La linguistique informatique, ou linguistique computationnelle contribue au traitement automatique du langage naturel (TALN), notamment dans les interfaces homme-machine, la traduction automatique, la reconnaissance vocale et l'analyse textuelle à grande échelle ou la création de nouvelles langues.
Elle s'appuit sur des méthodes de calcul automatisé, de modélisation et de traitement de données linguistiques, pour à décrire et traiter les phénomènes linguistiques. Ce domaine associe les apports de la linguistique théorique, de l'informatique, de la logique et, plus récemment, de l'intelligence artificielle. Elle recouvre notamment l'élaboration de grammaires formelles (éventuellement nouvelles), le développement d'outils pour l'analyse de corpus, ou encore la conception de ressources numériques linguistiques.
Elle joue un rôle central dans le traitement automatique du langage naturel (TALN), en particulier dans les interfaces homme-machine, la traduction automatique, la reconnaissance vocale, ou l'analyse textuelle à grande échelle. Elle permet aux chercheurs d'exploiter les capacités de calcul pour étudier les langues sous des angles inaccessibles aux méthodes manuelles.
Selon les usages, le terme peut être employé pour désigner une approche davantage orientée vers les questions linguistiques et théoriques, tandis que « traitement automatique du langage » renvoie plus souvent à des développements applicatifs.
Débuts La recherche informatisée sur les langues nait vers 1950, dans le cadre de projets de traduction automatique financés par l'armée américaine, sur la base des bons résultats obtenus en utilisant des machines pour le décryptage des messages codés. Mais traduire s'avère plus complexe que déchiffrer des messages codés.
Dans les années 1960, des travaux en intelligence artificielle visent une modélisation automatisée de compétences linguistiques. Ils commencent par s'appuyer sur des ressources lexicales et des règles explicites, avant de mettre en évidence des difficultés importantes pour la traduction et la compréhension. Ils connaissent la grammaire, les règles de bon usage, qui ne relèvent pas d'une description scientifique de la langueSylvain Auroux, 1998 La Raison, le langage et les normes, Paris, Presses universitaires de France., d'où l'idée qu'un bon dictionnaire bilingue et des outils statistiques suffiraient pour obtenir des résultats en traduction automatique. Faute de résultats suffisants, en 1960, les crédits en sont coupés (cf. Rapport ALPAC) Rapport ALPAC, publié en 1966 par l' Automatic Language Processing Advisory Committee, concluant que la traduction automatique n'était pas suffisamment efficace, et recommandant de réorienter les financements vers la recherche fondamentale en linguistique computationnelle) | https://web.archive.org/web/20110409070141/http://www.mt-archive.info/ALPAC-1966.pdf.
Dans les années 1970, on repart sur de nouvelles bases en formalisant la grammaire. Le « modèle des grammaires formelles » est utilisé pour décrire certains aspects des langages de programmationMaurice Gross et André Lentin, Notions sur les grammaires formelles, Gauthier-Villars, 1967.. Les interprètes ou les compilateurs sont constitués par une chaîne de traitements : analyse lexicale, syntaxique, sémantique. Les travaux de Noam Chomsky<ref>Noam Chomsky, La Linguistique cartésienne suivi de La Nature formelle du langage, Éditions du Seuil, 1969 .</ref> ont fait l'hypothèse d'une similitude entre les langues naturelles et les langages informatiques. Les propositions de modèles formels de la langue par Zellig HarrisZellig Harris, Notes du Cours de Syntaxe, Éditions du Seuil, 1976. puis ChomskyNoam Chomsky, Structures syntaxiques, Éditions du Seuil, 1979 . ont orienté la recherche de solutions sur la formalisation de la syntaxe. Les grammaires génératives de Chomsky décrivent des systèmes de règles de production pour engendrer toutes les phrases admissibles. Des automates inverses devraient permettre la reconnaissance des phrases bien construites. Avec cette hypothèse, l'interprétation d'un texte est constituée par une chaîne de traitements analogue à celle qu'effectuent les compilateurs. Le système SHUDLU, présenté dans l'introduction du TAL en est un exemple. L'application de grammaires formelles aux langues naturelles a rencontré des limites, notamment pour la prise en compte de l'ambiguïté et du contexte. Parallèlement, les premiers travaux sur le dialogue humain-machine ont commencé dans les années 1960 avec Eliza, qui peut maintenir un dialogue par reconnaissance de mots clés. C'est une première tentative de modèle interactif.
Dans les années 1980, des modèles basés sur la connaissance prennent le relaisGérard Sabah, L'intelligence artificielle et le langage, Représentations des connaissances, Processus de compréhension, Hermès, 1989.. Ils incitent à construire une base de connaissances, pour compléter les méthodes formelles. Ils supposent que la clé de la compréhension des langues est dans les connaissances partagées. Mais s'il en était ainsi, il serait nécessaire d'avoir une autre théorie pour l'apprentissage du dialogue des enfants. A nouveau, les résultats sont moins rapides qu'espéréGérard Sabah, « La langue et la communication homme-machine, état et avenir » dans : Jean Vivier (éd.), Le dialogue homme/machine: mythe ou réalité, Europia Productions, 1995.. C'est aussi à cette époque que l'enregistrement de la parole et le traitement automatique du signal enregistré, ainsi que la synthèse de la parole, font entrer l'oral dans les technologies du langage.
