Traduction de Optimize What?, par Jimmy Wu* le 15 mars 2019.
La Silicon Valley regorge des génies les plus stupides que vous puissiez rencontrer. Le problème commence dès les salles de classe où l’on enseigne l’informatique.
En novembre 2018, plus de six cents ingénieurs de Google ont signé une pétition publique adressée au PDG Sundar Pichai, exigeant que l’entreprise cesse de travailler sur des outils de recherche censurée et de surveillance destinés au marché chinois, dont le nom de code était « Project Dragonfly ». Au cours du tollé général qui s’en est suivi, Sundar Pichai a comparu devant le Congrès, des associations de défense des droits de l’homme ont manifesté devant les sièges sociaux de l’entreprise dans dix pays, et celle-ci a discrètement suspendu le projet.
Ce n’est là qu’un épisode parmi d’autres d’une année difficile pour les géants de la tech, secoués par une série de manifestations et de scandales politiques de plus en plus intenses. Les employés de Salesforce, Microsoft et Amazon ont adressé une pétition à leurs dirigeants pour qu’ils annulent des contrats lucratifs avec le Service des douanes et de la protection des frontières des États-Unis. Il a été révélé que Facebook menait des actions de lobbying auprès du Congrès et faisait appel à une agence de relations publiques de droite pour étouffer les critiques des militants. Les chauffeurs de Lyft et d’Uber ont manifesté devant les sièges sociaux de ces entreprises pour protester contre les baisses de tarifs et les politiques de désactivation mises en place par celles-ci.
Tout cela a suscité un regain d’intérêt pour l’éthique de la technologie et son rôle dans la société, auquel se sont joints des technologues, des spécialistes en sciences sociales, des philosophes et des experts en politique. Parmi tous les acteurs venus à la rescousse, cependant, le plus intrigant est le milieu universitaire de l’informatique. Récemment, par exemple, l’École d’ingénierie de l’université de Stanford a lancé une « Initiative pour une IA centrée sur l’humain » afin d’orienter l’avenir de l’éthique algorithmique, et a proposé, pour la première fois, un cours sur l’éthique des données destiné aux étudiants en filières techniques.1GB Nous sommes en 2019 D’autres universités emboîtent le pas, avec des cours, des instituts et des laboratoires de recherche similaires qui fleurissent à travers le pays. Les universitaires espèrent qu’en formant mieux la prochaine génération d’ingénieurs et d’entrepreneurs, les universités pourront former des professionnels de la technologie dotés d’une conscience sociale et ainsi redresser un secteur technologique en difficulté.
Pourtant, en se positionnant comme la boussole morale de la technologie, l’informatique universitaire occulte le fait que ses propres outils intellectuels sont à l’origine du pouvoir dangereux de l’industrie technologique. Une part importante du problème réside dans le type d’idéologie qu’elle inculque aux étudiants, aux chercheurs et à la société dans son ensemble. Ce n’est pas seulement que la formation en ingénierie enseigne aux étudiants à penser que tous les problèmes méritent des solutions techniques (ce qui est certes le cas) ; c’est plutôt que le programme est construit autour d’un système de valeurs qui ne connaît que les fonctions d’utilité, les manipulations symboliques et la maximisation objective.
