💬 NLP

Brain-LLM Alignment Tracks Training Data, Not Typology

Auteurs originaux : Dongxin Guo, Jikun Wu, Siu Ming Yiu

Publié 2026-05-25

📖 6 min de lecture🧠 Analyse approfondie

Auteurs originaux : Dongxin Guo, Jikun Wu, Siu Ming Yiu

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

La Grande Question : L'anglais est-il spécial ?

Imaginez que vous avez un robot super-intelligent (un Modèle de Langage à Grande Échelle, ou LLM) qui a lu des millions de livres. Les scientifiques ont découvert que lorsque ce robot « réfléchit » à une phrase, ses calculs internes ressemblent de manière surprenante à la façon dont le cerveau humain s'active lorsqu'il entend cette même phrase.

Pendant longtemps, cette « correspondance cerveau-robot » n'a été testée qu'avec l'anglais. Parce que le robot était entraîné principalement sur l'anglais, et que les cerveaux humains écoutaient l'anglais, la correspondance était parfaite.

Cela a soulevé une grande question : Le cerveau humain est-il d'une certaine manière « câblé » pour correspondre spécifiquement à l'anglais ? Ou bien cette correspondance n'est-elle qu'une coïncidence parce que le robot a appris l'anglais ?

L'Expérience : Changer la Recette

Pour répondre à cela, les chercheurs ont mis en place une expérience massive utilisant une histoire appelée Le Petit Prince. Ils ont enregistré les cerveaux de 112 personnes écoutant cette histoire dans trois langues différentes : l'anglais, le chinois et le français.

Ils ont ensuite testé sept modèles d'IA différents contre ces images de cerveau.

Le « Robot anglais » : Un modèle entraîné principalement sur l'anglais (comme LLaMA-2).
Le « Robot chinois » : Un modèle entraîné principalement sur le chinois (Baichuan2).
Le « Robot multilingue » : Un modèle entraîné sur de nombreuses langues de manière égale (comme XLM-R).

Le Tour de Magie :
Les chercheurs ont comparé le « Robot anglais » et le « Robot chinois ». Ces deux robots sont des jumeaux à tous égards — ils ont la même taille, la même structure cérébrale et le même nombre de couches. La seule différence est ce qu'ils ont mangé (leurs données d'entraînement). L'un a mangé principalement de l'anglais ; l'autre a mangé principalement du chinois.

La Grande Découverte : C'est ce que vous avez mangé, pas votre ADN

Les résultats ont complètement renversé la donne :

Le Robot anglais correspondait le mieux aux cerveaux anglophones et le moins bien aux cerveaux chinois.
Le Robot chinois faisait exactement l'inverse : il correspondait le mieux aux cerveaux chinois et le moins bien aux cerveaux anglais.

L'Analogie :
Pensez au cerveau humain comme à une serrure.

Le « Robot anglais » est une clé taillée spécifiquement pour une serrure anglaise. Elle s'adapte parfaitement.
Le « Robot chinois » est une clé taillée spécifiquement pour une serrure chinoise.
Les chercheurs ont prouvé que l'« ajustement parfait » n'est pas parce que la serrure anglaise est spéciale. C'est simplement parce que la clé a été taillée pour correspondre à cette serrure spécifique. Si vous taillez une clé pour une autre serrure, elle s'adapte à celle-ci à la place.

Conclusion : L'« avantage anglais » dans les études précédentes n'était pas parce que l'anglais est la « langue universelle du cerveau ». C'était simplement parce que les modèles d'IA étaient entraînés sur des données anglaises. Le cerveau ne se soucie pas de la langue ; il se soucie du modèle que l'IA a appris.

Autres Découvertes Surprenantes

1. Le « Bug de Traduction » (Tokenisation)

Lorsque l'IA lit du chinois, elle doit souvent décomposer un caractère chinois en plusieurs petits morceaux (tokens) pour le comprendre, tandis que les mots anglais sont souvent un seul morceau.

L'Analogie : Imaginez lire un livre où chaque mot anglais est un seul brique, mais chaque mot chinois est un tas de 2,4 briques collées ensemble.
Le Résultat : À cause de ce « tas de briques », l'IA doit plonger plus profondément dans ses propres couches pour comprendre le sens d'un mot chinois. Les chercheurs ont découvert qu'environ 60 % de la raison pour laquelle l'IA « réfléchit » différemment pour le chinois est simplement ce bug mécanique dans la façon dont elle décompose les mots, et non une différence profonde dans la façon dont le cerveau traite le sens.

2. Grammaire vs Sens (Les Quartiers du Cerveau)

Le cerveau humain possède différents quartiers pour différentes tâches.

