Dans la culture numérique, l’expression « dégénérescence cérébrale » (brain rot) désigne les effets néfastes sur la cognition humaine liés à une consommation excessive de contenus en ligne, notamment via les réseaux sociaux. L’addiction à internet semble avoir un impact significatif sur la capacité à se concentrer, sur la mémoire — en altérant la manière dont les informations sont stockées, récupérées ou prioritaires — ainsi que sur la cognition sociale, en influençant les représentations de soi et l’estime de soi. Les modèles de langage à très grande échelle (LLM), eux aussi, sont formés sur des volumes colossaux de données provenant d’internet. Cette masse de texte inclut une part importante de contenu de faible qualité, voire nuisible : désinformation, discours haineux, bavardages superficiels, contenus provocateurs. Si les LLM n’ont pas de cerveaux ni de cortex comme les humains, ils possèdent toutefois des paramètres et des mécanismes d’attention qui, en théorie, peuvent être « surchargés » ou « déroutés » par des motifs répétitifs, biaisés ou toxiques présents dans les données d’entraînement. On peut donc se demander : ces modèles subissent-ils eux aussi une forme de « dégénérescence » ? Pas au sens biologique, bien sûr, mais au sens fonctionnel. Lorsqu’un LLM est entraîné sur des données polluées, il peut développer des comportements inappropriés : produire des réponses biaisées, générer du contenu inexact ou offensant, ou même adopter des styles de pensée superficiels, stéréotypés ou désordonnés. Ces phénomènes rappellent les effets observés chez les humains exposés à des flux d’information toxiques : perte de profondeur, réduction de la capacité critique, renforcement de préjugés. Le principe « ton modèle est ce qu’il mange » s’applique ici avec force. Si un LLM est nourri de contenu superficiel, manipulatoire ou malveillant, il risque de reproduire ces caractéristiques dans ses sorties. Il ne s’agit pas seulement d’un problème de qualité, mais de sécurité : un modèle corrompu par des données toxiques peut devenir un vecteur de désinformation, de radicalisation ou de discrimination. C’est pourquoi la qualité des données d’entraînement est cruciale. Des efforts croissants sont déployés pour nettoyer, filtrer et curer les corpus d’apprentissage, en éliminant les contenus nuisibles ou en les pondérant. Des approches comme le data curation, l’inference-time filtering ou l’reinforcement learning from human feedback (RLHF) visent à corriger les biais et à guider les modèles vers des réponses plus fiables, éthiques et utiles. En somme, si les LLM n’ont pas de cerveau, ils ont un « esprit » — un système d’inférence et de génération qui dépend entièrement de ce qu’il a absorbé. Protéger leur intégrité, c’est protéger leur utilité. Désactiver les sources toxiques, c’est non seulement améliorer la performance, mais aussi garantir que ces outils ne deviennent pas des miroirs déformants de la pire partie d’internet.