L’IA du pigeon (et celle des mammifères)

L’intelligence artificielle peut permettre d’attaquer sous un nouvel angle le défi de la compréhension du cerveau. C’est en tout cas ce qui ressort d’une série d’études publiées par des chercheurs du MIT et d’autres universités américaines. Elles expliquent notamment la manière dont les processus d’apprentissage auto-supervisé, observés dans les réseaux de neurones artificiels, reflètent étonnamment les mécanismes internes du cerveau des mammifères et les stratégies cognitives des pigeons.

Les deux études publiées par des chercheurs du MIT suggèrent tout d’abord que le cerveau pourrait utiliser un processus semblable à l’apprentissage auto-supervisé pour comprendre le monde. En entraînant des réseaux de neurones avec cette technique, les chercheurs ont observé des schémas similaires à ceux du cerveau des mammifères, offrant des perspectives sur la manière dont notre cerveau forme des représentations du monde physique. 

Les chercheurs expliquent que l’intelligence artificielle pourrait en conséquence aider à mieux comprendre le fonctionnement interne du cerveau. L’apprentissage auto-supervisé permet aux modèles computationnels d’apprendre à partir de scènes visuelles en se basant sur leurs différences, une méthode qui semble analogue à celle utilisée par le cerveau.

Les chercheurs du MIT ont découvert que l’activité neuronale dans les modèles auto-supervisés reflète étroitement celle des animaux effectuant des tâches similaires. Ils ont également étudié les neurones spécialisés, comme les cellules de grille, et trouvé que les modèles auto-supervisés créent des motifs similaires à ceux du cerveau des mammifères. Pour naviguer dans le monde, notre cerveau doit développer une compréhension intuitive du monde physique, qu’il utilise ensuite pour interpréter les informations sensorielles. 

Le cerveau pourrait donc développer cette compréhension à travers un processus similaire à l’apprentissage auto-supervisé. Les modèles auto-supervisés pourraient généraliser leur apprentissage à des tâches cognitives complexes, comme le montre l’exemple d’une tâche appelée « Mental-Pong », où le modèle prédit la trajectoire d’une balle cachée avec une précision similaire à celle des neurones du cerveau des mammifères.

Les chercheurs du MIT ont également exploré comment les modèles auto-supervisés peuvent représenter l’espace et effectuer l’intégration de chemin, une fonction attribuée aux cellules de grille dans le cerveau, en utilisant des séquences d’entrées de vitesse pour l’entraînement. Ces découvertes pourraient éclairer pourquoi le cerveau possède des cellules de grille, reliant les propriétés mathématiques du code des cellules de grille à la computation de l’intégration de chemin. 

La force brute du pigeon

D’autres chercheurs, à l’université d’Ohio et celle de l’Iowa, ont de leur côté découvert que les pigeons utilisent une méthode de résolution de problèmes par « force brute », semblable à celle employée par l’intelligence artificielle. Cette étude, publiée dans la revue IScience, montre que les pigeons sont capables d’apprendre et de catégoriser des stimuli visuels avec une efficacité remarquable, améliorant leur taux de réussite de 55% à 95% dans une tâche donnée, par essais et erreurs. Cette méthode d’apprentissage associatif, où les pigeons reçoivent une récompense pour une réponse correcte, est généralement considérée comme primitive, mais elle s’avère être d’une efficacité surprenante, surpassant les humains dans certains types de tâches. 

L’étude souligne que, contrairement aux humains qui cherchent à établir des règles pour résoudre des problèmes, les pigeons se fient à cette méthode de force brute et d’apprentissage associatif, ce qui remet en question la tendance à sous-estimer les capacités cognitives des pigeons par rapport aux technologies d’IA, dont les principes d’apprentissage sont finalement assez similaires.

• Aran Nayebi et al., Neural Foundations of Mental Simulation: Future Prediction of Latent Representations on Dynamic Scenes, Arxiv, 2023
• Rylan Schaeffer et al., Self-Supervised Learning of Representations for Space Generates Multi-Modular Grid Cells, Neurips, 2023
• Brandon Turner et Edward Wasserman, The pigeon as a machine: Complex category structures can be acquired by a simple associative model, iScience, 2023
• Neuroscience News
• Business Insider
• The Guardian
• MIT