Franck Varenne

Plusieurs travaux récents en cosmologie, physique, anthropologie cognitive, paléontologie, neurosciences, économie et histoire font l’hypothèse du caractère général de la course à la puissance tant dans les processus physiques, biologiques que sociaux, ce qui semble les conduire au diagnostic d’une inévitabilité de la catastrophe écologique. Même si cette hypothèse – qui a toutes les apparences d’un fatalisme – reste évidemment discutable, nous pensons qu’elle n’interdit pas toutefois en elle-même la possibilité d’une inflexion volontariste des trajectoires énergétiques humaines. Mieux : ce serait en l’assumant, dès le départ, en conscience et en connaissance de cause, que nous pourrions nous donner des prises plus lucides, à différentes échelles, et donc aussi plus effectives à moyen terme sur nos pratiques d’exploration et d’exploitation des énergies et des ressources.

Recent works dedicated to tackling the difficulties of agent-based models (ABM) calibration and assessment have more and more engaged in what could be called a Massively Computer-Aided Modeling-Process (MaCAMP): (Schmitt et al., 2015), (Reuillon et al., 2015), (Cottineau et al., 2015). This is a computer-aided modeling process which - thanks to platforms like OPENMole - massively uses computations operated via grids to “allow a global exploration of the capabilities” of a given ABM in geosimulation (Schmitt et al., 2015). Thanks to this process, almost every free parameters combination of values in the different mechanisms hypothesized in the model is tested in its outcome against the intended output. The result is that this massive, computer controlled and systematic calibration process is no more exposed to the risk of not being a real optimum by being a local one only. Indeed, this risk is high when free parameters are numerous, not easily interpretable and when their estimation relies on incomplete because partially human controlled trial-and-error processes (Schmitt et al., 2015). In front of this trend towards calibration through massive computations, a question arises: what’s the epistemic role of the models’ parsimony if there remains any? Why not get rid of this apparently out-of-age limitation? The surprising fact is that the research works developing this approach still invoke the extreme importance of simplicity, parsimony and controlled complexification for their model building, even if their models finally are complex. Surprisingly enough, parsimony still has an epistemic value in the context of MaCAMP. But what is it? In this talk, I will defend three claims: 1. The use of parsimony is still there but it is not exactly the same as it was in non massively computer aided modeling processes. As a consequence, it appears that the epistemic values of parsimony in geosimulation are diverse and changing; 2. These different values of parsimony can be related to its different use at different levels - or for different aspects - of each of the different mechanisms represented in the model. Sometimes parsimony is sought for assuring genericity, sometimes for improving understanding, sometimes for assuring the strict incremental nature of model complexification, sometimes for enabling interpretation and sometimes for establishing the explaining power of some mechanism of the model. 3. Nevertheless, one can discern a general trend: in the case of MaCAMP, parsimony is less sought for global understanding of the model or via the model that it is for the interpretation of mechanisms or for the establishing of some partial explanation of the target system’s behavior via mechanisms. In a first section dedicated to some definitions, I will assume the distinctive meanings of “understanding” and “explanation” that are most frequently used: “By ‘explanation’, I mean the intelligible representation (i.e. by concepts) of a system of interactions or a mechanism (elements + actions) that are assumed to be the cause of a phenomenon […] By ‘comprehension’ or ‘understanding’, I mean a unifying conceptual representation that can be mobilized by an unassisted human mind. We understand a phenomenon that is composed of a variety of sub-phenomena when we can, by means of a single mental (mathematical or logical) operation, reconstruct the gist of the structure of that variety” (Varenne, 2018, p. 165). By “interpretation” of a model or of some part of it, I mean the opinion of what it means or of what it refers to. Interpretation seems necessary for explanation and understanding. But the reverse does not hold. In the second section, relying on an analysis of some seminal passages of the System of Logic by Stuart Mill, I will recall the traditional reasons why parsimony is authorized and sought for not only in natural sciences but also in theoretical and quantitative social sciences. From this viewpoint, the relevance of a parsimonious theory was related to our desire to both understand and explain. In the third section, taking the examples of Hägerstrand’s theory and models of diffusion (Hägerstrand, 1967) and of Pumain’s evolutionary theory of cities (Pumain, 1997), I will emphasize the difference between theories conceived as sets of principles and theories conceived as sets of hypotheses and mechanisms such as the ones implemented by geosimulation. The latter may gather different mechanisms that affect different entities as much as different aspects of the same entities. When tackling these theories via MaCAMP, the search for parsimony could be reduced to the search for a “minimal set of mechanisms”. But, in fact, as the last section will show through an analysis of the quoted papers, many trade-offs between different - and sometimes contradictory - needs of parsimony appear to be necessary if one wants to assure interpretability and/or explainability at different levels of the models and during its conception. Most of the time, an overall understanding has to be sacrificed but to the benefit of a distributed explanation.

