System 2 Thinking

Dans la théorie des processus doubles de la cognition humaine, le système 2 désigne le mode de raisonnement lent, exigeant et délibéré, par opposition au système 1, rapide, automatique et intuitif. Les psychologues Keith Stanovich et Richard West ont nommé ces deux systèmes en 2000, et Daniel Kahneman, lauréat du prix Nobel commémoratif de sciences économiques 2002, les a popularisés dans son livre de 2011 Thinking, Fast and Slow. Kahneman illustre les deux systèmes avec le problème de la batte et de la balle de Shane Frederick : une batte et une balle coûtent ensemble 1,10 $, et la batte coûte 1,00 $ de plus que la balle. Le système 1 répond que la balle coûte 10 cents ; le système 2, en vérifiant le calcul, trouve 5 cents. En intelligence artificielle (AI), le terme désigne les modèles et systèmes qui consacrent des calculs supplémentaires au raisonnement, à la recherche ou à la vérification avant de répondre.

Les systèmes 1 et 2 en IA#

Une seule propagation avant d’un réseau neuronal fonctionne comme le système 1 : un modèle de classification d’images, un modèle de détection d’objets ou une prédiction du token suivant par un grand modèle de langage (LLM) consacre la même quantité fixe de calcul à chaque entrée, facile ou difficile. Yoshua Bengio a placé cette distinction au cœur de son discours d’ouverture de NeurIPS 2019, « De l’apprentissage profond du système 1 à celui du système 2 », affirmant que l’apprentissage profond maîtrisait la perception rapide, mais devait encore acquérir le raisonnement, la planification et la généralisation à de nouvelles situations propres au système 2. Les méthodes du système 2 permettent d’augmenter les calculs en fonction de la difficulté, grâce à la recherche, au raisonnement étape par étape ou à la vérification d’une réponse avant de la valider.

L’IA de jeu a associé tôt les deux systèmes. AlphaGo a combiné un réseau de politique qui propose d’un coup d’œil des coups prometteurs avec une recherche arborescente Monte-Carlo (MCTS) qui explore des variantes avant de choisir. L’article Penser vite et lentement avec l’apprentissage profond et la recherche arborescente (2017) de Thomas Anthony, Zheng Tian et David Barber a entraîné le réseau rapide à imiter la recherche lente, de sorte que les résultats de la réflexion délibérée deviennent peu à peu intuitifs. Les systèmes qui utilisent les deux modes répartissent souvent chaque entrée :

Techniques du système 2 dans les modèles de langage#

Le prompting par chaîne de raisonnement demande à un LLM de rédiger des étapes intermédiaires, lui accordant ainsi plus de tokens — donc davantage de calculs — avant sa réponse. La méthode de l’arbre de pensées, dont l’article de 2023 cite directement la théorie des processus doubles, explore des raisonnements ramifiés et revient sur ses pas lorsqu’elle rencontre une impasse. Pour le casse-tête arithmétique du Jeu des 24, elle a fait passer le taux de réussite de GPT-4 de 4 % avec le prompting par chaîne de raisonnement à 74 %. Les modèles de raisonnement, comme o1 d’OpenAI et DeepSeek-R1, sont entraînés par apprentissage par renforcement à réfléchir longuement par eux-mêmes, et un modèle de récompense de processus (PRM) peut vérifier chaque étape d’une solution candidate pendant la recherche.

De nombreux produits proposent les deux modes. Claude 3.7 Sonnet d’Anthropic, publié en février 2025, est un modèle qui répond directement ou utilise une réflexion prolongée selon un paramètre, et GPT-5, publié en août 2025, utilise un routeur qui envoie chaque requête à un modèle rapide ou à un modèle de raisonnement plus approfondi, comme dans le diagramme ci-dessus.

Systèmes rapides et lents en vision et en robotique#

La robotique répartit les deux systèmes entre des modèles distincts qui fonctionnent à des vitesses différentes. Helix de Figure, annoncé en février 2025, exécute un modèle vision-langage (VLM) de 7 milliards de paramètres à 7 à 9 Hz comme système 2, qui interprète la scène et la commande orale, ainsi qu’une politique de contrôle de 80 millions de paramètres à 200 Hz comme système 1, qui transforme la sortie du VLM en mouvements continus du haut du corps, jusqu’aux doigts.

Les pipelines de vision utilisent la même séparation pour maîtriser les coûts. Le modèle YOLO to VLM Monitor dans Ultralytics Platform Agents exécute un modèle nano YOLO26 sur chaque image et appelle un VLM pour décrire la scène uniquement lorsque YOLO détecte au moins une personne. Les images sans personne ne sont donc jamais envoyées au modèle plus lent et plus coûteux.

Coûts et limites#

Kahneman décrivait le système 2 comme paresseux : la réflexion délibérée est fatigante, de sorte que les gens se rabattent sur le système 1 et acceptent souvent ses erreurs. En IA, le coût se traduit en latence et en calculs : un modèle de raisonnement peut générer des milliers de tokens cachés avant de répondre à une question qu’un modèle rapide traite en une seule passe, et le routage détermine la fréquence à laquelle ce coût est payé. La délibération ne garantit pas non plus un raisonnement solide. Les étapes écrites d’un modèle peuvent différer des calculs qui ont produit sa réponse, un écart étudié dans le domaine de l’IA explicable (XAI), et les méthodes de raisonnement latent déplacent la délibération dans des états cachés qui ne laissent aucune trace écrite.