Les modèles cérébraux de Carnegie Mellon mis à l’épreuve du réel

Carnegie Mellon University a fait son apparition dans Google News avec une affirmation précise en NeuroAI : des modèles d’apprentissage automatique peuvent prédire la manière dont certaines parties du cortex visuel humain réagissent aux images. Ces travaux font passer la recherche sur le cerveau de l’enregistrement de l’activité à sa prévision. Pourtant, un modèle qui prédit des signaux neuronaux n’explique pas automatiquement le fonctionnement de la vision biologique.

Cette distinction est au cœur de la tension. L’équipe de Maggie Henderson recueille des données d’imagerie par résonance magnétique fonctionnelle, ou fMRI, qui mesure les variations du flux sanguin associées à l’activité neuronale. Les chercheurs comparent ensuite ces mesures aux représentations produites au sein de réseaux neuronaux profonds.

L’approche s’inscrit dans un long échange entre les neurosciences et l’intelligence artificielle. Les premiers réseaux neuronaux ont emprunté des idées à la biologie. Aujourd’hui, les neuroscientifiques utilisent des systèmes de vision par ordinateur comme modèles testables de la perception.

Ce renversement crée de nouvelles possibilités, mais soulève aussi une question scientifique difficile. Un modèle peut correspondre à l’activité cérébrale enregistrée tout en reposant sur des calculs différents de ceux effectués par le cerveau. La prédiction constitue donc un point de départ, pas une explication définitive.

Ce que révèle réellement le titre de Google News

Carnegie Mellon considère l’IA comme un instrument prédictif pour les neurosciences, et non comme une machine capable de lire les pensées ou de recréer tout ce qu’une personne voit.

L’histoire a émergé dans Google News après que Carnegie Mellon a présenté son programme NeuroAI plus vaste le 24 août 2026. Cette présentation publique rassemble plusieurs projets liés, plutôt que d’annoncer un produit finalisé.

Henderson, professeure adjointe en psychologie, étudie la manière dont le cerveau transforme les entrées visuelles en représentations d’objets et de scènes. Son équipe enregistre des données fMRI pendant que des personnes regardent des images. Elle construit ensuite des modèles computationnels qui prédisent les réponses de différentes zones visuelles.

Les modèles utilisent des caractéristiques internes apprises par des réseaux neuronaux profonds. Une caractéristique est un motif qui aide un réseau à distinguer des informations telles que la forme, la texture, la couleur ou l’identité d’un objet. Les chercheurs peuvent vérifier si ces caractéristiques prédisent des motifs dans les données cérébrales humaines.

C’est important, car l’imagerie cérébrale conventionnelle produit souvent des corrélations sans fournir de compte rendu computationnel complet. Une région peut devenir plus active lors d’une tâche, mais cette observation n’identifie pas le calcul effectué.

Un modèle calculable à partir d’un stimulus franchit une étape supplémentaire. Il reçoit une entrée physique, telle qu’une image ou un son, et génère une réponse neuronale prédite. Les scientifiques peuvent comparer cette prédiction à une réponse mesurée chez une personne ou un animal.

Jenelle Feather, une autre chercheuse de Carnegie Mellon, a décrit ces modèles comme des systèmes qui passent directement d’un stimulus à une prédiction neuronale. Ses travaux comprennent des tests visant à déterminer si les réseaux artificiels conservent et écartent des informations d’une manière qui ressemble aux systèmes sensoriels biologiques.

La couverture récente ne doit pas être interprétée comme la preuve que Carnegie Mellon a reconstruit l’expérience visuelle privée d’une personne. Les travaux cités se concentrent sur la prédiction de réponses à des entrées contrôlées. Cela diffère du décodage d’une image inconnue à partir de la seule activité cérébrale.

Cette distinction sépare également cette recherche des titres sur la lecture cérébrale à visée clinique. Le projet de Henderson étudie les représentations impliquées dans la perception. Il n’établit pas de méthode générale pour extraire des croyances, des souvenirs ou des intentions à partir de scanners fMRI.

Le programme de Carnegie Mellon marque néanmoins un changement méthodologique concret. Les chercheurs peuvent passer de la question de savoir où l’activité apparaît à celle de savoir si un modèle computationnel anticipe cette activité.

