IA et cerveau : le goulot génomique, une piste pour des modèles plus sobres

Le cerveau humain arrive au monde avec une étonnante boîte à outils : il perçoit, apprend, s’oriente, reconnaît des formes et se prépare à interagir avec son environnement. Or le génome ne peut pas contenir, dans le détail, le plan de chacune des connexions entre les milliards de neurones. C’est ce décalage qui intéresse les neuroscientifiques Anthony Zador et Alexei Koulakov, du Cold Spring Harbor Laboratory : et si cette contrainte n’était pas un défaut, mais un principe d’efficacité dont l’intelligence artificielle pourrait s’inspirer ?

Leur réflexion, présentée en novembre 2024, porte sur ce que les chercheurs appellent un « goulot d’étranglement génomique ». L’idée est simple dans son principe : lorsqu’une quantité très limitée d’instructions doit faire émerger un système extrêmement complexe, il faut découvrir des régularités, réutiliser des règles et éviter de stocker chaque information séparément. Dans le vivant, cette compression pourrait participer à l’émergence de capacités dites innées. Dans l’IA, elle pourrait ouvrir une piste pour concevoir des réseaux plus compacts et moins exigeants en ressources.

Pourquoi le génome pose-t-il un paradoxe pour les neurosciences ?

Un cerveau ne se résume pas à un fichier que l’ADN copierait intégralement avant la naissance. Le génome fournit des instructions biologiques qui guident le développement : production de protéines, différenciation des cellules, croissance des neurones et organisation progressive des circuits. L’expérience, l’environnement et l’activité du cerveau modifient ensuite ces circuits tout au long de la vie.

Le problème soulevé par Anthony Zador et Alexei Koulakov tient à l’échelle du système. Les comportements des animaux, y compris ceux qui apparaissent très tôt, reposent sur des réseaux neuronaux d’une immense complexité. Pourtant, la quantité d’information pouvant être inscrite dans le génome reste limitée. Il paraît donc impossible que celui-ci spécifie une à une toutes les connexions nécessaires à chaque aptitude.

La réponse classique consiste à souligner le rôle de l’apprentissage et du développement. Les deux scientifiques ne contestent pas cette idée. Ils proposent toutefois de regarder la contrainte génétique autrement : un génome limité obligerait le cerveau à construire des circuits à partir de règles très générales, capables de produire des organisations utiles avec peu d’instructions explicites.

Le goulot d’étranglement génomique, une compression de l’organisation cérébrale

Le mot « goulot d’étranglement » désigne ici une limite de capacité. Pour faire tenir une structure riche dans un espace de description réduit, il faut compresser l’information. Une image numérique, par exemple, peut être enregistrée pixel par pixel ou encodée en exploitant les répétitions et les formes qu’elle contient. Dans le second cas, le résultat peut être bien plus compact.

Appliqué au cerveau, le raisonnement ne suppose pas que le génome stocke des images ou des souvenirs. Il suggère qu’il encode des principes de construction capables de générer des architectures neuronales adaptées à certaines fonctions. La contrainte pousserait ainsi l’évolution vers des solutions sobres, modulaires et réutilisables.

Cette hypothèse inverse une intuition courante. Une limite d’information semble, à première vue, réduire les possibilités. Mais en imposant une description plus concise, elle peut aussi conduire à extraire les caractéristiques les plus importantes d’un problème. C’est précisément cette propriété que l’équipe cherche à tester avec un algorithme inspiré du fonctionnement supposé du génome.

Que fait l’algorithme proposé par l’équipe ?

Les chercheurs ont développé un algorithme qui simule cette logique de compression. Son objectif n’est pas de copier le cerveau humain ni de reproduire fidèlement l’évolution biologique. Il s’agit de vérifier, dans un cadre d’intelligence artificielle, si des réseaux peuvent recevoir une organisation utile à partir d’une information très condensée.

Dans les systèmes d’IA habituels, les réseaux neuronaux artificiels apprennent généralement en ajustant un très grand nombre de paramètres à partir de données. Les modèles modernes peuvent ainsi absorber des volumes considérables d’exemples, mais au prix de calculs lourds et d’une mémoire importante. L’approche inspirée du goulot génomique pose une autre question : peut-on transmettre au réseau une sorte de règle de fabrication compacte, qui lui donne dès le départ une structure favorable à une tâche ?

Les expériences rapportées montrent que l’algorithme parvient à plier de grandes quantités d’information dans un format fonctionnel. Des réseaux non entraînés peuvent alors afficher des résultats notables pour la reconnaissance d’images. L’équipe rapporte également des performances dans un environnement de jeu comme Space Invaders, où le système semble disposer d’une forme de comportement initial adapté à la tâche.

Le terme « non entraîné » doit être interprété avec prudence. Il ne signifie pas qu’une machine aurait développé une compréhension spontanée du monde, ni qu’elle serait dépourvue de toute conception préalable. Dans cette recherche, la structure obtenue résulte du mécanisme algorithmique construit et évalué par les scientifiques. L’intérêt se situe dans la possibilité de remplacer une description massive par une représentation plus compacte et néanmoins exploitable.

Des résultats intrigants, mais pas une intelligence humaine miniature

Selon les résultats présentés par l’équipe, l’algorithme peut, dans certains cas, approcher le niveau de systèmes d’IA plus avancés sur les tâches examinées. C’est un résultat important pour la recherche, car il suggère que la performance ne dépend pas seulement du nombre brut de paramètres ou de données utilisées. L’organisation initiale d’un réseau pourrait elle aussi compter beaucoup.

