Une IA entraînée sur le quotidien d’un enfant pour apprendre ses premiers mots

Un enfant n’apprend pas ses premiers mots en lisant des milliards de phrases. Il les entend dans des situations concrètes, au moment où il joue, mange, regarde un livre ou échange avec ses proches. C’est ce cadre d’apprentissage ordinaire que des chercheurs de l’Université de New York ont choisi de transposer à l’intelligence artificielle. Leur modèle, baptisé Plato, a été exposé à des vidéos du quotidien de Sam, un enfant de deux ans, afin d’examiner ce qu’une machine peut tirer d’une expérience beaucoup plus proche de la vie réelle que des jeux de données traditionnels.

Le projet ne consiste donc pas à faire croire qu’une IA devient un enfant, ni à lui attribuer une sensibilité ou une conscience. Son intérêt est ailleurs : tester si le rapprochement entre ce qu’un enfant voit et ce qu’il entend peut fournir à une machine des bases pour apprendre des mots. En mars 2025, cette piste nourrit à la fois la recherche sur les systèmes d’IA multimodaux et les travaux consacrés au développement cognitif humain.

Pourquoi faire apprendre une IA comme un enfant ?

Les grands modèles de langage sont le plus souvent entraînés sur d’immenses collections de textes. Cette méthode leur permet de repérer des régularités dans les mots et les phrases. Mais elle ne reproduit pas une étape essentielle de l’acquisition du langage chez le jeune enfant : le lien entre un mot prononcé et une situation vécue.

Lorsqu’un adulte nomme une tasse, un ballon ou un chien, l’enfant dispose de nombreux indices : l’objet est présent, il peut être manipulé, pointé ou déplacé, et l’échange se déroule dans un contexte précis. Il ne reçoit pas une définition de dictionnaire. Il doit progressivement déduire à quoi renvoie le mot, malgré les bruits ambiants, les objets voisins et les phrases incomplètes.

L’expérience menée autour de Plato cherche à rapprocher l’IA de cette situation d’apprentissage. Le système reçoit des données visuelles et sonores issues d’activités quotidiennes. Son objectif n’est pas seulement de traiter une suite de mots, mais de repérer quelles images, quels gestes et quels sons peuvent se correspondre.

Cette idée intéresse les chercheurs pour deux raisons. D’une part, elle pourrait contribuer à concevoir des IA qui s’adaptent davantage à leur environnement, au lieu de dépendre uniquement de très vastes corpus textuels. D’autre part, elle fournit un cadre expérimental pour poser une question plus fondamentale : quelle quantité d’expérience, et quel type d’expérience, sont nécessaires pour commencer à relier les mots au monde ?

Des vidéos de jeux, de repas et de lectures comme terrain d’apprentissage

Les chercheurs ont alimenté Plato avec des vidéos illustrant le quotidien de Sam. Elles montrent notamment des moments de jeu, de lecture et de repas, c’est-à-dire des scènes où objets, actions et paroles sont naturellement mêlés. Ces enregistrements représentent environ 1 % des heures d’éveil de l’enfant.

Cette proportion mérite d’être soulignée. Elle signifie que le modèle ne dispose pas d’un accès continu à toute l’expérience de Sam. Il travaille à partir d’un échantillon limité de sa vie quotidienne. C’est précisément ce qui rend l’exercice intéressant : les chercheurs cherchent à savoir si un volume de données modeste, mais riche en contexte, peut déjà permettre l’émergence d’associations utiles.

Les vidéos utilisées ici ne sont pas décrites comme des contenus artificiellement générés. Leur intérêt tient au contraire à leur caractère situé : les mots ne sont pas isolés dans une liste d’exemples, ils apparaissent au milieu d’une scène ordinaire. Pour une IA, cette richesse est aussi une difficulté. Plusieurs objets peuvent être visibles au même moment et plusieurs sons peuvent se superposer. Le système doit estimer quels éléments sont les plus susceptibles d’être liés.

Comment l’IA relie-t-elle les mots aux images ?

L’approche présentée par les chercheurs est qualifiée de contrastive. Dans son principe général, ce type d’apprentissage consiste à rapprocher des informations qui semblent aller ensemble et à distinguer celles qui ne correspondent pas. Si un mot est entendu pendant qu’un objet ou une action est visible, le modèle peut renforcer l’association entre ces signaux. À l’inverse, il apprend à ne pas confondre des éléments qui apparaissent dans des contextes différents.

Cette méthode est particulièrement adaptée aux données audio-visuelles. Plutôt que de recevoir une étiquette parfaite du type « ceci est une tasse », le modèle rencontre des situations ambiguës, plus proches de celles auxquelles est confronté un enfant. Il peut voir une tasse sur une table, entendre une phrase contenant plusieurs mots, puis retrouver plus tard une autre scène dans laquelle la tasse et son nom réapparaissent. La répétition et la comparaison des contextes peuvent alors rendre certaines associations plus probables.

Selon la présentation de l’étude, Plato a ainsi appris à associer des mots à des objets et à des actions, en développant une compréhension initiale du langage. Les chercheurs jugent les résultats prometteurs, car ils montrent qu’une IA peut tirer des connaissances de données moins massives et davantage ancrées dans une expérience concrète.