Le programme NeuroAI de l’institution relie également ces travaux visuels à l’audition, aux interfaces cerveau-machine, à l’IA adaptative et à la cartographie des circuits neuronaux. Ces projets partagent un objectif : transformer des mesures descriptives en modèles qui génèrent des prédictions falsifiables.

Le cadrage de Google News résume cet agenda dans un titre simple sur le « sens de l’image » du cerveau. L’histoire sous-jacente est plus nuancée. L’IA fournit des explications candidates, tandis que les expériences déterminent si ces explications résistent à l’épreuve.

Pourquoi prédire le cortex visuel est important aujourd’hui

L’occasion vient de la combinaison de meilleures mesures neuronales et de modèles informatiques capables de traiter les mêmes stimuli complexes que ceux vus par les participants aux recherches.

Les anciennes expériences en neurosciences visuelles utilisaient souvent des stimuli simples, notamment des barres, des points et des motifs contrôlés. Ces expériences ont révélé des principes essentiels, tels que des neurones répondant à certaines orientations de contours.

Les scènes naturelles introduisent bien plus de variables. Une photographie de rue peut contenir des visages, des véhicules, des ombres, du texte, des indices de profondeur et des objets qui se chevauchent. Isoler la contribution de chaque caractéristique devient difficile.

Les réseaux de vision par ordinateur offrent une représentation intermédiaire pratique. Leurs couches transforment les pixels en caractéristiques de plus en plus abstraites. Les chercheurs peuvent se demander si ces transformations ressemblent aux changements mesurés dans le cortex visuel.

Cette comparaison n’oblige pas les chercheurs à affirmer qu’un réseau artificiel est une copie littérale du cerveau. Un réseau devient plutôt un modèle candidat parmi plusieurs. Ses prédictions peuvent être testées par rapport aux données enregistrées.

Cette approche est devenue plus utile, car les modèles d’apprentissage automatique peuvent traiter à grande échelle des images non retouchées. Ils peuvent aussi générer une réponse prédite pour une image qui n’a pas été incluse lors de l’ajustement du modèle.

La généralisation à des stimuli jamais vus est cruciale. Un modèle qui ne fait que reproduire ses observations d’entraînement a peut-être mémorisé des motifs statistiques. Un modèle qui prédit de nouvelles réponses offre des preuves plus solides qu’il a saisi quelque chose de réutilisable.

Les chercheurs ont toutefois besoin de davantage que d’une précision globale. Deux systèmes peuvent obtenir des scores prédictifs similaires tout en utilisant des mécanismes internes différents. Un modèle peut exploiter la texture, tandis qu’une personne s’appuie davantage sur la forme ou le contexte.

Ce problème met sous pression la culture des benchmarks la plus familière dans le domaine. La recherche en IA récompense souvent les performances sur un jeu de données fixe. Les neurosciences ont besoin d’expériences qui distinguent des mécanismes concurrents, même lorsque ces mécanismes obtiennent des scores similaires sur des images ordinaires.

Les travaux de Carnegie Mellon s’inscrivent dans un effort plus large visant à constituer des jeux de données aux mesures plus riches. Le projet MICrONS a associé des enregistrements d’activité neuronale à une reconstruction détaillée des connexions physiques dans le cortex visuel de souris.

Le projet a cartographié un millimètre cube de tissu contenant environ 200 000 cellules et plus de 500 millions de connexions. Les chercheurs ont enregistré les réponses à des stimuli visuels avant de reconstruire ce même tissu à une résolution extrêmement fine.

Cette association est importante parce que l’activité et l’anatomie proviennent généralement d’expériences distinctes. MICrONS permet aux chercheurs d’examiner comment le câblage, les réponses neuronales et le comportement computationnel sont liés au sein d’un même morceau de tissu.

Le professeur de Carnegie Mellon Xaq Pitkow a contribué au développement de modèles reliant ces couches. Les chercheurs peuvent fournir des scènes visuelles à un modèle, prédire des réponses neuronales et comparer ces prédictions à l’activité enregistrée.

La carte cérébrale MICrONS permet également d’explorer des questions que ses enquêteurs initiaux n’avaient pas anticipées. Les jeux de données publics permettent à d’autres équipes de tester des modèles alternatifs sans répéter l’ensemble du processus de mesure.

