Dans quelle mesure les réseaux de neurones artificiels reflètent-ils le système visuel du cerveau ? Une nouvelle prépublication suggère que la réponse dépend de la zone cérébrale et de l'espèce considérées. L'étude a testé cinq règles d'apprentissage par rapport à l'IRMf humaine et à l'électrophysiologie du macaque, constatant que les zones visuelles précoces sont plus alignées que les zones d'ordre supérieur, et qu'un ResNet-50 pré-entraîné surpasse les modèles personnalisés dans les zones supérieures.
La recherche
Nils Leutenegger, chercheur en sciences cognitives, a comparé cinq règles d'apprentissage — rétropropagation (BP), alignement par rétroaction (FA), codage prédictif (PC), plasticité dépendante du timing des potentiels d'action (STDP) et poids aléatoires — à travers les espèces. En utilisant l'analyse de similarité représentationnelle (RSA), il a mesuré l'alignement avec V1/V2 (102–103 neurones) et V4/IT (88–168 neurones) du macaque à partir de deux ensembles de données, et les a comparés aux données d'IRMf humaines d'une étude associée.
Principaux résultats : tous les modèles ont montré un alignement plus élevé avec le cortex visuel précoce du macaque (V1/V2 : rho = 0.15–0.30) qu'avec l'IRMf humaine (rho = 0.01–0.08), probablement en raison du rapport signal/bruit plus élevé de l'électrophysiologie. STDP et PC ont été en tête de l'alignement visuel précoce (rho ~ 0.30 et 0.28, respectivement). Cependant, au niveau de l'IT (cortex temporal inférieur), les classements entre espèces ont montré une corrélation nulle (tau de Kendall = 0.00, p = 1.00), bien que l'étude n'ait utilisé que cinq règles d'apprentissage, limitant la puissance à détecter autre chose que des inversions exactes. Un ResNet-50 pré-entraîné a atteint rho = 0.25 au niveau de l'IT, battant toutes les conditions CNN personnalisées (rho = 0.07–0.14), ce qui suggère que l'alignement de l'IT est limité par la capacité du modèle et les données d'entraînement, pas seulement par la règle d'apprentissage.
Une correction d'août 2026 a noté qu'un bug affectait les résultats de PC et STDP ; après réparation, STDP était toujours en tête en V1, mais PC est tombé au niveau de base. Les autres résultats sont restés inchangés.
Pourquoi c'est important
Cette comparaison inter-espèces est une étape rare vers la validation des modèles d'IA de la vision par rapport aux cerveaux biologiques. Elle montre que le traitement visuel précoce est assez conservé entre les espèces, ce qui est une bonne nouvelle pour utiliser l'IA afin de comprendre la vision de bas niveau. Mais le résultat nul sur l'IT souligne que la cognition d'ordre supérieur est encore mal capturée par les modèles d'apprentissage profond actuels — l'écart entre vision artificielle et biologique reste important.
Pour les lecteurs, cela souligne que l'IA, bien qu'impressionnante, a encore du chemin à parcourir avant de pouvoir imiter la complexité totale du cerveau. Cela démontre également la valeur d'étudier plusieurs espèces pour comprendre la cognition humaine.
Ce que vous pouvez faire
- Mettez votre traitement visuel au défi : essayez des puzzles visuels ou des jeux d'entraînement cérébral qui ciblent la reconnaissance de formes.
- Apprenez les sciences cognitives : comprenez comment votre cerveau fonctionne en lisant des recherches comme celle-ci.
- Passez un test de QI gratuit : mesurez vos propres capacités cognitives pour voir où vous en êtes.
Source : arXiv q-bio.NC
Curieux de connaître votre cerveau ? Faites notre test de QI adaptatif gratuit ou essayez 306 niveaux d'entraînement cérébral.