Qui créera le premier calculateur intelligent

Qui créera le premier calculateur intelligent ?
Laurent Perrinet*
Résumé
Les ordinateurs classiques sont de plus en plus puissants mais res-
tent toujours aussi ”stupides” : Impossible d’en trouver un avec lequel on
puisse dialoguer de façon naturelle. Aucun système visuel artificiel ne voit
aussi bien que nous, ou qu’une mouche ! Alors qui inventera le premier
calculateur intelligent ?
Un ordinateur, c’est bien pratique ! On peut jouer, communiquer, écrire des
lettres, même faire des calculs gigantesques ou chercher en un clin d’œil un mot
dans une encyclopédie. Pour ça ils sont excellents, mais si on leur demande
quelque chose de différemment intelligent, comme par exemple de raconter une
blague, on sera souvent déçu : Bref, les robots intelligents ça n’existe que dans les
films ! Mais alors comment définir l’intelligence ? Est-il possible de la comprendre
et de la ”mettre en boîte” ? Pour répondre à ces questions, une piste à explorer
est de s’adresser à notre cerveau : pouvons-nous formaliser les mécanismes de
la pensée et ensuite les copier afin de créer une machine qui soit vraiment dotée
d’intelligence ?
1 Et pourtant... ils pensent !
C’est bien le cerveau, en tant que centre de notre système nerveux, qui est le
siège de l’intelligence chez les animaux vertébrés. Il est le système le plus com-
plexe qu’il nous est donné d’étudier et notre connaissance de son fonctionnement
est encore très récente. À l’époque de l’invention de la machine à vapeur, on
pensait encore que le cerveau était ”fluide”, ce qui a donné les mots ”humeur” et
”humour”. Un précurseur est alors Santiago Ramón y Cajal. Il a pu le premier
montrer il y a déjà 100 ans que notre système nerveux central n’est pas un
milieu continu. En effet, on a plutôt affaire à un grand nombre de cellules spé-
cialisées, les neurones, elles-mêmes entourées de cellules nourricières, les cellules
gliales. La science de l’intelligence, ou neurosciences, était née !
*INCM, CNRS / Université de la Méditerranée, 31, ch. Joseph Aiguier, 13402 Marseille
Cedex 20, France, e-mail : Laurent.P[email protected], WWW : http://www.incm.
cnrs-mrs.fr/LaurentPerrinet- Ce travail a été financé par le projet européen ”FACETS” (EC
IP project FP6-015879).
1

Figure 1 – Cette figure montre une image obtenue par microscopie à fluores-
cence de neurones cultivés à partir de cellules souches d’embryons humains. Les
neurones apparaissent comme des noyaux (avec un diamètre moyen de 10 micro-
mètres) avec des terminaisons arborées. Celles-ci permettent de ”connecter” les
neurones entre-eux et de former des réseaux. À noter que la fluorescence marque
ici la présence des messagers synaptiques qui assurent la transmission d’infor-
mation entre deux neurones : en particulier le jaune révèle la dopamine dont la
carence est associée à la maladie de Parkinson. À la différence d’un ordinateur
classique, calculant très rapidement sur un petit nombre de processeurs syn-
chronisés grâce à une horloge centrale, le système nerveux central est constitué
d’un grand nombre de processeurs tout en étant dépourvu d’horloge centrale. De
plus, le langage est radicalement différent car les neurones communiquent entre
eux pricipalement par de brèves impulsions. Les neurones sont relativement si-
lencieux, en moyenne une opération élémentaire par seconde (à comparer aux
milliards d’un processeur classique actuel). Enfin personne ne ”programme” le
cerveau comme on le ferait avec un calculateur classique ! Au lieu de cela, l’en-
semble du système évolue de façon auto-organisée, c’est-à-dire en modifiant de
façon auto-régulée les paramètres essentiels de son activité, y compris la morpho-
logie des neurones, leur connectivité ou encore en changeant des concentrations
hormonales. Un ”programme neural” s’inscrit donc dans tous ces paramètres
et fait émerger des propriétés qui vont permettre au système d’effectuer toutes
sortes de calculs complexes, comme reconnaître le visage d’un ami, coordonner
ses mouvements pour conduire un vélo ou lire une revue scientifique... (Photo
prise au laboratoire de Xianmin Zeng du Buck Institute for Age Research.)
2