Il faut toutefois employer le mot « compréhension » avec prudence. Dans ce contexte, il désigne la capacité du système à établir des correspondances utiles entre un signal sonore, une image et une situation. Il ne permet pas d’affirmer que l’IA possède la compréhension sociale, émotionnelle ou intentionnelle d’un enfant humain. Apprendre qu’un mot est souvent associé à un objet ne revient pas à saisir l’ensemble des usages, des intentions et des nuances qui entourent ce mot dans une conversation.

Des résultats encourageants, mais pas un enfant artificiel

Le principal apport de l’expérience est de montrer qu’un modèle entraîné à partir d’expériences quotidiennes peut acquérir des compétences linguistiques élémentaires. Elle renforce l’idée que l’apprentissage du langage ne dépend pas uniquement d’une gigantesque quantité de textes annotés, mais aussi de la façon dont paroles et perceptions sont reliées.

Pour autant, le protocole ne permet pas de conclure qu’une IA apprend exactement comme un enfant. Les enfants disposent d’un corps, d’une mémoire autobiographique, d’émotions, d’interactions sociales continues et de capacités motrices. Ils peuvent désigner un objet, demander une précision, imiter un geste ou modifier leur comportement en fonction de la réaction d’un adulte. Plato analyse des données, mais il n’agit pas dans le monde comme Sam le fait.

Les résultats communiqués ne fournissent pas non plus, dans la présentation du projet, de mesure détaillée permettant d’établir une équivalence stricte avec le niveau linguistique d’un enfant du même âge. La comparaison doit donc rester limitée : il s’agit d’une proximité dans le type de données mobilisées, non d’une identité entre intelligence humaine et intelligence artificielle.

Pourquoi cette recherche intéresse aussi les sciences cognitives

Les chercheurs ne cherchent pas seulement à améliorer des logiciels. En essayant de faire apprendre une machine dans des conditions inspirées du développement précoce, ils construisent aussi un instrument pour tester des hypothèses sur l’acquisition du langage.

Une question centrale est celle de l’efficacité des données. Si un modèle parvient à apprendre certaines associations à partir d’une fraction limitée d’expérience quotidienne, cela peut aider à identifier les indices les plus informatifs : la répétition des mots, la présence d’un objet dans le champ visuel, la structure des échanges avec les adultes ou encore la succession des actions.

L’approche audio-visuelle peut également éclairer les limites des systèmes fondés uniquement sur du texte. Les mots ne renvoient pas tous à des objets facilement observables, mais les mots désignant des objets ou des gestes constituent un bon terrain pour étudier l’ancrage du langage dans la perception. À terme, ces travaux pourraient aider à concevoir des modèles plus capables de tenir compte de leur contexte physique ou visuel.

Les données d’enfants exigent un cadre rigoureux

L’usage de vidéos montrant le quotidien d’un enfant soulève des questions éthiques spécifiques. Même lorsqu’elles servent la recherche, ces données peuvent contenir des visages, des voix, des habitudes, des lieux ou des informations sur l’entourage. Elles appellent donc une attention renforcée au consentement, à la limitation des données collectées, à leur sécurisation et aux conditions dans lesquelles elles peuvent être consultées ou réutilisées.

Ces précautions sont d’autant plus importantes que les données du quotidien sont riches. Cette richesse fait leur valeur scientifique, mais elle augmente aussi le risque d’identification ou de détournement. Le développement de modèles inspirés de l’apprentissage humain ne peut être dissocié de règles précises sur la protection des personnes filmées, surtout lorsqu’il s’agit de mineurs.

Le débat porte aussi sur l’interprétation des résultats. Une démonstration technique impressionnante peut être rapidement présentée comme une preuve que les machines pensent comme les humains. Or l’analogie avec l’enfant est une méthode de recherche, pas une conclusion sur la nature de l’IA. La communication autour de ces projets doit rendre visibles leurs succès, mais aussi leurs limites expérimentales.

Ce qu’il faut surveiller

La prochaine étape sera de déterminer jusqu’où ce type d’apprentissage peut aller. Les chercheurs envisagent d’explorer davantage cette méthode pour améliorer la capacité des IA à traiter des concepts plus complexes et des contextes variés. L’enjeu sera de vérifier si les associations initiales entre mots, objets et actions peuvent se transformer en capacités plus robustes de raisonnement, de dialogue ou d’adaptation.

Il faudra aussi comparer cette approche à d’autres méthodes. Les modèles entraînés sur de vastes ensembles de textes demeurent très performants pour produire et analyser le langage. Les données issues d’expériences concrètes pourraient les compléter, notamment pour des tâches où voir, entendre et situer une action apporte une information décisive. Elles ne les remplacent pas mécaniquement.

Enfin, ce champ de recherche devra concilier ambition scientifique et prudence éthique. Comprendre comment les enfants apprennent peut ouvrir des pistes pour l’IA et pour les sciences cognitives. Mais aucune expérience sur des données humaines, a fortiori sur celles d’un enfant, ne dispense de protéger la vie privée, de documenter les limites du modèle et d’éviter les comparaisons hâtives entre calcul statistique et développement humain.