Émergence : quand le global n'est pas visible dans les pièces

Une molécule d'eau n'est pas humide. Un neurone isolé ne pense pas. Une fourmi seule ne construit pas de termitière. Ces exemples illustrent un phénomène fondamental : certaines propriétés n'existent qu'au niveau collectif. Elles ne peuvent pas être attribuées à un composant individuel, mais elles apparaissent lorsque de nombreux composants interagissent selon des règles locales simples.

L'émergence est le nom donné à ce phénomène. C'est l'un des concepts les plus discutés en philosophie des sciences et en sciences de la complexité. Il est aussi l'un des plus mal compris : souvent confondu avec la magie, le mystère ou l'inexplicable, alors qu'il désigne précisément le contraire — un phénomène qui peut être étudié, modélisé et compris, mais qui exige un changement de niveau de description.

Une propriété est dite émergente si elle est présente au niveau d'un système mais absente au niveau de ses composants individuels. Cette définition est simple, mais elle cache une question difficile : à quel point la propriété collective est-elle « nouvelle » par rapport aux propriétés des composants ? Est-elle simplement la somme de ces propriétés (agrégation), ou quelque chose de qualitativement différent ?

Il est important de distinguer l'émergence de plusieurs concepts voisins. L'agrégation simple est la somme de propriétés individuelles : la masse totale d'un gaz est la somme des masses de ses molécules. Ce n'est pas de l'émergence. Le comportement collectif désigne des phénomènes coordonnés sans propriété qualitativement nouvelle. L'auto-organisation désigne l'apparition d'un ordre sans contrôle central. La complexité désigne la richesse des comportements possibles d'un système. L'adaptation et l'évolution impliquent une sélection au cours du temps. Ces concepts se recoupent mais ne sont pas synonymes.

Dire qu'une propriété est émergente ne signifie pas qu'elle est inexplicable. Cela signifie que la description au niveau des composants n'est pas le cadre le plus efficace pour raisonner sur cette propriété. La température d'un gaz est parfaitement explicable à partir de la mécanique statistique des molécules, mais il est plus efficace de raisonner directement en termes de température, pression et volume. Les variables utiles changent selon le niveau de description.

3. Auto-organisation et brisure de symétrie

L'auto-organisation désigne l'apparition spontanée d'une structure ordonnée à partir d'interactions locales, sans plan directeur ni contrôle central. Les cellules de convection de Bénard en sont un exemple classique : lorsqu'un fluide est chauffé par le bas, des rouleaux de convection réguliers apparaissent spontanément. Ces structures ne sont pas programmées dans les propriétés du fluide; elles émergent de l'interaction entre le gradient thermique et la viscosité.

La brisure de symétrie est un mécanisme fondamental de l'auto-organisation. Un système peut avoir plusieurs états possibles qui sont tous équivalents par symétrie. Lorsqu'il choisit l'un de ces états — sous l'effet d'une fluctuation ou d'une perturbation — la symétrie est brisée. Un aimant peut être magnétisé dans n'importe quelle direction; en dessous de la température de Curie, il choisit une direction et la symétrie rotationnelle est brisée.

Les rétroactions locales jouent un rôle central dans l'auto-organisation. Une rétroaction positive amplifie certaines configurations initiales; une rétroaction négative limite leur croissance. La combinaison des deux peut produire des structures stables et robustes. Dans les systèmes réaction-diffusion de Turing, la combinaison d'une réaction autocatalytique (rétroaction positive) et d'une diffusion différentielle (rétroaction négative à longue portée) peut produire des motifs réguliers : taches, rayures, spirales.

Le coarse-graining (ou changement d'échelle de description) est l'opération par laquelle on regroupe les détails microscopiques pour dégager des variables macroscopiques. On perd de l'information, mais on gagne en simplicité et en pouvoir prédictif à grande échelle. La thermodynamique est l'exemple canonique : au lieu de suivre $10^{23}$ molécules, on décrit le gaz par sa température, sa pression et son volume.

