Le comportement moteur est un phénomène où les différentes composantes d’un système biologique sont organisées de façon à assurer la coordination d’un mouvement intentionnel. Selon les théories computationnelles, le comportement est défini comme un problème moteur dont la solution peut être trouvée par des systèmes divisés de manière hiérarchique. Les composantes traitent et communiquent entre elles de l’information représentant les aspects pertinents du problème moteur (positions, trajectoires, vitesses, forces, etc.) lesquels sont censés être organisés à leur tour selon une hiérarchie d’abstraction et de complexité ascendante. Le défi est de faire face à quatre problèmes centraux du comportement : a) Le nombre élevé de degrés de liberté et d’interactions ; b) La redondance des degrés de liberté ; c) L’anticipation des effets du mouvement ; d) L’incertitude dans l’information. Les théories computationnelles classiques proposent des schémas explicatifs composés d’un agencement de différents modèles internes (prospectifs et inverses). Plus récemment, l’approche bayésienne propose un schéma hiérarchique plus homogène lequel est censé faire face aussi à l’incertitude de l’information. Cette recherche démontre que les théories computationnelles, y compris l’approche bayésienne, sont paralysées par un dilemme insurmontable : soit elles peuvent passer à l’échelle de manière computationnellement faisable - les calculs peuvent être réalisés en un temps raisonnable - mais dans ce cas elles ne peuvent pas reproduire la versatilité caractéristique du comportement des êtres vivants ; soit elles aspirent à reproduire la versatilité biologique mais alors elles sont infaisables. / Motor behavior is a phenomenon where the components making up a biological system are organized so as to ensure the coordination of a purposeful movement. According to computational theories, behavior is defined as a motor problem the solution of which can be found by systems divided hierarchically. The components process and communicate information representing the relevant variables of the motor problem (positions, trajectories, velocities, forces, etc.) which are, in turn, assumed to be organized as a hierarchy of increasing abstraction and complexity. The challenge is to tackle the four core problems of behavior: a) The high number of degrees of freedom and their interactions; b) The redundancy of degrees of freedom; c) The anticipation of the effects of movement; d) The uncertainty in information. Classical computational theories advance explanatory schemas made of structured sets of internal models (forward and inverse). More recently, the Bayesian approach advances a more homogeneous hierarchical schema which is supposed to account for uncertainty in information. This research shows that computational theories, including the Bayesian approach, are crippled by an unsolvable dilemma: The first horn is that if the models can scale up while staying computationally tractable, i.e. the computations can be carried out in a reasonable amount of time, then they fail to reproduce the versatility which characterizes the behavior of living beings. The second horn is that if the models aspire to reproduce biological versatility, then they are intractable.