Les modèles d'IA à un milliard de paramètres entraînés sur des scanners cérébraux échouent à prédire votre capacité de réflexion, tandis qu'une simple mesure statistique y parvient — et ce, sans aucun GPU ni pré-entraînement. C'est ce que révèle une nouvelle étude qui met en lumière un angle mort fondamental dans les modèles cérébraux les plus avancés d'aujourd'hui.
La recherche
Giovanni Marraffini et ses collègues de l'Institut national de recherche en sciences et technologies du numérique (Inria) ont testé trois modèles de base cérébraux (BFMs) de pointe — de grands systèmes d'IA pré-entraînés sur des données d'IRMf de milliers de personnes. Ils ont évalué la capacité de chaque modèle à prédire les performances cognitives individuelles, en utilisant des tests cognitifs standard issus de grands ensembles de données publics comme le Human Connectome Project.
Le résultat a été surprenant : chaque BFM a prédit la cognition moins bien qu'une simple régression linéaire utilisant la matrice de connectivité fonctionnelle (FC) — une matrice d'environ 80 000 nombres décrivant les corrélations par paires entre les régions cérébrales. Pire encore, les modèles plus volumineux ont obtenu de moins bons résultats : la version à 650 millions de paramètres de BrainLM a sous-performé par rapport à son homologue à 111 millions de paramètres.
L'équipe a retracé le problème jusqu'à ce qu'elle appelle un problème d'allocation de variance. Les BFMs sont entraînés à reconstruire le signal IRMf aussi précisément que possible, ce qui signifie qu'ils se concentrent sur les composantes de variance les plus grandes et les plus dominantes — mais celles-ci sont en grande partie du bruit pour la cognition. Crucialement, les modèles détruisent la co-asymétrie de troisième ordre — une mesure statistique qui capture les relations asymétriques et non gaussiennes entre les régions cérébrales — qui s'avère bien plus prédictive de la cognition que les corrélations ordinaires.
Pour récupérer ce que les BFMs perdent, les chercheurs ont conçu un pipeline linéaire simple : projeter le signal IRMf dans le sous-espace qui préserve le mieux la co-asymétrie, puis calculer la FC dans ce sous-espace. Cette méthode — ne nécessitant ni GPU ni pré-entraînement — a surpassé la FC brute et tous les BFMs sur tous les ensembles de données et toutes les parcellations cérébrales testées. Elle a même égalé la performance maximale de la passe avant de BrainLM après un ajustement ciblé.
Pourquoi c'est important
Cette découverte a des implications profondes sur la façon dont nous comprenons et mesurons l'intelligence. Les signaux les plus pertinents sur le plan cognitif dans le cerveau ne sont peut-être pas les plus forts ou les plus évidents — ce sont des motifs subtils d'ordre supérieur que les modèles d'IA conventionnels ignorent. Pour quiconque s'intéresse à ses propres capacités cognitives, cela suggère que des mesures simples et bien choisies peuvent être plus informatives que des algorithmes complexes en boîte noire.
Fait important, l'étude révèle que le goulot d'étranglement dans l'IA cérébrale actuelle n'est pas l'architecture ou la taille du modèle, mais l'objectif de pré-entraînement lui-même. En se concentrant sur les statistiques de troisième ordre, les futurs modèles pourraient devenir à la fois plus simples et plus précis.
Ce que vous pouvez faire
Bien que vous ne puissiez pas extraire la co-asymétrie de votre cerveau à la maison, vous pouvez apprécier que la cognition découle d'interactions complexes et non linéaires. S'engager dans des activités qui stimulent votre cerveau — comme des puzzles, l'apprentissage de nouvelles compétences ou un entraînement cognitif — peut renforcer ces connexions subtiles. Et lorsque vous entendez des affirmations sur l'IA qui prédit l'intelligence, souvenez-vous que parfois moins c'est plus : la bonne mesure simple peut surpasser un modèle à un milliard de paramètres.
Source : arXiv q-bio.NC
Curieux de connaître votre propre cerveau ? Passez notre test de QI adaptatif gratuit ou essayez 306 niveaux d'entraînement cérébral.