There have been many debates about the existence and nature of general laws in ecology and evolution. In these fields, variability, diversity of mechanisms and contingency would preclude the existence of general laws, whereas in physics general laws are well recognised. Contrary to this common view, we argue that in ecology and evolution, as in all natural sciences, exists a rich diversity of laws, but that this richness has been underestimated because of the misconception that general laws should be exceptionless and make precise quantitative predictions. We therefore propose that in ecology and evolution there is a gradient between highly general laws (often based on purely logical and mathematical arguments or on experiments in controlled conditions) and less general laws (based on real-world experiments and observations). We propose a classification for this gradient of laws and about thirty identified laws to show the relevance of this classification: (1) ultimate laws, (2) fundamental laws, (3) transplanetary laws, (4) terrestrial laws, (5) conditional laws, (6) trends. Finally, we discuss the implications of our work for facilitating the grounding of ecology and evolution in a set of laws, combining theoretical and empirical work. We also suggest that this would also require an explicit articulation of these laws with the different ontologies specific to the different levels of organization.

Cet article présente une analyse de l’évolution des modèles scientifiques, de leurs fonctions, de leurs natures, de leurs principes et de leurs usages comme de leurs épistémologies depuis la fin du xix e siècle. Nécessairement sélectif, il propose une perspective d’ensemble sur des évolutions multiples, complexes et parfois contradictoires. En s’appuyant notamment sur l’évocation d’un certain nombre de travaux de synthèse adoptant des approches différentes, il soutient qu’une scansion générale, révélatrice pour l’histoire contemporaine de l’épistémologie et de la philosophie, peut néanmoins être repérée et faire l’objet d’un certain consensus concernant cette période si chargée de l’histoire des modèles.

The aim of this paper is to discuss the “Framework for M&S with Agents” (FMSA) proposed by Zeigler et al. [2000, 2009] in regard to the diverse epistemological aims of agent simulations in social sciences. We first show that there surely are great similitudes, hence that the aim to emulate a universal “automated modeler agent” opens new ways of interactions between these two domains of M&S with agents. E.g., it can be shown that the multi-level conception at the core of the FMSA is similar in both contexts: notions of “levels of system specification”, “behavior of models”, “simulator” and “endomorphic agents” can be partially translated in the terms linked to the “denotational hierarchy” (DH) and recently introduced in a multi-level centered epistemology of M&S. Second, we suggest considering the question of “credibility” of agent M&S in social sciences when we do not try to emulate but only to simulate target systems. Whereas a stringent and standardized treatment of the heterogeneous internal relations (in the DH) between systems of formalisms is the key problem and the essential challenge in the scope of Agent M&S driven engineering, it is urgent too to address the problem of the external relations (and of the external validity, hence of the epistemic power and credibility) of such levels of formalisms in the specific domains of agent M&S in social sciences, especially when we intend to introduce the concepts of activity tracking.

