LLM : comment les neurones encodent le sens des mots

Une équipe internationale de chercheurs, réunie autour du Baylor College of Medicine, de l'Université Rice, de l'Université de Californie à Berkeley et de Texas Children's Hospital, a publié dans Nature Neuroscience en 2026 une étude pionnière sur la manière dont le cerveau humain encode le sens des mots à l'oral. Les travaux s'inspirent du fonctionnement des grands modèles de langage, ces systèmes d'intelligence artificielle à l'origine des assistants conversationnels modernes, pour mieux comprendre le traitement cognitif du langage. Pour mener cette recherche, l'équipe a enregistré l'activité neuronale de l'hippocampe, une structure cérébrale centrale pour la mémoire, chez dix patients épileptiques. À l'aide de microélectrodes implantées dans le cadre de leur suivi médical, les chercheurs ont capté les signaux électriques de populations cellulaires pendant que les participants écoutaient des récits. Des modèles mathématiques ont ensuite été employés pour croiser ces données cérébrales avec les représentations linguistiques des histoires, en éliminant les influences de la phonétique et de la grammaire. Les résultats montrent que le sens des mots n'est pas stocké dans une seule cellule, mais réparti sur des réseaux de neurones hippocampiques. La variabilité de l'activité collective de ces populations suit une logique similaire à celle observée dans les vecteurs sémantiques des modèles de langage artificiels. Plus précisément, la distance neuronale entre deux mots correspond à leur distance sémantique dans l'espace du sens. L'étude révèle également que l'encodage des significations dépend fortement du contexte et que les variations de réponse cérébrale s'alignent étroitement avec les représentations du modèle GPT-2. Par ailleurs, la polysémie, c'est-à-dire la capacité d'un mot à porter plusieurs sens liés, influence directement l'activité neuronale enregistrée. Ces découvertes offrent un premier compte-rendu neuro-computationnel de la manière dont l'hippocampe interprète le langage parlé. En confirmant une convergence remarquable entre le traitement biologique de la signification et les algorithmes d'intelligence artificielle, l'étude ouvre la voie à de nouvelles méthodologies de recherche. Les scientifiques prévoient d'exploiter davantage les outils des grands modèles de langage pour cartographier les mécanismes cognitifs du langage, ce qui pourrait à terme enrichir la neurologie clinique et le développement d'interfaces cerveau-machine plus performantes.