Au printemps 2018, Stanford a proposé, pour la première fois, un cours sur l’éthique des données destiné spécifiquement aux étudiants ayant une formation en apprentissage automatique et en algorithmes. À l’époque, j’étais étudiant en master au département d’informatique et j’assistais au cours dès que j’en avais l’occasion. L’une des études de cas portait sur une controverse datant de 2009, peu après l’adoption de la tristement célèbre Proposition 8 en Californie, qui définissait le mariage reconnu par l’État comme étant l’union entre un homme et une femme. Les créateurs anonymes d’un site web appelé Eightmaps avaient utilisé la loi sur la liberté d’information (Freedom of Information Act) pour obtenir les registres des dons versés aux organisations soutenant cette mesure, puis les avaient reportés sur une carte. Les visiteurs du site pouvaient voir les noms, les montants des dons et les emplacements approximatifs des personnes ayant versé au moins 100 dollars à la campagne en faveur de la Proposition 8. À mesure que l’utilisation de cet outil se généralisait, les donateurs identifiés ont reçu des messages de colère et des menaces de violence physique. « Que pourrait-on faire », a demandé l’enseignant, « pour éviter ce genre de situations lors des prochaines élections ? »
Les étudiants avaient de nombreuses idées. L’un d’entre eux a suggéré que, dans le but de protéger les petits donateurs, le seuil minimum de don de 100 dollars soit relevé. Un autre a émis l’hypothèse qu’il existait un compromis inhérent entre la transparence des informations publiques et la préservation de la vie privée nécessaire à la participation démocratique (y compris le droit de faire des dons aux campagnes électorales). Il pourrait donc exister une solution intermédiaire consistant à présenter les informations sur le financement des campagnes de manière plus agrégée afin de protéger l’identité des individus, tout en fournissant des données globales sur la provenance des dons. Plusieurs camarades de classe acquiescèrent.
À ce moment-là, j’avais trouvé le courage de lever la main. « N’est-ce pas un peu fou, demandai-je, que nous soyons assis ici à débattre du niveau de détail avec lequel visualiser ces données ? S’agit-il d’un problème technique pouvant être optimisé pour trouver un juste équilibre, ou est-ce une question politique visant à déterminer si les élections devraient, dès le départ, se dérouler de cette manière, avec des contributions électorales ? »
J’ai regardé mes camarades, mais personne n’a répondu. Le professeur a alors déclaré : « Je pense que c’est le signal qu’il faut passer au sujet suivant. »
« L’étude de l’apprentissage automatique offre une révélation stupéfiante : l’informatique du XXIe siècle exerce, en réalité, des pouvoirs qu’elle comprend à peine. »
Cela en dit long sur la culture de l’enseignement technique que cet épisode ne m’ait pas le moins du monde surpris — ni par les solutions proposées par les étudiants, ni par le rejet par l’enseignante de la moindre tentative, même modeste, de sortir du carcan de l’ingénierie. Cette scène aurait pu être tirée directement du classique polémique de Jeff Schmidt sur le monde du travail, Disciplined Minds. « En tant que professionnelle », observait Schmidt, « l’enseignante est “objective” lorsqu’elle présente le programme scolaire : elle ne “prend pas parti” ni ne “fait de la politique”. Cependant, l’idéologie du statu quo est intégrée au programme. »
J’ai passé quatre ans en licence d’informatique à Berkeley, puis deux ans en master à Stanford. Sur ces deux campus, j’ai participé à l’enseignement de cours d’algorithmes pendant deux ans et mené des recherches en informatique théorique pendant quatre ans. À l’exception d’un cours d’éthique obligatoire d’un semestre en licence, que la plupart des étudiants utilisaient comme sieste en fin d’après-midi, pas une seule fois un enseignant ne nous a suggéré d’examiner de manière critique les problèmes techniques qui nous étaient présentés. Les questions dites « secondaires » sur la société, l’éthique, la politique et l’humanité étaient tacitement considérées comme intellectuellement inintéressantes. Elles étaient indignes de nous, en tant que scientifiques ; notre travail consistait à résoudre les problèmes qui nous étaient soumis, et non à nous demander quels problèmes nous devrions résoudre en premier lieu. Et nous avons appris à le faire bien trop bien.
