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

Une équipe de chercheurs dirigée par Lin a publié le 21 juillet 2026 dans la revue Nature Machine Intelligence un modèle génératif inspiré du fonctionnement du cerveau. Ce modèle planifie des actions et résout des problèmes en s'appuyant sur des cartes cognitives, et il apprend uniquement grâce à la plasticité synaptique locale.

Sur quoi repose le modèle

Le modèle de Lin et de ses collègues combine trois mécanismes, tous empruntés aux neurosciences. Son socle : les cartes cognitives, des représentations internes de l'environnement qui permettent au système de « tracer un itinéraire » vers l'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 par plasticité synaptique locale, sans rétropropagation globale de l'erreur
• Deux fonctions de l'intelligence : la planification et la résolution de problèmes

Le calcul stochastique signifie que le modèle fonctionne par tirage aléatoire (échantillonnage neuronal) : au lieu de fournir une unique réponse figée, il explore différents futurs possibles. Le codage compositionnel permet d'assembler de nouvelles scènes et de nouveaux plans à partir d'éléments familiers, à la manière d'un humain qui imagine une situation qu'il n'a jamais vécue.

En quoi cela diffère des réseaux de neurones classiques

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

L'apprentissage local rapproche l'architecture de la biologie et la rend potentiellement plus économe sur du matériel neuromorphique, où les opérations globales coûtent cher. Selon les auteurs, le modèle apporte à la fois deux traits clés de l'intelligence, que les systèmes génératifs classiques n'imitent que partiellement.

«

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

Qu'est-ce que l'imagination dirigée vers un but ?

L'imagination dirigée vers un but désigne la capacité du modèle à « rejouer » mentalement des trajectoires menant à un objectif donné. Plutôt que de simplement réagir à l'entrée courante, le système échantillonne des séquences d'actions possibles dans la carte cognitive et retient celles qui mènent à l'objectif.

Cette approche rapproche la planification chez les machines du fonctionnement du cerveau : d'abord un itinéraire imaginé, ensuite un pas réel. C'est précisément l'association de trois éléments — carte cognitive, échantillonnage stochastique et apprentissage local — qui distingue ce travail des planificateurs purement techniques, lesquels ne visent pas la vraisemblance biologique et s'appuient généralement sur un apprentissage global.

Ce que cela signifie

Le travail de Lin et de ses collègues constitue un pas vers des réseaux de neurones qui planifient et imaginent selon les principes du cerveau, et pas seulement reconnaissent des motifs. L'association d'un apprentissage local et d'une inférence stochastique s'adapte bien aux puces neuromorphiques économes en énergie et à la robotique, domaines où les deux fonctions revendiquées — planification et résolution de problèmes — sont particulièrement précieuses.