Les réseaux de neurones et la ressemblance des possibles / Neural Networks and the Resemblance of Possibles

Par-delà l’effet de mode provoqué par la mise à disposition du code source de plusieurs réseaux de neurones et la médiatisation orchestrée par certains acteurs du marché, j’aimerais formuler l’hypothèse de certaines implications conceptuelles de ces réseaux récursifs de neurones (RNN). Pour formuler celle-ci, je soutiendrais que les RNN intensifient notre relation aux possibles et ne sauraient être envisagés comme de simples probables. La différence principale entre le possible et le probable consiste en ce que ce dernier est une anticipation du futur construite à partir d’une analyse du passé dont le dieu laplacien offre une image. Le possible pour sa part est la coexistence dans une situation de plusieurs potentialités qui sont, ne sont pas ou pourraient être. Le possible intensifie une situation et diversifie la vérité.

Pourquoi associer les RNN aux possibles ? L’une des possibilités les plus étonnantes des RNN est la capacité, à partir d’un grand nombre de données renseignées, de produire des données ressemblantes. Or cette ressemblance n’est pas le signe d’une probabilité, mais d’une possibilité. En effet, lorsqu’on regarde par exemple des images générées par des RNN, on reconnaît bien les images d’origine, mais il y a une stylistique propre à la production des réseaux de neurones. Il y a un flou, une certaine qualité de gris et du bruit. Les images ainsi produites sont doublement reconnaissables:  on reconnaît les images du stock d’origine, mais on reconnaît aussi la production d’un RNN. Les imperfections de celui-ci ne sont pas donc des éléments qu’il faudrait corriger, mais signent un style singulier. Il y a même parfois une certaine monstruosité dans le résultat qui par là même est chargé d’affects, d’une sentimentalité mettant en relation le monde technologique et le monde anthropologique.

La ressemblance produite n’est pas une probabilité parce que le résultat n’est pas contenu dans les prémisses, mais produit par elles. Il y a donc bien une relation de causalité entre le stock de données et d’images produites, mais pas une relation d’identité. La ressemblance n’est pas une répétition, mais un air de famille fondé sur une individuation partagée. L’analyse des stocks de données permet de produire d’autres images, car elles ont en commun la vectorisation et le bruit.

À partir de cette conceptualisation de la ressemblance générée par le RNN en tant que différence et répétition, on peut essayer de déduire une conception générale de ces réseaux de neurones. D’une part, on peut remarquer que les machines sont capables de produire de la ressemblance, c’est-à-dire quelque chose que nous reconnaissons, mais que nous n’avons jamais vu dans sa singularité. La machine a produit une image d’oiseau que nous faisons appartenir à la catégorie générale de l’oiseau, sans jamais avoir vu cet oiseau qui est dans l’image parce qu’il n’existe que dans celle-ci. C’est la question classique de la relation entre la définition de l’oiseau et l’extension de tous les oiseaux particuliers : comment reconnaissons-nous quelquechose que nous n’avons jamais vu? L’oiseau de l’image n’a pas été photographié, mais est comme la mémoire inventive et défaillante de plusieurs centaines de milliers images d’oiseaux. Cette production automatisée de la ressemblance permet de multiplier de manière exponentielle les médias et par cette multiplication elle rend le monde possible, c’est-à-dire quelle en densifie la texture.

D’autre part, lorsque l’on sait que les stocks de données sont le plus souvent le résultat de l’accumulation des renseignements fournis par les internautes, par exemple sur les réseaux sociaux, nous pouvons alors penser que le web 2.0 n’aura été que l’occasion de produire de nouveaux possibles proposés par les RNN. Nous passons dans les arts médiatiques d’une logique du remix et du sampling qui permettait d’affirmer, à la suite du Pop art, que l’artiste sélectionne et remonte ce qui existe déjà en tant que postproduction (N. Bourriaud), à une logique de la génération récursive qui produit du nouveau à partir de ce qui est donné.

On peut déduire de ce fonctionnement technologique une conception ontologique proche de celle de Whitehead. Selon  ce dernier « la philosophie ne doit rien exclure », c’est-à-dire que plutôt que de soumettre l’expérience à ses concepts, elle doit tout accepter sans exception. Philosopher ne consiste pas à décrire ou à donner une norme, mais à multiplier les possibles pour pouvoir sentir encore plus. Plutôt que de développer des alternatives comme la modernité l’a fait,  ou d’évaluer l’expérience au regard des concepts, on préférera sauvegarder la multiplicité irréductible des expériences. Par exemple plutôt que de parler de l’art en général, on abordera les œuvres particulières, en faisant bien attention de les lier les unes aux autres parce que rien n’est isolé dans la réalité et la relation entre les choses est même antérieure aux choses elles-mêmes (réalisme relationnel).

Une situation n’est pas seulement ce qu’elle est, elle est comme hantée  par tout ce qu’elle pourrait être ou aurait pu être. Nous passons d’une philosophie spéculative à une informatique spéculative, car les RNN multiplient les possibles dans les interstices d’un stock de données, interstice qui consiste en particulier à introduire du bruit supplémentaire. Le possible n’est pas alors à comprendre comme le mot d’ordre d’une utopie ou d’une globalité, mais comme l’intensification par multiplication ou encore par l’importance accordée à la quantité afin de produire de la qualité. Le possible des RNN n’est pas le probable, il est dans l’interstice du fonctionnement et de l’incident qui est source de ressemblance et non d’identité ou de répétition adéquate à ce qui précède. Les images produites par un RNN enrichissent une situation, c’est-à-dire les médias déjà existants, elles permettent d’en concevoir la genèse en observant les formes émerger dans l’hésitation du bruit, du flou et des formes liquides qui semblent couler les unes dans les autres.