Le groupe de renormalisation est un outil mathématique puissant pour étudier comment les propriétés d'un système changent lorsqu'on change d'échelle. Il a été développé en physique des particules et en physique statistique, et a permis de comprendre l'universalité des transitions de phase : des systèmes très différents microscopiquement peuvent avoir le même comportement critique à grande échelle.

L'universalité est l'une des découvertes les plus surprenantes de la physique statistique moderne. Des systèmes aussi différents qu'un aimant, un fluide à son point critique et un réseau de percolation peuvent appartenir à la même classe d'universalité et partager les mêmes exposants critiques. Cela signifie que certaines propriétés émergentes ne dépendent pas des détails microscopiques, mais seulement de la dimensionnalité et de la symétrie du système.

Une transition de phase est un changement qualitatif dans le comportement d'un système lorsqu'un paramètre de contrôle (température, pression, densité) franchit un seuil. L'eau qui gèle, un aimant qui se démagnétise au-dessus de la température de Curie, un gaz qui se condense en liquide : ce sont des transitions de phase. Elles sont caractérisées par l'apparition ou la disparition d'un paramètre d'ordre.

Le paramètre d'ordre mesure le degré d'ordre dans la phase ordonnée. Pour un aimant, c'est la magnétisation spontanée. Pour un cristal, c'est la densité de Fourier à un vecteur d'onde particulier. Pour un superfluide, c'est l'amplitude du condensat de Bose-Einstein. Le paramètre d'ordre est nul dans la phase désordonnée et non nul dans la phase ordonnée.

Les transitions de phase continues (du second ordre) sont particulièrement intéressantes pour l'étude de l'émergence. Au point critique, les fluctuations deviennent corrélées à toutes les échelles : le système n'a plus de longueur caractéristique. C'est le phénomène de criticalité. Des systèmes biologiques — réseaux neuronaux, nuées d'oiseaux, colonies de bactéries — semblent parfois opérer près de la criticalité, ce qui maximise leur sensibilité aux perturbations et leur capacité de traitement de l'information.

En physique, la supraconductivité est un exemple d'émergence remarquable. En dessous d'une température critique, les électrons forment des paires de Cooper et se condensent dans un état quantique macroscopique. La résistance électrique devient exactement nulle et le matériau expulse les champs magnétiques (effet Meissner). Ces propriétés n'ont aucun équivalent au niveau des électrons individuels.

En biologie, les nuées d'oiseaux (murmurations) illustrent l'auto-organisation collective. Chaque étourneau suit des règles locales simples : s'aligner avec ses voisins proches, maintenir une distance minimale, éviter les prédateurs. L'interaction de ces règles produit des formes collectives fluides et cohérentes qui semblent avoir une intention globale. Des modèles informatiques (comme le modèle de Vicsek) reproduisent ces comportements avec seulement quelques paramètres.

Les automates cellulaires sont des modèles informatiques qui illustrent comment des règles locales simples peuvent produire des comportements globaux complexes. Le Jeu de la Vie de Conway utilise des règles de naissance et de mort basées sur le nombre de voisins vivants. À partir de configurations initiales simples, il peut produire des structures stables, des oscillateurs, des planeurs et même des structures capables de calcul universel.

Les embouteillages sont un exemple d'émergence dans les systèmes de transport. Un embouteillage peut se former et se propager en sens inverse du trafic sans cause locale identifiable — sans accident, sans rétrécissement de la route. Il émerge de l'interaction entre les comportements individuels des conducteurs (freinage, accélération) et la densité du trafic. Des modèles de trafic montrent que des ondes de densité peuvent se propager comme des ondes dans un milieu physique.

La synchronisation est un phénomène émergent fascinant. Des oscillateurs couplés — lucioles, neurones, pendules, générateurs électriques — peuvent se synchroniser spontanément. Le modèle de Kuramoto décrit ce phénomène : lorsque le couplage entre oscillateurs dépasse un seuil, une fraction d'entre eux se synchronise, et cette fraction croît avec le couplage. La synchronisation est une transition de phase dans l'espace des phases des oscillateurs.