Il est désormais communément admis que l’enseignement technique engendre le « techno-solutionnisme » : un programme mettant en avant la primauté du code et des manipulations symboliques produit des diplômés qui s’attaquent à tous les problèmes sociaux à l’aide de logiciels et d’algorithmes. Bien que cela soit vrai, cela passe à côté de l’essentiel de ce qu’enseigne fondamentalement la formation d’ingénieur. Les étudiants et l’enseignant du cours d’éthique discutaient d’une question de politique et de stratégie comme s’il s’agissait d’un problème technique. Le problème résidait donc dans leur conception de l’exercice tout entier : ils s’étaient engagés de manière réflexive à sauver une démocratie représentative inopérante, et s’étaient résignés à inventer un mécanisme astucieux pour favoriser des résultats électoraux souhaitables. Le techno-solutionnisme est l’âme même du concepteur de politiques néolibérales, voué de manière fétichiste à l’art de l’alignement des incitations et (si nécessaire) de la régulation bienveillante. Un tel point de vue est le résultat effectif de la culture computationnelle contemporaine et de sa transposition en programme d’études.
Cette culture échappe à toute description succincte, mais un premier indice est fourni par Stephen Boyd, un professeur de Stanford qui dispense un cours de troisième cycle très prisé sur l’optimisation mathématique. Dans le monde de l’informatique et des mathématiques, un « problème d’optimisation » désigne toute situation dans laquelle on dispose de quantités variables que l’on souhaite définir, d’une fonction objectif à maximiser ou à minimiser, et de contraintes quelconques pesant sur les variables. Par exemple, un agriculteur peut vouloir décider de la quantité de maïs et de blé à cultiver : ces deux quantités constituent les variables ; la fonction objectif à maximiser peut être le profit ; et l’agriculteur peut être contraint par le fait de ne disposer que d’une superficie limitée de terres arables, de semences de maïs, etc.
Boyd dispense ce cours une fois par an et, généralement, dès le premier cours, il déclare : « Tout est un problème d’optimisation. » Cette affirmation sent la naïveté techno-utilitariste à plein nez, en suggérant que chaque objet peut être modélisé comme un ensemble de chiffres, que chaque désir humain s’exprime par une fonction d’utilité, et que chaque problème peut être résolu à l’aide des appareils de calcul plus ou moins rudimentaires que nous avons dans nos poches. Pourtant, pour les quatre cents étudiants inscrits à cette session d’hiver 2019 — pour la plupart des doctorants et des étudiants en master en informatique, en génie électrique et en mathématiques appliquées —, ces hypothèses sous-tendent tout ce qu’ils ont appris pendant la majeure partie de la dernière décennie. Pour eux, cette affirmation n’est pas seulement vraie, elle est banale.
Que l’affirmation de Boyd soit valable ou non dans un sens pseudo-mathématique, elle sert de repère historique pour l’état des sciences computationnelles. L’étude du calcul a toujours été intellectuellement variée : au sein de ce domaine, on trouve des architectes en matériel informatique qui conçoivent des processeurs plus rapides et des dispositifs de stockage plus volumineux ; des cryptographes qui élaborent des protocoles pour la messagerie sécurisée ; des scientifiques qui utilisent des ordinateurs pour simuler des processus physiques ; et des mathématiciens qui explorent quels problèmes peuvent ou ne peuvent pas être résolus par des ordinateurs. Le sous-domaine de l’optimisation existe depuis la Seconde Guerre mondiale, mais jusqu’à récemment, il n’était qu’un domaine parmi tant d’autres. Aujourd’hui, c’est un sujet que de nombreux étudiants en filières techniques se sentent obligés d’étudier pendant au moins un ou deux semestres.
Du point de vue de l’histoire politico-économique, la popularité croissante des algorithmes d’optimisation constitue une évolution curieuse. Ce domaine a atteint sa maturité au milieu du XXe siècle avec le développement de la programmation linéaire, un cadre général d’optimisation utile pour modéliser des problèmes allant de la répartition des biens à l’acheminement des véhicules dans des réseaux. En Union soviétique, une cohorte d’économistes et de mathématiciens — dont l’inventeur de la programmation linéaire, Leonid Kantorovich — a adopté cette technique comme outil de planification centrale à partir des années 1960. En Occident, les grandes entreprises industrielles ont commencé à s’appuyer sur des logiciels d’optimisation pour planifier l’agencement de leurs usines et coordonner les expéditions et les transports. L’optimisation a également trouvé sa place dans des applications militaires ; dans un exemple célèbre de la Guerre froide, l’armée de l’air américaine a cherché une stratégie pour bombarder les voies ferrées soviétiques afin d’isoler l’URSS du reste de l’Europe de l’Est. Un cas particulier de programmation linéaire a permis d’aboutir à la solution optimale.
