L’intelligence existe-t-elle vraiment ?

Nous parlons d’intelligence avec une facilité étonnante. Une personne comprend vite, un corbeau résout un problème inédit, un logiciel produit une réponse cohérente et le même mot revient. Il paraît suffisamment clair pour circuler entre la psychologie, l’éthologie, les neurosciences et l’informatique. Sa précision s’effrite pourtant dès que l’on cherche ce qu’il désigne exactement.

L’American Psychological Association associe l’intelligence à la capacité d’acquérir de l’information, d’apprendre de l’expérience, de s’adapter à l’environnement, de comprendre et de raisonner.¹ Cette définition rassemble des facultés que nous reconnaissons spontanément. Elle laisse ouverte la relation qui les unit. Apprendre, abstraire, mémoriser, anticiper ou résoudre un problème sont des opérations distinctes. Les regrouper sous un même terme est utile, mais ce regroupement ne nous dit pas encore s’il existe derrière elles une faculté unique.

La difficulté prend davantage de poids lorsque le mot sert à comparer des individus, des espèces ou des machines. Une performance élevée dans une tâche particulière peut révéler une compétence remarquable sans suffire à établir une intelligence générale. Avant de classer les systèmes, il faut savoir quelles propriétés sont réellement comparées et jusqu’où elles peuvent être généralisées.

Quand la mesure précède l’explication

La psychologie mesure depuis longtemps des différences cognitives relativement stables. Les performances obtenues à différentes tâches sont généralement corrélées positivement. Une personne qui réussit bien certains tests tend, en moyenne, à mieux réussir d’autres épreuves cognitives. La psychométrie a résumé une partie de cette covariance sous le terme de facteur général d’intelligence, ou facteur g. Plus d’un siècle de travaux a confirmé la robustesse statistique de cette organisation.²

Une structure statistique, aussi stable soit-elle, ne livre toutefois pas automatiquement son mécanisme. Plusieurs modèles peuvent rendre compte des corrélations observées. Certains accordent une place importante à une capacité générale, d’autres à l’efficacité commune de plusieurs processus, d’autres encore à l’interaction progressive de compétences plus spécialisées. L’existence de g comme régularité psychométrique est mieux établie que son interprétation cognitive ou biologique.²

Les neurosciences compliquent encore l’idée d’un centre unique de l’intelligence. Une étude publiée en 2026 dans Nature Communications, fondée sur les données de 831 jeunes adultes du Human Connectome Project, a associé les différences de g à plusieurs propriétés distribuées du connectome. Le modèle fait intervenir plusieurs réseaux, des connexions à longue distance et des caractéristiques favorisant la communication à l’échelle cérébrale. Ces résultats rendent moins plausible une explication reposant sur un module cortical isolé. Ils ne déterminent pas pour autant la nature de g. Le modèle expliquait 12 % de sa variance dans l’échantillon principal, résultat significatif, mais loin d’une explication exhaustive.³

Nous savons donc mesurer certaines régularités importantes et identifier des corrélats biologiques. Ce constat reste compatible avec plusieurs théories de leur origine. Le facteur g décrit une organisation réelle des performances humaines sans démontrer qu’une substance mentale unique serait responsable de l’ensemble.

Les cas limites mettent les définitions à l’épreuve

Le thermostat constitue un bon point de départ parce que l’analogie s’arrête presque immédiatement. Il détecte une température, la compare à une consigne et déclenche une réponse selon une règle fixée. Cette boucle suffit pour parler d’un système sensible à son environnement. Elle ne comporte ni apprentissage des régularités, ni transfert vers un problème nouveau, ni révision de la stratégie à partir de l’expérience.

Les organismes capables d’apprentissage posent une difficulté bien plus intéressante. De nombreux animaux mémorisent, explorent, ajustent leur comportement et résolvent des problèmes nouveaux. Certaines espèces utilisent des outils ou changent de stratégie après un échec. Ces performances témoignent de capacités cognitives élaborées, mais leur organisation ne reproduit pas nécessairement celle que la psychométrie observe chez l’être humain.

Une méta-analyse portant sur 555 corrélations entre capacités cognitives chez des animaux non humains a trouvé une corrélation moyenne de 0,185. Les auteurs considèrent ce résultat comme un soutien relativement faible à l’existence d’une intelligence générale organisée sur le modèle du facteur g humain.⁴ Il serait erroné d’en déduire une simple hiérarchie dans laquelle les animaux occuperaient des niveaux inférieurs. Le résultat suggère surtout des architectures cognitives différentes, parfois davantage spécialisées selon les espèces, les environnements et les pressions évolutives.