Chez l’homme, on compte environ 100 milliards neurones, un chiffre com-
parable à 10 fois la population humaine de la planète. Ils sont organisés en un
réseau complexe qui connecte chaque cellule à environ 10 mille autres ! A chaque
connexion correspond des molécules définies par des centaines d’éléments. Pour
se donner un ordre d’idée, ce sont donc à un potentiel de plus de 1011 ×104×103
= 1018 éléments d’informations (soit de l’ordre de cent mille disques durs d’un
tera octet !) que correspond l’architecture de notre cerveau à chaque instant.
Cette organisation est immature chez le bébé : même si les grandes structures
anatomiques sont déjà en place, les connexions entre neurones sont largement
aléatoires. C’est par la maturation du nouveau-né, et par son interaction avec
le monde qui l’entoure, que cette organisation va progressivement se mettre en
place. Petit à petit, les neurones, qui sont de ”bêtes” cellules microscopiques,
vont se connecter et s’associer. Dans les aires visuelles par exemple, des neu-
rones vont développer une préférence pour certaines classes de signaux comme
les lignes Les neurones peuvent alors s’organiser à de plus grande échelle des
populations de neurones. Les différentes parties du cerveau vont progressive-
ment se spécialiser chez le jeune adulte jusqu’à produire des fonctions cognitives
efficaces, comme la vision ou la motricité, pour par exemple produire des mouve-
ments coordonnés. Mais comment ce résultat peut-il émerger d’un simple réseau
de neurones ? Quelle ”magie” fait que les neurones puissent se parler ? Par quel
”miracle” peuvent-ils apprendre ? Ce sont là les questions qui nous fascinent
tant mais au lieu de parler de magie ou de miracle, essayons de comprendre
quels mécanismes se cachent derrière nos neurones.
2 Comment décrypter le langage des neurones ?
En grande majorité 1, les neurones communiquent par de brèves impulsions
électrochimiques, les potentiels d’action, qui -de façon assez surprenante- ont
des formes très similaires entre neurones dans le cerveau mais aussi au sein du
vivant (voir Figure 2) . On parle de potentiel d’action pour ces signaux car c’est
le fait que ce soit des impulsions qui permet de libérer des substances chimiques à
l’interface entre deux neurones, la synapse, et de propager de l’information d’un
neurone à l’autre. L’information est donc essentiellement transmise à travers de
brèves impulsions : comme en musique un simple rythme. Ce qui compte ici c’est
donc bien le temps, les instants où ces évènements sont émis. Le cerveau ne code
donc pas son information sous forme de valeur, mais code son information de
manière temporelle (le moment où l’impulsion est émise) et de manière spatiale
(l’endroit, c’est à dire le neurone, qui a émis cette information). Si on écoute
le signal émis par un neurone en l’amplifiant dans un haut-parleur, on entend
1. Nous négligerons les jonctions électriques entre neurones et le rôle encore largement
méconnu du rôle des cellules gliales en ce qui concerne le traitement de l’information.
3