Il convient de noter que, des deux côtés du rideau de fer, l’optimisation a été déployée dans des contextes résolument non marchands. Telle fut la première moitié du siècle d’existence de cette sous-discipline, durant laquelle l’optimisation était synonyme de planification. L’ingénieur décidait d’abord du problème à résoudre, puis formulait un programme d’optimisation qui modélisait le problème avec exactitude et le résolvait une fois pour toutes. Dans ces contextes, la théorie de l’optimisation comptait parmi les sciences libérales les moins orientées vers le marché. Mais au cours des deux dernières décennies, l’optimisation s’est retrouvée remodelée par un nouvel ensemble d’applications industrielles, à mesure que les ordinateurs dépassaient leur rôle traditionnel de simples calculateurs ou d’outils destinés à accélérer des processus métier banals. Aujourd’hui, les applications qui séduisent tant l’industrie sont qualitativement différentes, s’appuyant fortement sur l’intelligence artificielle et son domaine phare, l’apprentissage automatique. Les entreprises, les armées et les États surveillants exigent des algorithmes qui ne soient pas seulement rapides, efficaces ou sécurisés, mais aussi intelligents : Proposer une publicité à cet utilisateur de manière à maximiser la probabilité qu’il clique dessus. Identifier, avec la plus grande précision possible, lesquelles de ces images contiennent des êtres humains. Prédire si ce candidat remboursera son prêt.
L’apprentissage automatique est présent sur les sites web que vous visitez, sur l’appareil que vous avez dans votre poche et dans les appareils électroménagers intelligents de l’année prochaine. Il est utilisé pour évaluer votre solvabilité, fixer le montant de votre caution et décider s’il faut vous intercepter et vous fouiller dans la rue. Formulées de manière informelle en anglais, ces tâches ressemblent déjà à des problèmes d’optimisation ; mathématiquement, elles peuvent en effet être exprimées à l’aide de variables, de contraintes et de fonctions objectives, puis résolues à l’aide de logiciels d’optimisation.
« Notre travail consistait à résoudre tous les problèmes qui nous étaient soumis, et non à nous demander quels problèmes nous devrions résoudre en premier lieu.
De retour sur le campus, la prise de pouvoir de l’IA et de l’apprentissage automatique sur l’industrie se reflète pleinement dans les chiffres des inscriptions aux cours. Au Huang Engineering Center, à quelques centaines de pieds seulement de l’endroit où Boyd donne ses cours sur l’optimisation, Andrew Ng enseigne le cours CS 230 : Deep Learning, un cours qui a attiré huit cents étudiants au cours de l’année 2017-2018, et qui est pourtant le plus petit des deux cours dispensés par Ng. Ng est une sorte de célébrité dans le domaine de l’apprentissage automatique, un véritable promoteur de l’IA sur Twitter. Dans une scène devenue bien trop courante, il monte sur scène pour donner le premier cours, puis disparaît pendant plusieurs semaines pour s’occuper de sa start-up spécialisée dans les voitures autonomes. Pendant la majeure partie du trimestre, les cours sont dispensés par un étudiant de troisième cycle, qui s’en sort admirablement bien compte tenu des circonstances.
