Нейросеть планирует и воображает как мозг: работа в Nature Machine Intelligence

Un réseau de neurones planifie et imagine comme un cerveau : une étude dans Nature Machine Intelligence

Des chercheurs dirigés par Lin et ses collègues ont publié le 21 juillet 2026 dans la revue Nature Machine Intelligence un modèle génératif inspiré du fonctionnement du cerveau : il planifie des actions et résout des tâches en s'appuyant sur des cartes cognitives et en apprenant uniquement grâce à la plasticité synaptique locale.

Sur quoi repose le modèle

Le modèle de Lin et ses collègues combine trois mécanismes, chacun emprunté à la neurobiologie. À sa base se trouvent les cartes cognitives, des représentations internes de l'environnement grâce auxquelles le système « trace un itinéraire » vers un objectif avant même d'agir réellement.

• Publication — 21 juillet 2026, revue Nature Machine Intelligence (DOI 10.1038/s42256-026-01254-4)
• Auteurs — Lin et ses collègues (Lin et al.)
• Trois piliers du modèle : cartes cognitives, calcul stochastique, codage compositionnel
• Apprentissage — uniquement plasticité synaptique locale, sans rétropropagation globale de l'erreur
• Deux fonctions de l'intelligence : planification et résolution de tâches

Le calcul stochastique signifie que le modèle fonctionne par échantillonnage aléatoire (échantillonnage neuronal) : il ne fournit pas une seule réponse figée, mais parcourt les variantes possibles du futur. Le codage compositionnel permet d'assembler de nouvelles scènes et de nouveaux plans à partir d'éléments familiers — tout comme une personne imagine une situation qu'elle n'a jamais vécue.

En quoi cela diffère des réseaux de neurones ordinaires

Le modèle de Lin et ses collègues se distingue de la plupart des réseaux de neurones par sa méthode d'apprentissage. Les systèmes modernes apprennent par rétropropagation de l'erreur (backpropagation), qui exige un accès global à tous les poids du réseau et n'est pas biologiquement plausible. Ici, chaque connexion est mise à jour selon une règle locale — sur la base de signaux provenant des voisins les plus proches, comme cela se produirait vraisemblablement dans le cerveau vivant.

L'apprentissage local rapproche l'architecture de la biologie et la rend potentiellement plus économe pour le matériel neuromorphique, où les opérations globales sont coûteuses. Selon la formulation des auteurs, le modèle offre à la fois deux traits clés de l'intelligence — ce que les systèmes génératifs ordinaires n'imitent que partiellement.

«

Le modèle procure deux traits clés de l'intelligence : la planification et la résolution de tâches », — extrait de l'article de Lin et al. dans Nature Machine Intelligence.

Qu'est-ce que l'imagination orientée vers un but

L'imagination orientée vers un but est la capacité du modèle à « rejouer » mentalement des chemins vers un objectif donné. Plutôt que de simplement réagir à l'entrée actuelle, le système échantillonne des séquences d'actions possibles à partir de la carte cognitive et sélectionne celles qui mènent à l'objectif.

Cette approche rapproche la planification dans les machines de ce que fait le cerveau : d'abord un itinéraire imaginé, puis une étape réelle. C'est précisément la combinaison de trois éléments — carte cognitive, échantillonnage stochastique et apprentissage local — qui distingue ce travail des planificateurs purement techniques, qui ne prétendent pas à une plausibilité biologique et s'appuient généralement sur un apprentissage global.

Ce que cela signifie

Le travail de Lin et ses collègues est un pas vers des réseaux de neurones qui planifient et imaginent selon les principes du cerveau, et non pas seulement qui reconnaissent des motifs. La combinaison d'un apprentissage local et d'une inférence stochastique s'accorde bien avec les puces neuromorphiques économes en énergie et la robotique, où les deux fonctions annoncées — planification et résolution de tâches — sont particulièrement appréciées.