Après ces séries d'espoirs déçus de maîtrise des langues par les ordinateurs, les informaticiens combinent méthodes statistiques, formalismes et connaissances, ce qui était la condition de nouvelles technologies linguistiques, efficaces et utiles, comme celles présentées sur le blog de Jean Véronis. Les objectifs s'élargissent ensuite, par exemple avec la prise en compte de la gestuelle, via l'enregistrement vidéo, les personnages animés, les robots... Le dialogue entre humains, médié par l'internet invente des formes nouvelles de pratiques sociales : courriel, chats, forums, qui transforment le rapport oral/écrit sans présence effective des locuteurs.
Au milieu des années 2010, l'apprentissage automatique progresse, notamment en s'appuyant sur la capture de « patrons statistiques » dans de grands corpus, ce qui améliore aussi la traduction automatique, l'automatisation de systèmes question‑réponse ou l'analyse automatique de sentiments. Des chercheurs comme Mordatch & Abbeel (2017) signalent qu'un nouveau langage émerge parfois, spontanément, au sein de populations multi‑agents (quand ces agents entraînés par apprentissage par renforcement, en ont besoin pour atteindre des objectifs communs). Ce langage, plus ou moins optimisé, est un flux de symboles discrets abstraits, et il évolue avec le temps ; il a une structure cohérente, et dispose d'un vocabulaire défini et d'une syntaxe identifiable. En outre, quand la communication linguistique était impossible, des agents informatiques ont spontanément utilisé des formes simples de communication non verbale, comme le « pointage » ou le « guidage »..
Entre 2020 et 2022, Google DeepMind étend ces observations en démontrant que des populations d'agents peuvent inventer un langage compositionnel et des systèmes de communication très structurés (incluant des conventions stables, des signaux combinatoires et des proto‑syntaxes, dans des environnements interactifs complexes). Des jeux dits « jeux de Lewis » ont été proposés. Ce sont des jeux où deux agents informatiques doivent coopérer pour résoudre une tâche commune sans se comprendre au départ. Les agents se montrent capables d'inventer ensemble un langage de signaux, appris par essais-erreurs récompensés. Des travaux antérieurs avaient montré que ce langage généralise souvent mal et manque de « compositionnalité » (c'est-à-dire qu'il ne combine pas des éléments simples pour créer des significations complexes, contrairement au langage humain). Mathieu Rita de l'Inria-Paris et ses collègues de DeepMind (2022) distinguent : une perte de « co-adaptation », due à un ajustement trop spécifique entre les deux agents, et une perte « d'information », liée à la qualité du signal transmis ; ce sont deux causes possibles de surapprentissage (un phénomène où les agents deviennent trop spécialisés pour s'adapter à de nouvelles situations) ; selon eux, en limitant le surapprentissage lié à la co-adaptation, le langage produit devient plus « compositionnel » et généralisera mieux, se rapprochant en cela du langage humainRita, M., Tallec, C., Michel, P., Grill, J. B., Pietquin, O., Dupoux, E., & Strub, F. (2022) Emergent communication: Generalization and overfitting in lewis games. Advances in neural information processing systems, 35, 1389-1404 |https://proceedings.neurips.cc/paper_files/paper/2022/hash/093b08a7ad6e6dd8d34b9cc86bb5f07c-Abstract-Conference.html. Mais Rahma Chaabouni et al. (2022), dans un article sur les langages émergents, notent qu'un indicateur couramment utilisé pour évaluer la qualité des langages inventés, la similarité sémantique, mesurée d'une manière particulière dite topographique (topographic similarity, souvent abrégée « topsim », qui évalue si un langage inventé par des agents est bien structuré, en vérifiant si les objets ou situations proches en sens sont décrits par des messages qui se ressemblent également dans leur forme) reflète mal la capacité des agents à généraliser quand ils travaillent sur des images naturelles ; Chaabouni et ses collègues proposent donc d'évaluer plutôt la facilité d'apprentissage et le transfert des compétences permis par ces langages. Ils constatent qu'augmenter le nombre d'agents ne suffit pas à produire un langage plus stable et plus efficace, ce qui invite à tester d'autres méthodes exploitant la population d'agents (comme le vote collectif et l'apprentissage par imitation)Chaabouni R et al. (2022, septembre). Emergent communication at scale. In International conference on learning representations |https://openreview.net/forum?id=AUGBfDIV9rL.
En 2023, l'arrivée des grands LLM accélère les choses : ils peuvent désormais générer des langues artificielles complètes, dotées d'un lexique, d'une phonologie et de règles morphosyntaxiques, comme le montre ConlangCrafterAlper, M., Yanuka, M., Giryes, R., & Begus, G. (2026, July). ConlangCrafter: Constructing languages with a multi-hop LLM pipeline. In Proceedings of the 64th Annual Meeting of the Association for Computational Linguistics (Volume 1: Long Papers) (pp. 9318-9349) |https://aclanthology.org/2026.acl-long.422/. ; une nouvelle linguistique, non‑humaine, artificielle émerge, produite par des agents logiciels.
Lors de l'apprentissage par renforcement multi‑agent, plusieurs agents doivent apprendre à coopérer, généralement dans un environnement qu'ils ne « voient » que partiellement et qui change constamment pour chacun d'eux. Selon une revue d'études pré-publiée en 2026, basée sur 29 publications scientifiques sur le sujet, il existerait 5 grands types de méthodes de communication inter-agents : la communication explicite (les agents s'échangent directement des messages), implicite, basée sur l'attention, basée sur des graphes, et hiérarchique ou fondée sur des rôles..