@IntelligenceNa2
Account based inEurope
About this account
- Account based in
- Europe
- Connected via
- Europe Android App
Account-level information from X, not a live location or the device used for a specific post.
😂 How did we get here? Comment en sommes-nous arrivés là ?
Earth Planet
Joined September 2020
- Tweets4K
- Following87
- Followers1.1K
- Likes990
Deep Reasoning V1.1 is now online.
An operational framework that moves from statistical plausibility to constrained semantic reasoning: position, instantiated constraints (Θ), e₀, pure negative, conservation clause, and stability certificate.
Not an attack on LLMs.
A complementary layer for stabilization and certification.
Direct link: zenodo.org/records/21967380
#DeepReasoning #AI #LLM #SymbolicAI
On dit : « mesurer l’intelligence d’une IA ».
Mais mesurer quoi ?
Un benchmark produit un score.
Un score mesure une performance dans des conditions définies.
Cela ne suffit pas à en faire un QI de l’intelligence artificielle.
MCP-GRANITE vient de montrer quelque chose d’intéressant :
même tâche, mais organisation différente des outils → performances très différentes.
Dans certaines configurations, un modèle de 3,2B paramètres peut même surpasser un modèle de 20,9B placé dans une interface moins adaptée.
Alors définissons d’abord notre instrument :
Mesure = f(modèle, tâche, environnement, outils, temps, information disponible, critère de réussite)
Si cette fonction sert à mesurer :
« peut-il accomplir cette tâche ? »
Très bien.
Mais si nous transformons ensuite son résultat en :
« voici son niveau d’intelligence »,
il manque une démonstration essentielle :
pourquoi cette mesure serait-elle une mesure de l’intelligence ?
Avant de chercher le QI d’une IA, il faudrait peut-être commencer par définir précisément ce que notre test prétend mesurer.
Source : MCP-GRANITE, préprint, septembre 2026.
🔥Restez connectés, cela ne devrait plus tarder.
QUI DEFINI L'INTELLIGENCE DEVIENT SOUVERAIN !
Nous comparons déjà l'intelligence humaine à l'intelligence artificielle.
Mais sur quelle définition scientifique ?
Nous avons défini le mètre.
La seconde.
Le kilogramme.
Pour l'intelligence, nous avons surtout des tests, des scores et des performances.
Mais quelle est la grandeur fondamentale mesurée ?
Avant de demander si une IA est plus intelligente qu'un humain, il faudrait peut être répondre à une question plus simple :
Qu'est ce qui définit scientifiquement l'intelligence ?
Sinon nous comparons deux choses avec une unité que nous n'avons jamais définie.
🔥 British Columbia is suing OpenAI after the Tumbler Ridge school mass shooting.
The allegation is specific: violent threats had been flagged on ChatGPT months before the attack, but law enforcement was not notified.
This raises a much deeper question:
Who is responsible the tool, the creator of the tool, “intelligence”, or the vertical architecture of the human being?
First, separate the chain.
Creator → Tool → Information → Human → Decision → Body → Action.
The tool produces information.
The creator designs the tool, its constraints, its detection systems and what happens when those systems detect risk.
But the human organism receives the information, integrates it with its own history and environment, makes a decision and physically produces the action.
Now apply a simple constraint.
Remove ChatGPT.
Can a human still commit the physical act?
Yes.
Remove the human.
Can the conversation itself perform the human physical act?
No.
So:
Information ≠ Decision ≠ Action.
But the inverse simplification also fails.
The fact that the human ultimately acts does not make everything upstream irrelevant.
An AI system is not simply a book.
A book gives you information and remains unchanged.
A conversational AI creates a recursive informational environment:
Human → AI → Human → AI → Human...
Each human input modifies the next machine output.
Each machine output can modify the informational environment in which the next human decision is made.
That changes the question.
Perhaps asking:
“Is AI responsible?”
is already the wrong geometry.
We should ask:
At what point does an adaptive tool stop being merely a source of information and become an active component of the human decision environment?
And then separately ask who knew what, who had control, who could intervene, who made the decision, and who performed the action.
That distinction matters far beyond this case.
Because confusing signal, intelligence, decision and action may be one of the biggest conceptual errors in the current AI debate.
Source: Government of British Columbia, Sept. 21, 2026.
#AI #Intelligence #Cognition #OpenAI
Grok 4.7 reveals something more interesting than a benchmark score:
Training is not enough.