In the Western tradition, at least since the 14th century, the philosophy of knowledge has been built around the idea of knowledge as a representation [Boulnois 1999]. The question of the evaluation of knowledge refers at the same time (1) to the object represented (which one does one represent?), (2) to the process of knowledge formation, in particular with the role of the knowing subject (which one does one represent and how does one represent it?), and finally (3) to the relationship between the representation and the represented object. Criteria of evaluation such as “validity”, “adequacy” or “truth”, as mentioned in chapter 4, make sense only with respect to these three dimensions. An evaluation can thus (1) depend on the ontological nature of the object of knowledge, (2) relate to the relationship between subject and object—including the structures (cognitive, social) which organize this relationship, or (3) relate to the relation of similarity between the object and its representation as well. The relevant criteria of evaluation thus depend on the points of view adopted on these questions. As there are indeed a plurality of points of view in this field, the goal of this appendix is to summarize, as briefly as possible, the various positions adopted by the philosophers and to refer to the relevant texts of reference for more information. The first section introduces useful discussions about the philosophy of theoretical knowledge and general epistemology, from a quasi-historical perspective. Section two discusses the intermediary but central notion of models. Section three, more exploratory, intro-duces an approach to simulation as “concrete experiment”. It suggests that such a frequent claim in the literature, when precisely evaluated, can, to some extent, renew both the representational and the linguistic views on simulation.

On montre d’abord qu’il est nécessaire de caractériser une simulation informatique à un niveau plus fin que celui des modèles formels : celui des symboles et de leurs divers modes de référer. C’est particulièrement vrai pour celles qui intègrent des modèles et des formalismes hétérogènes. On s’interroge ensuite sur les causes ontologiques qui pourraient expliquer leur succès épistémique. Il est montré qu’elles peuvent s’expliquer commodément si l’on adopte une conception de la nature à la fois discontinuiste et finitiste. Cette dernière thèse se trouve renforcer une position métaphysique naturaliste en invalidant, à sa racine, l’argument formulé par le matérialisme spéculatif à l’encontre d’une approche scientifique du monde physique procédant, comme les simulations, par représentations et opérations finitistes.

Les modèles basés sur des agents en interactions, constituent des systèmes sociaux complexes, qui peuvent être simulés par informatiques. Ils se répandent dans les sciences économiques et sociales - comme dans la plupart des sciences des systèmes complexes. Des énigmes épistémologiques (ré)apparaissent. On a souvent opposé modèles et investigations empiriques : d’un côté, on considère les sciences empiriques fondées sur une observation méthodique (enquêtes, expériences) tandis que de l’autre, on conçoit les approches théoriques et la modélisation comme s’appuyant sur une approche conceptuelle ou hypothético-déductive. la simulation a de son coté souvent été comparée à une forme d’expérience ou à une méthode intermédiaire entre la théorie et l’expérience. Tesfatsion a parlé de « laboratoire computationnel » comme d’une manière d’étudier « les comportements des systèmes complexes au moyen d’expériences sous contrôle qu’on peut répéter (réplicable)» et Axelrod a proclamé que la simulation serait « une troisième manière de pratiquer la science dans les sciences sociales », entre l’induction et la déduction. Nous introduisons de nouveaux concepts épistémologiques afin de montrer dans quelle mesure les auteurs ont raison lorsqu'ils se concentrent sur une signification empirique, instrumentale ou conceptuelle de leur modèle ou simulation. La première partie du chapitre discute plus particulièrement de l'épistémologie des modèles économiques à partir des travaux d’Hausman, Guala, Mäki, Sugden, Schelling etc. pour expliquer les divergences entre modèles et simulations. En distinguant entre modèles et simulations, comme entre entre types de modèles, types de simulations informatiques et types d'empiricité obtenue par une simulation, la seconde partie donne la possibilité de comprendre plus précisément - et ensuite de justifier - la diversité des positions épistémologiques présentées dans la première partie. En utilisant les notion de sous-symbolisation (due à Smolensky) et, de hiérarchie dénotationnelle (due à Goodman), une attention particulière est accordée à la multiplicité des pouvoirs dénotationnels des symboles en jeu dans les modèles complexes et les simulations informatiques. Selon cette grille d'analyse, on peut déterminer, dans chaque cas particulier son statut épistémique et la crédibilité qui peut y être associée. Ce chapitre est une traduction (par Gilles Campagnolo) réviséee et augmentée par les auteurs de : Agent-Based Models and Simulations in Economics and Social Sciences: From Conceptual Exploration to Distinct Ways of Experimenting, Journal of Artificial Societies and Social Simulation 13 (1) 5 DOI: 10.18564/jasss.1532