Le philosophe David Chalmers a proposé une distinction entre émergence faible et émergence forte. L'émergence faible désigne les propriétés macroscopiques qui sont en principe déductibles des propriétés microscopiques, mais qui sont surprenantes ou difficiles à prédire en pratique. La plupart des exemples scientifiques d'émergence sont de ce type. L'émergence forte désigne des propriétés qui ne sont pas déductibles en principe des propriétés microscopiques, même avec une connaissance complète de ces dernières.

La conscience est souvent citée comme le candidat principal à l'émergence forte. Comment des processus physiques dans le cerveau produisent-ils l'expérience subjective ? Ce problème difficile de la conscience (hard problem of consciousness) est l'un des problèmes ouverts les plus profonds de la philosophie et des neurosciences. La plupart des scientifiques pensent que la conscience est un phénomène naturel, mais son explication reste incomplète.

Cette distinction est utile mais doit être maniée avec prudence. La frontière entre émergence faible et forte n'est pas toujours claire. Ce qui semble être de l'émergence forte peut devenir de l'émergence faible lorsque la théorie progresse. L'irréductibilité pratique (trop complexe pour être calculé) ne doit pas être confondue avec l'irréductibilité de principe (impossible à déduire même en théorie).

Les simulations informatiques sont l'outil principal de l'étude de l'émergence. Elles permettent de spécifier des règles locales précises et d'observer les comportements globaux qui en résultent. Les modèles à base d'agents (ABM) simulent des individus avec des règles comportementales simples et observent les propriétés collectives. Les automates cellulaires, les modèles de dynamique des fluides et les modèles de réseaux neuronaux sont d'autres exemples.

Les expériences contrôlées permettent de tester des prédictions spécifiques. On peut modifier un paramètre — la densité d'une population, la force d'un couplage, la température d'un système — et observer comment le comportement collectif change. Les transitions de phase sont particulièrement bien adaptées à cette approche : elles produisent des changements qualitatifs nets à des valeurs précises du paramètre de contrôle.

L'analyse de stabilité permet de comprendre quelles structures émergentes sont robustes. Une structure est robuste si elle persiste sous l'effet de petites perturbations. L'analyse de stabilité linéaire autour d'un état homogène peut prédire quels motifs peuvent émerger (analyse de Turing). L'analyse de bifurcation peut prédire comment les structures changent lorsqu'un paramètre varie.

La comparaison avec des modèles nuls est essentielle. Un modèle nul est un modèle simplifié qui préserve certaines propriétés du système réel (par exemple, le nombre de composants et leurs propriétés individuelles) mais supprime les interactions. Si le comportement collectif observé dans le système réel est absent dans le modèle nul, cela suggère que les interactions sont responsables de l'émergence.

Les structures spiralées peuvent être des phénomènes émergents, mais elles ne le sont pas toujours, et l'émergence ne produit pas automatiquement des spirales. Il est important de préciser les conditions dans lesquelles des spirales émergent.

Dans les milieux excitables — comme les réactions de Belousov-Zhabotinsky ou le tissu cardiaque — des ondes spirales peuvent émerger de l'interaction entre une réaction autocatalytique et une diffusion. Ces spirales sont des structures émergentes au sens précis : elles ne sont pas présentes dans les propriétés des molécules individuelles, mais elles apparaissent de leur interaction collective. Leur formation peut être analysée par la théorie des ondes de réaction-diffusion.

Dans les systèmes de particules en mouvement collectif — comme les modèles de Vicsek — des structures spiralées peuvent apparaître dans certaines conditions de densité et de bruit. Mais d'autres structures sont tout aussi naturelles : bandes, clusters, états homogènes. La spirale n'est pas le seul attracteur possible.

La métaphore de la spirale est utile pour illustrer l'idée que des règles locales simples peuvent produire des structures globales complexes. Mais elle ne doit pas être généralisée à toute émergence. Un front, une grappe, une hiérarchie, une oscillation ou un état chaotique peuvent être tout aussi émergents qu'une spirale. La richesse de l'émergence tient précisément à la diversité des structures qu'elle peut produire.

