En étudiant l’intelligence artificielle, peut-on en apprendre plus sur notre propre cerveau ? Les IA modernes, basées sur des réseaux neuronaux profonds, fonctionnent de manière très différente du cerveau humain. Et pourtant, elles présentent aussi quelques similitudes.

Certaines sont sensibles aux illusions d’optique, un phénomène encore très mal compris chez l’être humain. Pour comprendre le monde, le cerveau utilise certains raccourcis pour traiter l’information de manière plus efficace. Toutefois, lorsque l’on perçoit certaines images, ces raccourcis créent des illusions, dans lesquelles le cerveau perçoit des objets avec une taille, des couleurs ou des mouvements erronés. Il suffit par exemple de regarder la Lune, qui semble plus grande lorsqu’elle se trouve sur l’horizon, ou de se souvenir de la fameuse robe en 2015 que certains voyaient blanche et dorée, alors qu’elle était bleue et noire.

Voyez-vous une robe blanche et dorée, ou bleue et noire ? © Cecilia Bleasdale

Des IA capables de voir le mouvement dans des images statiques

« L’utilisation des réseaux neuronaux profonds dans la recherche sur les illusions nous permet de simuler et d’analyser la manière dont le cerveau traite l’information et génère des illusions », affirme Eiji Watanabe, de l’Institut national de biologie fondamentale au Japon, interrogé par la BBC. « La réalisation de manipulations expérimentales sur le cerveau humain soulève de sérieuses questions éthiques, mais aucune restriction de ce type ne s’applique aux modèles artificiels. »

Dans une précédente étude publiée dans la revue Frontiers in Psychology, le chercheur et son équipe se sont penchés sur PredNet. Ce modèle analyse les vidéos et prédit la prochaine image dans la séquence. Il se base sur le codage prédictif, l’une des théories qui expliquent comment le cerveau traite l’information et qui est souvent utilisée pour expliquer les illusions d’optique. Dans cette étude, les chercheurs ont entraîné le modèle sur des vidéos tournées avec des caméras montées au niveau de la tête pour simuler au mieux la vision humaine, en évitant toute illusion d’optique.

Une fois entraîné, le modèle a ensuite été confronté aux serpents tournants, la célèbre illusion d’optique d’Akiyoshi Kitaoka. Dans cette illusion, des serpents enroulés semblent tourner, malgré l’image statique. Les chercheurs ont présenté plusieurs variations, dont certaines qui ne créent aucune illusion chez les humains. Le modèle PredNet a été trompé par les mêmes images que les humains. Toutefois, il suffit de se concentrer sur un seul des cercles pour ne plus le voir tourner, ce qui est impossible pour l’IA.

Les serpents tournants. L’image semble bouger, alors qu’elle est parfaitement statique. © Akiyoshi Kitaoka

Une théorie quantique pour expliquer la pensée ?

Dans une autre étude, à lire sur Arxiv, Lana Sinapayen et Eiji Watanabe ont utilisé ce modèle pour les aider à générer des illusions d’optique. Ils ont ainsi créé EIGen, qui génère des illusions potentielles, puis utilise PredNet pour les évaluer, et fonctionne ainsi en boucle jusqu’à produire une illusion. Cela vient renforcer l’hypothèse que le cerveau fait appel au codage prédictif, et que ce serait la cause des illusions d’optique.

Le cube de Necker peut être interprété de deux manières. © Maksim, Wikipedia

Toutefois, cela n’explique pas tout. Le cube de Necker, par exemple, peut être vu de deux manières, et le cerveau peut basculer entre les deux. Une autre étude fait appel à l’effet tunnel quantique avec un réseau neuronal profond. Le résultat est similaire au fonctionnement du cerveau humain, avec le modèle qui voit parfois l’une des deux interprétations possibles, parfois l’autre. Pour Ivan Maksymov, l’auteur de l’étude, cela signifie qu’il est possible de modéliser certains aspects de la pensée humaine grâce à la théorie quantique. C’est un domaine d’étude appelé cognition quantique.

Ces différents travaux montrent que l’étude des modèles peut permettre de mieux comprendre le cerveau humain et de découvrir ses différentes stratégies pour traiter l’information. De plus, cela pourrait aussi permettre d’améliorer l’IA, en intégrant ces techniques directement dans les modèles.