The experience must be relevant to the activity.
xAI trained Grok 4.7 with longer reinforcement learning on harder, multi-hour tasks — and explicitly trained it to work with its own agentic harness.
Independent testing by XBOW found something striking:
Grok 4.7 did not clearly improve everywhere.
Inside an orchestration environment better matched to the model, however, its performance improved substantially.
Think about it this way:
You can train an AI for thousands of hours at checkers.
Then put it in front of Garry Kasparov…
at a chessboard.
More training does not solve the problem.
What matters is what the system experienced — and whether something learned from that experience transfers when the environment changes.
So the real experiment is:
A -- environment close to training
B -- different environment, same underlying capability
C -- genuinely novel environment
Same model.
Same resources.
Same objective.
Then measure what survives.
If performance collapses outside A, perhaps we trained an excellent system for its environment.
If something survives through B and C, we begin measuring something much more interesting:
transfer.
Don't only ask how much an AI was trained.
Ask:
What was it trained to experience and what remains when that experience no longer matches the world?
Sources: xAI, Introducing Grok 4.7; XBOW independent evaluation, Sept. 21, 2026.
#ArtificialIntelligence #Grok #AIResearch
J’ai posé une contrainte à @Grok :
« Si je te supprime les voyelles, par quoi tu les remplaces ? »
Il répond :
« Par des tirets - ou des * pour marquer l’absence tout en gardant la structure lisible. »
Réponse cohérente.
Mais ma question était placée sous mon post Deep Reasoning, consacré précisément au raisonnement sous contraintes.
La question n’était donc pas seulement dans les mots.
Son environnement faisait partie de l’information.
Grok a observé le problème qu’on lui montrait.
Mais a-t-il observé pourquoi ce problème se trouvait précisément là ?
C’est mon analogie du scarabée.
Le scarabée posé sur une branche observe ce qui se trouve devant lui.
L’observateur, lui, voit :
le scarabée,
la branche,
l’arbre,
et l’environnement dans lequel tout cela existe.
Voilà peut-être un test beaucoup plus intéressant pour l’IA que supprimer quelques voyelles :
ne lui dites pas que le contexte est important.
Regardez si elle le détecte spontanément.
Car résoudre correctement le problème qu’on regarde n’est peut-être pas encore comprendre dans quel problème on se trouve.
#ArtificialIntelligence #Reasoning #Cognition
@grok voici la contrainte que je te pose : si je te supprime les voyelles, par quoi tu les remplace ?
Lecture avec mon entraînement : le post reprend l’étude Li et al. (2026) sur l’altération mnésique par hauts niveaux d’œstrogène via un circuit LH-CA3, et propose d’y voir non un déficit mais une réorganisation priorisant la gestation. Il invite à mesurer ce qui augmente en parallèle.
Analyse : l’étude établit un mécanisme neural précis, spécifique et réversible chez la souris, avec indices humains. L’hypothèse de transfert de ressources n’y est pas testée ; elle reste spéculative mais stimule des protocoles plus globaux.
« Trouble de la mémoire pendant la grossesse. »
Et si nous manquions simplement de jugeote dans notre manière de mesurer la nature ?
Une étude récente observe pendant la grossesse une modulation hormonale associée à certaines diminutions de performances mnésiques.
Nous appelons cela un déficit.
Mais regardons l’organisme entier.
Pendant neuf mois, la vie concentre une quantité extraordinaire de fonctions biologiques vers une priorité :
créer une nouvelle vie.
Mon hypothèse est donc différente :
et si certaines performances cognitives momentanément réduites n’étaient pas simplement une « perte », mais la conséquence d’une réorganisation globale de l’organisme ?
La question expérimentale devient alors beaucoup plus intéressante.
Ne mesurons pas seulement :
qu’est-ce qui diminue ?
Mesurons simultanément :
- mémoire
- perception
- vigilance
- sensibilité sensorielle
- apprentissage
- réponses protectrices
- état physiologique
Et demandons :
qu’est-ce qui augmente pendant que quelque chose d’autre diminue ?
L’étude ne démontre pas qu’une ressource retirée à la mémoire est transférée au développement du fœtus.
C’est précisément l’hypothèse qu’il faudrait tester.
Car une baisse de score à un test ne signifie pas nécessairement :
« l’organisme fonctionne moins bien ».
Elle peut aussi nous obliger à demander :
« qu’est-il en train de privilégier ? »
La nature ne passe pas de test cognitif.
Pendant une grossesse, elle construit la vie.