Le cours porte sur les « réseaux neuronaux profonds », une catégorie populaire de modèles d’apprentissage automatique qui s’appuient essentiellement sur diverses techniques d’optimisation. Cependant, les paradigmes d’optimisation utilisés ici ne relèvent pas de la planification. Le concepteur d’algorithmes choisit une fonction objectif heuristique qui favorise l’émergence d’un bon modèle, mais il n’y a ni contraintes, ni garantie d’obtenir une bonne solution. Une fois entraîné, le modèle est testé sur un échantillon de données ; si les résultats sont médiocres, le concepteur ajuste l’un des dizaines de paramètres ou affine l’objectif en y ajoutant un terme supplémentaire, puis réessaie. À terme, nous promet-on, nous aboutirons à un réseau neuronal entraîné capable d’exécuter avec précision la tâche souhaitée.
L’ensemble du processus d’entraînement d’un réseau neuronal est tellement ad hoc, tellement embarrassant tant il manque de systématique, que les étudiants se retrouvent souvent perplexes quant à la raison pour laquelle ces techniques devraient fonctionner. Un ami qui a également suivi ce cours a un jour demandé à un assistant pourquoi l’apprentissage profond donnait de bons résultats dans la pratique, ce à quoi l’enseignant a répondu : « Personne ne le sait. Ça marche, c’est tout. »
Pour un domaine qui touche autant notre vie quotidienne et qui avance des affirmations aussi ambitieuses quant à sa capacité à résoudre nos problèmes, l’étude de l’apprentissage automatique offre une révélation stupéfiante : l’informatique du XXIe siècle exerce, en réalité, des pouvoirs qu’elle comprend à peine. Le seul autre domaine qui semble en savoir à la fois autant et aussi peu est l’économie.
En fait, cette forme d’optimisation libre et heuristique ne rappelle-t-elle pas la manière dont l’économie est comprise aujourd’hui ? Plutôt que de considérer l’optimisation comme une planification, nous cherchons à libérer la puissance de l’algorithme (le marché libre). Lorsque les résultats ne sont pas à la hauteur de nos attentes, ou que l’algorithme optimise son objectif (le profit) avec beaucoup trop de zèle à notre goût, nous corrigeons docilement ses excès a posteriori à l’aide de toutes sortes de mesures secondaires et d’ajustements de paramètres (impôts, péages, subventions). Pendant tout ce temps, le fonctionnement interne de l’algorithme reste opaque et sa puissance de calcul est décrite en termes de magie, apparemment compréhensible uniquement par une classe de technocrates surdoués et surdiplômés.
Une fois entrés dans le « monde réel », la perspective acquise grâce à cette formation s’intègre parfaitement à l’idéologie économique dominante. Après tout, qu’est-ce que le capitalisme néolibéral, sinon un système organisé selon un cadre d’optimisation particulièrement étroit ? À l’école, on nous a dit que tout problème pouvait être résolu en ajustant les paramètres algorithmiques de la bonne manière. Une fois diplômés, cela se traduit par la conviction que, dans la mesure où la société présente des défauts, ceux-ci peuvent être corrigés sans changement systémique : si l’accumulation du capital est le seul véritable objectif et que le marché est un terrain de jeu infiniment malléable, alors il suffit de donner aux agents individuels les incitations appropriées. Pour réduire l’utilisation du plastique, imposez une surtaxe sur les sacs de courses. Pour résoudre la crise du logement, assouplir les contraintes imposées aux promoteurs immobiliers de logements de luxe. Pour contrôler la pollution, lui attribuer un prix de marché via un système de plafonnement et d’échange.
À un niveau général, l’interprétation computationnaliste de l’économie moderne se présente à peu près ainsi : une économie peut être considérée comme un gigantesque problème d’optimisation distribuée. Dans sa forme la plus élémentaire, il s’agit de décider quoi produire, combien payer les travailleurs et quels biens attribuer à qui — ce sont là les variables du programme d’optimisation. Les contraintes consistent en toutes les limites naturelles liées aux ressources, à la main-d’œuvre et à la logistique. Dans le capitalisme primitif de laissez-faire, l’objectif à maximiser est, bien sûr, le profit total ou la production totale.
