Des chercheurs de la MRC Brain Network Dynamics Unit et du département d'informatique de l'Université d'Oxford ont identifié un nouveau moyen de comparer l'apprentissage dans les systèmes d'intelligence artificielle et dans le cerveau humain.
L'étude commence par aborder une question fondamentale dans l'apprentissage humain et l'apprentissage automatique : l'attribution de crédits. Ce concept identifie les parties du processus d'apprentissage qui sont responsables des erreurs, ce qui est intrinsèque au processus d'apprentissage lui-même.
Les systèmes d'intelligence artificielle y parviennent par la rétropropagation, en ajustant les paramètres pour corriger les erreurs de sortie.
La rétropropagation fonctionne comme une boucle de rétroaction. Lorsqu'une IA fait une prédiction ou prend une décision qui s'avère incorrecte, cette méthode remonte les couches du réseau.
Le processus identifie les parties du calcul qui ont contribué à l'erreur et ajuste ensuite ces parties spécifiques, affinant ainsi le processus de prise de décision de l'IA pour les prédictions futures.
Les étudepubliée dans Nature Neuroscience, explique en quoi la rétropropagation diffère sensiblement de la méthode d'apprentissage du cerveau humain.
De nouvelles recherches menées par @MRCBNDU montre que la façon dont le cerveau apprend est différente et meilleure que la façon dont les systèmes d'intelligence artificielle apprennent : https://t.co/Tg1d9vdsKy#OxfordAI
- Département Nuffield des neurosciences cliniques (@NDCNOxford) 3 janvier 2024
Alors que l'IA s'appuie traditionnellement sur la rétropropagation pour traiter les erreurs, les chercheurs proposent que le cerveau effectue les mêmes tâches par le biais d'un processus appelé "configuration prospective".
Dans la configuration prospective, le cerveau, au lieu d'ajuster directement les connexions en fonction des erreurs, prédit d'abord le modèle idéal d'activité neuronale résultant de l'apprentissage. Ce n'est qu'après cette prédiction que les connexions neuronales sont modifiées.
Cette méthode contraste avec la rétropropagation utilisée dans l'IA, où le processus est inversé - les ajustements de connexion conduisent et les changements dans l'activité neuronale suivent.
La configuration prospective, une approche probablement partagée par la quasi-totalité des cerveaux biologiques, offre un mécanisme d'apprentissage plus efficace que la rétropropagation.
Contrairement à l'IA, les humains peuvent rapidement ingérer de nouvelles informations avec une exposition minimale et sans éroder les connaissances existantes, une compétence que l'IA a du mal à égaler.
Cette stratégie permet non seulement de préserver les connaissances existantes, mais aussi d'accélérer le processus d'apprentissage.
Le vieux cerveau humain a encore de la vie
L'équipe illustre ce concept par une analogie. Imaginez un ours qui pêche du saumon : il utilise la vue de la rivière et l'odeur du saumon pour prédire son succès.
Si l'ours ne peut soudainement plus entendre la rivière en raison d'une oreille endommagée, un modèle d'intelligence artificielle supposerait à tort l'absence de saumon.
En revanche, le cerveau de l'animal, qui fonctionne selon une configuration prospective, s'appuierait toujours sur l'odeur pour déduire la présence du saumon.
Cette théorie, étayée par des simulations informatiques, démontre que les modèles utilisant une configuration prospective sont plus performants que les réseaux neuronaux d'IA traditionnels en termes d'efficacité d'apprentissage.
Le professeur Rafal Bogacz, chercheur principal de la MRC Brain Network Dynamics Unit et du Nuffield Department of Clinical Neurosciences d'Oxford, décrit l'étude: "Il existe actuellement un fossé important entre les modèles abstraits de configuration prospective et notre connaissance détaillée de l'anatomie des réseaux cérébraux."
"Les recherches futures de notre groupe visent à combler le fossé entre les modèles abstraits et les cerveaux réels, et à comprendre comment l'algorithme de configuration prospective est mis en œuvre dans les réseaux corticaux identifiés de manière anatomique".
Yuhang Song, coauteur de l'étude, ajoute : "Dans le cas de l'apprentissage automatique, la simulation de la configuration prospective sur les ordinateurs existants est lente, car ils fonctionnent de manière fondamentalement différente du cerveau biologique. Il faut développer un nouveau type d'ordinateur ou de matériel dédié inspiré du cerveau, capable de mettre en œuvre la configuration prospective rapidement et avec une faible consommation d'énergie."
L'IA bio-inspirée est en préparation
IA bio-inspiréeégalement appelée IA neuromorphique, vise à créer des systèmes capables de sentir, de penser et de se comporter comme des organismes naturels.
IIl met l'accent sur l'élégance, l'adaptabilité et l'efficacité énergétique - des attributs inhérents aux systèmes biologiques.
Le cerveau humain, avec son utilisation efficace de l'énergie et sa capacité à s'épanouir dans des environnements variés, domine toujours l'IA dans de nombreuses disciplines et applications.
En effet, notre cerveau, avec une puissance minimale, est conscient - une étape que l'IA n'a pas encore franchie selon la plupart des estimations.
Contrairement aux besoins colossaux en énergie des modèles d'IA actuels tels que ChatGPT, qui nécessitent des milliers de GPU gourmands en énergie, l'IA bio-inspirée vise à développer des systèmes plus durables et adaptables.
Des progrès ont été réalisés récemment dans ce domaine, avec IBM et Rain AI développer des puces de faible puissance sur les fonctions synaptiques.
Sam Altman, PDG d'OpenAI soutenu Rain AI l'année dernière, et OpenAI visait à obtenir des millions de dollars de puces de leur part.
Autres nouvelles approches de l'IA bio-inspirée inclure l'intelligence en essaimqui cherche à imiter la prise de décision collective de groupes d'insectes, d'oiseaux et de poissons.
À mesure que ce domaine progresse, il promet de combler les lacunes identifiées dans les modèles d'IA traditionnels, nous conduisant vers un avenir où les machines ne sont pas de simples outils mais des entités dotées d'un certain degré d'autonomie et d'interaction avec l'environnement.
Comme le montre l'étude d'Oxford, l'IA doit répondre à des questions fondamentales avant de pouvoir rivaliser avec les cerveaux biologiques.
