Mécanismes neuronaux et computationnels sous-jacents à l’apprentissage perceptif en un seul essai chez l’humain

Voir l’image cachée

Beaucoup de gens ont vécu ce moment soudain de « aha ! » quand une image en noir et blanc confuse se transforme d’un coup en une représentation claire d’un chien ou d’un visage — et une fois que vous l’avez vue, vous ne pouvez plus l’oublier. Cette étude interroge comment un bref aperçu d’une image claire peut modifier de façon permanente ce que nous voyons dans une version brouillée, et ce que cela révèle sur la manière dont notre cerveau — et les futurs systèmes d’intelligence artificielle — apprennent à partir d’un seul exemple.

De taches floues à la reconnaissance instantanée

Les chercheurs ont utilisé les classiques « images de Mooney » : des images très simplifiées en noir et blanc difficiles à reconnaître tant qu’on n’a pas vu la photo en niveaux de gris dont elles proviennent. Des volontaires ont d’abord essayé de nommer ce qu’ils voyaient dans ces images difficiles. Plus tard, ils ont brièvement vu les photos nettes correspondantes, puis ont réessayé les images difficiles. Après cette unique exposition, les participants ont soudain pu reconnaître les images autrefois mystérieuses, et cette amélioration a perduré. En modifiant avec précision les photos nettes — en les inversant gauche-droite, en les faisant pivoter, en changeant leur taille ou en déplaçant leur position à l’écran — l’équipe a cartographié quel type d’information visuelle le cerveau stocke réellement lors de cet apprentissage en un seul essai.

Où le cerveau stocke la nouvelle perception

Différents ajustements des images ont affecté l’apprentissage de façons distinctes. Agrandir ou réduire l’image nette d’un facteur deux n’a pas nui à l’apprentissage, ce qui suggère que le « gabarit » stocké par le cerveau est flexible en taille. Mais retourner, faire pivoter ou déplacer l’image à l’écran a affaibli l’apprentissage, sans le rendre impossible. Remplacer la photo nette par un autre exemplaire de la même catégorie — par exemple, un autre chien — a complètement éliminé l’apprentissage. Cela montre que le cerveau ne se contente pas de stocker l’idée « c’est un chien » ; il conserve plutôt une mémoire détaillée, de type image, de la forme et de la disposition spécifiques de cette image exacte. En combinant ces résultats comportementaux avec ce qui est connu du système visuel, les chercheurs ont pointé les régions visuelles de haut niveau, plutôt que les régions visuelles précoces ou des structures mnésiques comme l’hippocampe, comme le site probable de stockage de cette nouvelle connaissance.

Observer l’apprentissage se dérouler dans le cerveau

Pour confirmer cela, l’équipe a utilisé des scanners IRM ultra-haut champ à 7 Tesla et des enregistrements directs provenant d’électrodes placées sur le cerveau de patients épileptiques. Les expériences IRM ont montré que des neurones d’une région appelée cortex visuel de haut niveau répondaient à différentes versions du même objet (modifiées en taille, position ou orientation) exactement comme le prédisaient les tests comportementaux. Dans les enregistrements électrophysiologiques, le changement crucial est apparu d’abord dans ce cortex visuel de haut niveau : après l’apprentissage, les schémas d’activité déclenchés par l’image difficile sont devenus plus similaires à ceux déclenchés par son équivalent net, et cela s’est produit plus tôt ici que dans les aires visuelles primaires. Ce timing suggère que cette région est l’endroit où le nouveau « prior » est stocké et réactivé, puis envoie un feedback vers les aires visuelles précoces pour aider à interpréter un signal ambigu.

Construire une machine qui apprend en un essai

Les chercheurs ont aussi construit un modèle de réseau neuronal profond conçu pour imiter cette capacité. Leur système utilisait un transformeur de vision moderne comme moteur visuel « bottom-up », associé à un module spécial qui stocke l’information a priori et envoie un feedback « top-down » lorsqu’il voit ensuite une image apparentée. Entraîné sur des tâches de type Mooney, le modèle a montré un véritable apprentissage en un seul essai : sa précision a bondi après une seule exposition à l’image nette et a largement dépassé ce qui pourrait s’expliquer par une simple répétition. Il partageait même de nombreux succès et échecs identiques à ceux des observateurs humains sur des images spécifiques, et les caractéristiques internes apprises à partir des images nettes pouvaient prédire quelles images les personnes apprendraient ou n’apprendraient pas à reconnaître. Lorsque l’équipe a comparé l’information a priori stockée par le modèle aux scans cérébraux humains, elle a trouvé la correspondance la plus étroite dans les mêmes régions visuelles de haut niveau mises en évidence par les expériences.

Pourquoi cela compte pour les cerveaux et les machines

Pris ensemble, ces résultats suggèrent que nos moments soudains de « je le vois maintenant ! » surviennent lorsque des aires visuelles de haut niveau ajustent rapidement leurs connexions après une seule expérience, stockant un antécédent détaillé de type image qui peut ensuite remodeler la façon dont nous interprétons un signal bruité. Cette forme d’apprentissage rapide mais stable, ancrée dans le cortex visuel de haut niveau et soutenue par un feedback top-down, offre une feuille de route pour construire des systèmes d’IA capables d’apprendre à partir de très peu d’exemples. Elle fournit aussi un point de départ pour comprendre ce qui peut mal tourner lorsque la perception s’appuie trop sur des attentes a priori, comme dans certains troubles psychiatriques impliquant des hallucinations.

Citation: Hachisuka, A., Shor, J.D., Liu, X.C. et al. Neural and computational mechanisms underlying one-shot perceptual learning in humans. Nat Commun 17, 1204 (2026). https://doi.org/10.1038/s41467-026-68711-x

Mots-clés: apprentissage en un essai, perception visuelle, cortex visuel de haut niveau, apprentissage perceptif, réseaux neuronaux profonds