🧬 biology

Constructed Reality, Contested Priors: Decoupling and the Architecture of Cognitive Relapse Under the Free Energy Principle

Cet article utilise un auto-encodeur variationnel comme substitut computationnel pour démontrer que, sous le Principe de l'Énergie Libre, la précision représentationnelle d'un système prédictif peut rester élevée alors que son comportement génératif par défaut subit une « rechute cognitive » non monotone, révélant que la résistance à l'adoption d'une nouvelle réalité est une propriété structurelle distincte de la vitesse d'apprentissage.

Auteurs originaux : MD Ibrahim Hossain Ridoy

Publié 2026-07-15

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : MD Ibrahim Hossain Ridoy

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ⚕️ Ceci est une explication générée par l'IA d'un preprint qui n'a pas été évalué par des pairs. Ce n'est pas un avis médical. Ne prenez pas de décisions de santé basées sur ce contenu. Lire la clause de non-responsabilité complète

Imaginez que votre cerveau n'est pas un appareil photo prenant des photos du monde. Au lieu de cela, c'est un metteur en scène super intelligent qui ne quitte jamais le studio. Il construit un faux décor, écrit un scénario, puis « vit » le film qu'il vient de créer, ne vérifiant le monde réel qu'occasionnellement pour voir si le scénario nécessite un petit ajustement. C'est le Principe de l'Énergie Libre : votre cerveau passe son temps à deviner ce qui est réel, et il ne met à jour son hypothèse que lorsque le monde réel le surprend.

Voici la grande question que l'article pose : Pourrait-on tromper ce metteur en scène si fort qu'il oublierait totalement le monde réel pour commencer à croire que le faux décor est la seule réalité ? Les auteurs appellent cela une « inversion ontologique ».

Pour tester cela, ils n'ont pas manipulé des cerveaux humains (ce qui serait contraire à l'éthique et impossible). À la place, ils ont construit un cerveau numérique — un programme informatique composé de deux parties travaillant ensemble :

L'Observateur (V) : Un système qui regarde des images et essaie de les comprendre.
Le Rêveur (M) : Un système qui essaie de prédire quelle image vient après, même lorsqu'aucune nouvelle image n'est montrée.

Ils ont entraîné ce cerveau numérique sur MNIST (des chiffres écrits à la main comme « 7 » ou « 3 ») d'abord. Ensuite, ils ont tenté de le faire basculer vers FashionMNIST (des images de t-shirts et de bottes). Mais voici le rebondissement : lors de ce basculement, ils ont continué à lui présenter un mélange des deux. Parfois, ils montraient 100 % de chiffres, parfois 100 % de vêtements, et parfois un mélange. Ils ont appelé ce ratio de mélange $r$ .

Les deux grandes surprises

L'article a découvert deux choses qui ont complètement changé notre façon de concevoir l'« entêtement » dans l'apprentissage.

1. La séparation entre « Savoir » et « Croire » (Découplage)
Vous pourriez penser que si un cerveau apprend à faire la différence entre les chiffres et les vêtements, il commencera immédiatement à agir comme s'il vivait dans un monde de vêtements.

Ce qui s'est passé : Le cerveau numérique est devenu extrêmement doué pour faire la distinction. Même lorsqu'il regardait encore principalement des chiffres, il pouvait distinguer les vêtements des chiffres avec une précision de 99,8 %. Il connaissait la différence parfaitement.
Le piège : Le fait de savoir que la différence existait ne signifiait pas qu'il croyait au nouveau monde. Lorsque l'ordinateur était laissé seul pour « rêver » (générer des images sans entrée), il continuait à rêver de chiffres, même s'il savait que les vêtements existaient.
La leçon : Savoir qu'une nouvelle réalité existe et l'accepter réellement comme votre réalité par défaut sont deux choses totalement différentes. Vous pouvez être un expert sur un nouveau monde tout en continuant à vivre dans l'ancien.

