1Depuis la fin des années 1990, la « complexité » a le vent en poupe : création d’instituts, de formations, de réseaux, d’appels d’offres publics... on ne compte plus les actions en faveur d’une « nouvelle science » souvent créditée de résultats mirobolants – du moins par anticipation. Face à un tel engouement se pose la question des fondements de cette « nouvelle » science, de ses racines historiques, épistémologiques et des liens qu’elle entretient – ou non – avec les disciplines scientifiques « historiques ». Parce qu’ils regroupent des chercheurs souvent issus de disciplines différentes, les instituts de la complexité pourraient être des lieux de réflexion visant non seulement à « modéliser la complexité » mais aussi à penser leur propre rôle et leur propre science, en un mot, à se penser. C’est en ce sens que l’Institut Rhône-Alpin des Systèmes Complexes – l’ixxi – a mis en place une série d’ateliers et de séminaires destinés à questionner la complexité. Le texte présenté ici est le résultat des réflexions initiées au cours de l’atelier de printemps 2009 sur la question des objectifs des instituts. Il s’appuie sur une étude empirique menée sur le domaine des systèmes complexes tel qu’il peut être perçu à travers le prisme de la base d’articles scientifiques du Web of Science© (WoS).

De la complexité

2Les définitions de la « complexité » ou de ce qu’est un « système complexe » ne manquent pas. Certaines sont à forte connotation disciplinaire telle la complexité de Kolmogorov-Chaitin, issue de l’algorithmique. Dans un cadre plus général, il est possible de définir la complexité suivant nos capacités de compréhension. Ainsi, le New England Complex Systems Institute (NECSI) définit-il un système complexe comme un système : « avec un grand nombre de composants en interaction, dont le comportement ne peut pas être déduit simplement du comportement des composants ». Encore faudrait-il préciser ce qui distingue une déduction simple d’une déduction difficile (ou complexe ?). En outre, en soumettant la complexité à notre capacité de compréhension, de telles définitions font de la complexité une propriété historique soumise à l’avancement de la science même qui l’étudie !

3Finalement, le problème de la définition de la complexité (et a fortiori de sa mesure) reste globalement ouvert. Cette lacune n’empêche pas d’étudier des systèmes complexes, mais elle devient problématique dès lors que le concept de complexité est utilisé pour définir une politique scientifique, que ce soit dans le cadre d’une politique de laboratoire ou dans le cadre d’un appel d’offres. Dès lors, un des rôles de l’IXXI, en tant qu’institut, est de chercher à clarifier la notion qui fonde sa propre identité. De fait, nous proposons de définir les sciences de la complexité non pas par leurs objets d’étude mais par les questions posées sur ces objets, ce qui permet de définir les contours de cette science sans les soumettre à une définition préalable de « la » complexité. Afin de compléter ces réflexions, nous avons voulu mener une étude empirique du domaine couvert par les « systèmes complexes ». Pour cela, sur la base de discussions avec des chercheurs actifs du domaine, des historiens et des responsables d’instituts, nous avons défini une trentaine de mots-clés qui cerneraient le domaine. Grâce à ces mots-clés, nous avons extrait environ 200 000 articles du Web of Science©. En regroupant les articles qui partagent des références et sont donc proches au niveau thématique, nous avons alors pu dessiner une carte de la science des systèmes complexes (carte tirée de Grauwin, 2011). Nous voyons que le champ recouvre une multitude de domaines scientifiques. Notons que les systèmes complexes recouvrent aussi bien des domaines modélisateurs qu’expérimentaux, reliés par des « zones d’échange » (Galison, 1997) qui traduisent des outils de modélisation pour les rendre utilisables par des expérimentateurs.

Des systèmes complexes à l’approche « complexe »

4Au lieu de chercher une définition consensuelle d’un « système complexe », on peut tenter de définir ce que serait l’étude d’un objet selon la science des systèmes complexes. En effet, un même objet/système peut toujours être considéré comme complexe ou non suivant le regard que l’on porte sur lui. Nous appellerons « complexe » une approche qui vise à comprendre comment la dynamique d’interaction entre des entités micro parvient à créer une unité à un autre niveau d’observation macro. Un critère objectif pour caractériser l’apparition d’une telle unité peut être l’existence de corrélations spatiales ou temporelles à portée beaucoup plus longue que l’échelle des interactions directes entre les individus. Cependant, l’objectivation de cette « unité » sera généralement spécifique à une discipline scientifique particulière (citons les notions de gaz en physique ou d’espèce en biologie). De même, suivant les disciplines, la définition des entités microscopiques sera plus ou moins formelle. D’abord parce que ces entités seront souvent les unités macroscopiques d’un deuxième niveau de décomposition (approches multiéchelle). Ensuite, parce que le niveau macroscopique rétroagit souvent sur le microscopique en le transformant, rendant alors difficile, la définition du microscopique indépendamment du macroscopique et donc la pertinence d’une telle distinction (qu’est-ce qu’un humain hors de la société ?).

