🤖 AI

Navigating Simply, Aligning Deeply: Winning Solutions for Mouse vs. AI 2025

L'équipe HCMUS_TheFangs a obtenu des résultats victorieux dans les deux catégories de la compétition NeurIPS 2025 Mouse vs. AI en démontrant que les architectures légères et simples excellent dans la robustesse visuelle, tandis que les modèles profonds à haute capacité sont supérieurs pour l'alignement neuronal, révélant ainsi que la performance optimale dépend de l'adéquation entre la complexité architecturale et les objectifs spécifiques de la tâche plutôt que de la maximisation de la taille du modèle.

Auteurs originaux : Phu-Hoa Pham, Chi-Nguyen Tran, Dao Sy Duy Minh, Nguyen Lam Phu Quy, Huynh Trung Kiet

Publié 2026-02-03

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Phu-Hoa Pham, Chi-Nguyen Tran, Dao Sy Duy Minh, Nguyen Lam Phu Quy, Huynh Trung Kiet

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez une compétition où des agents d'intelligence artificielle font la course contre de vraies souris pour trouver une balle cachée dans un labyrinthe en 3D. Mais il y a un pièंश : la compétition possède deux juges différents avec des objectifs très distincts.

Le Concours : « Souris contre IA »
Considérez cela comme un examen du permis de conduire.

Piste 1 (Le test de la « météo difficile ») : Le premier juge veut voir si l'IA peut conduire dans le labyrinthe même lorsque la météo change. Et s'il y avait soudainement du brouillard ? Et si les lumières clignotaient ou si le soleil se couchait ? L'objectif est la robustesse — l'IA peut-elle continuer à fonctionner quand les choses deviennent chaotiques ?
Piste 2 (Le test du « scanner cérébral ») : Le second juge ne se soucie pas de savoir si l'IA gagne la course. Au contraire, il veut savoir : Le cerveau de l'IA fonctionne-t-il comme le cerveau d'une souris ? Ils disposent d'enregistrements de 19 000 neurones de souris réelles s'activant pendant que les souris parcourent le labyrinthe. L'objectif est l'alignement — le traitement interne de l'IA ressemble-t-il à la biologie ?

La Grande Surprise : Simple vs Complexe
L'équipe de l'Université des Sciences, VNU-HCM (Équipe HCMUS_TheFangs) a participé à la compétition avec une découverte surprenante : un modèle unique ne convient pas à tout.

1. Pour le test de la « météo difficile » (Piste 1) : Restez simple

L'équipe a tenté de construire un cerveau d'IA super complexe avec de nombreuses couches (comme un réseau de neurones profonds). C'était comme donner à l'IA une encyclopédie géante et compliquée à mémoriser.

Ce qui s'est passé : L'IA complexe a mémorisé parfaitement le labyrinthe d'entraînement, mais s'est figée quand le brouillard est arrivé. Elle était trop spécifique.
La solution gagnante : Ils sont passés à un petit cerveau à deux couches (un « SimpleCNN »). Pensez à cela comme un habitant du quartier débrouillard qui connaît les règles générales de la route, mais qui ne suranalyse pas chaque détail.
La recette secrète : Ils ont ajouté deux outils simples :
1. La Normalisation : C'est comme mettre des lunettes de soleil. Cela aide l'IA à ignorer les changements soudains de luminosité ou de couleur, en se concentrant uniquement sur la forme du chemin.
2. Le Gating (GLU) : Cela agit comme un videur à l'entrée d'un club. Cela laisse entrer les informations utiles mais bloque le « bruit » ou les interférences visuelles déroutantes.
Le résultat : Cette IA simple et « débrouillarde » a gagné avec un score de 95,4 %. Elle a prouvé que pour survivre à une météo étrange, vous n'avez pas besoin d'un supercalculateur ; vous avez besoin d'un système simple et adaptable.

2. Pour le test du « scanner cérébral » (Piste 2) : Allez en profondeur

Lorsque l'objectif change pour imiter le cerveau d'une souris, la stratégie s'inverse. La petite IA n'était pas suffisante.

Le problème : Le cerveau d'une souris est une hiérarchie massive et complexe. Il traite les contours simples, puis les formes, puis les objets, tout cela simultanément. Une petite IA ne pouvait tout simplement pas capturer cette profondeur.
La solution gagnante : Ils ont construit un ResNet profond de 16 couches. Pensez à cela comme une immense bibliothèque de 17,8 millions de livres (paramètres). Elle possède assez de « puissance cérébrale » pour comprendre la façon complexe et stratifiée dont une souris perçoit le monde.
Le résultat : Ce modèle profond et complexe a décroché la première place pour l'alignement neuronal. Il a montré que pour imiter la biologie, vous avez effectivement besoin d'un cerveau grand et complexe.