Cette infrastructure explique pourquoi la NeuroAI attire aujourd’hui l’attention. Le domaine dispose de modèles plus performants, de jeux de données plus vastes, de mesures plus fines et d’outils pour concevoir des expériences ciblées. Ces ingrédients peuvent transformer les débats philosophiques sur l’intelligence en comparaisons empiriques.

Prédiction et explication sont les véritables adversaires

Le principal affrontement n’oppose pas les neurosciences à l’IA. Il oppose la précision prédictive à une explication fidèle du calcul biologique.

Un modèle peut prédire une réponse neuronale pour de mauvaises raisons. Cette possibilité est bien connue en apprentissage automatique, où un classifieur peut exploiter des motifs d’arrière-plan plutôt que l’objet visé.

Le même danger s’applique aux modèles du cerveau. Un réseau peut être corrélé à l’activité parce que ses caractéristiques suivent des statistiques d’image utiles. Cette corrélation n’établit pas que le cerveau calcule ces caractéristiques de la même manière.

Les chercheurs ont donc besoin d’interventions qui distinguent des modèles paraissant par ailleurs tout aussi performants. Les photographies ordinaires échouent souvent à remplir ce rôle, car de nombreux modèles compétents les classent de manière similaire.

Nikolaus Kriegeskorte et ses collaborateurs ont proposé d’utiliser des « stimuli controversés » synthétiques. Il s’agit d’images conçues pour amener des modèles concurrents à produire des prédictions différentes. Les chercheurs montrent ensuite ces mêmes images à des humains ou à des animaux.

Une image ambiguë peut ressembler à un trois pour un modèle et à un sept pour un autre. Les jugements humains peuvent indiquer quel modèle correspond le mieux à la perception biologique. Les deux modèles peuvent également échouer, révélant la nécessité d’une autre théorie.

Cette stratégie transforme le désaccord en atout expérimental. Plutôt que de célébrer une forte corrélation moyenne, les scientifiques recherchent des cas où les explications concurrentes divergent.

Une discussion de 2026 du Zuckerman Institute de Columbia souligne que des modèles accomplissant la même tâche peuvent utiliser des calculs différents. Son approche de désaccord entre modèles apporte un contrepoids important aux affirmations générales sur une IA semblable au cerveau.

L’interprétabilité pose un deuxième défi. Les grands réseaux neuronaux peuvent contenir des millions ou des milliards de paramètres ajustables. Leur complexité peut les rendre difficiles à analyser, même lorsqu’ils prédisent avec précision l’activité neuronale.

Un rapport de Carnegie Mellon publié en février 2026 a décrit les efforts d’une autre équipe pour compresser les modèles du cortex visuel sous des formes beaucoup plus petites. Les modèles obtenus étaient des milliers de fois plus simples tout en conservant une forte précision prédictive.

Ces modèles compacts ont aidé les chercheurs à examiner des caractéristiques associées aux réponses neuronales individuelles. Les exemples incluaient une sensibilité aux yeux dans les visages et aux points dans des motifs visuels.

L’enjeu ne se limitait pas à l’efficacité computationnelle. Un modèle plus petit peut révéler des relations que les chercheurs peuvent transformer en hypothèses de laboratoire.

Matt Smith, professeur de Carnegie Mellon impliqué dans ces travaux, a soutenu que les scientifiques n’ont pas besoin de réseaux massifs pour comprendre les neurones individuels. Les modèles de vision compacts ont été conçus pour préserver la prédiction tout en améliorant leur accessibilité scientifique.

La compression ne résout pas tous les problèmes explicatifs. Un modèle simplifié peut rester biologiquement inexact. Il peut aussi masquer des mécanismes qui comptaient dans le réseau d’origine.

Toutefois, la compression crée une cible plus claire pour les expériences. Les chercheurs peuvent vérifier si une caractéristique proposée active systématiquement un neurone dans différentes images, différents contextes et chez différents sujets.

Le flux de travail NeuroAI le plus robuste comporte donc plusieurs étapes. Un grand modèle identifie d’abord une structure prédictive. Les chercheurs simplifient ou interprètent ensuite cette structure. Enfin, des expériences ciblées tentent de la réfuter.

Cette séquence distingue la modélisation scientifique de l’appariement de motifs. Elle explique aussi pourquoi l’actuel article de Google News ne devrait pas s’arrêter à un score prédictif. Le résultat significatif apparaît lorsqu’une prédiction résiste à une expérience conçue pour la faire échouer.

