Born wired: innate cortical connectivity plus local plasticity is enough to stand, walk and look
Cet article démontre qu'un quadrupède simulé peut se tenir debout, marcher vers des cibles visuelles et présenter un suivi du regard en utilisant uniquement un câblage cortical inné et une plasticité locale basée sur la corrélation, sans aucun signal de récompense global, gradient ou boucle d'apprentissage.
Article original sous licence CC BY 4.0 (https://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
La majeure partie de ce que nous considérons comme l'« apprentissage » en intelligence artificielle implique un système essayant des millions de variations, échouant, et ajustant lentement ses paramètres internes jusqu'à ce qu'il trouve enfin la bonne réponse. C'est un processus d'essais et d'erreurs, guidé par un objectif global, comme un étudiant mémorisant un manuel en répétant les chapitres jusqu'à ce que les réponses soient ancrées. Mais la nature ne semble pas fonctionner ainsi. Un animal nouveau-né ne commence pas avec une page blanche ; il arrive avec un corps qui sait comment se tenir debout et des yeux qui savent suivre un mouvement. Cela soulève une question fondamentale pour les scientifiques qui étudient le fonctionnement du cerveau : quelle part de notre comportement est réellement apprise, et quelle part est simplement intégrée dans le câblage dès le départ ? La vision prédominante de l'apprentissage automatique moderne suggère qu'un comportement complexe nécessite une quantité massive de données d'entraînement et une boucle de rétroaction constante pour corriger les erreurs. Cependant, une nouvelle ligne d'enquête demande si un cerveau pourrait naître avec une carte de connexions pré-dessinée, où la seule règle de changement serait une simple observation locale de quels neurones s'activent ensemble, sans aucun besoin d'un enseignant ou d'un score global.
Un chercheur nommé Zhiwen Li a construit un cerveau numérique pour tester précisément cette idée. Au lieu d'entraîner un système à partir de zéro, il a construit un cerveau simulé comprenant près de 144 000 neurones et plus de 300 000 connexions spécifiques qui étaient présentes dès le premier instant de son existence. Ces connexions initiales, que l'auteur appelle une « table d'instinct », n'étaient pas aléatoires ; elles étaient soigneusement conçues pour relier les entrées sensorielles, comme voir une forme rouge ou sentir le corps allongé à plat, directement aux sorties motrices, comme les muscles nécessaires pour se lever ou marcher. Crucialement, ce système n'avait aucun signal de récompense, aucune correction d'erreur et aucune boucle d'entraînement. Il a simplement été placé dans un monde simulé avec un corps de robot à quatre pattes et on lui a dit de survivre. Le résultat fut immédiat et surprenant : lorsqu'il était placé sur le ventre, le robot se levait de lui-même. Lorsqu'on lui montrait un objet rouge, il marchait vers lui. Ces actions n'ont pas été apprises par répétition ; elles étaient le résultat direct de l'activation des connexions pré-câblées dans la bonne séquence.
L'expérience est allée plus loin pour prouver que ces comportements n'étaient pas accidentels. Lorsque les chercheurs ont supprimé l'entrée sensorielle, le robot s'est effondré, prouvant que le comportement reposait sur le traitement d'informations en temps réel par le cerveau. Lorsqu'ils ont effacé les connexions d'« instinct » spécifiques tout en laissant intact le câblage de fond aléatoire, le robot ne pouvait ni se tenir debout ni marcher, confirmant que le comportement provenait de la carte pré-spécifiée et non du hasard. L'étude a également montré que des parties spécifiques du cerveau étaient responsables d'actions spécifiques. En neutralisant un grand groupe de neurones dans la zone préfrontale — la partie du cerveau souvent associée à la planification et à la prise de décision — les chercheurs ont constaté que le robot pouvait toujours réagir à un écran bleu, mais qu'il perdait complètement la capacité de marcher vers un objet rouge. Cela a démontré que la « pensée » de marcher vers l'objet rouge était un motif spécifique d'activité dans ce groupe de cellules, et qu'en l'absence de celle-ci, le comportement disparaissait, même si les réflexes de base subsistaient.
La découverte la plus frappante fut peut-être que ce système pouvait apprendre une nouvelle compétence au cours de sa vie sans aucun enseignant externe. Les chercheurs ont ajouté un petit groupe de cellules qui agissaient comme un signal de récompense. Lorsque le robot se tenait debout et voyait un objet rouge tout en entendant un son spécifique, ce signal s'activait. À ce moment-là, la règle de changement locale du cerveau entrait en jeu : elle renforçait la connexion entre les cellules qui étaient actives juste avant le son et les cellules qui étaient actives au moment du son. Après cet événement unique, le robot a appris à marcher vers l'objet rouge simplement en entendant le son, même lorsque l'objet n'était pas visible. Cette nouvelle capacité a été inscrite dans le câblage du cerveau en temps réel, pilotée uniquement par la coïncidence des événements et la présence du signal de récompense, sans qu'aucune fonction d'objectif globale ne guide le processus.
Cependant, l'étude a également révélé les limites de cette approche. Bien que le robot puisse apprendre à marcher, il avait du mal à rester debout pendant de longues périodes lorsque le signal de récompense était actif trop longtemps. Les boucles internes qui permettaient au cerveau de maintenir une pensée ou un plan causaient également une accumulation excessive d'activité, finissant par faire basculer le robot. Cela suggère que, bien qu'un cerveau pré-câblé avec des règles locales simples puisse générer des comportements complexes et même apprendre de nouvelles associations, il a toujours besoin d'un moyen d'oublier ou de réinitialiser, un mécanisme qui fait défaut au modèle actuel. Les chercheurs ont également noté que la table d'« instinct » elle-même avait été construite à partir de données provenant d'un système d'apprentissage automatique préalablement entraîné, ce qui signifie que le répertoire initial de mouvements était distillé à partir d'une politique apprise avant même la création du cerveau. Cette admission souligne que le système n'a pas inventé la marche à partir de rien ; il a hérité d'une bibliothèque de mouvements et a appris comment les déclencher dans de nouveaux contextes.
Ce travail remet en question l'idée que l'intelligence nécessite un processus d'optimisation massif et descendant. Au lieu de cela, il suggère qu'une part importante de ce qu'un organisme fait est déterminée par l'architecture spécifique avec laquelle il naît. Le cerveau n'est pas un ordinateur vierge attendant un logiciel ; c'est une machine dotée d'un système d'exploitation câblé qui peut être mis à jour localement en interagissant avec le monde. L'étude montre qu'avec les bonnes connexions initiales, un système peut se tenir debout, marcher et regarder sans jamais être informé de ce qu'est une « bonne » réponse. Elle ne prétend pas avoir résolu le mystère de l'intelligence générale, mais elle offre une démonstration concrète que des comportements complexes et orientés vers un but peuvent émerger d'un ensemble de règles fixes et d'un simple mécanisme d'apprentissage local, à condition que le câblage initial soit correct. Les conclusions suggèrent que la rareté de l'intelligence biologique ne réside peut-être pas dans la capacité d'apprentissage, mais dans la structure initiale qui rend l'apprentissage possible en premier lieu.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.