Bibliographic record
Abstract
En allant à rebours de l'approche " penser, c'est calculer ", qui a été l'axe principal de la recherche en intelligence artificielle jusque dans les années 1980, " La Révolution de l'intelligence du corps développe l'idée que l'intelligence a besoin d'un corps " pour interagir avec l'environnement, selon le contexte et l'instant. Cette proposition a priori simple -- mais qui est une nouvelle façon de voir l'intelligence -- a des implications fortes pour qui veut comprendre les organismes vivants dans leur complexité, mais aussi pour qui veut concevoir des robots plus proches des organismes vivants dans leur façon de fonctionner. A partir d'exemples pris en neurobiologie, en biomécanique, dans les sciences cognitives et les sciences de développement, ce livre explore les principes et les mécanismes qui permettent de définir cette nouvelle approche de l'intelligence : ceux du système d'apprentissage de l'homme et de l'enfant -- le plus évolué au monde --, ainsi que les développements récents empruntés par la nouvelle intelligence artificielle pour créer des systèmes intelligents qui leur ressemblent. Cette vision novatrice de l'intelligence incarnée dans un corps nous donne aussi certaines clés pour comprendre l'ambiguïté de la mémoire, l'interdépendance de la perception et de l'action, la coordination entre le corps et le centre nerveux, l'auto-organisation dans le développement et dans les processus génétiques, et l'inter-subjectivité dans les interactions sociales.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.005 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.003 | 0.020 |
| Scholarly communication | 0.008 | 0.011 |
| Open science | 0.002 | 0.005 |
| Research integrity | 0.004 | 0.006 |
| Insufficient payload (model declined to judge) | 0.012 | 0.004 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".