Le péché originel du programme capitaliste réside donc dans le fait qu’il n’optimise pas une mesure du bien-être social ou de la satisfaction humaine, mais une quantité qui ne saurait être qu’un indicateur lointain de ces objectifs. Pour pallier les dégâts considérables causés par cette mauvaise formulation, les démocraties libérales d’aujourd’hui cherchent à concevoir un programme plus nuancé. Le profit constitue toujours le premier terme de l’objectif, mais il est désormais accompagné d’un éventail impressionnant de termes secondaires pouvant être modifiés à l’infini : une fiscalité progressive sur les revenus pour ralentir l’accumulation de richesse, des taxes et subventions pigouviennes pour orienter le comportement des consommateurs, et des marchés d’émissions financiarisés pour freiner la désintégration rapide de la planète. Chaque fois que les incitations et les sanctions fondées sur le marché s’avèrent insuffisantes, les gouvernements tentent d’imposer des réglementations, introduisant ainsi des contraintes supplémentaires. Ces mesures correctives suivent précisément la même logique que les exercices de calculs mathématiques proposés en classe.
Aujourd’hui, le rôle sociétal des algorithmes fait l’objet de nombreux débats. Il n’y a pas si longtemps, la plupart des gens partaient du principe que les algorithmes étaient, sinon politiquement neutres, du moins ne représentaient pas un danger fondamental pour les êtres humains. Certes, la transformation engendrée par les systèmes intelligents était considérée comme hautement destructrice et perturbatrice ; mais, à l’instar de la révolution industrielle qui l’avait précédée de loin, elle était initialement perçue comme un fait impersonnel de l’histoire économique, et non comme un phénomène discriminant activement certaines populations ou servant de projet à la classe dirigeante. En 2013, si quelqu’un évoquait le « biais » de votre modèle d’apprentissage automatique, on pouvait raisonnablement supposer qu’il faisait référence à ce qu’on appelle son « erreur de généralisation » — une question purement statistique, dénuée de tout jugement moral.
Puis, il y a à peine quatre ou cinq ans, les vannes se sont ouvertes. Les grands journaux ont publié des enquêtes sur des « boîtes noires » algorithmiques excluant des personnes des services sociaux ; les chercheurs ont multiplié les articles détaillant comment la précision prédictive se faisait au détriment de l’équité. La vision traditionnelle, selon laquelle les algorithmes prennent des décisions neutres et objectives, a désormais été démasquée comme fallacieuse ; à sa place, un nouveau consensus techno-humaniste a émergé, qui reconnaît qu’en pratique, les algorithmes codifient les biais et les particularités de leurs concepteurs et, dans le cas de l’apprentissage automatique, des données utilisées pour les entraîner. En d’autres termes, « si on met des ordures, on obtient des ordures ».
Pourtant, dans un certain sens, cette vision constitue en réalité l’apologie ultime de la tyrannie computationnelle, déguisée en critique « woke ». Elle soutient implicitement que les algorithmes, abstraction faite des erreurs de leurs programmeurs humains et des impuretés de leurs données d’entraînement, sont en principe dénués de valeurs. Selon ce raisonnement, l’informatique elle-même est non idéologique : elle cherche simplement à améliorer et à automatiser ce qui existe déjà.
Mais n’est-ce pas précisément là le régime de l’idéologie aujourd’hui ? Feu Mark Fisher décrivait le phénomène du « réalisme capitaliste » comme le sentiment omniprésent selon lequel le capitalisme est le seul système économique et social viable, et que les alternatives sont soit inimaginables, soit vouées à aboutir inévitablement à des camps de rééducation et à des goulags. Une fois que l’on accepte que l’histoire politique a effectivement pris fin, la seule tâche qui reste est d’affiner au mieux le système dont nous disposons.
