Les cerveaux artificiels aident les scientifiques à étudier le véritable cerveau

Les progrès remarquables de l'intelligence artificielle au cours de la dernière décennie sont principalement dus aux avancées de l'apprentissage automatique, où les ordinateurs apprennent des tâches complexes en traitant de grandes quantités de données, plutôt que d'être programmés directement par des humains. Cette approche a conduit à des progrès rapides dans la vision par ordinateur, la traduction de langues et, plus récemment, les compétences conversationnelles humaines des chatbots tels que GPT-4.

L'apprentissage est effectué par des modèles logiciels appelés "réseaux de neurones artificiels" (ANN). La description standard d'un ANN est qu'il est vaguement inspiré des réseaux de neurones dans le cerveau humain. Il est de rigueur de suivre cette description avec une immédiate mise en garde, dans laquelle les informaticiens et les neuroscientifiques interviennent nerveusement pour souligner que l'analogie est très approximative, que les ANN sont de simples caricatures de vrais cerveaux (si même cela) et qu'ils ne parviennent pas à saisir la complexité de l'organe biologique.

Cependant, certains neuroscientifiques commencent à trouver que même les caricatures peuvent être utiles. Les mécanismes internes des meilleurs ANN - ceux qui sont les plus proches de l'égalité des performances humaines sur des tâches comme l'identification d'objets, ou la réponse à des invites de texte - semblent avoir des similitudes remarquables avec le fonctionnement des cerveaux. Ayant pris inspiration de la biologie, en d'autres termes, les programmeurs rendent maintenant la pareille, avec leurs créations qui disent aux neuroscientifiques des choses utiles sur les cerveaux biologiques.

Comparaison des cerveaux et des ANN

L'étude fondamentale comparant les cerveaux et les ANN a été publiée dans les Proceedings of the National Academy of Sciences en 2014. Daniel Yamins, un neuroscientifique du Massachusetts Institute of Technology (MIT), et ses collègues ont formé un ANN pour distinguer des objets à partir de photographies - un chat, par exemple. Les chercheurs ont comparé ce qui se passait à l'intérieur du réseau électronique à ce qui se passait à l'intérieur des cerveaux de singes macaques qui avaient été chargés de la même tâche, et dont les cerveaux avaient été câblés avec des électrodes.

Les ANN sont constitués d'un grand nombre de neurones artificiels qui, tout comme leurs homologues naturels, peuvent être allumés ou éteints ; en activité ou silencieux. Ces neurones sont reliés entre eux dans des réseaux interconnectés en couches. L'activité dans les couches inférieures peut affecter la façon dont les neurones des couches supérieures se déclenchent.

Le test du Dr Yamins implique la reconnaissance d'images, qui dans les cerveaux naturels se déroule de manière hiérarchique. Une couche de neurones détectera des caractéristiques simples comme des taches de lumière ou d'obscurité. Ces informations seront ensuite transmises à une couche supérieure, qui pourra reconnaître des formes plus complexes, comme des lignes ou des courbes. Ce processus continue jusqu'à ce que les objets entiers soient reconnus.

De manière similaire, les ANN sont structurés en couches, avec chaque couche apprenant à reconnaître des caractéristiques de plus en plus complexes à partir des données d'entrée. Dans l'expérience du Dr Yamins, l'ANN a été formé pour reconnaître des objets dans des images, en commençant par des caractéristiques simples et en progressant vers des formes plus complexes.

Les chercheurs ont découvert que les modèles d'activité dans l'ANN étaient étonnamment similaires à ceux observés dans les cerveaux des singes lorsqu'ils accomplissaient la même tâche. Cela suggère que, malgré leurs différences, les ANN et les cerveaux naturels peuvent utiliser des stratégies similaires pour traiter l'information.

Cette découverte a ouvert la voie à une nouvelle forme de recherche en neurosciences, où les ANN sont utilisés comme des modèles simplifiés des cerveaux pour aider à comprendre comment ces derniers fonctionnent. Bien que les ANN ne soient pas des modèles parfaits des cerveaux, ils peuvent offrir des aperçus précieux sur les mécanismes de base de la cognition et de la perception.

Conclusion

En conclusion, alors que les ANN ont été initialement inspirés par les cerveaux biologiques, il semble que le processus d'apprentissage puisse maintenant être inversé. Les neuroscientifiques peuvent utiliser les ANN pour mieux comprendre comment les cerveaux traitent l'information, ce qui pourrait à son tour conduire à des améliorations dans la conception et la performance des ANN. C'est un exemple fascinant de la manière dont la technologie peut non seulement imiter la nature, mais aussi contribuer à notre compréhension de celle-ci.