Cette question de la ressemblance des réseaux de neurones  vient bouleverser la question générale de la mimésis et donc de l’Occident, de son projet. Les possibles viennent également hanter l’historialité qui devient elle-même une structure du possible (non pas du passé vers le futur, mais des futurs vers les passés, l’origine devient un tourbillon selon Benjamin). Les images ainsi produites n’ont pas pour but de tromper la perception ou de rajouter une image déjà vue, mais nous questionne sur le réel en tant que possible c’est-à-dire sur la manière même dont les médias on été classés, calculés et digérés. On doit ajouter à cela qu’un RNN peut s’alimenter de ses propres résultats et les intégrer dans le stock de données, il s’écarte alors progressivement du stock d’origine et s’individue de plus en plus. La possibilité autophagique d’un programme est ici une notion fondamentale à envisager.

By-and-by the trend sparked by the open-sourcing of several neural networks and the media coverage orchestrated by certain market players, I would like to formulate a hypothesis regarding some of the conceptual implications of these recurrent neural networks (RNNs). To articulate this, I will argue that RNNs intensify our relationship to the possible and cannot be envisioned as mere probables. The main difference between the possible and the probable lies in the fact that the latter is an anticipation of the future constructed from an analysis of the past—of which the Laplacian demon offers a prime image. The possible, for its part, is the coexistence within a situation of several potentialities that are, are not, or could be. The possible intensifies a situation and diversifies truth.

Why associate RNNs with the possible? One of the most astonishing capabilities of RNNs is their aptitude, based on a massive amount of inputted data, to produce resembling data. Yet, this resemblance is not the sign of a probability, but of a possibility. Indeed, when looking at images generated by RNNs, for instance, we easily recognize the original images, but there is a stylistic signature unique to the production of neural networks. There is a blur, a certain quality of gray, and noise. The images produced in this manner are doubly recognizable: we recognize the images from the original stock, but we also recognize the output of an RNN. The imperfections of the network are therefore not elements to be corrected; rather, they sign a singular style. There is even sometimes a certain monstrosity in the result, which by that very fact becomes charged with affects—a sentimentality that brings the technological world into relation with the anthropological world.

The produced resemblance is not a probability because the result is not contained within the premises, but is produced by them. There is indeed a causal relationship between the data stock and the generated images, but not a relationship of identity. Resemblance is not a repetition, but a family resemblance grounded in a shared individuation. The analysis of data stocks allows for the production of other images because they share vectorization and noise.

Based on this conceptualization of the resemblance generated by the RNN as difference and repetition, we can attempt to deduce a general conception of these neural networks. On the one hand, we can observe that machines are capable of producing resemblance—that is, something we recognize, but have never seen in its singularity. The machine has produced an image of a bird that we assign to the general category of “bird,” without ever having seen this specific bird in the image because it exists only within it. This is the classical question of the relationship between the definition of the bird and the extension of all particular birds: how do we recognize something we have never seen? The bird in the image was not photographed; rather, it is like the inventive and failing memory of several hundred thousand images of birds. This automated production of resemblance allows for an exponential multiplication of media, and through this multiplication, it makes the world possible—meaning it densifies its texture.

On the other hand, knowing that data stocks are most often the result of the accumulation of information provided by internet users, notably on social networks, we can then consider that Web 2.0 will have been nothing less than the opportunity to produce new possibles offered by RNNs. In the media arts, we are shifting from a logic of remix and sampling—which allowed artists, following Pop Art, to select and reassemble what already exists as postproduction (N. Bourriaud)—to a logic of recursive generation that produces the new from what is given.

From this technological functioning, we can deduce an ontological conception close to that of Whitehead. According to the latter, “philosophy must exclude nothing,” meaning that rather than subjecting experience to its concepts, it must accept everything without exception. Philosophers do not aim to describe or dictate a norm, but to multiply possibles in order to feel even more. Rather than developing alternatives as modernity did, or evaluating experience in light of concepts, one will prefer to safeguard the irreducible multiplicity of experiences. For example, instead of speaking about art in general, we will address particular works, taking great care to link them to one another because nothing is isolated in reality, and the relation between things is even anterior to the things themselves (relational realism).

A situation is not solely what it is; it is haunted, as it were, by everything it could be or could have been. We are moving from a speculative philosophy to a speculative computing, because RNNs multiply possibles within the interstices of a data stock—interstices that consist, in particular, in introducing additional noise. The possible is then not to be understood as the watchword of a utopia or a globality, but as intensification through multiplication, or rather by the importance granted to quantity in order to produce quality. The possible of RNNs is not the probable; it lies in the interstice between functioning and the incident, which is the source of resemblance and not of identity or a repetition adequate to what preceded it. The images produced by an RNN enrich a situation, meaning already existing media; they allow us to conceive its genesis by observing forms emerge within the hesitation of noise, blur, and liquid shapes that seem to flow into one another.

This question of resemblance in neural networks disrupts the general question of mimesis, and therefore of the West and its project. Possibles also come to haunt historiality, which itself becomes a structure of the possible (not from the past toward the future, but from futures toward pasts, where the origin becomes a vortex, according to Benjamin). The images thus produced do not aim to deceive perception or to add a previously seen image, but they question us about the real as possible—that is, on the very way media have been classified, calculated, and digested. To this, we must add that an RNN can feed on its own results and integrate them back into the data stock; it then progressively departs from the original stock and individuates itself more and more. The autophagous possibility of a program is a fundamental notion to be envisioned here.