La cartographie cérébrale ne comble pas le fossé des mesures

Les modèles de NeuroAI restent limités par ce que les chercheurs peuvent mesurer, les espèces qu’ils étudient et l’écart entre les expériences contrôlées et la perception naturelle.

Les travaux de Henderson sur l’humain s’appuient sur l’IRMf, qui offre une large couverture spatiale sans enregistrer directement chaque influx électrique. Son signal reflète des variations de l’oxygénation sanguine associées à l’activité neuronale.

Ce signal indirect arrive plus lentement que les événements neuronaux à l’origine de la perception. Un modèle peut prédire un motif d’IRMf sans capturer la séquence rapide de calculs qui l’a produit.

L’IRMf humaine moyenne également l’activité de nombreux neurones. Deux mécanismes cellulaires distincts peuvent générer des mesures similaires à grande échelle. Les chercheurs devraient éviter de considérer une correspondance régionale comme une explication neuronale complète.

MICrONS fournit des détails anatomiques et cellulaires bien plus fins, mais son principal jeu de données visuelles provient du cortex de souris. La vision de la souris constitue un sujet de recherche précieux, mais elle diffère de la vision humaine par son anatomie, ses comportements et ses contraintes écologiques.

Les projets se complètent plutôt que de former un modèle unifié du cerveau humain. L’imagerie humaine est pertinente pour la perception humaine. Les enregistrements animaux et la reconstruction des tissus offrent une résolution généralement inaccessible chez des personnes vivantes.

Le comportement naturel ajoute un autre écart. Un participant qui regarde des images fixes dans un scanner ne perçoit pas le monde dans des conditions ordinaires. La vision quotidienne implique des mouvements oculaires, le mouvement, l’action, la mémoire et l’évolution des objectifs.

SCENE, la Simons Collaboration on Ecological Neuroscience, répond en partie à cette limite. Cette initiative de dix ans bénéficie d’un soutien de 80 millions de dollars et étudie comment les cerveaux transforment la perception en action dans des environnements réalistes.

Ses chercheurs examinent les affordances, c’est-à-dire les possibilités d’action qu’offre un environnement. Une chaise permet de s’asseoir, tandis qu’un chemin dégagé permet de se déplacer.

Cette approche déplace l’objectif : il ne s’agit plus de reconnaître des objets, mais de déterminer ce qui compte pour le comportement. Elle impose aussi des exigences de modélisation plus difficiles. Un système utile doit relier l’entrée sensorielle au contexte, à l’incertitude et à l’action.

L’ampleur de SCENE témoigne d’une confiance à long terme dans cette direction de recherche. Elle ne garantit pas que les réseaux neuronaux actuels contiennent déjà les mécanismes pertinents.

L’initiative SCENE de Carnegie Mellon combine apprentissage automatique, enregistrement neuronal et expériences comportementales. Sa durée donne aux équipes le temps d’élaborer des théories, de collecter des données et de réviser leurs modèles après des échecs.

Une autre incertitude concerne les différences entre les individus. L’anatomie cérébrale, l’expérience, l’attention et les conditions de scan peuvent modifier les réponses mesurées. Un modèle ajusté à un groupe peut ne pas se généraliser proprement à un autre.

Les chercheurs doivent également se prémunir contre l’évaluation circulaire. Si la sélection et le test des modèles reposent sur des images ou mesures étroitement liées, les performances peuvent paraître plus solides que ne le justifie leur généralisation dans le monde réel.

Des jeux de données indépendants offrent un meilleur test. Une réplication entre laboratoires renforcerait davantage la confiance, surtout lorsque les équipements, les participants et les choix analytiques diffèrent.

Les affirmations concernant de futures applications cliniques exigent une prudence particulière. Un modèle prédictif de l’activité sensorielle saine n’est pas automatiquement un modèle de traitement. La transposition médicale exige des preuves de sécurité, une validation spécifique aux patients et des bénéfices mesurables.

Feather a décrit une voie possible impliquant les appareils auditifs et les implants cochléaires. Les chercheurs pourraient modéliser un système auditif sain, simuler une déficience et concevoir un traitement destiné à restaurer un code neuronal plus sain.