In the Western tradition, at least since the 14th century, the philosophy of knowledge has been built around the idea of knowledge as a representation [BOU 99]. The question of the evaluation of knowledge refers at the same time (1) to the object represented (which one does one represent?), (2) to the process of knowledge formation, in particular with the role of the knowing subject (which one does one represent and how does one represent it?), and finally (3) to the relationship between the representation and the represented object. Criteria of evaluation such as “validity”, “adequacy” or “truth”, as mentioned in [AMB 07], make sense only with respect to these three dimensions. An evaluation can thus (1) depend on the ontological nature of the object of knowledge, (2) relate to the relationship between subject and object—including the structures (cognitive, social) which organize this relationship, or (3) relate to the relation of similarity between the object and its representation as well. The relevant criteria of evaluation thus depend on the points of view adopted on these questions. As there are indeed a plurality of points of view in this field, the goal of this appendix is to summarize, as briefly as possible, the various positions adopted by the philosophers and to refer to the relevant texts of reference for more information (for a first outline [CHA 76, SCH 01]). The first section 1 introduces useful discussions about the philosophy of theoretical knowledge and general epistemology, from a quasi-historical perspective. Section two 2 discusses the intermediary but central notion of models. Section three 3, more exploratory, introduces an approach to simulation as “concrete experiment”. It suggests that such a frequent claim in the literature, when precisely evaluated, can, to some extent, renew both the representational and the linguistic views on simulation.

Data do not belong to predictive analytics only. Neither do concepts belong to theoretical modeling only. This talk will explore and question the changing relationships between data and concepts in models today, especially in the case of multiscale models. It will show that there are different types of integrative models, and that some are new. These new integrative models take their part in a cycling methodology of modeling where measures, estimations, reconstructions, simulations, concept-driven models and mathematics interact and take their part too.

In the context of pluralization, sophistication, and combination of formal models, it is becoming difficult to propose uniform – or even comparable – model comparison practices. This paper outlines a broad and classificatory comparative epistemology of models. The aim of this epistemology is to propose applicable, and if necessary rectifiable, conceptual tools that can be useful to modellers as well as to historians and epistemologists. The notion of model characteristic vector – incorporating concepts of function, nature, principle and use of the model – is introduced for this end. This proposal has been developed to serve a better-equipped writing of a comparative and interdisciplinary history of models and simulations.

Le déficit d’explicabilité des techniques d’apprentissage machine (AM) pose des problèmes opérationnels, juridiques et éthiques. Un des principaux objectifs de notre projet est de fournir des explications éthiques des sorties générées par une application fondée sur de l’AM, considérée comme une boîte noire. La première étape de ce projet, présentée dans cet article, consiste à montrer que la validation de ces boîtes noires diffère épistémologiquement de celle mise en place dans le cadre d’une modélisation mathéma- tique et causale d’un phénomène physique. La différence majeure est qu’une méthode d’AM ne prétend pas représenter une causalité entre les paramètres d’entrées et ceux de sortie. Après avoir proposé une clarification et une adaptation des notions d’inter- prétabilité et d’explicabilité telles qu’on les rencontre dans la littérature déjà abondante sur le sujet, nous montrons dans cet article l’intérêt de mettre en œuvre les distinctions épistémologiques entre les différentes fonctions épistémiques d’un modèle, d’une part, et entre la fonction épistémique et l’usage d’un modèle, d’autre part. Enfin, la dernière partie de cet article présente nos travaux en cours sur l’évaluation d’une explication, qui peut être plus persuasive qu’informative, ce qui peut ainsi causer des problèmes d’ordre éthique.

