Langage joue depuis le début d'un statut spécial dans tdkg.
Récemment, j'ai introduit une nouvelle classe, via tool→language.
On se souvient que pour nous a→b est un concept... c'est-à-dire qu'ergobrain peut former a→b avant même d'avoir clairement le concept z de la classe donc a et b sont des éléments : a→b⇒ z.
donc écrivant
tool→language⇒ L
nous instituons L plus que nous le montrons... (CF croissance conceptuel 6.)
L veut rendre compte de la dualité outil/langage. On dit souvent que le langage est un outil, mais les grands outils ‘augmentent’ l’homme et impactent son quotidien tout autant que les langages (dans tdkg, une sous classe importante de langage est formal language). Autrement dit L formalise l’abstraction selon laquelle ce qui est invariant dans le langage et l’outil est la disruption qu’ils engendrent en terme d’interactions, homme-homme ou homme-environnement. Anecdotiquement, le mobile change même la façon dont les gens marchent dans la rue… l’outil-qui-augmente permet de nouvelles interactions, et donc fonctionne comme un nouveau langage, compris comme un … outil-d’interaction.
Il est intéressant de noter qu’une spécificité des mathématiques est l’absence d’outil de mesure, de quelque ‘augmentation’ que ce soit. A l’inverse le monde micro ou macro-scopique nécessite des outils considérables, dont la plupart ne sont disponibles que depuis peu. Les Grecs, qui n’étaient guère mécaniciens, ont été d’habiles mathématiciens, comme les Indiens. Les mathématiques constituent en quelque sorte le modèle de l’expérimentation in vitro. Il se trouve que ces mathématiques ont presque suffit – presque – pour la mécanique céleste, et une partie de la physique (jauge theory , General Relativity...). Mais s’agissant d’objets plus complexes, ou plus lointains, ou plus vivants, ne rien ‘voir’ est un handicap majeur. Même dans le domaine atomique, la spectroscopie a été et est encore aujourd’hui un ‘œil’ essentiel. En microbiologie, des avancées très récentes comme CRISPR (nobel 2020), les organoïdes, vont suppléer à l’expérience animale et permettre d’expérimenter plus vite. La cryo-microscopie électronique (novel 2017, "for the high-resolution structure determination of biomolécules in solution") permet d’observer quasi in vivo les protéines et leur structure 3D.
L’interaction avec les objets mathématiques (principalement l’arithmétique et les constructions associées, jusqu’à la topologie/géométrie algébrique) est – pour les humains- quasi évidente, directe. Mélange de ‘log-ique’ (syntaxe) et de géométrie (‘sémantique’), le ‘langage’ mathématique est probablement codé en dur dans le cerveau, et même dans l’œil.
Il n’en va pas de même avec … tout le reste. La technologie scientifique a vocation à suppléer à cette déficience. Or la techno a un coût. Cela demande du temps (des expérimentations, du hasard, des tâtonnements), du capital.
L’accumulation de data en chimie, en biologie est sans commune mesure avec les mathématiques. La découverte des invariants biologiques sont assis sur cette data, et c’est pourquoi la réduction symbolique de ces disciplines a été considérablement plus laborieuse. Plus encore, ils n’apparaissent que moyennant des capacités de déduction qui deviennent possible que grâce à de puissant dispositifs computationnels, témoin les réseaux distribués mis en place dans la dernière décennie pour la déduction structurales des protéines.
etc 
