Stanford décortique la rétine comme un réseau de neurones interprétable dans le cours EE292R

Stanford Online a mis en ligne sur YouTube une conférence de Stephen Baccus, professeur de neurobiologie à l'université Stanford. Elle a été donnée dans le cadre du cours EE292R « AI and Data for Science », à l'automne 2026. Le sujet annoncé : des modèles mécanistiquement interprétables des calculs du système visuel précoce. Il s'agit de la rétine : elle compte de l'ordre de 100 millions de photorécepteurs, et l'information part vers le cerveau par environ un million de fibres du nerf optique. Cela représente une compression drastique, et la question de son fonctionnement exact reste un bon terrain pour l'interprétabilité.

Ce que l'on sait de la conférence

La description de la vidéo est avare en détails. Elle indique l'intervenant, le nom du cours, un lien vers le programme de l'automne 2026 et les hashtags #ComputationalNeuroscience, #MechanisticInterpretability et #Neuroscience. Aucun résultat, jeu de données ni métrique n'y figure. Tout ce qui dépasse cette liste est présenté ci-dessous comme du contexte tiré de travaux déjà publiés, et non comme un résumé de la conférence.

Le cours se présente comme un pont entre l'IA et les données scientifiques. Pour les ingénieurs en machine learning, le format est rare : le système biologique n'est pas une source de métaphores, mais un terrain d'essai où l'on peut tester des méthodes d'interprétation.

Pourquoi la rétine convient à l'interprétabilité mécaniste

La rétine possède trois propriétés que n'ont pas la plupart des grands modèles.

Premièrement, l'entrée est entièrement connue : c'est l'image que l'expérimentateur présente lui-même au tissu. Deuxièmement, la sortie peut être enregistrée : les électrophysiologistes mesurent l'activité des cellules ganglionnaires. Troisièmement, les couches intermédiaires (photorécepteurs, cellules bipolaires et amacrines) sont étudiées depuis longtemps et disposent de données indépendantes.

On obtient ainsi une situation rare : pour un modèle, on peut comparer non seulement les prédictions en sortie, mais aussi les nœuds internes avec de vrais neurones. Dans l'interprétabilité des LLM, une telle « vérité terrain » pour les états internes n'existe généralement pas.

Contexte : ce que le laboratoire de Baccus a déjà fait

Le groupe de Baccus, notamment en collaboration avec Surya Ganguli, a déjà publié des travaux sur les réseaux de neurones convolutifs comme modèles de la rétine. Dans un article de 2016 présenté à NIPS, ces modèles prédisaient les réponses des cellules ganglionnaires à des scènes naturelles plus précisément que les modèles linéaires-non linéaires classiques. Dans un travail plus récent, publié dans Neuron, les chercheurs ont analysé le fonctionnement interne de réseaux entraînés et mis leurs composants en correspondance avec des cellules de la rétine. À en juger par son sujet annoncé, la conférence prolonge cette ligne de recherche, mais on ne pourra le confirmer qu'après visionnage.

Paramètres clés du problème :

• entrée : scènes naturelles et stimuli visuels contrôlés ;
• sortie : réponses des cellules ganglionnaires, environ 1 million par rétine humaine ;
• compression : de l'ordre de 100 millions de photorécepteurs vers un seul canal de sortie ;
• méthode : interprétabilité mécaniste, c'est-à-dire la recherche d'éléments de calcul précis à l'intérieur du modèle ;
• validation : mise en correspondance des unités internes avec des enregistrements de vrais neurones.

Comment exploiter ce contenu en pratique

Si vous travaillez sur l'interprétabilité des modèles, regardez la conférence avec une question précise en tête : comment les auteurs démontrent-ils que le mécanisme trouvé dans le modèle correspond au mécanisme biologique, et pas seulement à une coïncidence statistique ? Ce critère s'applique à toute tâche pour laquelle vous disposez de données sur les états internes d'un système.

Si vous construisez des modèles pour des données scientifiques, prêtez attention au choix de l'architecture. Pour la rétine, il importe que les couches du réseau correspondent à l'anatomie ; sans cela, la comparaison avec les neurones perd son sens.

Enfin, avant de citer la conférence ou de bâtir des conclusions dessus, vérifiez son contenu directement dans la vidéo et dans le programme du cours. L'annonce ne contient aucun chiffre de résultat.