas persévérer bien sûr.

C'est aussi ce que je pense : le numérique n'est clairement pas adapté à ça. Finalement l'analogique ça enlève quand même pas mal de problèmes (ou alors un mixe : analogique pour les neurones, numérique pour les connexions, je ne sais pas)...

Donc les processeurs 3D, déjà fait (j'ai pas de références de tête)

Oui, enfin quand je dis "3D", c'est pas 2x2x2 coeurs, ça serait plutôt 100x100x100, là on pourrait commencer à parler sérieusement (en 2D on s'en approche. Pour la 3D c'est une autre paire de manches). Pour la RAM 3D (en fait avec pas mal de couches, c'est pas encore cubique) je savais, pour les processeurs non. Et reste encore cette histoire d’interconnexion...

les neurones analogiques aussi... bien des fois! Ca s'appelle des puces neuromorphiques, les gens réessayent de temps en temps (de mémoire True North de IBM une des dernières), ca fait un gros buzz puis on en entend plus parler.

Ha ça je ne savais pas, merci pour le tuyau

Tu as aussi toutes les approches "liquide state machine", en analogique tu peux faire calculer de l'eau par exemple, trés intéressant, il y a une publi d'un gars qui fait de la reconnaissance de la parole avec une bassine d'eau.

Ca c'est plus pour le fun qu'autre chose...

"refroidir en même temps qu'on l'alimente par le même fluide", là par contre je ne connaissais rien comme celà et ces electrolytes, merci! Par contre tu as le contraire "réchauffer en même temps qu'on l'alimente par le même fluide", c'est l'approche que je suis depuis quelques années... avec des neurones humains vivants...

Ca marche dans les deux sens...

[Bounoume]

Citation Envoyé par FinalSpark
Tu sais, je veux pas passer pour un vieux naze, mais en gros, j'ai l'impression que toutes les approches logiques ont déjà été plus ou moins tentées, certaines il y a étonnamment longtemps. Mais cela ne veut pas dire qu'il ne faut pas persévérer bien sûr.

Toutefois, j' ai l' impression que conserver la trace d' une proposition (d' un fait, d' une règle.... disons même d' une 'pensée' explicitée) demanderait beaucoup moins de ressources si elle est faite en caractères ASCII.... que si elle est contenue dans un réseau de neurones réels, biologiques, ou de neurones simulés finement.
Dans ces cas, il faudrait des multiples'"assemblées de neurones" [arrangées comment?] face à une centaine d' octets.....



A l' opposé, c'est vrai que décider les actions d' un système qui prétend simuler la 'pensée'.... uniquement à partir de règles 'logiques' aboutit très vite à des impasses.
Faire intervenir aussi d' autres méthodes est indispensable, ne serait-ce pour choisir quelles règles (concurrentes) activer à une étape donnée.
Quelles méthodes? Quelle consommation de ressources associées? ça se discute.....

[obi76]

Toutefois, j' ai l' impression que conserver la trace d' une proposition (d' un fait, d' une règle.... disons même d' une 'pensée' explicitée) demanderait beaucoup moins de ressources si elle est faite en caractères ASCII.... que si elle est contenue dans un réseau de neurones réels, biologiques, ou de neurones simulés finement.
Dans ces cas, il faudrait des multiples'"assemblées de neurones" [arrangées comment?] face à une centaine d' octets.....

Ca, je n'en suis pas si sûr. Parfois c'est ce qu'on ne voit pas qui permet d'expliquer ce qu'on voit, et en l’occurrence...

A l' opposé, c'est vrai que décider les actions d' un système qui prétend simuler la 'pensée'.... uniquement à partir de règles 'logiques' aboutit très vite à des impasses.

En fait en toute rigueur la "seule" impasse finalement elle est uniquement en terme de ressource. (pour la provoc' : ) vous me donneriez un supercalculateur avec la puissance ad-hoc, et un réseau d'interconnexion illimité (en vitesse) et de latence nulle : je vous fais un cerveau fonctionnel. En fait avec une telle machine on pourrait simuler à peu près tous les problèmes actuels. Le problème, c'est que l'un comme l'autre ça n'existe pas, et ça n'a aucune chances d'exister un jour. L'échec n'est pas conceptuel (c'est un peu présomptueux mais un peu quand même), il est méthodologique, il faut donc contourner cette difficulté... et c'est là que les ennuis commencent.

Faire intervenir aussi d' autres méthodes est indispensable, ne serait-ce pour choisir quelles règles (concurrentes) activer à une étape donnée.
Quelles méthodes? Quelle consommation de ressources associées? ça se discute.....

C'est ce qu'on fait... du moins on essaye

[Archi3]

Toutefois, j' ai l' impression que conserver la trace d' une proposition (d' un fait, d' une règle.... disons même d' une 'pensée' explicitée) demanderait beaucoup moins de ressources si elle est faite en caractères ASCII.... que si elle est contenue dans un réseau de neurones réels, biologiques, ou de neurones simulés finement.
Dans ces cas, il faudrait des multiples'"assemblées de neurones" [arrangées comment?] face à une centaine d' octets.....

sauf que les caractères ASCII ne contiennent aucune information utile si ils ne sont pas couplés à un réseau de neurones pour les lire . Le linéaire A crétois (non déchiffré à ce jour) ne transporte plus aucune information utile ...

[Bounoume]

mais....
Un shell ou autre interpréteur suffit pour 'lire' l' information contenue dans du code...... et l' exécuter.....
un compilateur lui, le 'comprendra' aussi....
La modification de quelque octets du texte peut induire de façon facilement prévisible, une réponse très différente, voire opposée, du système exécutant...........

Pour un effet comparable, via un ANN, j' ai l' impression qu' on aura besoin de modifier une multitude des poids de connexion du réseau de neurones....
Tu connais bien mieux que moi ce sujet...

[Archi3]

mais....
Un shell ou autre interpréteur suffit pour 'lire' l' information contenue dans du code...... et l' exécuter.....
un compilateur lui, le 'comprendra' aussi....
La modification de quelque octets du texte peut induire de façon facilement prévisible, une réponse très différente, voire opposée, du système exécutant...........

Deja donc tu rajoutes l'information contenue dans le compilateur ou l'interpréteur. Mais un compilateur ou un interpréteur ne fait que traduire des bits correspondant à le l'ASCII en bits correspondant à des instructions machines, mais sans machine derrière ça ne t'avance pas plus. L'information n'est une information que parce que tu as une machine pour la traiter....