Systems A/B/M : Lessons on Autonomous Learning from Cognitive Science

La conférence de Jitendra Malik offre une perspective stimulante sur l’apprentissage autonome, en s’appuyant sur des analogies avec le développement cognitif humain. La proposition des systèmes A/B/M est originale et fournit un cadre utile pour penser l’apprentissage au-delà du paradigme dominant de l’apprentissage supervisé à grande échelle. Malik critique à juste titre les limites des approches actuelles, notamment le manque d’apprentissage continu et la dépendance à des données massives. Son analyse des paradigmes de robotique (téléopération, vidéo, simulation) est pertinente et met en lumière les compromis entre naturalisme des données, disponibilité des informations (forces, etc.) et réalisme. Cependant, la présentation reste spéculative et manque de détails opérationnels. Les systèmes A/B/M sont présentés comme un ‘modèle cartoon’ sans implémentation concrète. De plus, la discussion sur le système M est brève et n’explique pas clairement comment il interagit avec A et B. La conférence s’appuie sur des références solides (Dupoux et al., Sutton, etc.) mais ne fournit pas de preuves expérimentales. L’adéquation titre-contenu est bonne, mais le titre pourrait laisser attendre plus de détails sur les applications pratiques. En résumé, c’est une conférence de haut niveau, intellectuellement stimulante, mais qui reste au stade de la proposition conceptuelle.

Le titre reflète bien le contenu : la conférence présente les systèmes A/B/M comme cadre pour l'apprentissage autonome, en s'appuyant sur la science cognitive.

8/10

Conférence d'un chercheur reconnu (Jitendra Malik, UC Berkeley) dans le cadre d'un séminaire académique (Simons Institute). Le contenu s'appuie sur des travaux de recherche publiés et des exemples concrets, mais reste une position personnelle avec des propositions spéculatives.

Repères établis par PSI à partir de la transcription : le créateur n'a pas défini de chapitres.

• 00:00Introduction : critique de l'IA actuelle, mention de l'ère de l'expérience et des modèles du monde.
• 02:00Présentation du papier 'Why AI Systems Don't Learn and What to Do About It'.
• 05:00Explication des systèmes A et B : observation vs interaction.
• 10:00Application à la robotique : niveaux de contrôle (buts, trajectoires, forces).
• 15:00Discussion sur les paradigmes de collecte de données : téléopération, vidéo, simulation.
• 20:00Limites de la spécification des tâches en RL et introduction du système M.
• 25:00Conclusion : nécessité de combiner A, B et M pour l'apprentissage autonome.

• Page de la conférence sur le site du Simons Institute — Référence officielle de la conférence, incluant les détails de l'événement.

• Why AI Systems Don't Learn and What to Do About It (Dupoux, LeCun, Malik) — Papier de position mentionné dans la conférence, qui soutient les idées présentées.

• Approches traditionnelles de l'IA (apprentissage supervisé à grande échelle) — La conférence critique ces approches, les considérant comme de la mémorisation plutôt que de l'apprentissage véritable.