5Cette définition de l’« approche complexe » offre plusieurs avantages, dont celui de ne pas associer la complexité à l’objet, mais au regard d’un observateur sur cet objet, outre sa capacité de compréhension. Par-là même, elle permet d’accepter comme « complexe » des systèmes de complexité très variable (y compris des systèmes « parfaitement » maîtrisés) et ouvre la possibilité d’une taxonomie différenciant, par exemple, les systèmes homogènes ou non, les systèmes à mémoire ou non (ces deux caractéristiques pouvant être déclinées aux différentes échelles d’organisation du système). À partir de cette définition, on peut également proposer des programmes de recherche visant à caractériser la dynamique couplée des entités micro/macro (mesure et analyse de données), à comprendre comment ces dynamiques sont couplées (modélisation) mais aussi à comprendre pourquoi une unité est perçue dans le système (et par qui) et à l’objectiver. En outre, ces déclinaisons peuvent revêtir différentes formes :

• Il peut s’agir d’étudier un système précis, à l’intérieur d’une discipline (physique : émergence du caractère fragile ou ductile d’un métal en fonction de sa structure) ou au croisement de plusieurs disciplines (collaboration entre médecins et mathématiciens sur un modèle multiagents de la leucémie) ;
• Il peut s’agir d’études théoriques transversales sur les caractéristiques génériques de certaines classes de systèmes (étude du nombre d’états stables dans un réseau d’interactions en fonction de la taille du réseau) ;
• Il peut s’agir d’un travail réflexif dans lequel les « sciences de la complexité » questionnent leurs fondements et leurs méthodologies (en quoi une approche générique renseigne-t-elle sur un système spécifique ? L’unité macroscopique est-elle objective ou subjective ?).

L’approche complexe vue par la bibliométrie

6Quels sont dans les sciences, les résultats concrets d’une approche « complexe » ? Notre analyse empirique basée sur la bibliométrie nous permet d’apporter des éléments de réponse, au moins pour les domaines scientifiques couverts par le WoS [1]. L’évolution de l’idée d’auto-organisation, approche complexe par excellence, est intéressante à cet égard. Dans les années 1980-1990, elle occupe une place centrale (Fox-Keller, 2009) dans le domaine et nos analyses montrent une communauté cohérente visible au centre de la carte des systèmes complexes (Grauwin, 2011). Dans les années 2000, cette communauté a disparu (carte). En revanche, l’idée générale d’auto-organisation a diffusé (communautés comprenant label « SO » – Self-Organization – sur la figure, comme SurfSO ou CytoskSO) et mené à la création de nombreuses communautés qui la déclinent sur des objets différents (cytosquelette cellulaire, chimie, nanostructures, insectes sociaux…) en la fondant dans les matrices disciplinaires correspondantes (biologie, chimie, physique…). L’idée d’auto-organisation est ensuite partiellement reprise par le récent boom des réseaux complexes (Complex Networks, CN, au centre de la carte) qui, d’après certains de ses chercheurs les plus en vue, dévoileraient les principes généraux d’organisation de la Nature. Notre étude montre que pour l’instant, cette idée reste cependant confinée dans les domaines modélisateurs et ne diffuse vers les disciplines expérimentales (notamment la biologie) que grâce à un long travail de « traduction » de ses principes dans des revues de ces disciplines (Grauwin, 2011).

7Notre étude conforte ainsi la distinction opérée par Morin entre complexité restreinte et complexité généralisée. La première :

8

a permis de faire des avancées importantes dans la formalisation, dans les possibilités de modélisation, qui elles-mêmes favorisent des potentialités interdisciplinaires. Mais on reste dans l’épistémologie de la science classique. Quand on cherche les lois de la complexité, on accroche encore la complexité comme une sorte de wagon derrière la locomotive véritable, celle qui produit des lois […] La complexité « généralisée » suppose qu’on interroge la notion même de complexité au niveau épistémologique.

9Notre étude montre que les pratiques actuelles des chercheurs en sciences dures tendent à « décomplexifier » la complexité pour la rendre compliquée, c’est-à-dire la ramener dans le giron des sciences modélisatrices appuyées par la puissance des ordinateurs. En effet, nous avons trouvé que les références qui structurent l’ensemble du domaine sont avant tout méthodologiques, tels l’algorithme de Metropolis ou le recueil d’algorithmes « Numerical Recipes » (Grauwin, 2011). Des études historiques (Schweber 2000 ; Fox-Keller 2009) montrent bien que le domaine des systèmes complexes est l’héritier des sciences d’après-guerre nées autour de l’ordinateur : la recherche opérationnelle, la théorie des jeux et la cybernétique. Ces champs ont émergé quand les physiciens, les mathématiciens et les ingénieurs ont commencé à collaborer afin de maximiser l’efficacité des opérations militaires (Pickering 1995 ; Schweber 2000 ; Bowker 1993). Ces approches ont étendu la vision mécaniste de l’ingénierie et du monde physique au monde biologique et social. Cette vision est encore présente dans de nombreux écrits de chercheurs de premier plan : « notre connaissance des mécanismes “sociaux” […] est essentielle pour l’auto-optimisation de la société dans son ensemble » (Palla 2007) ou « la “biologie des systèmes” mène à un avenir où biologie et médecine sont transformées en mécanique de précision » (Kaneko 2002). Ainsi, les leaders du domaine n’ont pas développé une analyse épistémologique réflexive de leurs travaux, étendant la complexité restreinte vers la complexité généralisée. Il faut cependant bien reconnaître que les alternatives opérationnelles à la vision mécaniste ne sont pas légion [2]…

Quel rôle pour les instituts des systèmes complexes ?