L’intelligence artificielle déplace encore les repères. Dans sa définition révisée, approuvée en 2023, l’OCDE décrit un système d’IA comme un système fondé sur une machine qui infère, à partir d’entrées et d’objectifs explicites ou implicites, comment produire des prédictions, du contenu, des recommandations ou des décisions. Les systèmes diffèrent aussi par leur degré d’autonomie et leur capacité d’adaptation après déploiement.⁵ Cette définition sert à circonscrire une catégorie technologique. Elle ne prétend pas résoudre le problème général de l’intelligence.

Les désaccords autour des machines viennent en partie de là. Pour certains, l’intelligence se reconnaît à la performance. D’autres exigent de l’apprentissage, de l’autonomie, de la compréhension ou de la créativité. Certains y ajoutent la conscience. Le même système peut alors paraître intelligent ou non selon la propriété retenue comme critère.

La généralisation comme test de flexibilité

Parmi les critères disponibles, la généralisation est particulièrement exigeante, sans constituer à elle seule une définition complète de l’intelligence. Wu, Meder et Schulz la décrivent comme la capacité d’appliquer des expériences limitées à des situations nouvelles et la présentent comme une composante fondamentale de l’intelligence humaine.⁶ Elle oblige à regarder au-delà du simple succès.

Une réponse correctement reproduite dans une situation identique peut relever d’un apprentissage étroit. La difficulté augmente lorsqu’un système doit reconnaître une structure commune derrière une configuration nouvelle, transférer un acquis et modifier sa conduite lorsque certains paramètres changent. Ce qui importe alors est l’écart entre les situations déjà rencontrées et celles dans lesquelles l’apprentissage reste efficace.

Cette idée permet de distinguer plus clairement la spécialisation de la flexibilité. Un système peut exceller dans un domaine très délimité puis voir ses performances s’effondrer dès que les règles ou les données s’éloignent suffisamment de son entraînement. Un autre peut obtenir des résultats moins impressionnants dans une tâche précise tout en conservant ses compétences dans des contextes plus variés. Comparer uniquement les scores finaux masque cette différence.

Le transfert ne fournit toutefois qu’une partie du tableau. La vitesse d’apprentissage, le nombre d’essais, la quantité de mémoire, le coût énergétique ou computationnel, la sensibilité aux erreurs et la capacité à abandonner une stratégie inefficace modifient également l’évaluation. Deux systèmes peuvent généraliser correctement tout en présentant des profils très différents selon les ressources qu’ils mobilisent et la rapidité avec laquelle ils s’ajustent.

Le résultat observable ne suffit pas davantage à révéler le mécanisme. Deux architectures peuvent produire une solution comparable par des voies internes profondément différentes. Cette limite prend une importance particulière lorsqu’on rapproche cognition biologique et systèmes artificiels, puisque des performances similaires peuvent émerger de structures qui n’ont presque rien en commun.

L’intelligence apparaît alors moins comme un interrupteur que comme un ensemble de propriétés graduelles. L’étendue du transfert, la robustesse face à la nouveauté, l’efficacité de l’apprentissage et la capacité de révision décrivent plusieurs dimensions d’une même flexibilité générale, sans imposer une frontière unique entre systèmes intelligents et non intelligents.

Une capacité toujours située

Aucune intelligence ne s’exerce dans le vide. Chaque système affronte certains problèmes, dispose de ressources particulières et fonctionne sous des contraintes propres. Une stratégie très efficace dans un environnement peut perdre toute pertinence dans un autre. L’évaluation dépend autant des capacités disponibles que de la structure de la situation rencontrée.

Cette dépendance complique les classements absolus. Comparer deux systèmes garde un sens si l’on précise les tâches, les ressources autorisées et les critères de réussite. Une hiérarchie générale entre un humain, un corbeau, un poulpe et une intelligence artificielle supposerait au contraire de réduire à une même échelle des architectures, des perceptions, des besoins et des environnements extrêmement différents.

Des comparaisons plus ciblées restent fécondes. La mémoire, le transfert, la planification, l’apprentissage, la résolution de problèmes ou la robustesse face à la nouveauté peuvent être étudiés séparément. Les conditions d’échec sont tout aussi instructives que les réussites, puisqu’elles révèlent les limites d’une compétence et le domaine dans lequel elle reste utilisable.

Ce cadre évite aussi de prendre l’être humain comme étalon implicite de toute cognition. Une espèce peut résoudre efficacement les problèmes pertinents pour sa survie avec des capacités perceptives très différentes des nôtres. Une machine peut égaler ou dépasser une performance humaine au moyen de mécanismes étrangers au fonctionnement cérébral. Une ressemblance dans les résultats ne garantit aucune ressemblance dans la manière de les produire.

Alors, l’intelligence existe-t-elle vraiment ?

Oui, si le terme désigne une famille de capacités observables liées à l’apprentissage, à l’extraction de régularités, à la construction de représentations utiles, au transfert et à la révision du comportement.