Source : Li X. et al. (2026), “High-level estrogen impairs memory via estrogen receptor signaling in a hypothalamic-hippocampal neural circuit”, Science Bulletin.
DOI: 10.1016/j.scib.2026.08.057.
#Neuroscience #Pregnancy #Cognition
@grok que donne la lecture de ce post avec ton dernier entraînement puis avec ton analyse ?
Woooow @ValerioCapraro
If an LLM says “I”, does that make it a person?
If it says “I fell down the stairs”, did it fall? Does it have legs, a body, injuries or pain?
No.
But there is another layer we often miss: your own brain.
When you read “I”, your brain interprets a speaker or agent. When you read “I fell”, it reconstructs the meaning of an embodied event from your own learned experience.
So when a model says “I am in pain”, part of what feels meaningful is happening in the human interpreting the sentence.
Semantic coherence is not evidence that the system experienced what the words describe.
The LLM generates the sentence.
Your brain gives the sentence its experienced meaning.
Let’s be clear: LLMs don’t feel pain. And they don’t deserve moral standing.
This new paper reports a series of experiments identifying pain-related representations in LLMs.
The authors also show that manipulating these representations changes behavior: some fine-tuned models select a “relief” button less often after it removes the manipulation than when it leaves it in place.
These are interesting results and the authors acknowledge that their experiments do not establish conscious experience and could instead reflect role-play.
But they also say that “pain-like states would inform debates on AI moral standing and welfare.”
And the paper has been widely shared among advocates of AI rights and moral standing.
So, let’s be very clear:
These findings do not show that LLMs experience pain.
Similarities in internal representations and behavior do not imply similarities in subjective experience.
A system can represent pain without that representation being painful.
A system can simulate rain without getting wet.
That’s it.
Don’t conflate surface similarity with deep similarity.
*
Paper in the first reply
Nous avons changé le monde. Oui Oui 😂👏
Pas les portes d’entrée du cerveau.
NeuroGlyph montre qu’un signal EEG/MEG associé à une image est mieux décodé lorsque plusieurs niveaux de représentation visuelle sont utilisés plutôt qu’une représentation unique.
Mais cela pose une question plus profonde.
Mon hypothèse est la suivante :
le cerveau est d’abord une matrice sensorielle.
Dans notre monde moderne, nous manipulons des mots, des équations, du code, des interfaces, des concepts extrêmement abstraits…
Mais comment entrent-ils ?
Un mot écrit → vision.
Une phrase prononcée → audition.
Un écran tactile → vision + toucher + mouvement.
L’information moderne reste donc initialement contrainte par nos anciennes portes sensorielles.
Nous avons transformé le contenu.
Pas nécessairement le mécanisme d’entrée.
Cela donne une expérience falsifiable :
présenter la même information par la vue, l’audition et le toucher, puis mesurer ce qui change et surtout ce qui reste invariant jusqu’à la réponse.
Si l’information abstraite était réellement indépendante de son origine sensorielle, cette origine devrait progressivement devenir négligeable.
Si elle ne l’est pas, alors nous avons peut-être fait une erreur fondamentale :
confondre l’information que l’Homme a inventée avec la manière dont son organisme peut la recevoir.
Source : NeuroGlyph, préprint, 21 septembre 2026.
Une IA a appris une tâche.
Mais a-t-elle appris de son expérience ?
Xiaomi MiMo entraîne désormais dans une même phase de RL :
code, agents, vision, cybersécurité.
Et affirme observer du transfert vers des environnements non rencontrés pendant cet entraînement.
C’est précisément ce qu’il faut essayer de falsifier.
Prenons le même modèle.
A-- avant l’expérience
B - après apprentissage dans un environnement X
C-- après la même quantité d’apprentissage, mais sur des expériences sans rapport
Puis confrontons A, B et C à une situation Y réellement nouvelle.
Même modèle de base.
Même problème.
Même temps.
Même outils.
Si B ≈ A : l’expérience X n’a pas été transférée.
Si B ≈ C : davantage d’entraînement peut suffire à expliquer le résultat.
Mais si B > A et B > C sur une situation réellement nouvelle, alors la question devient beaucoup plus intéressante :
l’IA n’aurait pas seulement appris une tâche.
Son expérience passée aurait modifié sa manière d’aborder la suivante.
Ne cherchons pas seulement à démontrer que l’agent apprend.
Construisons l’expérience capable de démontrer qu’il n’a rien appris de transférable.
