Les récentes avancées en modélisation computationnelle des neurones réels ouvrent de nouvelles perspectives pour améliorer l’intelligence artificielle. Ces progrès prometteurs offrent des opportunités sans précédent pour affiner les capacités des machines en s’inspirant du fonctionnement complexe et efficace du cerveau humain.
La majorité des réseaux de neurones artificiels qui alimentent les outils modernes d’intelligence artificielle tels que ChatGPT sont basés sur un modèle computationnel datant des années 1960. Cependant, une nouvelle modélisation développée au Centre de neurosciences computationnelles (CCN) de l’Institut Flatiron suggère que ce modèle ancien ne capture pas toutes les capacités de traitement des vrais neurones. En conséquence, ce modèle pourrait freiner le développement de l’IA.
Un contrôle neuronal plus complexe
Le nouveau modèle proposé par le CCN suppose que les neurones individuels ont un contrôle plus important sur leur environnement que ce qui avait été pensé auparavant. Ce modèle actualisé pourrait conduire à des réseaux de neurones artificiels plus puissants, capable de mieux reproduire les capacités de notre cerveau.
Les chercheurs ont publié leurs résultats dans un article du journal Proceedings of the National Academy of Sciences. Dmitri Chklovskii, auteur principal et responsable d’un groupe au CCN, souligne à quel point la neuroscience a progressé en 60 ans, rendant les anciens modèles de neurones assez rudimentaires.
Des réseaux neutres réinventés
Les réseaux de neurones artificiels modernes visent à imiter la manière dont le cerveau humain traite l’information et prend des décisions, bien que de manière beaucoup plus simplifiée. Actuellement, ces réseaux sont constitués de couches ordonnées de « nœuds » basés sur le modèle neuronal des années 60. Cependant, ce modèle simplifié n’exploite pas le potentiel réel des neurones.
Contrairement aux modèles actuels, le nouveau modèle considère les neurones comme des « contrôleurs » miniatures, capables d’influencer leur environnement en fonction des informations recueillies. Ces cellules cérébrales ne seraient pas simplement des relais passifs, mais des unités de contrôle actives.
Applications potentielles et défis de l’IA
Chklovskii pense que ce modèle plus réaliste pourrait améliorer la performance et l’efficacité de nombreuses applications de machine learning. Il reconnaît que malgré les avancées remarquables de l’IA, de nombreux problèmes persistent, comme les réponses incorrectes ou les hallucinations des systèmes actuels.
Les circuits cérébraux sont souvent organisés en boucles de rétroaction, où les cellules influencent ce qui se passe plus tôt dans la chaîne de traitement. Ce processus est essentiel pour maintenir la stabilité et éviter une activité excessive.
Le rôle du bruit dans le fonctionnement neuronal
Le modèle de l’équipe du CCN révèle que certains types de bruit peuvent améliorer les performances des neurones. Par exemple, il a été observé que le bruit présent aux synapses, où un neurone transmet un signal à un autre, pourrait aider les neurones à s’adapter à des environnements en constante évolution.
Cette découverte est cruciale car elle montre que la randomness biologique pourrait en réalité être bénéfique plutôt que problématique.
Axe de recherche futur
Chklovski et son équipe prévoient d’analyser d’autres types de neurones qui ne correspondent pas encore à leur nouveau modèle. Par exemple, les neurones de la rétine reçoivent des entrées directes de l’environnement visuel et pourraient utiliser les principes identifiés par l’équipe, comme la prédiction des entrées, même s’ils ne peuvent pas les contrôler.
Selon Chklovski, la capacité à prédire et contrôler sont étroitement liés : « On ne peut pas contrôler efficacement sans prédire l’impact de ses actions dans le monde. »
Comparaison : Ancien modèle de neurones vs Nouveau modèle
| Ancien modèle | Nouveau modèle |
| Neurones comme relais passifs | Neurones comme contrôleurs actifs |
| Information unidirectionnelle | Boucles de rétroaction |
| Modèle simplifié | Modèle complexe et réaliste |
| Pas d’adaptation dynamique | Adaptation aux environnements changeants |
Cette nouvelle modélisation des neurones pourrait transformer l’IA en fournissant une structure computationnelle plus proche du fonctionnement réel du cerveau humain.