This chapter elaborates and develops the thesis originally put forward by Mary Morgan (2005) that some mathematical models may surprise us, but that none of them can completely confound us, i.e. let us unable to produce an ex post theoretical understanding of the outcome of the model calculations. This chapter intends to object and demonstrate that what is certainly true of classical mathematical models is however not true of pluri-formalized simulations with multiple axiomatic bases. This chapter thus proposes to show that - and why - some of these computational simulations that are now booming in the sciences not only surprise us but also confound us. To do so, it shows too that it is needed to elaborate and articulate with some new precision the concept of weak emergence initially due, for its part, to Mark A. Bedau (1997).

Voilà un livre comme on pouvait l’espérer. Centré sur la Covid-19 et sur sa diffusion, il s’installe au cœur de questions brûlantes, encore urgentes pour tout un chacun, mais il garde aussi la tête froide, prend du recul, informe, enseigne et questionne, qui plus est de façon pédagogique. Davantage : au-delà du bilan critique, il propose des perspectives inédites, voire quelques suggestions solides. Il nous donne à réfléchir sur des chemins moins balisés. À le lire, on comprendra, par l’exemple, pourquoi un modèle ne peut assurer simultanément toutes les fonctions de connaissance qu’on en peut attendre (décrire, prédire, expliquer, etc.). On comprendra pourquoi il faut souvent des modèles simples mais aussi, dans certains cas, des modèles nécessairement plus compliqués. On comprendra également pourquoi il faut cultiver une pluralité de modèles, toujours dans la collégialité, souvent dans l’interdisciplinarité : non seulement pour que ces modèles prennent en compte plusieurs aspects, mais aussi pour que leurs diverses fonctions puissent entrer en dialogue, et enfin pour qu’ils s’épaulent, convergent ou se rectifient, en particulier là où l’on attend d’eux qu’ils mettent au jour des propriétés structurelles robustes, les seules offrant en retour une prise à l’action et à la décision légitimes. On comprendra enfin que la disponibilité de données à la fois pertinentes et stabilisées est un point d’achoppement majeur, dans les circonstances, tant il est discutable de paramétrer un modèle de diffusion de la Covid-19 avec les paramètres de la grippe simplement parce qu’ils sont mieux connus.

Research in artificial intelligence (AI) has led to revise the challenges of the AI initial programme as well as to keep us alert to peculiarities and limitations of human cognition. Both are linked, as a careful further reading of the Turing’s test makes it clear from Searle’s Chinese room apologue and from Dreyfus’ suggestions, and in both cases, ideal had to be turned into operating mode. In order to rise these more pragmatic challenges AI does not hesitate to link together operations of various levels and functionalities, more specific or more general. The challenges are not met by an operating formal system which should have from the outset all the learning skills, but -for instance in simulation- by the dynamics of a succession of solutions open to adjustments as well as to reflexive repeats.

Le déficit d’explicabilité des techniques d’apprentissage machine (AM) pose des problèmes opérationnels, juridiques et éthiques. Un des principaux objectifs de notre projet est de fournir des explications éthiques des sorties générées par une application fondée sur de l’AM, considérée comme une boîte noire. La première étape de ce projet, présentée dans cet article, consiste à montrer que la validation de ces boîtes noires diffère épistémologiquement de celle mise en place dans le cadre d’une modélisation mathématique et causale d’un phénomène physique. La différence majeure est qu’une méthode d’AM ne prétend pas représenter une causalité entre les paramètres d’entrées, qui peuvent être de plus de haute dimensionnalité, et ceux de sortie. Nous montrons dans cet article l’intérêt de mettre en œuvre les distinctions épistémologiques entre les différentes fonctions épistémiques d’un modèle, d’une part, et entre la fonction épistémique et l’usage d’un modèle, d’autre part. Enfin, la dernière partie de cet article présente nos travaux en cours sur l’évaluation d’une explication, qui peut être plus persuasive qu’informative, ce qui peut ainsi causer des problèmes d’ordre éthique.