La découverte du « Point d'équilibre »

L'équipe a également remarqué quelque chose d'étrange concernant le temps d'entraînement. Vous pourriez penser : « Si j'entraîne l'IA plus longtemps, elle devient meilleure. »

La réalité : Ce n'est pas une ligne droite. Ils ont testé des modèles entraînés pendant différentes durées (de 60 000 étapes à plus de 1 million).
Le constat : Les meilleurs modèles ont souvent été trouvés autour de 200 000 étapes. S'ils entraînaient trop longtemps (comme 1 million d'étapes), les modèles devenaient en fait pires.
L'analogie : C'est comme étudier pour un examen. Si vous étudiez un peu, vous ne savez rien. Si vous étudiez juste ce qu'il faut, vous réussissez haut la main. Mais si vous étudiez des jours entiers sans vous arrêter, vous vous épuisez, vous oubliez les bases et commencez à faire des erreurs stupides. Le modèle « parfait » était celui qui arrêtait l'entraînement juste avant de commencer à trop réfléchir.

Ce qui a échoué ?

L'équipe a essayé de nombreuses idées sophistiquées qui n'ont pas fonctionné :

InceptionNet : Une architecture très complexe qui a simplement refusé d'apprendre quoi que ce soit.
L'Augmentation de Données : Ils ont tenté de rendre artificiellement les images d'entraînement étranges (pluie, nuit, etc.) pour enseigner à l'IA. Étonnamment, cela a rendu l'IA moins bonne. C'était comme essayer d'apprendre à quelqu'un à conduire en lui montant des photos de voitures en feu ; cela a confondu l'IA plutôt que de l'aider.
Les LSTM (Mémoire) : Ils ont tenté de donner à l'IA une « mémoire » pour qu'elle se souvienne des images précédentes. Cela a détruit la capacité de l'IA à voir clairement l'image en 2D, la rendant maladroite.

La conclusion

L'article conclut par une leçon claire :

Si vous voulez une IA robuste et fiable dans des environnements changeants, restez simple. Ne faites pas de sur-ingénierie.
Si vous voulez une IA qui imite la biologie, vous avez besoin de complexité et de profondeur pour correspondre à la richesse d'un cerveau vivant.

L'équipe n'a pas seulement trouvé un vainqueur ; elle a montré que le « meilleur » design d'IA dépend entièrement de ce que vous essayez d'accomplir. Parfois, moins c'est plus ; parfois, vous avez besoin de toute la bibliothèque.

Résumé technique : Naviguer simplement, s'aligner profondément

Énoncé du problème

L'article traite de l'« écart de robustesse » chez les agents artificiels, où les systèmes d'apprentissage par renforcement profond (RL) échouent souvent lorsqu'ils rencontrent des perturbations visuelles hors de leur distribution d'entraînement, contrairement aux systèmes biologiques (spécifiquement les souris) qui maintiennent une navigation stable sous diverses conditions. Les auteurs ont participé à la compétition NeurIPS 2025 Mouse vs. AI: Robust Visual Foraging Competition, qui évalue les agents sur deux pistes distinctes et complémentaires :

Piste 1 (Robustesse Visuelle) : Mesure la généralisation aux perturbations visuelles non incluses dans l'entraînement (ex: brouillard, changements de luminosité) en utilisant une moyenne pondérée du taux de succès moyen (ASR) et du taux de succès modifié (MSR).
Piste 2 (Alignement Neural) : Évalue la capacité d'un agent à prédire l'activité neurale enregistrée à partir de plus de 19 000 neurones du cortex visuel de la souris pendant la même tâche, en utilisant des métriques de lecture linéaire $R^2$ .

Le défi central réside dans la tension entre ces deux objectifs : la robustesse comportementale favorise souvent l'abstraction des statistiques de bas niveau, tandis que l'alignement neural peut nécessiter la préservation d'une structure de stimulus détaillée.

Méthodologie

Les auteurs, l'équipe HCMUS_TheFangs, ont abandonné la sagesse conventionnelle selon laquelle les tâches visuelles complexes nécessitent des architectures de complexité correspondante. Au lieu de cela, ils ont poursuivi une approche à double stratégie, développant des architectures distinctes optimisées pour les exigences spécifiques de chaque piste.

Piste 1 : Architecture légère pour la robustesse

Pour la robustesse visuelle, l'équipe a développé une architecture SimpleCNN privilégiant la simplicité pour éviter le surapprentissage.

Architecture : Un backbone convolutionnel à deux couches avec un sous-échantillonnage spatial agressif (noyau 8×8, stride 4 ; suivi d'un noyau 4×4, stride 2).
Améliorations :
- Unités Linéaires à Portes (GLU) : Un module utilisant l'activation Swish pour la transformation des caractéristiques et la fonction sigmoïde pour le contrôle (gating), permettant un flux d'informations sélectif pour supprimer les composantes sensibles au bruit.
- Normalisation des observations : Statistiques tournantes (moyenne mobile exponentielle) appliquées aux entrées pour assurer l'invariance aux changements d'illumination globale.
Entraînement : Une stratégie en deux phases où le backbone est entraîné en premier, suivi de l'ajout du module GLU.

