Les contraintes physiques stimulent l’évolution de l’IA similaire au cerveau

Dans une étude révolutionnaire, les scientifiques de Cambridge ont adopté une approche novatrice de l’intelligence artificielle, en démontrant comment les contraintes physiques peuvent influencer profondément le développement d’un système d’IA.

Cette recherche, qui rappelle les contraintes développementales et opérationnelles du cerveau humain, offre de nouvelles perspectives sur l’évolution des systèmes neuronaux complexes. En intégrant ces contraintes, l’IA ne reflète pas seulement des aspects de l’intelligence humaine, mais dévoile également l’équilibre délicat entre les dépenses de ressources et l’efficacité du traitement de l’information.

Le concept de contraintes physiques dans l’IA

Le cerveau humain, un exemple de réseaux neuronaux naturels, évolue et fonctionne dans une multitude de contraintes physiques et biologiques. Ces limitations ne sont pas des obstacles, mais sont instrumentales dans la formation de sa structure et de sa fonction. Selon Jascha Achterberg, un boursier Gates du Medical Research Council Cognition and Brain Sciences Unit (MRC CBSU) de l’Université de Cambridge, “Non seulement le cerveau est excellent pour résoudre des problèmes complexes, mais il le fait en utilisant très peu d’énergie. Dans notre nouvelle étude, nous montrons que prendre en compte les capacités de résolution de problèmes du cerveau ainsi que son objectif de dépenser le moins de ressources possible peut nous aider à comprendre pourquoi les cerveaux ont l’aspect qu’ils ont.”

L’expérience et sa signification

L’équipe de Cambridge a entrepris un projet ambitieux pour créer un système artificiel qui modélise une version fortement simplifiée du cerveau. Ce système se distinguait par l’application de ‘contraintes physiques’, similaires à celles du cerveau humain.

Chaque nœud de calcul dans le système a été attribué à un emplacement spécifique dans un espace virtuel, imitant l’organisation spatiale des neurones. Plus la distance entre deux nœuds était grande, plus leur communication était difficile, reflétant l’organisation neuronale dans les cerveaux humains.

Ce cerveau virtuel a ensuite été chargé de naviguer dans un labyrinthe, une version simplifiée des tâches de navigation dans un labyrinthe souvent données aux animaux dans les études sur le cerveau. L’importance de cette tâche réside dans son exigence pour que le système intègre plusieurs éléments d’information – tels que les emplacements de départ et d’arrivée, et les étapes intermédiaires – pour trouver la route la plus courte. Cette tâche ne teste pas seulement les capacités de résolution de problèmes du système, mais permet également d’observer comment différents nœuds et groupes deviennent critiques à divers stades de la tâche.

Apprentissage et adaptation dans le système d’IA

Le parcours du système artificiel, de novice à expert dans la navigation dans un labyrinthe, est un témoignage de l’adaptabilité de l’IA. Initialement, le système, similaire à un humain apprenant une nouvelle compétence, a eu du mal avec la tâche, commettant de nombreuses erreurs. Cependant, à travers un processus d’essais et d’erreurs et de rétroaction subséquente, le système a progressivement affiné son approche.

De manière cruciale, cet apprentissage s’est produit par des modifications de la force des connexions entre ses nœuds de calcul, imitant la plasticité synaptique observée dans les cerveaux humains. Ce qui est particulièrement fascinant, c’est comment les contraintes physiques ont influencé ce processus d’apprentissage. La difficulté à établir des connexions entre des nœuds éloignés a signifié que le système devait trouver des solutions plus efficaces et localisées, imitant ainsi l’efficacité énergétique et de ressources observée dans les cerveaux biologiques.

Caractéristiques émergentes dans le système artificiel

Au fur et à mesure que le système évoluait, il a commencé à présenter des caractéristiques étonnamment similaires à celles du cerveau humain. L’une de ces évolutions était la formation de hubs – des nœuds fortement connectés agissant comme des canaux d’information à travers le réseau, similaires aux hubs neuronaux dans le cerveau humain.

Plus intrigant encore, cependant, était le changement dans la façon dont les nœuds individuels traitaient l’information. Au lieu d’un codage rigide où chaque nœud était responsable d’un aspect spécifique du labyrinthe, les nœuds ont adopté un schéma de codage flexible. Cela signifiait qu’un seul nœud pouvait représenter plusieurs aspects du labyrinthe à différents moments, une caractéristique rappelant la nature adaptative des neurones dans les organismes complexes.

Le professeur Duncan Astle du département de psychiatrie de Cambridge a souligné cet aspect, déclarant : “Cette simple contrainte – il est plus difficile de relier des nœuds éloignés – force les systèmes artificiels à produire des caractéristiques assez compliquées. Intéressant, ce sont des caractéristiques partagées par les systèmes biologiques comme le cerveau humain.”

Implications plus larges

Les implications de cette recherche s’étendent bien au-delà des domaines de l’intelligence artificielle et de la compréhension de la cognition humaine. En répliquant les contraintes du cerveau humain dans un système d’IA, les chercheurs peuvent acquérir des connaissances inestimables sur la façon dont ces contraintes façonnent l’organisation du cerveau et contribuent aux différences cognitives individuelles.

Cette approche offre une fenêtre unique sur les complexités du cerveau, en particulier pour comprendre les conditions qui affectent la santé cognitive et mentale. Le professeur John Duncan du MRC CBSU ajoute : “Ces cerveaux artificiels nous donnent un moyen de comprendre les données riches et déroutantes que nous voyons lorsque l’activité de neurones réels est enregistrée dans des cerveaux réels.”

Future de la conception d’IA

Cette recherche révolutionnaire a des implications significatives pour la conception future des systèmes d’IA. L’étude illustre vivement comment l’intégration de principes biologiques, en particulier ceux liés aux contraintes physiques, peut conduire à des réseaux neuronaux artificiels plus efficaces et adaptables.

Le Dr Danyal Akarca du MRC CBSU souligne cela, déclarant : “Les chercheurs en IA essaient constamment de comprendre comment créer des systèmes neuronaux complexes qui peuvent encoder et fonctionner de manière flexible et efficace. Pour y parvenir, nous pensons que la neurobiologie nous donnera beaucoup d’inspiration.”

Jascha Achterberg élabore davantage sur le potentiel de ces découvertes pour construire des systèmes d’IA qui imitent étroitement les capacités de résolution de problèmes humaines. Il suggère que les systèmes d’IA qui traitent des défis similaires à ceux auxquels sont confrontés les humains évolueront probablement vers des structures ressemblant au cerveau humain, en particulier lorsqu’ils fonctionnent dans des contraintes physiques comme les limitations énergétiques. “Les cerveaux des robots déployés dans le monde physique”, explique Achterberg, “ressembleront probablement plus à nos cerveaux parce qu’ils pourraient faire face aux mêmes défis que nous.”

La recherche menée par l’équipe de Cambridge marque une étape significative dans la compréhension des parallèles entre les systèmes neuronaux humains et l’intelligence artificielle. En imposant des contraintes physiques à un système d’IA, ils n’ont pas seulement répliqué des caractéristiques clés du cerveau humain, mais ont également ouvert de nouvelles voies pour concevoir des IA plus efficaces et adaptables.