Pour rendre l’émergence testable, définissons des agents qui possèdent seulement une position et une direction. Chacun se déplace à vitesse constante. À chaque pas, il observe les directions des agents situés à proximité, en calcule une moyenne, ajoute un bruit angulaire, puis avance. Il ne reçoit ni destination globale ni chef. Cette famille de modèles d’alignement a été étudiée par Vicsek et ses collaborateurs ; elle fournit un exemple précis de coordination collective, sans prétendre expliquer toute l’émergence. ^[1]

La moyenne porte sur des vecteurs, pas directement sur les angles : les directions 359° et 1° sont voisines de 0°, et non de 180°. Dans notre exemple, les 64 agents vivent dans un carré de côté 10 à bords périodiques ; sortir à droite fait rentrer à gauche. Le rayon de voisinage vaut 2 et le déplacement par pas 0,16, dans des unités de modèle. Tous les nouveaux angles sont calculés à partir du même état précédent, puis les positions sont mises à jour : cette mise à jour synchrone évite de donner un avantage arbitraire aux premiers agents parcourus.

Une image compacte peut sembler organisée alors que ses agents partent dans toutes les directions. Inversement, un groupe dispersé peut avancer de manière cohérente. Pour mesurer l’alignement, on additionne les vecteurs vitesse et l’on divise leur norme par la somme de leurs normes. Le résultat P est compris entre zéro et un. Si tous les agents pointent dans la même direction, P = 1 ; si leurs directions se compensent, P est faible. Un petit P dans une population finie ne signifie pas que chaque voisinage est désordonné.

Le curseur règle l’amplitude η d’un bruit uniforme entre −η/2 et +η/2. Augmenter ce bruit met en concurrence l’alignement local et la dispersion des directions. Le graphique affiche une réalisation reproductible, avec sa graine. Il permet de tester une tendance, mais pas de conclure à lui seul à une transition de phase : cela demanderait de varier aussi le nombre d’agents, la densité, la durée d’observation et les réalisations indépendantes. Une courbe de petit système n’est pas une mesure directe d’un exposant critique.

Comparez l’état initial et l’état après 80 pas. Les petites flèches donnent la direction de chaque agent ; la valeur P résume leur cohérence globale. Si l’alignement s’est renforcé, on peut relier ce changement aux interactions locales puisque les règles, l’état initial et le calcul sont connus. Mais une image finale ne révèle pas à elle seule le mécanisme qui l’a produite : un contrôleur central aurait aussi pu imposer les mêmes directions. Il faut consulter la règle ou observer les transitions pour distinguer ces explications.

On sépare donc le niveau microscopique — voisinages, vitesses, bruit — du niveau macroscopique — transport collectif ou ordre global. Le mot émergence désigne ici le passage entre ces descriptions. Il ne signifie pas qu’une propriété est apparue sans conditions : le modèle reçoit de l’énergie motrice, dispose d’une densité et d’une règle d’interaction. Une organisation qui se maintient dans un système entraîné n’est pas automatiquement un équilibre thermodynamique. La comparaison devient plus précise lorsque l’on explicite ces ressources et ces contraintes.

Les trois courbes suivantes utilisent les graines 37, 80 et 101. Les règles et les paramètres sont identiques, mais les positions, les orientations et les perturbations diffèrent. Les temps de mise en ordre peuvent donc varier. Cette variabilité ne contredit pas une règle déterminée : la règle précise comment chaque état devient le suivant, tandis que les tirages définissent des expériences distinctes. Comparer plusieurs histoires empêche de présenter une belle réalisation isolée comme une loi universelle.

Une spirale n’intervient pas dans la définition de P. Des agents peuvent s’aligner sans tourner, former des sous-groupes ou rester dispersés ; la présence d’un motif tournant demanderait d’autres mesures, comme une circulation autour d’un centre défini. Cette distinction permet d’utiliser l’émergence pour ce qu’elle éclaire réellement : la relation entre des interactions spécifiées et une propriété collective. Elle évite de confondre tout ordre, tout mouvement collectif et toute rotation avec une même géométrie spiralée.