Piste 2 : Architecture profonde pour l'alignement neural

Pour l'alignement neural, l'équipe a employé une architecture de type ResNet profond conçue pour capturer des représentations hiérarchiques reflétant le cortex visuel biologique.

Architecture : 16 couches convolutionnelles organisées en blocs résiduels avec une expansion progressive des canaux (64 → 128 → 256 → 512).
Mécanisme : Incorpore le contrôle par GLU pour un routage adaptatif des caractéristiques. Le modèle contient 17,8 millions de paramètres, ce qui est nettement plus grand que le modèle de la Piste 1 (1,4M).
Entraînement : Expérimentation approfondie avec des durées d'entraînement allant de 60K à 1,14M d'étapes, en sauvegardant des points de contrôle (checkpoints) tous les 20K étapes pour analyser la relation entre le temps d'entraînement et la performance.

Approches ayant échoué

L'article documente systématiquement plusieurs approches qui ont sous-performé :

InceptionNet : N'a pas réussi à converger.
ResNet Profond (24 couches) : A atteint une haute performance d'entraînement mais a subi une chute de 35 % de ses performances sous les perturbations en raison d'un surapprentissage sévère.
Intégration LSTM : A causé une instabilité de l'entraînement et un effondrement des performances, probablement dû à la destruction de la structure spatiale 2D.
Augmentation de données naïve : A paradoxalement diminué les performances (de 87,7 % à 59,8 %) en introduisant des décalages de distribution.

Résultats Clés

Piste 1 : Robustesse Visuelle

La SimpleCNN légère avec GLU et normalisation a atteint un score final de 95,4 %, décrochant la première place.

Ablation : La normalisation des observations a apporté le gain le plus important (+3,8 %), suivie par le GLU (+0,2 %).
Comparaison : Le baseline ResNet à 24 couches n'a obtenu que 65,98 %, soulignant qu'une profondeur accrue nuit à la généralisation dans ce contexte. La SimpleCNN a maintenu un écart minimal entre l'ASR (96,80 %) et le MSR (94,00 %), alors que le ResNet profond présentait un écart de 30 points.

Piste 2 : Alignement Neural

L'architecture ResNet profonde a atteint la première place (Score : 0,1517) sur les métriques d'alignement neural.

Capacité : Le modèle à 17,8M de paramètres a nettement surpassé la SimpleCNN légère (Rang 13, Score 0,1451), démontrant que la capture de représentations biologiques nécessite une capacité de modèle substantielle.
Entraînement non monotone : Une découverte critique fut la relation non monotone entre la durée d'entraînement et la performance. Le point de contrôle optimal est apparu autour de 200K étapes (Rang 2), performant presque aussi bien que le modèle entraîné pendant 1,14M d'étapes (Rang 1). Les modèles entraînés pour des durées intermédiaires (ex: 520K étapes) ont été moins performants que ceux entraînés pour des durées très courtes (80K étapes), suggérant qu'un entraînement prolongé peut mener au surapprentissage ou à l'oubli catastrophique, même dans les tâches d'alignement neural.

Contributions Clés

Simplicité Architecturale pour la Robustesse : A démontré qu'un CNN léger à deux couches avec des améliorations ciblées (GLU, normalisation) surpasse significativement les réseaux profonds complexes pour la robustesse visuelle, remettant en question les hypothèses sur les besoins des modèles pour les tâches visu-motrices.
Capacité pour l'Alignement Neural : A montré que si les modèles simples excellent dans la robustesse comportementale, des architectures plus profondes avec une capacité accrue sont nécessaires pour obtenir un alignement neural supérieur, reflétant la complexité hiérarchique du traitement visuel biologique.
Documentation des Échecs : A fourni une analyse complète des approches ayant échoué (InceptionNet, ResNet profond, LSTM, augmentation naïve), offrant des conseils pratiques pour éviter les pièges courants dans le RL visuel robuste.
Analyse de la Dynamique d'Entraînement : A révélé une relation non monotone entre la durée d'entraînement et la performance, identifiant que les points de contrôle optimaux émergent souvent bien avant la convergence (autour de 200K étapes).

Signification et Revendications

L'article prétend offrir des conseils pratiques pour développer des agents visuels robustes et biologiquement inspirés en remettant en question les hypothèses conventionnelles sur la complexité des modèles. Les auteurs soutiennent que la compétence comportementale n'implique pas nécessairement une plausibilité biologique ; les architectures optimales pour survivre aux perturbations visuelles diffèrent fondamentalement de celles requises pour imiter l'activité neurale.

En démontant que « le plus simple est le mieux » pour la robustesse tandis que « le plus profond est le mieux » pour l'alignement, ce travail suggère que les objectifs de robustesse et de plausibilité biologique peuvent être en tension, nécessitant des choix architecturaux distincts. Les conclusions soulignent l'importance des biais inductifs appropriés à la tâche et de la valeur d'une analyse systématique des points de contrôle plutôt que de l'entraînement jusqu'à la convergence.