Des chercheurs du MIT ont découvert que le cerveau utilise des signaux d'apprentissage ciblés avec une précision surprenante, permettant à chaque neurone d'ajuster son activité individuellement lors de l'acquisition de nouvelles compétences. Publiée le 25 février dans la revue Nature, cette étude menée par Mark Harnett et son équipe apporte des preuves expérimentales que le cerveau humain fonctionne selon un principe similaire à celui utilisé par de nombreux systèmes d'intelligence artificielle. Dans le domaine de l'apprentissage automatique, les réseaux de neurones artificiels corrigent leurs erreurs en comparant leurs sorties aux objectifs visés, générant un signal d'erreur spécifique pour affiner chaque connexion. Depuis des décennies, les scientifiques s'interrogeaient sur la capacité biologique à envoyer des instructions aussi individualisées. Contrairement aux mécanismes traditionnels de renforcement via des neuromodulateurs comme la dopamine, qui diffusent un signal unique à de vastes groupes de cellules sans distinguer les contributions individuelles, ce nouveau mécanisme permet une optimisation fine et efficace. Pour tester cette hypothèse, l'équipe de Harnett a conçu une interface cerveau-machine (ICM) chez la souris. L'objectif était de relier l'activité de huit à dix neurones spécifiques à une récompense alimentaire. Pour obtenir une récompense, certains neurones devaient augmenter leur activité tandis que d'autres devaient la diminuer. Grâce à ce dispositif, les chercheurs savaient précisément quelle activité neuronale conduisait au succès, contournant ainsi l'impossibilité antérieure d'identifier le rôle exact de neurones individuels dans un comportement complexe. Les scientifiques ont suivi l'évolution des neurones cibles au fil de la semaine d'entraînement, en observant les dendrites, les branches réceptrices des signaux, et les corps cellulaires. Les résultats ont révélé que les deux groupes de neurones recevaient des signaux instructifs opposés selon leur fonction requise : certains étaient encouragés à intensifier leur activité, d'autres à la réduire. Lorsque l'équipe a bloqué artificiellement ces signaux au niveau des dendrites, les souris ont cessé d'apprendre la tâche. Cela constitue la première preuve biologique en faveur de l'existence de signaux vectoriels, c'est-à-dire des instructions spécifiques à chaque neurone, dans le cortex. Cette découverte établit un pont crucial entre la neurobiologie et l'intelligence artificielle. Elle valide l'idée que le cerveau exploite des algorithmes d'apprentissage par rétropropagation des erreurs, ou des mécanismes similaires. Selon Vincent Tang, post-doctorant au sein de l'équipe, cette découverte devrait stimuler la collaboration entre neuroscientifiques et chercheurs en machine learning, permettant de tester de nouvelles hypothèses théoriques sur un modèle biologique réel. Mark Harnett souligne l'impact de cette approche sur la compréhension de la plasticité cérébrale et le développement de modèles d'intelligence artificielle plus performants. En traduisant directement des concepts mathématiques de l'apprentissage automatique dans le domaine biologique, les chercheurs espèrent désormais élucider les mécanismes exacts d'apprentissage dans différentes régions du cerveau. Cette avancée marque le début d'une nouvelle ère d'exploration des similitudes et des différences fondamentales entre l'intelligence artificielle et la biologie, ouvrant la voie à des architectures de systèmes intelligents plus proches du fonctionnement naturel du cerveau.