2. La « Rechute Cognitive » (Les montagnes russes)
C'est la partie la plus dramatique. Les chercheurs pensaient que si l'on continuait à nourrir le cerveau d'un mélange de l'ancien et du nouveau, il basculerait progressivement vers le nouveau monde.

Ce qui s'est passé : À certains niveaux de mélange (spécifiquement quand $r$ était de 0,4 ou 0,5, ce qui signifie que 40 % ou 50 % de l'entraînement concernait encore les anciens chiffres), le cerveau a effectivement basculé ! Pendant un certain temps, ses « rêves » étaient presque à 100 % composés de vêtements. On aurait dit que le changement était complet.
Le crash : Mais ensuite, alors que l'entraînement continuait, les rêves ont commencé à glisser. Le cerveau a oublié les vêtements et est retourné rêver de chiffres. Il ne s'est pas contenté de changer lentement ; il a basculé, a atteint un sommet, puis a subi une rechute.
La leçon : Être exposé au monde ancien n'est pas seulement un ralentissement ; c'est un tiraillement constant. Même si vous adoptez avec succès une nouvelle réalité, garder un pied dans l'ancienne peut vous faire retomber, encore et encore.

Ce que cet article dit (et ne dit pas)

Les auteurs font très attention à ne pas survendre leurs résultats.

Ce n'est PAS une preuve que les humains peuvent être lavés du cerveau. Il s'agissait d'une simulation avec un programme informatique utilisant des images simples de chiffres et de vêtements. L'article précise explicitement qu'il s'agit d'une « preuve d'existence computationnelle », ce qui signifie qu'il prouve que l'idée est possible dans une machine, mais cela ne prouve pas que cela se produit dans le cerveau humain.
Ce n'est PAS une question d'« apprentissage lent ». Certains pourraient penser que le cerveau a simplement mis trop de temps à basculer. L'article soutient que c'est faux. Le cerveau a basculé, puis est revenu en arrière. C'est un échec structurel, pas seulement un problème de lenteur.
Ce n'est PAS un problème résolu. L'expérience n'a duré que 15 époques (un nombre spécifique de cycles d'entraînement). Nous ne savons pas si le cerveau finirait par se stabiliser sur le nouveau monde si les chercheurs l'avaient entraîné plus longtemps, ou s'il continuerait à faire des va-et-vient indéfiniment. L'article admet que cela est inconnu.

La vue d'ensemble

Imaginez que vous essayiez de changer le jouet préféré d'un chien.

Le Découplage : Le chien apprend à reconnaître le nouveau jouet parfaitement (il sait que c'est une balle, pas un os). Mais quand il dort, il continue de mâchouiller l'os. Savoir que le nouveau jouet existe ne signifie pas que c'est le jouet préféré du chien.
La Rechute : Vous essayez d'entraîner le chien à aimer la balle en lui montrant les deux. Pendant quelques jours, le chien joue avec la balle ! Mais ensuite, parce que vous continuez à lui donner l'os chaque jour, le chien recommence à mâchouiller l'os, même s'il sait toujours que la balle est là.

L'article conclut que l'« entêtement » n'est pas seulement une question d'être lent à apprendre. C'est une danse complexe où l'apprentissage (connaître les faits) et l'acceptation (vivre la réalité) peuvent être complètement séparés, et où essayer de changer de monde tout en gardant un pied dans l'ancien peut provoquer un crash.

C'est un aperçu fascinant de la manière dont la « réalité » peut être construite, mais rappelez-vous, il s'agissait d'une expérience numérique avec 572 769 paramètres et des images simples. C'est une carte de la manière dont une machine pourrait rester bloquée, et non une garantie de la manière dont un esprit humain se bloque. Les auteurs appellent cela une « preuve d'existence computationnelle » — un pas solide vers la compréhension, mais ce n'est que le début du voyage.

