Cerveaux des bébés source d’inspiration pour l’IA avancée
Depuis les années 1960, les scientifiques ont longtemps cru que l’incapacité des nourrissons, qui dure jusqu’à un an, était due aux contraintes de la naissance. Cependant, une nouvelle étude menée par des neuroscientifiques du Trinity College Dublin et publiée dans la revue « Trends in Cognitive Sciences » remet en question cette croyance. Selon cette étude, les cerveaux des enfants utilisent la période dite « d’incapacité » pour apprendre des modèles fondamentaux et puissants, similaires à ceux qui soutiennent l’intelligence artificielle créative.
Le pré-entraînement : un modèle similaire entre l’apprentissage des nourrissons humains et des machines
L’équipe de recherche, dirigée par le professeur Quiocas, responsable de la mesure du développement cérébral des nourrissons, et le professeur Kristin Sharfieh de l’Université d’Auburn aux États-Unis, a comparé le développement cérébral entre les espèces. Ils ont constaté que les cerveaux humains étaient plus matures à la naissance que d’autres espèces, contredisant ainsi l’idée précédente selon laquelle bon nombre des systèmes cérébraux des nourrissons ne sont pas suffisamment matures pour fonctionner.
L’IA peut-elle compenser la capacité du cerveau humain ?
Aujourd’hui, l’humanité redoute l’essor de l’intelligence artificielle et ses implications sur l’avenir de l’homme. Malgré les avancées majeures dans le domaine de l’IA, telles que les haut-parleurs intelligents et les systèmes de conduite autonome, les modèles IA de base consomment énormément d’énergie et nécessitent une quantité considérable de données. Cela entrave le progrès dans de nombreux domaines, car les machines doivent être formées sur des ensembles de données soigneusement préparés par les humains.
Réduire la dépendance aux données structurées pour l’apprentissage machine
Dans une étude intitulée « Des leçons apprises des nourrissons pour l’apprentissage machine non supervisé », publiée dans la revue « Nature Machine Intelligence », les chercheurs soulignent la nécessité de réduire la dépendance aux ensembles de données structurées. Ils proposent d’appliquer les enseignements du développement cognitif des nourrissons à l’apprentissage machine et d’étudier comment ces leçons peuvent améliorer les performances de l’apprentissage non supervisé.