10L’approche complexe, au sens restreint ou généralisé, demande la coopération de compétences différentes, celles-ci relevant souvent de disciplines différentes. Nous défendons l’idée qu’une bonne pratique des « approches complexes » ne peut se faire que dans le cadre d’une interdisciplinarité équilibrée. Or, si l’interdisciplinarité est souvent invoquée par les politiques scientifiques, force est de constater que, dans les faits, les conditions de sa mise en pratique sont loin d’être réunies ; probablement parce que les difficultés de l’interdisciplinarité sont souvent sous-estimées. Au-delà de l’imprécation classique « l’interdisciplinarité passe par la définition d’un langage commun », ce sont l’ensemble des pratiques culturelles qui diffèrent d’une discipline à l’autre. Du coup, l’interdisciplinarité s’accommode mal avec la reconnaissance par les pairs qui structure les sciences. La maîtrise de l’objet de recherche (et du langage qui le décrit) ne constitue en effet que la partie émergée de l’iceberg interdisciplinaire : les téméraires se heurtent à des difficultés beaucoup plus profondes. Ainsi, deux disciplines différentes vont généralement différer sur leurs questionnements (qu’est-ce qu’un résultat ?) sur les pratiques de diffusion (comment dire ce résultat ?) mais aussi – et surtout – sur leurs définitions de la « bonne science », les définitions issues de disciplines différentes étant généralement incommensurables. Songeons aux tensions entre médecins et physiciens étudiant les rythmes cardiaques : alors que les premiers cherchent des outils de diagnostic, les seconds veulent comprendre la nature – chaotique ou non – des séries temporelles. Toutes ces différences génèrent des tensions d’autant plus fortes qu’elles sont généralement négligées. Dépasser ces tensions ne peut se faire que dans un contexte protégé et au prix du relâchement des contraintes classiques du travail scientifique (dont les contraintes de bibliométrie !). On voit là poindre un rôle-clé pour les instituts de la complexité : offrir les conditions d’un tel contexte pour permettre la maturation de projets interdisciplinaires. Concrètement, notre Institut finance des projets interdisciplinaires à hauteur de quelques milliers d’euros, qui donnent quelques moyens et surtout une reconnaissance institutionnelle à ces projets souvent marginaux. Nous avons également lancé voici trois années un Master 2 interdisciplinaire qui regroupe des étudiants de biologie, d’informatique, de mathématiques et de physique. Nous veillons également à promouvoir la réflexivité des recherches menées à l’Institut, en interrogeant le contexte dans lequel se placent les recherches « décomplexifiantes », à quoi et qui elles peuvent profiter. Ainsi, un projet actuel questionne le fondement de l’approche « complexe » décrite ci-dessus : pourquoi distinguer d’emblée deux niveaux (micro et macro, fourmi et nid, individu et société) ? Pourquoi se focaliser sur l’émergence de structures stables, à l’instar de la « main invisible » des marchés (Latour, 2006) ?

11Nous faisons le pari que les Instituts seront d’autant plus productifs sur le plan scientifique qu’ils parviendront à faire collaborer les deux complexités, restreinte et généralisée.

12Carte : Articles « systèmes complexes » entre 2000 et 2009.

13Les articles sont regroupés quand ils partagent un assez grand nombre de références. Deux communautés sont d’autant plus proches sur la carte que leurs articles partagent un grand nombre de références. Les couleurs reflètent les domaines (premier niveau de regroupement des articles) auxquels appartiennent les différentes communautés (deuxième niveau de regroupement). La surface de chaque communauté est proportionnelle au nombre d’articles qu’elle contient et de la largeur des liens au nombre de références par tagées entre deux communautés. Par souci de clarté, les groupes comprenant moins de 300 articles ne sont pas affichés. Les étiquettes des groupes correspondent au mot-clé le plus fréquemment utilisé par leu rs articles. CN : Complex Networks ; SOC : Self-Organized Criticality ; SOM : Self-Organizing Maps ; CSB : Computationnal Systems Biology ; TDA : Transcriptomics Data Analysis ; NN : Neural Networks ; SVM : Support Vector Machines ; CA : Cellular Automata ; MAS : Multi-Agent Systems. Voir Grauwin, 2011, pour plus de détails.