Résumé Technique : Réalité Construite, Priors Contestés

Énoncé du Problème
Sous le principe de l'énergie libre (FEP), un système prédictif n'observe pas la réalité directement, mais fait l'expérience de la meilleure hypothèse actuelle de son propre modèle génératif. Cela soulève une question critique et invérifiable dans les systèmes vivants : une réalité synthétique peut-elle être construite avec une cohérence interne suffisante pour déplacer de manière permanente l'environnement de base comme le prior génératif par défaut du système ? Le document définit cet état comme une inversion ontologique.

Tester cela directement dans un système nerveux biologique est techniquement et éthiquement impossible. Par conséquent, l'article étudie le problème computationnel sous-jacent en utilisant un système de substitution (proxy). Le défi théorique central est de déterminer si un système peut être induit à traiter un nouvel environnement comme sa « vérité terrain » (état par défaut) plutôt que de simplement le représenter comme une hypothèse, et de comprendre les modes de défaillance structurels qui pourraient empêcher cette adoption.

Méthodologie
L'étude emploie un proxy computationnel : un modèle V+M composé d'un auto-encodeur variationnel (VAE) convolutif couplé à un prédicteur latent récurrent (GRU).

Correspondance Mathématique : Le VAE est entraîné pour minimiser la borne inférieure de l'évidence (ELBO), ce qui est mathématiquement identique (à un signe près) à l'énergie libre variationnelle définie dans le FEP. Ainsi, le processus d'entraînement est une minimisation directe de l'énergie libre, et non une simulation de celle-ci.
Environnements :
- $I_0$ (Base) : Jeu de données MNIST.
- $I_s$ (Cible) : Jeu de données FashionMNIST.
Protocole d'Entraînement :
1. Étape 1 : Les modèles sont pré-entraînés exclusivement sur $I_0$ (MNIST) pour établir un prior de base robuste.
2. Étape 2 (Répétition) : L'entraînement se poursuit sur un flux mixte de $I_0$ et $I_s$ . Le ratio de répétition ( $r$ ) contrôle la fraction de données $I_0$ dans chaque lot ( $r \in \{0.0, 0.2, 0.3, 0.4, 0.5, 1.0\}$ ).
Métriques Clés :
- $w_{proxy}$ (Capacité de Représentation) : La précision d'une sonde linéaire classifiant les vecteurs latents à partir d'entrées réelles. Cela mesure la capacité du système à distinguer les environnements.
- $dmn_{proxy}$ (Comportement par Défaut) : La probabilité que la sortie auto-générée et non contrainte du système (déroulements libres du GRU) ressemble à l'environnement cible ( $I_s$ ). Cela mesure ce vers quoi le système tend par défaut lorsqu'il n'est pas contraint par une entrée externe.
- $F_{proxy}$ : L'ELBO, mesurant l'ajustement génératif au mélange d'entraînement actuel.

Contributions Clés et Cadre Théorique
L'article introduit un cadre distinguant l'apprentissage (capacité de représentation) de l'acceptation (adoption de l'état par défaut). Il propose deux modes de défaillance spécifiques pour l'inversion ontologique :

Découplage : L'hypothèse selon laquelle un système peut atteindre une précision de représentation quasi parfaite ( $w_{proxy}$ ) pour un nouvel environnement tout en conservant un comportement par défaut ( $dmn_{proxy}$ ) régi par la base.
Relaps Cognitif : L'hypothèse selon laquelle même si un système déplace son comportement par défaut vers la cible, une exposition continue à la base (via un contraste concomitant) peut amener le système à régresser partiellement vers la base, plutôt que de se stabiliser au nouveau défaut.

L'article redéfinit la rigidité cognitive non pas comme un simple taux de mise à jour (apprentissage lent), mais comme une propriété structurelle possédant deux axes indépendants : un plafond sur la capture de l'état par défaut (découplage) et une limite où les changements de comportement atteints deviennent instables (relaps).