Pendant des décennies, les contributions du monde universitaire au régime du réalisme capitaliste sont venues principalement de l’économie, menée aux États-Unis par les partisans ultralibéraux de l’École de Chicago. Mais pour les classes dirigeantes, cela comportait une limitation majeure : l’économie est, malgré les efforts pour occulter ce fait, une arène politique par définition, ouverte au débat et à la lutte. C’est là que l’informatique prend le dessus : elle enseigne les axiomes et les méthodes du capitalisme avancé, débarrassés des questions politiques gênantes qui pourraient surgir en économie ou dans d’autres sciences sociales. Sous sa forme actuelle, l’informatique est un vecteur d’endoctrinement efficace pour l’industrie et l’État précisément parce qu’elle apparaît comme son contraire : un domaine dénué de valeurs qui incarne à la fois les mathématiques rigoureuses et l’ingénierie pragmatique. C’est le vecteur idéal du réalisme capitaliste pour une époque marquée par le scepticisme ; une science de droite qui prospère dans notre ère post-idéologique.
Comment, alors, les révolutionnaires d’aujourd’hui devraient-ils se positionner face à l’ordinateur et à ses sciences ? Pour commencer à élaborer une réponse, nous devons d’abord examiner l’état des lieux.
Dans l’industrie, le débat qui prévaut actuellement oppose deux camps : d’un côté, le cercle élitiste traditionnel des titans du monde des affaires, des dirigeants, des investisseurs et de leurs fidèles partisans ; de l’autre, les « humanistes de la tech » — une alliance informelle de bienfaiteurs issus du gouvernement, des médias, des associations à but non lucratif, du monde universitaire et de certaines figures repentantes au sein même de l’industrie — qui croient que la Silicon Valley peut être poliment apprivoisée grâce à des politiques éclairées, des pratiques d’ingénierie réformées et une formation à l’éthique. Les deux camps partagent la même vision : celle d’une société dominée par une aristocratie technique qui exploite et surveille le reste d’entre nous. L’un d’eux arbore un smiley. Il va sans dire que laisser les questions relatives au développement et au contrôle de la technologie à l’un ou l’autre de ces groupes reviendrait à succomber à un avenir d’une oppression inimaginable.
Dans l’enseignement supérieur et la recherche, la situation est similaire, bien que plus éloignée des dures réalités du technocapitalisme. L’informatique dans le milieu universitaire est un champ de mines de contradictions : un étudiant de premier cycle à Stanford peut assister à un cours et apprendre comment extraire des informations des utilisateurs pendant la journée, puis participer plus tard dans la soirée à une réunion de l’association étudiante CS+Social Good, où il contribuera à la création d’un site web pour une association locale à but non lucratif. Parallèlement, un chercheur ayant assisté à la Conférence sur l’économie et l’informatique de l’année dernière aurait suivi une conférence sur l’optimisation des recettes publicitaires, puis aurait peut-être participé le lendemain matin à un nouvel atelier sur la « conception de mécanismes au service du bien commun ».
C’est dans ce climat que nous devons, nous aussi, construire notre vision de l’informatique et de ses applications. Autant repartir de zéro : dans un article récent publié dans Tribune, Wendy Liu appelle à « abolir la Silicon Valley ». Elle n’entend pas par là un rejet naïf de la haute technologie, mais la transformation de ce secteur en une industrie financée, détenue et contrôlée par les travailleurs et la société dans son ensemble — un secteur technologique du peuple.