Il s’agit d’une direction de recherche, non d’un résultat clinique établi. Les hypothèses du modèle doivent rester valables selon les dispositifs, les patients, les environnements et l’évolution des systèmes neuronaux.

La même prudence s’applique aux interfaces cerveau-machine et à la restauration de la vision. De meilleurs modèles peuvent suggérer des cibles et des expériences. Ils ne peuvent pas remplacer les essais cliniques ni les mesures directes des résultats chez les patients.

Ces limites n’invalident pas NeuroAI. Elles définissent le travail nécessaire pour passer d’une corrélation intéressante à une description fiable de la perception.

Comment les modèles cérébraux pourraient remodeler l’intelligence artificielle

La valeur bidirectionnelle de NeuroAI dépend de l’identification de principes biologiques qui améliorent les machines, et non du simple fait de rendre les systèmes d’IA plus semblables aux humains.

La vision par ordinateur a déjà emprunté le langage et la structure des neurosciences. Les neurones artificiels, le traitement en couches et les champs réceptifs reflètent une inspiration biologique, même si les systèmes modernes diffèrent considérablement des cerveaux réels.

Ce nouvel échange pose la question de ce qui manque encore à l’IA actuelle. Les animaux apprennent en continu, agissent dans des conditions changeantes et s’adaptent sans recevoir des millions d’exemples étiquetés pour chaque tâche.

Les recherches d’Aran Nayebi à Carnegie Mellon étudient l’apprentissage animal comme source de cibles d’ingénierie. Son groupe examine comment les agents biologiques explorent et ajustent leur comportement sans s’appuyer à chaque étape sur un objectif soigneusement spécifié.

Cette voie compte, car de bons résultats sur les benchmarks peuvent masquer une certaine fragilité. Un système de vision par ordinateur peut classer correctement des images familières, puis échouer après de légers changements de texture, d’éclairage ou de point de vue.

La vision biologique associe rapidité et flexibilité. Elle utilise le contexte, l’expérience antérieure, le mouvement et l’incertitude. Les chercheurs en NeuroAI veulent déterminer lesquelles de ces propriétés découlent de calculs spécifiques, plutôt que de comparaisons vagues.

Les travaux de Pitkow avec MICrONS en offrent un exemple. Son analyse a identifié des neurones qui semblent sensibles à des motifs visuels cohérents tout en répondant également à la scène environnante.

De tels neurones pourraient contribuer à représenter les contours des objets sans ignorer le contexte. Cet équilibre est pertinent pour les systèmes artificiels opérant dans des environnements encombrés ou inconnus.

Les chercheurs ont également observé des réponses différentes aux images artificielles simples et aux scènes naturalistes. Le caractère naturel d’une image modifiait à la fois la sélectivité neuronale et la dépendance au contexte.

Ce résultat met en garde contre l’idée que des stimuli contrôlés révèlent tout de la vision dans le monde réel. Il suggère aussi que l’évaluation de l’IA devrait inclure des environnements variés plutôt qu’un seul benchmark soigneusement sélectionné.

Les modèles cérébraux compacts représentent une autre voie d’ingénierie possible. Si un petit modèle interprétable conserve le comportement utile d’un réseau plus grand, les développeurs peuvent étudier quels calculs sont essentiels.

Ce processus ressemble à la distillation des connaissances en apprentissage automatique, où un système plus petit apprend des comportements utiles d’un système plus grand. Les neurosciences ajoutent un objectif différent : la représentation distillée devrait générer des hypothèses sur le traitement biologique.

Ces hypothèses pourraient à terme influencer la robotique, les interfaces adaptatives, les prothèses sensorielles ou les systèmes de perception économes. La similarité biologique ne devrait toutefois pas devenir une promesse produit automatique.

Un système peut être efficace sans ressembler à un cerveau. À l’inverse, un modèle peut reproduire une mesure neuronale sans devenir plus sûr, plus fiable ou plus intelligent.

Les développeurs devraient donc se demander ce qu’apporte une contrainte biologique. Améliore-t-elle l’efficacité en données, l’adaptation, la consommation énergétique, la gestion de l’incertitude ou la résistance aux changements de distribution ?

La même rigueur s’applique aux équipes qui suivent ces travaux via Google News. Un flux de travail de recherche utile devrait conserver l’article original, le contexte institutionnel, les interprétations concurrentes et les questions non résolues.

