Conclusion - Liens avec la biologie et avec le concept de la machine de Turing

Commençons par rappeler les idées importantes issues de cette section. Dans un second paragraphe, nous expliquerons comment notre approche se positionne.
Nous pensons que l'objet de l'apprentissage doit être centré en particulier sur la faculté de perception elle-même (savoir repérer l'information utile au bon moment, dans le cadre d'un objectif déterminé). A ce titre, les connaissances ajoutées a priori, concernant le processus d'interaction entre la machine et son environnement amoindrissent la possibilité d'adaptation du système en figeant certains traits de la perception. Or, si ces données ne sont pas suffisamment exactes, le résultat de l'apprentissage en est affecté, sans que celui-ci en soit la cause de l'échec. Nous pensons que l'analyse d'un problème conduisant à l'élaboration d'un comportement intelligent doit permettre de discerner les frontières entre des caractères certains et exacts, qui seront abordés dans une logique fonctionnaliste (avec une démarche de programmation ``classique'') et des caractères incertains, qui seront appris, et dont les processus de perception font intégralement partie. Pour une machine et un environnement donnés, l'apprentissage doit permettre, par l'expérience, d'appréhender la réalité physique de leur interaction (particularité des capteurs et de l'environnement). Il remplace donc une analyse a priori du problème posé par la singularité de cette interaction (modélisation des capteurs et de l'environnement), sachant que cette dernière ne peut pas être faite, dans bien des cas, d'une manière suffisamment exacte ou exhaustive. En particulier, cela signifie qu'une programmation ad hoc du phénomène d'interaction est inenvisageable dans le cas général, car elle nécessite que l'intégralité du phénomène puisse être transcrite en un ensemble d'instructions exactes, fonctionnant sur une machine dont les lois d'évolution sont figées. Enfin, nous pensons que les mécanismes qui permettent de découvrir cette interaction ne sont pas contextuels: en particulier, ils ne dépendent pas de la nature du comportement à imiter ni de la nature des signaux perceptifs.
Notre approche s'écarte de la démarche fonctionnaliste: nous n'essayons pas de reproduire ou d'imiter un phénomène particulier, ni une structure cérébrale. Par conséquent, notre démarche n'est pas d'utiliser des observations pour construire directement un modèle: il s'agit d'utiliser des observations pour supposer l'existence de propriétés qui, elles, suggèrent l'existence d'un modèle précis. Nous nous inspirons à la fois de l'approche biologique, en utilisant le principe de sélection, mis en avant par Edelman entre autres, mais sans nous écarter beaucoup du modèle de la machine de Turing. En effet, nous rappelons au lecteur que l'AP doit conduire à la création d'un ensemble d'états vérifiant la propriété ( $P_{\epsilon }$): en d'autres termes, l'objectif de l'AP est de construire un ensemble d'états pour lesquels on peut prédire avec une grande certitude l'état futur du système si on connaît son état actuel et la commande qui est exécutée. Nous rappelons ici que la différence avec le concept de la machine de Turing est qu'il n'existe pas de déterminisme absolu associé à la propriété ( $P_{\epsilon }$): la prédiction est théoriquement incertaine, mais la probabilité d'occurrence d'une mauvaise prédiction est tellement faible que celle-ci ne se produit jamais en réalité, pour une durée d'expérience ``raisonnable''.