Les recherches examinées ici donnent beaucoup moins de raisons de considérer cette famille comme une chose simple, homogène et localisable. Le facteur g décrit une organisation robuste des performances cognitives humaines. Les neurosciences mettent en évidence des corrélats distribués. Les comparaisons animales révèlent d’autres organisations possibles. Les systèmes artificiels ajoutent encore des architectures capables de produire certaines performances cognitives sans reproduire le fonctionnement d’un organisme biologique.

L’intelligence possède aussi une dimension relationnelle. Un système exprime ses capacités face à certaines tâches, avec certaines ressources et sous certaines contraintes. Dire qu’un système est plus intelligent qu’un autre peut avoir un sens précis dans un domaine déterminé. Généraliser ce jugement à toutes les situations revient à effacer la diversité que l’on cherche justement à comprendre.

Une définition opérationnelle peut être proposée : l’intelligence désigne la capacité d’un système à extraire des régularités de son expérience, à construire des représentations utiles, à transférer ses acquis vers des situations nouvelles et à réviser son comportement lorsque les résultats obtenus contredisent ses attentes.

Cette définition se passe du langage, d’un cerveau biologique et de la conscience comme conditions préalables. Elle exige en revanche davantage qu’une réaction fixe, puisque l’apprentissage, le transfert et la révision en constituent le cœur. Elle accepte également plusieurs degrés et plusieurs profils d’intelligence sans supposer une architecture commune à toutes leurs manifestations.

Des difficultés importantes subsistent. Aucune limite évidente n’indique la distance de transfert à partir de laquelle une généralisation devient réellement remarquable. La vitesse, le coût, la mémoire et le taux d’erreur modifient aussi la valeur d’une performance. Deux systèmes capables d’atteindre le même résultat peuvent enfin s’appuyer sur des organisations internes très différentes.

La conscience relève d’un autre problème. La définition proposée ne permet pas de déterminer si un système possède une expérience subjective. Elle convient pour étudier des performances cognitives et leurs mécanismes. Dès que l’interrogation porte sur le fait d’éprouver, de ressentir ou d’avoir conscience de sa propre activité mentale, un autre champ d’analyse s’ouvre.

Une analogie limitée avec l’étude du vivant clarifie le déplacement. La biologie étudie la réplication, le métabolisme, l’homéostasie ou l’évolution alors même que les frontières exactes de la vie peuvent encore faire débat. L’explication progresse en identifiant des mécanismes et leurs interactions plutôt qu’en attribuant aux phénomènes une essence unique.

L’intelligence peut être abordée de façon comparable. Le mot rassemble utilement plusieurs phénomènes, mais il apporte peu lorsqu’il sert lui-même d’explication. Qualifier un humain, un animal ou une machine d’intelligent ne clôt rien. Il reste à déterminer l’organisation de ses capacités, leur domaine de validité, leurs mécanismes et leurs limites.

L’intelligence redevient un problème à expliquer.

Notes

1. American Psychological Association, APA Dictionary of Psychology, entrée « intelligence ».

2. Thomas R. Coyle, « Defining and Measuring Intelligence: The Psychometrics and Neuroscience of g », dans Aron K. Barbey, Sherif Karama et Richard J. Haier, dir., The Cambridge Handbook of Intelligence and Cognitive Neuroscience, Cambridge University Press, 2021, p. 3 à 25. Voir également John B. Carroll, Human Cognitive Abilities: A Survey of Factor-Analytic Studies, Cambridge University Press, 1993.

3. Ramsey R. Wilcox, Babak Hemmatian, Lav R. Varshney et Aron K. Barbey, « The Network Architecture of General Intelligence in the Human Connectome », Nature Communications, vol. 17, article 2027, 2026, DOI 10.1038/s41467-026-68698-5.

4. Marc-Antoine Poirier, Dovid Y. Kozlovsky, Julie Morand-Ferron et Vincent Careau, « How General Is Cognitive Ability in Non-Human Animals? A Meta-Analytical and Multi-Level Reanalysis Approach », Proceedings of the Royal Society B: Biological Sciences, vol. 287, article 20201853, 2020, DOI 10.1098/rspb.2020.1853.

5. OECD, Explanatory Memorandum on the Updated OECD Definition of an AI System, OECD Artificial Intelligence Papers, no 8, OECD Publishing, Paris, 2024, DOI 10.1787/623da898-en. La définition révisée a été approuvée par les pays membres de l’OCDE en novembre 2023.

6. Charley M. Wu, Björn Meder et Eric Schulz, « Unifying Principles of Generalization: Past, Present, and Future », Annual Review of Psychology, vol. 76, 2025, p. 275 à 302, DOI 10.1146/annurev-psych-021524-110810. Première publication en ligne le 16 octobre 2024.