Le cerveau humain se distingue par sa capacité unique à extraire des concepts à partir de l'expérience sensorielle, permettant une réflexion et une communication basées sur un espace conceptuel abstrait. Ce processus biologique repose sur une double opération : la compression de perceptions complexes en concepts de dimension réduite, suivie de leur reconstruction pour générer de nouvelles perceptions. Cette boucle constitue le socle de la pensée symbolique humaine, une fonctionnalité que les systèmes d'intelligence artificielle actuels peinent encore à reproduire de manière authentique. Pour combler cette lacune, une équipe de l'Institut d'automatique de l'Académie chinoise des sciences a conçu un nouveau cadre de réseau neuronal nommé CATS Net. Cette architecture permet à l'IA de développer, de comprendre et d'échanger des concepts de manière comparable à celle des humains. Composé de deux modules principaux, l'architecture introduit une avancée majeure : un module d'abstraction conceptuelle (CA) et un module de résolution de tâches (TS). Lors de l'accomplissement de tâches visuelles, le module CA a la capacité d'automatiser la compression des entrées visuelles haute dimension en vecteurs conceptuels basés, compacts et significatifs. Ces vecteurs agissent ensuite comme des clés d'accès. Grâce à un mécanisme de contrôle par portails hiérarchisé, ils génèrent des signaux d'interruption dynamiques capables de réguler l'activité des réseaux neuronaux au sein du module TS. Cette interaction fluide permet au système d'orienter efficacement et avec flexibilité l'exécution de tâches de perception visuelle spécifiques. La robustesse de CATS Net réside dans son autonomie. Le système peut générer indépendamment de nombreux nouveaux concepts en interagissant avec son environnement, élargissant ainsi son propre espace conceptuel. Plus encore, lorsque différents réseaux neuronaux alignent leurs espaces conceptuels respectifs, ils peuvent échanger des connaissances directement via la transmission de ces vecteurs conceptuels, imitant ainsi la capacité humaine de formation, de compréhension et d'communication des concepts. Pour valider ces avancées, les chercheurs ont comparé les représentations de concepts formées spontanément par CATS Net avec des données humaines issues de modèles cognitifs et d'imagerie cérébrale. Les analyses de similarité des représentations par imagerie par résonance magnétique fonctionnelle (IRMf) révèlent que l'espace conceptuel généré par le modèle correspond aux modèles sémantiques cognitifs de la psychologie humaine. De plus, le schéma de représentation du modèle est étroitement lié à l'activité de la partie ventrale du cortex occipito-temporal du cerveau, région clé dédiée au traitement de la sémantique visuelle. Par ailleurs, le mécanisme de contrôle dynamique du module CA correspond aux modèles d'activité du réseau de contrôle sémantique du cerveau, impliqué dans l'extraction et la manipulation des concepts. Ces résultats confirment que CATS Net ne se contente pas de simuler les fonctions de la cognition conceptuelle humaine, mais qu'il éclaire également les principes de calcul sous-jacents à la formation et à la compréhension des concepts au niveau des mécanismes biologiques. Ce travail, financé par le Fonds national des sciences naturelles et divers projets de l'Académie chinoise des sciences, fournit les fondations nécessaires au développement de la prochaine génération de systèmes intelligents capables de former et d'appliquer des concepts de manière humaine. L'étude a été publiée en ligne dans la revue Nature Computational Science.