Une étude publiée dans la revue Nature Neuroscience révèle que le cerveau humain prédit les mots selon un mécanisme plus complexe que celui des modèles de langage modernes. Bien que les systèmes d'intelligence artificielle, tels que les grands modèles de langage (LLM), soient souvent présentés comme des analogues du fonctionnement cérébral, cette nouvelle recherche démontre une différence fondamentale dans la manière dont nous anticipons les mots suivants dans une phrase. Contrairement aux LLM qui se concentrent principalement sur la probabilité du mot immédiat, le cerveau humain intègre une structure linguistique plus large en considérant les mots au sein de groupes grammaticaux. Les chercheurs, menés par l'Université de New York et incluant des scientifiques de l'Institut de recherche en neurosciences Ernst Struengmann et de l'Université de Zhejiang, ont utilisé des techniques avancées pour explorer ce processus. L'étude a impliqué des tests de prédiction linguistique sur des locuteurs chinois mandarin et a analysé des données cérébrales de patients anglophones pour valider la universalité des conclusions. Les participants ont été exposés à des phrases tout en étant surveillés par magnétoencéphalographie (MEG), une méthode permettant de mesurer l'activité cérébrale avec une grande précision temporelle. De plus, des tâches comportementales appelées tests de complétion ont été utilisées, où les participants devaient deviner des mots manquants dans des textes. Les scientifiques ont également utilisé des LLM pour quantifier la prévisibilité des mots en mesurant deux concepts clés : l'entropie et la surprise. L'entropie élevée indique un contexte qui ne restreint pas fortement le choix des mots suivants, rendant la prédiction difficile. Par exemple, le mot suivant après « J'ai vu un » a une entropie plus élevée que celui après « Je suis assis sur un », car les objets visibles sont beaucoup plus nombreux que les surfaces sur lesquelles on peut s'asseoir. La surprise élevée, quant à elle, signifie qu'un mot est inattendu par rapport au contexte, comme utiliser le mot « chat » après « Je suis assis sur un » plutôt qu'après « J'ai vu un ». La comparaison entre les réponses cérébrales et les prédictions des modèles d'IA a révélé une divergence majeure. Si le cerveau fonctionnait simplement comme un dispositif de prédiction de mots suivant une logique identique aux LLM, les corrélations seraient uniformes. Or, l'étude montre que l'activité cérébrale varie en fonction de la position structurelle du mot. Les participants prenaient en compte les constituants grammaticaux, ce qui signifie qu'ils anticipaient les mots en fonction de groupes organisés plutôt que mot à mot isolément. David Poeppel, professeur de psychologie et de neurosciences à New York University et co-auteur de l'étude, explique que les LLM optimisent la prédiction du mot suivant en traitant chaque mot avec une similarité prédictive. En revanche, le cerveau humain effectue d'abord un regroupement des mots en phrases grammaticales, appelées constituants, avant de déterminer quels mots sont les plus susceptibles de suivre. Cette sensibilité à la structure linguistique distingue fondamentalement le traitement humain de celui des machines actuelles. En conclusion, bien que le cerveau puisse exploiter la prédiction de mots suivante, tout comme les systèmes d'intelligence artificielle, il est hautement sensible à la structure des constituants linguistiques. Cette recherche établit que la prédiction humaine est équilibrée et modulée par une considération active de mots organisés grammaticalement, un processus qui dépasse la simple logique statistique utilisée par les modèles de langage actuels.