Il serait pourtant prématuré d’y voir une démonstration d’intelligence innée comparable à celle d’un animal ou d’un humain. Reconnaître des images ou jouer à un jeu vidéo constitue une évaluation ciblée. Ces exercices ne mesurent pas l’ensemble des facultés humaines : langage, mémoire autobiographique, raisonnement abstrait, conscience du contexte social, motricité fine ou capacité à changer de stratégie dans des environnements imprévus.

La comparaison avec le cerveau doit donc rester un outil de réflexion, et non une équivalence. Les chercheurs eux-mêmes mettent en avant l’énorme écart de capacité entre le support génétique et l’organe qu’il contribue à construire. Alexei Koulakov évoque un cerveau humain pouvant contenir environ 280 téraoctets d’information, alors que la capacité informationnelle du génome serait bien plus réduite, de l’ordre de l’équivalent d’une heure de vidéo. Ces ordres de grandeur illustrent le problème de compression qui les intéresse.

Pourquoi cette piste intéresse l’intelligence artificielle

L’IA contemporaine progresse souvent grâce à des modèles toujours plus grands, entraînés sur davantage de données et exécutés sur des infrastructures spécialisées. Cette trajectoire a produit des résultats spectaculaires, mais elle pose aussi une question pratique : comment rendre les modèles utiles lorsque la puissance de calcul, la mémoire ou l’énergie disponible sont limitées ?

Shuvaev, cité comme l’un des principaux auteurs de l’étude, envisage l’application de cet algorithme aux grands modèles de langage. L’objectif serait d’optimiser leur fonctionnement sur des appareils moins puissants. Si cette direction se confirmait, des fonctions d’IA pourraient devenir plus accessibles sur des équipements comme les smartphones, sans dépendre autant de ressources distantes ou de matériel très coûteux.

Cette ambition rejoint une préoccupation croissante dans le secteur : l’efficacité ne se mesure pas seulement à la qualité des réponses d’un modèle, mais aussi à son coût d’entraînement, sa vitesse d’exécution, son empreinte mémoire et sa consommation énergétique. Une meilleure compression peut réduire une partie de ces besoins, à condition de préserver les capacités réellement utiles.

L’approche pourrait également aider les chercheurs à mieux distinguer deux dimensions souvent confondues. D’un côté, il y a ce qu’un modèle apprend à partir de données. De l’autre, il y a les biais de conception, l’architecture ou les règles initiales qui rendent cet apprentissage plus ou moins efficace. Les capacités dites innées du vivant renvoient précisément à cette seconde dimension, sans annuler la nécessité d’apprendre.

Les questions scientifiques que soulève cette approche

La force de cette recherche est de relier deux domaines qui se nourrissent mutuellement : les neurosciences offrent à l’IA des questions sur l’efficacité et l’organisation des circuits, tandis que les simulations d’IA permettent de tester des hypothèses sur les effets possibles des contraintes biologiques. Mais le passage d’un domaine à l’autre comporte des limites.

D’abord, un algorithme inspiré du génome n’est pas un modèle complet de l’embryogenèse ou du cerveau. La biologie fait intervenir des mécanismes multiples : expression des gènes, interactions cellulaires, activité neuronale, plasticité synaptique et expérience sensorielle. Aucune expérience informatique isolée ne peut résumer cet ensemble.

Ensuite, les résultats doivent être lus à l’aune des tâches et des comparaisons choisies. Pour évaluer la portée pratique d’une méthode de compression, il faudra notamment vérifier sa robustesse sur des problèmes variés, son efficacité réelle sur différents matériels et le compromis entre taille du modèle et précision. Une représentation très compacte peut être utile, mais elle peut aussi perdre des informations nécessaires dans des situations nouvelles.

Enfin, l’idée d’« inné » est délicate. Dans le vivant, les comportements précoces sont le produit de l’évolution, du développement et d’interactions avec le milieu. Dans l’IA, une capacité initiale découle des choix des concepteurs et des mécanismes intégrés au système. Le parallèle est fécond pour imaginer de nouvelles architectures, mais il ne doit pas effacer les différences entre organisme vivant et programme.

Ce qu’il faut surveiller

Les travaux d’Anthony Zador, Alexei Koulakov et de leur équipe ouvrent une piste qui mérite d’être suivie : non pas seulement construire des IA plus vastes, mais comprendre quelles structures permettent d’obtenir davantage avec moins. À l’heure où les besoins en calcul des modèles deviennent un enjeu technique et économique majeur, cette question dépasse largement la curiosité théorique.

Les prochaines étapes consisteront à déterminer si le principe du goulot génomique conserve son intérêt hors des tâches testées, notamment dans les modèles de langage évoqués par Shuvaev. Il faudra aussi comparer rigoureusement ses gains avec d’autres méthodes d’optimisation déjà utilisées en IA, comme la compression des modèles ou la réduction du nombre de paramètres.

La leçon centrale est peut-être la plus simple : une contrainte peut devenir une ressource. Le génome, limité face à l’immensité du cerveau qu’il contribue à organiser, incite les neuroscientifiques à rechercher des formes de calcul moins redondantes. Pour l’intelligence artificielle, cette inspiration biologique pourrait compter autant que la course à la puissance brute.