Le « Quartier du Sens » (PTL) : Cette zone gère le vocabulaire et les concepts.
Le « Quartier de la Grammaire » (IFG) : Cette zone gère la structure des phrases et les règles.

Les chercheurs ont constaté que le « Quartier du Sens » correspondait presque parfaitement à l'IA, quelle que soit la langue parlée. L'IA et le cerveau s'accordent sur ce que les mots signifient.

Cependant, le « Quartier de la Grammaire » était très exigeant. Il ne correspondait bien à l'IA que si l'IA avait appris les règles grammaticales spécifiques de cette langue.

L'Analogie : Si vous et moi savons tous deux ce que signifie « pomme », nous sommes sur la même longueur d'onde. Mais si j'ai appris à conduire sur la gauche de la route et vous sur la droite, nous nous disputerons sur la façon de tourner le volant. La partie « grammaire » du cerveau est sensible à ces règles, tandis que la partie « sens » est universelle.

3. Le Robot Multilingue « Universel »

Les chercheurs ont également testé un robot entraîné sur de nombreuses langues à la fois. Ce robot était le plus flexible. Il n'avait pas de préférence marquée pour l'anglais ou le chinois ; il correspondait aux cerveaux des trois langues presque également bien. Cela suggère que si vous enseignez à une IA à être véritablement multilingue, elle peut comprendre les cerveaux humains dans n'importe quelle langue.

Résumé

Mythe Démoli : Le cerveau n'est pas « centré sur l'anglais ». L'IA a simplement eu la chance d'être entraînée sur l'anglais.
Le Vrai Moteur : La performance de l'IA dépend de la langue sur laquelle elle a été entraînée. Si vous l'entraînez sur le chinois, elle comprend le mieux les cerveaux chinois.
La Nuance : Bien que le sens des mots soit universel à travers les langues, les règles de grammaire sont spécifiques. Les centres de grammaire du cerveau sont sensibles à ces différences, mais les centres de sens ne le sont pas.
Le Bug Technique : Certaines des différences que nous observons entre les langues dans l'IA sont simplement dues au fait que l'IA a du mal à compter correctement les caractères chinois (tokenisation), et non parce que le cerveau fonctionne différemment.

En bref : L'IA est un miroir. Si vous lui montrez de l'anglais, elle reflète l'anglais. Si vous lui montrez du chinois, elle reflète le chinois. Le cerveau humain est le même dans les deux cas ; seul le reflet change.

Résumé technique : L'alignement cerveau–LLM suit les données d'entraînement, non la typologie

Énoncé du problème
Alors que le réseau linguistique du cerveau humain est neuroanatomiquement universel à travers 45 langues, la mesure dans laquelle les grands modèles de langage (LLM) s'alignent sur ce réseau à travers des langues typologiquement diverses reste incertaine. Des recherches antérieures ont établi un fort alignement cerveau–LLM presque exclusivement en utilisant des données en anglais, créant un angle mort potentiel concernant l'universalité de ces représentations. Un facteur de confusion critique dans la littérature existante est l'incapacité de distinguer si les schémas d'alignement sont pilotés par un « avantage anglais » inhérent, la distance typologique entre les langues, ou la domination de langues spécifiques dans les données d'entraînement d'un modèle. De plus, il est inconnu si la variation interlinguistique de l'alignement est concentrée dans les régions de traitement syntaxique ou sémantique, une question ayant des implications pour la grammaire de construction (CxG) et les théories de l'universalité du langage.

Méthodologie
L'étude utilise des données IRMf de 112 participants écoutant Le Petit Prince dans trois langues : l'anglais ( $n=49$ ), le mandarin chinois ( $n=35$ ) et le français ( $n=28$ ). Les auteurs emploient un design expérimental contrôlé comparant sept LLM :

Dominance anglaise : GPT-2 Medium et LLaMA-2-7B.
Dominance chinoise : Baichuan2-7B.
Multilingue : mBERT, XLM-R Large, BLOOM-7B et Qwen2.5-7B.

Crucialement, l'étude apparie LLaMA-2-7B et Baichuan2-7B, qui partagent une architecture et des nombres de paramètres identiques (7B, 32 couches) mais diffèrent principalement dans la composition de la langue d'entraînement (~90 % anglais contre ~55 % chinois).

