Pendant des décennies, les neuroscientifiques ont cartographié le cerveau humain en cherchant des quartiers spécialisés, un peu comme un urbaniste identifiant des districts distincts pour la banque, l'industrie ou l'habitat. Deux de ces districts ont longtemps été considérés comme séparés : un réseau de langage dédié qui s'illumine lorsque nous comprenons des phrases, et un réseau de demande multiple qui s'active chaque fois que nous sommes confrontés à un défi mental difficile, comme résoudre un problème mathématique complexe ou mémoriser une longue liste d'éléments. La vue prédominante soutenait que ces deux systèmes se chevauchaient rarement dans leur travail. Le réseau du langage était censé gérer le sens des mots, tandis que le réseau de demande multiple servait d'assistant polyvalent, n'intervenant que lorsque la tâche devenait trop difficile, fournissant un effort supplémentaire sans pour autant traiter réellement le langage lui-même. Cette distinction suggérait que lorsque nous luttons pour comprendre un cours magistral dense, notre cerveau recrute une équipe de travailleurs distincte pour gérer le stress, laissant le décodage réel du sens aux spécialistes du langage.

Cependant, une nouvelle étude remet en question cette séparation rigide, suggérant que le réseau « assistant » du cerveau fait plus que simplement gérer le stress ; il participe activement à la compréhension du contenu. En écoutant les cerveaux des gens pendant qu'ils regardaient des vidéos et écoutaient des histoires, les chercheurs ont découvert que le réseau de demande multiple ne se contente pas d'amplifier l'effort. Au lieu de cela, il détient des informations détaillées sur le sens spécifique de ce qui est entendu, adaptant sa représentation interne pour correspondre au sujet traité. Cette découverte implique que notre capacité à comprendre le langage n'est pas confinée à une région unique et isolée, mais qu'il s'agit d'un effort collaboratif où même les centres de contrôle à usage général sont accordés sur le sujet spécifique, qu'il s'agisse d'un cours scientifique ou d'un récit personnel.

Pour mener cette investigation, les chercheurs se sont tournés vers une approche unique combinant l'imagerie cérébrale et l'intelligence artificielle. Ils ont recruté trois groupes de participants pour regarder et écouter différents types de contenus. Un groupe a regardé vingt et un segments de cours d'informatique, une tâche à haute demande remplie de concepts abstraits et de jargon technique. Un autre groupe a écouté des centaines de minutes de récits personnels provenant d'une émission de radio, une tâche à plus faible demande caractérisée par la narration et le langage quotidien. Un troisième groupe a regardé les deux types de contenus dans un cadre contrôlé afin de s'assurer que les différences étaient dues au matériel lui-même et non aux spectateurs. Pendant que les participants interagissaient avec ces supports, les chercheurs enregistraient l'activité cérébrale à l'aide de l'imagerie par résonance magnétique fonctionnelle, une technique qui suit le flux sanguin pour voir quelles parties du cerveau travaillent le plus intensément.

Les chercheurs ont ensuite utilisé une méthode ingénieuse pour décoder ce que le cerveau pensait. Ils ont employé deux programmes informatiques, connus sous le nom de modèles de langage, qui avaient été entraînés pour comprendre le langage humain. Un programme, un modèle à usage général, avait appris à partir d'une vaste collection de livres et de sites web. L'autre, une version spécialisée entraînée exclusivement sur des millions d'articles scientifiques. Crucialement, les deux programmes étaient construits avec la même structure interne et le même vocabulaire ; la seule différence résidait dans le matériel qu'ils avaient étudié. Les chercheurs ont injecté les transcriptions des cours et des récits dans ces programmes pour générer une carte numérique de la manière dont chaque mot et chaque phrase était compris. Ils ont ensuite comparé ces cartes numériques à l'activité cérébrale réelle enregistrée chez les participants.

Si le réseau de demande multiple n'était qu'un simple amplificateur d'effort générique, il aurait répondu de la même manière, que le contenu portât sur la science ou sur des histoires, ou que le programme informatique ait été entraîné sur la science ou sur un texte général. Au lieu de cela, les résultats ont montré un tableau beaucoup plus sophistiqué. Le réseau de demande multiple a codé de manière fiable l'information linguistique provenant tant des cours difficiles que des histoires faciles. Plus important encore, la façon dont ce réseau représentait le langage changeait selon le sujet. Lorsque les participants écoutaient les cours d'informatique, l'activité cérébrale dans le réseau de demande multiple s'alignait beaucoup plus étroitement avec le modèle scientifique spécialisé qu'avec le modèle général. Inversement, lorsqu'ils écoutaient les récits personnels, l'activité cérébrale s'alignait mieux avec le modèle général.

Ce schéma a révélé que le réseau de demande multiple n'est pas seulement un amplificateur passif de la charge cognitive. Il suit activement le contenu sémantique spécifique du langage, accordant son état interne pour correspondre au domaine de l'information traitée. L'étude a constaté que lors des cours d'informatique à haute demande, le réseau de demande multiple suivait en réalité la structure linguistique plus fortement que le réseau de langage dédié. En revanche, lors des récits à faible demande, le réseau de langage dédié prenait la tête. Cela suggère une division du travail dynamique où les deux systèmes modifient leurs rôles en fonction du contexte. Le réseau de demande multiple ne fait pas que l'aider quand les choses deviennent difficiles ; il devient un partenaire spécialisé, apportant sa propre sensibilité unique au sujet spécifique, qu'il s'agisse des concepts abstraits de la physique ou des nuances émotionnelles d'une histoire.

Les chercheurs ont également confirmé que ces découvertes n'étaient pas simplement le résultat d'un travail plus intense du cerveau. Ils ont vérifié que les deux types de contenus exigeaient effectivement des niveaux d'effort mental différents, les cours demandant plus de ressources cognitives que les récits. Pourtant, même après avoir pris en compte cette différence d'effort, la nature sensible au contenu du réseau de demande multiple restait évidente. La capacité du réseau à représenter le sens du langage persistait à travers les situations à haute et basse demande. Cela indique que l'implication du réseau n'est pas simplement une réaction à la difficulté, mais une partie fondamentale de la construction du sens du langage par le cerveau.

Ces découvertes remodèlent notre compréhension de la manière dont le cerveau traite le langage. Plutôt que de considérer le réseau de demande multiple comme un système séparé qui n'intervient que lorsque le réseau du langage est submergé, l'étude suggère qu'il est un composant actif et sensible au contenu d'un système distribué. Le cerveau semble utiliser une architecture flexible où différents réseaux apportent des informations complémentaires. Le réseau de langage dédié peut se concentrer sur la structure centrale des phrases, tandis que le réseau de demande multiple intègre cette information avec un contexte plus large et des connaissances spécifiques au domaine. Cette collaboration permet au cerveau de s'adapter de manière fluide à différents types de communication, de la précision technique d'un cours au flux d'une conversation informelle.

L'étude ne prétend pas que le réseau de demande multiple remplace le réseau du langage ou que les deux sont identiques. Elle montre plutôt qu'ils travaillent ensemble de manière fluide et dépendante du contexte. L'équilibre entre eux varie selon ce qui est traité et selon la difficulté de la tâche. Cette vision nuancée dépasse la simple idée de régions cérébrales spécialisées versus générales, offrant une image plus intégrée de la cognition humaine. Elle suggère que notre capacité à comprendre le monde est soutenue par un réseau de systèmes qui sont tous accordés sur les détails spécifiques de notre expérience, travaillant de concert pour donner un sens au flux complexe d'informations qui traverse nos esprits.