Now that complex Agent-Based Models and computer simulations spread over economics and social sciences - as in most sciences of complex systems -, epistemological puzzles (re)emerge. We introduce new epistemological tools so as to show to what precise extent each author is right when he focuses on some empirical, instrumental or conceptual significance of his model or simulation. By distinguishing between models and simulations, between types of models, between types of computer simulations and between types of empiricity, section 2 gives conceptual tools to explain the rationale of the diverse epistemological positions presented in section 1. Finally, we claim that a careful attention to the real multiplicity of denotational powers of symbols at stake and then to the implicit routes of references operated by models and computer simulations is necessary to determine, in each case, the proper epistemic status and credibility of a given model and/or simulation.

Le développement considérable des simulations informatiques dans les sciences contemporaines impose une remise à plat des épistémologies des modèles. Franck Varenne propose de revenir sur les limites des notions de métaphore et d'analogie pour penser les modèles, en particulier quand il s'agit des modèles composés, des pluri-modèles et des modèles de simulation (à objets ou à agents), tels qu'ils se développent depuis une dizaine d'années. Il suggère que le paradigme linguistique, à l'oeuvre aussi bien dans la pensée analytique anglo-saxonne que dans la pensée dialectique et pragmatique continentale, trouve ses limites manifestes devant les nouveaux usages épistémiques de telles simulations. Il propose que l'histoire et la philosophie des sciences contemporaines en prennent désormais toute la mesure. Sa conférence est suivie de la retranscription d'un débat fourni, d'abord oral, puis écrit, tel qu'il s'est prolongé, dans les mois qui ont suivi, avec plusieurs personnalités qui réfléchissent sur les modèles, sur les formalisations et sur la science contemporaine. On y verra quelques objections mais aussi beaucoup de points d'accord. Ce débat est l'occasion pour l'auteur d'expliquer davantage son approche et d'ouvrir encore la réflexion, aussi bien avec les scientifiques, les historiens qu'avec les philosophes.

Peut-on formaliser le vivant ? Peut-on réduire une plante à une simple formule mathématique ? Goethe ne l’aurait pas admis. Pour beaucoup encore, cette question ne se pose même pas tant elle peut sembler provocante et contre-nature. Dans une perspective à la fois historique et épistémologique, ce livre rend compte de travaux contemporains qui ont pourtant tous tenté de braver cet interdit. C’est en grande partie sur ce terrain, hautement problématique, que, dans les premières décennies du XXe siècle, on voit naître puis s’épanouir la pratique des modèles mathématiques appliquée aux sciences végétales. On voit en particulier que ces pratiques nouvelles de modélisation entrent en concurrence avec une tradition ancienne de théorisation mathématique des formes du vivant. C’est même devant les limites des essais théoriques récurrents que le tournant formel des modèles se confirme et permet des avancées incontestables. À l’heure où toutes les sciences à objets complexes parlent beaucoup de modèles et moins de théories, est-ce le signe d’une victoire de la « modélisation » au détriment de la « théorie » ? Cette victoire est-elle définitive ? Cela a-t-il toujours un sens de les opposer ? Et qu’en est-il des « lois » ? En proposant une analyse des travaux mais aussi des positions épistémologiques de certains scientifiques impliqués, en explicitant le sens de ce qui les rapproche, de ce qui les distingue ou les oppose, cet ouvrage montre que l’émergence, l’expansion puis la diversification des pratiques de modélisation formelle du vivant ont contribué, sur le terrain scientifique lui-même, à bousculer les rapports épistémologiques traditionnels entre théories, lois et modèles tels qu’ils nous ont été légués par la physique.