Le pipeline d'analyse comprend :

Modèles d'encodage : Régression ridge voxel par voxel pour prédire l'activité neuronale à partir des états cachés des LLM, normalisée par rapport aux plafonds de bruit inter-sujets.
Métriques typologiques : Distance typologique quantitative calculée à l'aide de Grambank (195 caractéristiques grammaticales binaires), complétée par WALS et lang2vec.
Analyse de la tokenisation : Mesure de la « fertilité de tokenisation » (sous-mots par mot orthographique) pour évaluer son impact sur la dynamique des couches.
Cadre statistique : Modèles linéaires à effets mixtes (LMM) contrôlant la proportion des données d'entraînement, avec rééchantillonnage par bootstrap en grappes au niveau de la langue pour traiter les degrés de liberté limités (3 langues).

Contributions et résultats clés

La domination de la langue d'entraînement pilote les gradients d'alignement :
La découverte centrale est que l'« avantage anglais » dans l'alignement cerveau–LLM est un artefact de la composition des données d'entraînement, et non une propriété inhérente de l'anglais ou du cerveau.
- Inversion du gradient : Le Baichuan2-7B à dominance chinoise inverse le gradient d'alignement observé dans LLaMA-2-7B. Baichuan2 s'aligne le mieux avec les cerveaux chinois ( $\tilde{r} = .85$ ) et le moins bien avec l'anglais ( $\tilde{r} = .59$ ), tandis que LLaMA-2 montre le schéma inverse.
- Uniformité multilingue : Les modèles multilingues (par exemple, XLM-R) présentent une forte uniformité à travers les langues ( $\tilde{r} \approx .81-.83$ ), suggérant que l'entraînement multilingue crée des représentations qui transcendent la domination spécifique d'une langue.
La distance typologique formelle co-varie avec l'alignement :
Au-delà de la domination de l'entraînement, la distance typologique formelle prédit indépendamment la dégradation de l'alignement.
- Dans les modèles à effets mixtes contrôlant la proportion d'entraînement, la distance Grambank est associée à une diminution des performances d'alignement ( $\beta = -0.41$ ).
- Les auteurs considèrent cela comme un pattern descriptif bien étayé nécessitant une confirmation sur $\ge10$ langues en raison des degrés de liberté limités.
La fertilité de tokenisation explique les décalages de couches :
L'étude identifie un décalage vers la droite de la couche d'encodage optimale pour le chinois (atteignant un pic à la couche 18 contre la couche 15 pour l'anglais/le français).
- L'analyse de la fertilité de tokenisation révèle que le chinois nécessite significativement plus de sous-mots par mot (2,4 mots/parole pour XLM-R) par rapport à l'anglais (1,4 mots/parole).
- Le contrôle de la fertilité explique environ 60 % de ce décalage de couche, indiquant que ce qui apparaît comme une différence de traitement interlinguistique est substantiellement un artefact de tokenisation.
Gradients neuronaux spécifiques aux régions (Syntaxe vs Sémantique) :
Le gradient typologique n'est pas uniforme à travers le réseau linguistique.
- Le gyrus frontal inférieur (GFI), associé au traitement syntaxique, montre un gradient typologique 2,3 fois plus raide que le lobe temporal postérieur (LTP), associé au traitement lexico-sémantique.
- Cela suggère que la divergence interlinguistique est concentrée dans le traitement structurel/syntaxique, tandis que les représentations sémantiques restent plus universelles.

Importance et affirmations
L'article prétend résoudre le débat sur l'« avantage anglais » en démontrant que les schémas d'alignement sont pilotés par la dominance de la langue d'entraînement. La supériorité apparente de l'anglais dans les études antérieures reflète la prédominance des modèles à dominance anglaise et des données IRMf en anglais, et non une relation neurocognitive spéciale entre l'anglais et le cerveau.

Les résultats soutiennent une vision nuancée de l'universalité : les processeurs de langage biologiques et artificiels convergent vers des représentations sémantiques partagées (universelles à travers les langues et les modèles) mais divergent dans les représentations structurelles/syntaxiques, où la distance typologique et la distribution d'entraînement comptent. Les résultats soulignent également que les artefacts de tokenisation peuvent se faire passer pour des différences de traitement interlinguistiques, incitant le domaine à rapporter la fertilité de tokenisation parallèlement aux résultats d'encodage.

Les auteurs notent explicitement que, bien que le gradient GFI/LTP soit cohérent avec la grammaire de construction (qui postule une variation dans les paires forme-fonction), il est également dérivable de théories génériques de dissociation syntaxe–sémantique ou de comptes rendus de contrôle cognitif. Par conséquent, l'article affirme que les résultats sont cohérents avec la CxG mais ne la prouvent pas de manière unique sans une analyse au niveau des constructions. De même, l'effet de la distance typologique est présenté comme un pattern descriptif nécessitant une validation à plus grande échelle plutôt qu'une preuve causale définitive.