Un réseau neuronal pour modéliser la formation, la compréhension et la communication des concepts humains

Comment l’esprit transforme les perceptions en idées

Lorsque vous entendez le mot « dîner », vous pouvez imaginer une table, des odeurs et des sons, sans voir de nourriture. Cette capacité à transformer des visions et des sons riches en idées compactes, puis à les rappeler ensuite, soutient le langage, la planification et la compréhension partagée. L’article présente un nouveau type de réseau neuronal artificiel qui cherche à capturer cette magie quotidienne de l’esprit humain, offrant des perspectives sur la manière dont le cerveau organise les connaissances et sur la façon dont de futures machines pourraient penser de manière plus humaine.

Compresser des expériences riches en codes simples

Les auteurs partent d’une question simple : comment le cerveau compresse-t-il des entrées sensorielles détaillées en un ensemble réduit de concepts, puis utilise-t-il ces concepts de façon flexible ? Les réseaux artificiels actuels excellent à reconnaître des images, mais dissimulent ce qu’ils apprennent dans des millions de paramètres, rendant difficile la réutilisation des connaissances ou leur partage avec d’autres systèmes. Les grands modèles de langage, eux, reposent sur des mots humains déjà existants, plutôt que de construire des concepts directement à partir d’images et de sons. Le nouveau cadre, appelé CATS Net, est conçu pour modéliser à la fois la formation et l’utilisation des concepts au sein d’un même système, en partant uniquement de tâches visuelles.

Deux modules coopérants pour les concepts et les décisions

CATS Net scinde la pensée en deux parties interactives. Un module d’abstraction des concepts apprend un code numérique court, ou « vecteur de concept », pour chaque type d’objet, comme les pommes ou les bus, à partir d’exemples visuels. Un module séparé de résolution de tâches reçoit des caractéristiques d’image issues d’une architecture visuelle standard et doit répondre à de simples questions oui/non comme « Est-ce une pomme ? » L’astuce clé est un processus de gating : le vecteur de concept contrôle comment l’activité circule à travers les couches de résolution de tâches, remodelant le même réseau pour traiter différents concepts sans changer son câblage de base. L’entraînement alterne entre l’ajustement des modules et l’affinement des vecteurs de concept, de sorte que le réseau et ses concepts internes se spécialisent progressivement.

Découvrir une carte de sens proche de celle des humains

Une fois entraîné sur de larges jeux d’images, CATS Net non seulement classe des images inédites avec une haute précision, mais développe aussi un « espace conceptuel » organisé. Les codes proches correspondent en général à des choses liées, par exemple les animaux se regroupant ou les outils formant leur propre groupe. Les auteurs montrent que cet agencement n’est pas arbitraire : il correspond aux schémas observés dans des études humaines où des participants évaluent la similarité perçue entre objets, ainsi que dans des modèles basés sur le langage qui décrivent le sens selon de nombreuses dimensions, telles que la nourriture, le mobilier ou la valeur émotionnelle. De manière remarquable, lorsque les chercheurs comparent les motifs de similarité internes du réseau aux scans cérébraux pris pendant que des volontaires nomment des objets, ils trouvent que la couche des concepts s’aligne avec l’activité d’une région visuelle de haut niveau et que le module de gating ressemble à des zones impliquées dans le contrôle de l’accès au sens.

Partager des connaissances via les seuls concepts

L’étude explore également si des concepts de faible dimension peuvent servir de monnaie commune entre différents réseaux. L’équipe entraîne des versions distinctes « professeur » et « élève » de CATS Net sur des ensembles de catégories partiellement chevauchants, puis ajoute un petit module de traduction qui cartographie les vecteurs de concept de l’espace du professeur vers celui de l’élève. Sans modifier les poids principaux du réseau, l’élève peut utiliser un vecteur de concept traduit pour une catégorie qu’il n’a jamais vue pendant l’entraînement et obtenir des performances bien supérieures au hasard sur des jugements oui/non. Dans d’autres tests, CATS Net utilise avec succès des espaces conceptuels dérivés de l’humain construits à partir de statistiques linguistiques et de données comportementales, les traitant comme s’ils étaient ses propres codes internes.

Pourquoi cela compte pour les esprits et les machines

Pris dans leur ensemble, ces résultats suggèrent que des codes conceptuels compacts, combinés à un gating flexible du traitement sensoriel, peuvent offrir une recette opérationnelle pour une pensée conceptuelle proche de celle des humains. Le modèle montre comment des expériences visuelles riches peuvent être compressées en représentations réutilisables et partageables qui correspondent à des motifs observés à la fois dans le comportement humain et dans l’activité cérébrale. Bien que le travail se concentre sur des objets concrets que nous pouvons voir et nommer, il ouvre la voie à des systèmes futurs capables de capturer aussi des idées plus abstraites, rapprochant l’intelligence artificielle de la manière dont les personnes forment, comprennent et communiquent des concepts.

Citation: Guo, L., Chen, H., Chen, Y. et al. A neural network for modeling human concept formation, understanding and communication. Nat Comput Sci 6, 497–511 (2026). https://doi.org/10.1038/s43588-026-00956-4

Mots-clés: formation de concepts, réseaux neuronaux, cognition sémantique, alignement cérébral, communication conceptuelle