Face à la diversité et à la complexification des modes de formalisation, une épistémologie des méthodes scientifiques doit confronter directement ses analyses à une pluralité d’études de cas comparatives. C’est l’objectif de cet ouvrage. Aussi, dans une première partie, propose-t-il d’abord une classification large et raisonnée des différentes fonctions de connaissance des théories, des modèles et des simulations (de fait, cette partie constitue un panorama d’épistémologie générale particulièrement poussé). C’est ensuite à la lumière de cette classification que les deux parties centrales analysent et distinguent les assises conceptuelles et épistémologiques des principaux types de formalisation en géographie avant et après l’ordinateur (théories des localisations, modèles gravitaires, loi rang-taille). En employant toujours la même méthode analytique et comparative, la dernière partie se concentre sur l’explication épistémologique des trois révolutions computationnelles récentes : l’analyse des données, la présentation des données et enfin l’analyse par simulation computationnelle. Au travers de cette enquête approfondie, la géographie apparaît non seulement comme une discipline carrefour, ayant pour cela donné des exemples de presque tous les types de modèles scientifiques, mais aussi comme une science innovante en termes épistémologiques. Car ce qui a d’abord été pour elle un frein à la formalisation -– sa sensibilité au caractère multifactoriel comme à la dimension irréductiblement spatiale des phénomènes sociaux – et qui l’obligea longtemps à inféoder ses théories et modèles à des disciplines plus aisément formalisables comme la géomorphologie, l’économie, la sociologie, la démographie, ou bien encore la thermodynamique et la théorie des systèmes, devient aujourd’hui un atout dès lors que, parmi les sciences humaines et sociales, elle peut développer une épistémologie non seulement pluraliste mais aussi combinatoire et intégrative. Préface de Denise Pumain (Université Paris 1).

Dans cet ouvrage, Franck Varenne pose la question du réalisme scientifique, essentiellement dans sa forme contemporaine, et ce jusqu’aux années 1980. Il s’est donné pour cela la contrainte de focaliser l’attention sur ce que devenaient sa formulation et les réponses diverses qu’on a pu lui apporter en réaction spécifique à l’évolution parallèle qu’ont subie les notions de théories et surtout de modèles dans les sciences, à la même époque. Même si, bien sûr, on ne peut pas attribuer le considérable essor des modèles au XXe  siècle au projet qu’auraient eu les scientifiques de régler cette question, en grande partie philosophique, du réalisme – car les modèles scientifiques ont bien d’autres fonctions et ils proviennent de bien d’autres demandes techniques, cognitives et sociales –, son choix épistémologique a consisté à suivre la littérature contemporaine désormais classique, tant scientifique que philosophique, sur les théories puis sur les modèles afin d’une part, d’en rapporter l’évolution générale, mais, d’autre part aussi, afin de l’interroger de proche en proche, et systématiquement, sur ce qu’elle entend à chaque fois réévaluer ou remettre en débat au moyen de cette question persistante du réalisme et de la réalité en science. Au-delà de l’enquête historique, cette étude se révèle donc également comparative. Elle présente l’intérêt de mettre en évidence des similitudes de forme remarquables (identités, symétries, inversions, déplacements) entre des séquences argumentatives produites par des auteurs différents, dans des contextes distincts, au sujet de cette capacité qu’aurait – ou non – la science à rendre véritablement compte de la réalité. Ainsi, via l’analyse épistémologique historique et comparative qu’en propose Franck Varenne, la question cruciale de la médiation du réel par nos outils conceptuels ou expérientiels reçoit dans ce livre l’éclairage d’auteurs dont les conceptions sont, pour certaines encore, méconnues du lecteur non anglophone : Peter Achinstein, Max Black, Ludwig Boltzmann, Nancy Cartwright, Pierre Duhem, Ian Hacking, Mary Hesse, Evelyn Fox Keller, Imre Lakatos, Ernst Mach, Ernest Nagel, Henri Poincaré, Willard V.O. Quine, Bas van Fraassen, etc.

