Un « cerveau artificiel » ?

Si l’intelligence artificielle impressionne par ses performances, c’est pour une raison simple : « Elle s’inspire de notre cerveau, la machine la plus puissante au monde », indique Jean-Louis Coatrieux, directeur de recherche émérite à l’Inserm¹, à Rennes. « Nous avons compris ses mécanismes et cherché à l’imiter dès que nous avons été capables d’isoler les neurones et d’identifier leurs propriétés. » Alan Turing et John Von Neumann, deux mathématiciens considérés comme les pères de l’informatique et précurseurs de l’intelligence artificielle dans les années 1950, « avaient d’ailleurs pour objectif de reproduire son fonctionnement », ajoute Frédéric Alexandre, directeur de recherche à l’Inria² de Bordeaux.

Réseau de neurones

Depuis le début, deux visions s’opposent, résumées par l’expression « Making a mind or modeling the brain » : imiter le raisonnement de l’esprit humain ou bien modéliser la structure du cerveau. Lors des premiers pas de l’IA, « on commence par l’approche symbolique, c’est-à-dire la reproduction du raisonnement logique, poursuit le chercheur. Mais rapidement, un problème se pose. La machine sait faire des phrases, mais ne peut pas comprendre le sens des mots. »
À partir des années 1960 se développe donc la seconde approche, dite numérique, portée par les imitateurs de la structure cérébrale³. Elle consiste à mettre en réseau des neurones formels, c’est-à-dire des algorithmes simples, organisés en plusieurs couches. Un système qui permet à la machine d’apprendre, et en fait l’ancêtre des modèles actuels de deep learning. « Les réseaux de neurones formels sont une simplification extrême de la complexité de l’agencement et du fonctionnement du cerveau », souligne Jean-Louis Coatrieux, et ils restent encore loin de ce que peut faire l’organe humain, malgré des progrès constants. 

Apports pour la médecine

Par analogie, ces imitations numériques ont permis des avancées surprenantes pour les neurosciences. « Un exemple phare de ce phénomène, ce sont les erreurs de prédiction de récompense », avance Frédéric Alexandre. Concrètement, la différence entre le bon résultat et la réponse donnée par la machine peut être utilisée via un algorithme pour affiner les prédictions des réseaux de neurones : c’est l’apprentissage par renforcement. « De la même manière, la différence entre la récompense attendue et la récompense effective après une action conditionne l’action humaine. L’algorithme a précédé la découverte d’un taux de dopamine dans le cerveau proportionnel à l’erreur de prédiction, ce qui lui permet d’apprendre de son erreur. »
Et ce n’est pas le seul avantage des modèles formels. Les avancées mathématiques des années 1980 ont notamment permis de mieux comprendre la maladie de Parkinson, causée par la mort des neurones dopaminergiques⁴. Des recherches sont en cours pour mieux appréhender celle d’Alzheimer grâce aux modèles numériques de stockage de la mémoire… De quoi boucler la boucle.