en moyenne une impulsion par seconde, soit tout de même 10 milliards par
seconde pour l’ensemble du cerveau ! On peut reconnaître dans ce brouhaha soit
des rythmes, soit un bruit aléatoire, similaire à la pluie, soit des sons toniques
(”bang !”) ou encore des bouffées (”brrr.... brrr...”). Mais comment interpréter
cette information comme une donnée utile ?
Comme si nous étions trop près d’un écran de télévision à regarder des pixels
s’allumer et s’éteindre, ce niveau de description ne permet pas de comprendre
l’image globale qui pourrait être représentée dans l’activité neurale. Il faut donc
prendre du recul et des progrès récents en imagerie permettent maintenant de
mieux capturer l’essence de ce langage (voir Figure 2). Il n’est pas comme le
français ou toute autre langue humaine, un assemblage organisé par une gram-
maire de mots attachés à des symboles. A l’inverse, le code neural possède un
seul mot, le potentiel d’action. Mais pour chaque neurone cet événement peut
venir d’un grand nombre de voisins : l’architecture est parallèle. De plus, la ré-
ponse du neurone est grandement dépendante de la séquence avec laquelle ces
impulsions convergent sur ses synapses bien que ces calculs élémentaires sont
effectués sans qu’il existe d’horloge centrale : La dynamique est asynchrone.
Enfin, les neurones par leur multiples interactions forment un réseau compact
et ne peuvent plus être considérés seuls, mais uniquement dans le contexte du
réseau auxquels ils sont connectés : le code est distribué. Dans ce cadre, le code
neural n’est pas un langage comme celui qui est implanté dans les ordinateurs. Il
est plus correct de le considérer comme le résultat de la superposition d’un très
grand nombre de processus parallèles. On parle alors de système dynamique.
Comme on l’a compris, l’activité neurale, en s’appuyant sur la très forte
connectivité, porte l’information en la propageant à travers le cerveau. On peut
ainsi imaginer par exemple, comment l’information visuelle, pour un mot im-
primé sur une feuille de papier va être codée dans notre œil (plus précisément
sur notre rétine) pour ensuite rebondir dans le cortex visuel primaire (voir Fi-
gure 2), puis suivre des chemins parallèles pour déclencher la compréhension
de ce mot, et simultanément bouger le regard pour aller fixer le mot suivant.
La somme du travail effectué par chaque neurone pris individuellement (trans-
mettre des impulsions) semble pourtant dérisoire face à ce résultat ! Il y a une
clé qui pourrait permettre de comprendre globalement comment ces capacités
émergent : l’étude de l’apprentissage au sein du cerveau.
3 Apprentissage : un lien entre le tout et la somme des
parties
Dans un cerveau immature, le ”langage” parlé par les neurones est partiel-
lement embrouillé par la superposition souvent aléatoires de tous les messages
neuronaux. Comme l’a suggéré le neuropsychologue canadien Donald Hebb, la
4

Neurone modélisé
Neurone biologique
Neurone simulé
Cortex visuel
Image
rétinienne
0°
5
Figure 2 – (Partie Haute) Les techniques récentes d’imagerie permettent de
mieux comprendre certaines caractéristiques du code neural. Dans cet exemple,
on montre une image de l’activité cérébrale dans une partie occipitale (c’est à
dire à l’arrière) du cerveau chargée du traitement de l’information visuelle : le
cortex visuel primaire. Les figures représentent une zone de quelques centimètres
carrés de cortex et au-dessous la partie correspondante de notre espace visuel.
Les couleurs représentent différentes réponses des neurones selon certaines ca-
ractéristiques visuelles, ici l’orientation des lignes dans l’image. Les figures re-
présentent l’ensemble de l’activité neurale quand on présente un unique point
lumineux à la rétine à l’instant initial puis après quelques millisecondes : l’acti-
vité est d’abord locale, puis se propage au sein de la population, grâce au réseau
de connexions entre les neurones de différentes couleurs. Ce qui est remarquable
ici, c’est que le cerveau a une ”géographie” : à chaque zone correspond un traite-
ment bien identifié (ici visuel, ailleurs auditif, etc..) : explorer cette géographie,
permet d’explorer le fonctionnement du cerveau. (modifié depuis des données de
F. Chavane à l’INCM/CNRS.) (Partie Basse) Les neurosciences computation-
nelles étudient les propriétés de tels réseaux de neurones en terme de capacité de
calcul, par exemple en étudiant leur capacité à traiter de l’information. Une illus-
tration parfaite d’un tel système est ce système hybride qui étudie des neurones
biologiques, en les faisant interagir avec des neurones simulés sur ordinateur et
dans le futur avec des neurones construits sur des puces dédiées. (Figure par
Thierry Bal, modifié de G. Le Masson, S. Renaud-Le Masson, D. Debay and
T. Bal (2002). Feedback inhibition controls spike transfer in hybrid thalamic
circuits. Nature, 417 : 854-858.)
5