Une base de connaissances personnelle peut aider les chercheurs à relier ces éléments au fil du temps. L’objectif n’est pas de collecter davantage de titres. Il consiste à conserver les preuves nécessaires pour comparer les affirmations avec les résultats ultérieurs.

NeuroAI intéressera les créateurs de produits lorsque ses principes résisteront à des tests hors du laboratoire. D’ici là, il demeure une source productive d’hypothèses plutôt qu’un plan prêt à l’emploi pour une intelligence générale.

Trois signaux à surveiller après le cycle Google News

La prochaine phase devrait être évaluée au regard d’expériences discriminantes, d’une validation entre sujets et de résultats issus de comportements plus naturels.

Le premier signal sera de savoir si les chercheurs publient des tests conçus spécifiquement pour faire diverger les principaux modèles. Les scores de prédiction moyens sont utiles, mais ils révèlent rarement si deux systèmes utilisent le même mécanisme.

Les stimuli controversés offrent un test plus précis. Si les modèles de Carnegie Mellon prédisent les réponses humaines à des images ambiguës ou adversariales, l’interprétation biologique devient plus solide.

Un échec serait également instructif. Si chaque modèle candidat prédit mal les mêmes réponses, les chercheurs obtiennent des indices qu’un calcul important manque à l’appel.

Le deuxième signal est la généralisation entre personnes, jeux de données et laboratoires. Un modèle devrait prédire des mesures au-delà des participants et des conditions de scan utilisés pour le développer.

Une réplication indépendante réduirait la probabilité que les résultats dépendent d’un pipeline de prétraitement particulier ou d’une collection d’images donnée. Elle montrerait également le niveau de calibration nécessaire pour chaque nouveau participant.

Pour la recherche clinique, ce signal devient essentiel. Les dispositifs personnalisés nécessitent une adaptation individuelle, mais aussi une base fiable qui se transfère d’un utilisateur à l’autre.

Le troisième signal est le passage des images isolées vers les séquences et le comportement actif. Les chercheurs de Carnegie Mellon ont déjà identifié la vidéo et la perception dépendante du temps comme des prochaines étapes importantes.

La vidéo oblige les modèles à suivre le mouvement, l’évolution du contexte et la continuité temporelle. Les tâches actives ajoutent des décisions, des mouvements oculaires et des conséquences.

L’orientation écologique de SCENE propose une version à plus long terme de ce test. Les modèles doivent finalement expliquer comment la perception guide l’action dans l’incertitude, et pas seulement comment un cerveau immobile répond à une image choisie.

Ces signaux devraient orienter la manière dont les lecteurs interprètent le prochain titre de Google News. Un score prédictif plus élevé renforce l’argument d’ingénierie. Il ne tranche pas la question scientifique à moins que le test ne distingue des mécanismes concurrents.

Les travaux actuels sont importants parce qu’ils fournissent aux neurosciences des modèles capables d’échouer de façon précise. C’est plus précieux qu’une affirmation générale selon laquelle l’IA aurait décodé la vision.

Carnegie Mellon a réuni des chercheurs, des jeux de données et des collaborations autour d’un programme NeuroAI crédible. Les travaux de Henderson sur l’imagerie humaine relient les images à des réponses corticales prédites. MICrONS associe l’activité au câblage microscopique, tandis que SCENE pousse vers le comportement dans des environnements naturels.

La promesse la plus forte du programme est méthodologique. L’IA peut proposer des descriptions computationnelles assez rapidement pour que les neuroscientifiques les testent, les rejettent, les condensent et les affinent.

Son plus grand risque est l’inflation interprétative. La prédiction peut être confondue avec l’explication, et la ressemblance biologique avec l’intelligence.

Les lecteurs devraient suivre les expériences qui mettent ces écarts en évidence. Surveillez les images qui font diverger les modèles, les résultats qui se transfèrent d’une personne à l’autre et les prédictions qui résistent au mouvement dans le monde réel.

Ces tests détermineront si Carnegie Mellon a trouvé un meilleur modèle de la vision ou seulement un meilleur ajustement aux mesures actuelles. Quel résultat rendrait, selon vous, la prochaine affirmation sur NeuroAI convaincante ?