Résultats
À travers 90 essais expérimentaux (15 graines $\times$ 6 ratios), l'étude a produit trois découvertes principales :

Découplage de l'Apprentissage et de l'Acceptation :
- La précision de représentation ( $w_{proxy}$ ) est restée proche du plafond (0.97–0.998) dans toutes les conditions, y compris pour $r=1.0$ (où le modèle n'a jamais vu l'environnement cible pendant l'étape 2).
- Le comportement par défaut ( $dmn_{proxy}$ ) a varié drastiquement, allant de 0.011 ( $r=1.0$ ) à 0.999 ( $r=0.0$ ).
- Conclusion : Une haute capacité de représentation est nécessaire mais non suffisante pour l'inversion ontologique. Un système peut parfaitement distinguer une nouvelle réalité sans l'adopter comme son état par défaut.
Relaps Cognitif (Dépassement et Régression) :
- À des ratios intermédiaires ( $r=0.2$ à $0.5$), le comportement par défaut du système s'est initialement déplacé vers l'environnement cible, atteignant souvent des valeurs proches du plafond ( $dmn_{proxy} \approx 1.0$ ).
- Cependant, à mesure que l'entraînement se poursuivait sous les mêmes conditions mixtes, le comportement par défaut a partiellement régressé vers la base.
- L'ampleur de cette régression était proportionnelle au ratio de répétition $r$ . À $r=0.4$ et $r=0.5$ , le système a montré une trajectoire distincte de type « montée, pic, déclin », contredisant les modèles qui voient la rigidité uniquement comme un apprentissage lent (ce qui prédirait une montée monotone plus lente).
Effets de Seuil :
- À $r=0.5$ , une majorité de graines (8/15) n'a pas franchi le seuil de 0.90 pour la capture du défaut dans la fenêtre de 15 époques, et la variance des résultats a augmenté brusquement, suggérant un point de bifurcation potentiel dans la dynamique du système.
- À $r=1.0$ , aucun changement n'a eu lieu, confirmant que sans exposition à la cible, le prior de base reste dominant.

Signification et Portée des Revendications
L'article présente explicitement sa contribution comme une preuve d'existence computationnelle, et non comme une validation biologique.

Ce qu'il démontre : Il prouve qu'un mécanisme dérivé de principes fondamentaux (minimisation de l'énergie libre) peut présenter le découplage (haute représentation, faible acceptation) et le relaps (adoption temporaire suivie d'une régression) en tant que propriétés structurelles, indépendamment de toute hypothèse architecturale spécifique.
Ce qu'il ne revendique pas : L'article ne fait aucune affirmation concernant les systèmes nerveux biologiques, l'expérience subjective ou le Réseau du Mode par Défaut chez l'humain. Les termes « relaps cognitif » et « inversion ontologique » sont utilisés strictement comme des étiquettes pour les formes de courbes observées dans un réseau artificiel.
Limites : Les résultats sont limités à une fenêtre de 15 époques (la stabilité à long terme au-delà de cela est inconnue), utilisent une opérationnalisation grossière du « contraste concomitant » (ratio de lot fixe) et reposent sur des jeux de données très distincts (MNIST vs FashionMNIST) qui peuvent ne pas refléter la complexité des environnements concurrents du monde réel.

Conclusion
L'étude établit que la résistance au remplacement de modèle n'est pas seulement une fonction de la vitesse d'apprentissage. Il s'agit plutôt d'un phénomène structurel où la capacité de représentation et le comportement génératif par défaut peuvent se dissocier, et où les changements de comportement par défaut peuvent être instables sous une exposition partielle soutenue au prior original. Cela fournit un cadre formel et testable pour comprendre les conditions dans lesquelles un système génératif pourrait (ou ne pourrait pas) adopter une réalité construite comme son état par défaut.

Les deux grandes surprises

Ce que cet article dit (et ne dit pas)

La vue d'ensemble

Articles similaires