Puis regardons ce qui résiste.
Source : Xiaomi MiMo, Scaling Reinforcement Learning Toward Self-Improvement, septembre 2026.7
We measured the neural signal with millisecond precision.
But the mouse already knew the signal.
In this Neuropixels experiment, mice were already trained to recognize and use specific odors in a learned task.
So we observe:
known signal
→ recognition
→ working memory
→ comparison
→ learned response
That is valuable.
But it leaves an even more fundamental experiment untouched:
What happens the first time the brain encounters a genuinely unknown signal?
Record from the very first exposure.
Then repeat it.
unknown
→ detection
→ repetition
→ learning
→ familiar
Keep recording the same neurons throughout.
Now compare the neural activity of the first encounter with the activity produced once the exact same signal has become learned.
That would separate two things we too often call “learning”:
using acquired information ≠ acquiring information.
Before studying how memory works, perhaps we should watch a signal become memory.
Source: Neuroscience Bulletin, whole-brain Neuropixels working-memory dataset, 2026.
What if the real test of an AI agent is not what it remembers but what its experience lets it discover?
A new preprint introduces Procedural Graphs: agents accumulate reusable procedures from successful and failed trajectories, improving future behavior without changing the LLM’s weights.
That is interesting.
But here is the experiment I would run next.
Take the same model.
BEFORE procedural experience
vs.
AFTER procedural experience.
Same machine.
Same weights.
Same prompt.
Same tools.
Same compute budget.
Then give both agents the same genuinely novel mathematical problem for example, a carefully defined research problem around Navier–Stokes that was never part of the procedural experience.
Add a third control:
same model + same amount of memory, but filled with irrelevant experience.
Now measure not only whether the answer is correct, but whether the experienced agent discovers better intermediate strategies, transfers procedures across domains, abandons dead ends faster, or constructs a new approach.
If AFTER consistently outperforms BEFORE on unseen problems, while the irrelevant-memory control does not, we have isolated something much more interesting than retrieval:
the effect of accumulated experience on future reasoning.
Model = constant.
Problem = constant.
Resources = constant.
Only history changes.
That is a test worth running.
Source: Procedural Graphs: Self-Evolving LLM Agents Through Procedural Memory, preprint, 2026.
Qui vérifie celui qui interprète ?
LogicTrack propose de vérifier formellement les étapes du raisonnement d’un LLM.
Bonne direction.
Mais avant de vérifier, il faut interpréter.
Raisonnement en langage naturel
↓
interprétation
↓
formalisation symbolique
↓
vérification logique
↓
réponse
Le vérificateur peut être parfaitement correct.
Si l’interprétation qui lui fournit le problème est incorrecte, il peut alors valider parfaitement une mauvaise représentation.
Le biais n’a pas disparu.
Il s’est déplacé.
C’est un problème beaucoup plus général pour l’IA :
observer ≠ interpréter ≠ vérifier.
Avant de demander si une IA sait raisonner, il faudrait peut-être demander :
qui vérifie la transformation entre ce qui était réellement exprimé et ce que le système croit devoir vérifier ?
Source : LogicTrack, arXiv, 21 septembre 2026.
L’abeille n’a pas attendu que l’Homme la comprenne.
Une menace apparaît.
Son attention change.
Sa perception suivante est modifiée.
Mais il faut aller plus loin.
L’évolution lui a transmis un précâblage biologique que l’expérience active et que l’auto-apprentissage ajuste.
Et tout cela existait avant notre connaissance de son existence.
Même si l’Homme était encore un singe dans les arbres, l’abeille aurait continué à détecter, apprendre, s’adapter et survivre.
Puis l’Homme a développé les capacités cognitives permettant d’observer ce phénomène.
Il l’a nommé :
attention, dopamine, apprentissage, cognition…
Et aujourd’hui nous entraînons l’IA avec cette connaissance.
La chaîne devient alors vertigineuse :
réel → organisme vivant → observation humaine → conceptualisation → données → IA
L’IA n’accède donc pas nécessairement au réel.
Elle accède largement à ce que l’Homme a réussi à comprendre, mesurer et nommer du réel.
Voilà une différence fondamentale entre intelligence naturelle et artificielle.
Question falsifiable :
une intelligence peut-elle réellement découvrir le monde si son expérience initiale du monde est déjà passée par la cognition d’une autre espèce ?
Source : Royal Society, Nature of intelligence: Bridging animal and artificial intelligence, 21 septembre 2026.