La Silicon Valley n’existe toutefois pas dans un vide intellectuel ; elle repose sur un certain type de discipline informatique. Par conséquent, une refonte populaire de la Silicon Valley nécessitera une informatique du peuple. Pouvons-nous imaginer cela ? Aujourd’hui, les départements d’informatique ne se contentent pas de générer le réalisme capitaliste : ils y sont eux-mêmes soumis. Seuls les sujets de recherche présentant des implications en matière d’extraction de profits ou d’applications militaires sont jugés dignes d’être étudiés. Il est impossible d’échapper à l’emprise de ce régime intellectuel et culturel ; même les théoriciens les plus détachés ressentent le besoin de justifier leur travail en parsemant les introductions de leurs articles et leurs demandes de subventions de liens fallacieux avec les dernières modes du secteur. Ceux qui sont plus idéalistes ou indignés (ou titulaires) insistent pour que le monde universitaire réserve également un espace à la recherche « inutile ». Cependant, cette dichotomie entre « applications industrielles » et « recherche pure » ignore la réalité matérielle selon laquelle le financement de la recherche provient en grande partie de géants du monde des affaires et d’agences de défense, et que l’informatique contemporaine est une entreprise politique, quelles que soient ses intentions apolitiques de façade.
Au lieu de ce brouillard idéologique étouffant, ce que nous devons construire, c’est une notion de réalisme communiste en science : seuls les projets au service direct ou indirect des personnes et de la planète auront un espoir d’être financés, de bénéficier de l’estime de la communauté scientifique, voire d’être considérés comme intellectuellement intéressants. À quoi ressemblerait une informatique communiste ? Peut-on imaginer des chercheurs concevant des algorithmes pour une planification économique participative ? Un apprentissage automatique permettant d’estimer le temps de travail socialement nécessaire ? Des protocoles décentralisés pour coordonner les chaînes d’approvisionnement entre les communes ?
Allin Cottrell et Paul Cockshott, deux des rares universitaires contemporains à s’attaquer aux problèmes de l’économie computationnelle dans des contextes non marchands, ont écrit ceci dans un article de 1993 :
Nos recherches nous permettent d’identifier un aspect du problème (lié à la planification économique) : les conditions matérielles (technologie informatique) nécessaires à une planification socialiste efficace d’une économie complexe en temps de paix n’ont pas été réunies avant, disons, le milieu des années 1980. Si nous avons raison, les caractéristiques les plus notoires de l’économie soviétique (plans chroniquement incohérents, pénuries et excédents récurrents, manque de réactivité face à la demande des consommateurs), bien qu’elles résultent en partie de politiques malavisées, étaient dans une certaine mesure les conséquences inévitables de la tentative de mettre en œuvre un système de planification centrale avant l’heure. L’ironie est évidente : le socialisme était rejeté au moment même où il devenait une possibilité réelle.
Sur le plan politique, bien des choses ont changé depuis que ces mots ont été écrits. La leçon à retenir pour les lecteurs d’aujourd’hui n’est pas nécessairement que nous devrions nous consacrer à nouveau à la planification centrale ; il s’agit plutôt de reconnaître que notre époque présente un mélange unique d’impasse idéologique et de potentiel émancipateur, ironiquement tous deux alimentés en grande partie par le développement technologique. La science froide de l’informatique semble affirmer que le progrès social est révolu — il ne peut y avoir que du progrès technologique. Pourtant, si nous parvenons à arracher le contrôle de la technologie à la Silicon Valley et à la tour d’ivoire, les possibilités d’une société postcapitaliste semblent infinies. Le mouvement des travailleurs du secteur technologique du XXIe siècle, vecteur porteur d’espoir pour nous mener vers de telles perspectives, en est à ses balbutiements — mais il constitue de plus en plus une force avec laquelle il faut compter, et, au risque de nous laisser emporter, nous devrions commencer à imaginer l’avenir dans lequel nous souhaitons vivre. Il est temps que nous commencions à conceptualiser, et peut-être à prototyper, l’informatique et l’information dans un monde des travailleurs. Il est temps de commencer à concevoir une nouvelle science de gauche.
- Jimmy Wu est écrivain et ingénieur en algorithmes à San Francisco ; il est également membre de la Tech Workers Coalition.
Liste évolutive des traductions par Gilles en vrac
Les caractères gras dans le texte sont de Gilles.
Notes
- 1GB Nous sommes en 2019 ↩︎