This book analyses the impact computerization has had on contemporary science and explains the origins, technical nature and epistemological consequences of the current decisive interplay between technology and science: an intertwining of formalism, computation, data acquisition, data and visualization and how these factors have led to the spread of simulation models since the 1950s. Using historical, comparative and interpretative case studies from a range of disciplines, with a particular emphasis on the case of plant studies, the author shows how and why computers, data treatment devices and programming languages have occasioned a gradual but irresistible and massive shift from mathematical models to computer simulations.

Architecture often relies on mathematical models, if only to anticipate the physical behavior of structures. Accordingly, mathematical modeling serves to find an optimal form given certain constraints, constraints themselves translated into a language which must be homogeneous to that of the model in order for resolution to be possible. Traditional modeling tied to design and architecture thus appears linked to a topdown vision of creation, of the modernist, voluntarist and uniformly normative type, because usually (mono)functionalist. One available instrument of calculation/representation/prescription orders this conception of architecture: indeed the search for an optimal solution through mathematical calculation of a model itself mathematical, thus homogeneous and simple, is only possible when one or two functions or functional constraints are formulated, never more, and this, on a global level, therefore starting from a unique and homogenizing viewpoint. It is essential to grasp that, even applied to material and its properties or towards a particular esthetic or functional dimension, this viewpoint is thus abstractive and generalizing: disregarding singularity of context, insertion and relationship to the environment or local, social behavior. It leaves aside functional specificity and heterogeneousness – re-contextualized each time – of functions that the object or edifice are required to fulfill and optimize under diverse constraints, in their different parts. The computational turning point today’s digital design and computational architecture embody modifies these instrumental, original prescriptions, rendering them more flexible. Perhaps in light of this turnabout we should retrospectively interpret 20th century calls for modernism, functionalism and even biomorphism as being just as many ex post rationalizations in respect to techniques of strongly prescriptive modeling since our only instrument is a monolithic language, and so being, incites a top-down conception, (naturally weakly reactive to contexts), including forms whose overall appearance resembles in fine a living form. In order to liberate oneself from this and despite everything, emerge as its initiators, one has constructed from ideology and philosophy (of object, habitat, the urban) ex post, even while it is the instrument of modeling and conception that largely determines, normalizes and dictates ex ante, the possibilities and limitations of the creation of forms and living experiments4 in a given time.

The aim of this paper is to describe and analyze the epistemological justification of a proposal initially made by the biomathematician Robert Rosen in 1958. In this theoretical proposal, Rosen suggests using the mathematical concept of “category” and the correlative concept of “natural equivalence” in mathematical modeling applied to living beings. Our questions are the following: According to Rosen, to what extent does the mathematical notion of category give access to more “natural” formalisms in the modeling of living beings? Is the so -called “naturalness” of some kinds of equivalences (which the mathematical notion of category makes it possible to generalize and to put at the forefront) analogous to the naturalness of living systems? Rosen appears to answer “yes” and to ground this transfer of the concept of “natural equivalence” in biology on such an analogy. But this hypothesis, although fertile, remains debatable. Finally, this paper makes a brief account of the later evolution of Rosen’s arguments about this topic. In particular, it sheds light on the new role played by the notion of “category” in his more recent objections to the computational models that have pervaded almost every domain of biology since the 1990s.

Now that complex Agent-Based Models and computer simulations spread over economics and social sciences - as in most sciences of complex systems -, epistemological puzzles (re)emerge. We introduce new epistemological concepts so as to show to what extent authors are right when they focus on some empirical, instrumental or conceptual significance of their model or simulation. By distinguishing between models and simulations, between types of models, between types of computer simulations and between types of empiricity obtained through a simulation, section 2 gives the possibility to understand more precisely - and then to justify - the diversity of the epistemological positions presented in section 1. Our final claim is that careful attention to the multiplicity of the denotational powers of symbols at stake in complex models and computer simulations is necessary to determine, in each case, their proper epistemic status and credibility.