Le cerveau apprend en rendant les neurones semblables express

Original: "Task learning increases information redundancy of neural responses in macaque visual cortex"
arXiv:2603.07369 · 2026-03-07 · CC BY 4.0 · 2 min
Lors de l'apprentissage d'une nouvelle compétence visuelle, les neurones commencent à répondre de manière identique aux images, et ce n'est pas une erreur mais un moyen pour le cerveau de prendre des décisions plus sûres.

📄 Version "Simple" affichee, "Avancé" n est pas encore prete. Ajoutez-le aux favoris pour aider a la prioriser.

Un couteau de cuisine et un économe, pris séparément, accomplissent des tâches différentes, mais lorsqu'un cuisinier apprend une nouvelle recette, il saisit souvent le même couteau pour tout. Il semble que le cerveau fasse de même lorsqu'il acquiert une nouvelle compétence de discrimination visuelle.

Dans l'expérience, des singes se sont entraînés pendant des semaines à distinguer des différences à peine perceptibles dans des motifs complexes. Pendant ce temps, les scientifiques enregistraient l'activité de centaines de cellules dans la zone visuelle V4 — une région qui répond à la reconnaissance des formes et des couleurs. Au début de l'apprentissage, les neurones répondaient aux motifs de manière différente, comme des musiciens jouant chacun leur partition. Mais à la fin de l'entraînement, ils commençaient de plus en plus à « chanter à l'unisson » : leurs réponses aux mêmes images devenaient similaires.

Cette duplication est appelée redondance. On pensait auparavant que le cerveau cherchait à l'éviter pour ne pas gaspiller de ressources. Mais ici, la redondance ne gênait pas, elle aidait.

De plus, chaque neurone individuellement a commencé à porter plus d'informations sur ce qui était montré à l'écran. C'est comme un chœur : quand tout le monde chante la même mélodie, chaque voix individuellement sonne plus fort et plus clairement, même si les parties sont identiques. Le cerveau n'économisait pas ses forces, mais au contraire, il renforçait la confiance dans la réponse en la répétant plusieurs fois.

Ce résultat soutient l'idée que le cerveau ne se contente pas de filtrer les signaux entrants, mais construit un modèle interne du monde — comme un cuisinier qui ne consulte plus la recette mais « sent » le plat. Et lorsqu'il faut prendre une décision, il s'appuie sur ce modèle, et non sur les données brutes.

Revenons à la cuisine : un cuisinier expérimenté ne passe pas en revue tous les couteaux, il en prend un directement, car il sait qu'il fera l'affaire. De même, après l'apprentissage, le cerveau ne cherche pas le neurone le plus informatif, mais s'appuie sur tout un chœur de cellules qui, ensemble, fournissent une réponse confiante.

Résumé original

tel que rédigé par les auteurs, en anglais arXiv:2603.07369

How does the brain optimize sensory information for decision-making in new tasks? One hypothesis suggests learning reduces redundancy in neural representations to improve efficiency, while another, based on Bayesian inference, predicts learning increases redundancy by distributing information across neurons. We tested these hypotheses by tracking population responses in macaque cortical area V4 as monkeys learned visual discrimination tasks. We found strong support for the Bayesian predictions: task learning increased redundancy in neural responses over weeks of training and within single trials. This redundancy did not reduce information but instead increased the information carried by individual neurons. These insights suggest sensory processing in the brain reflects a generative rather than discriminative inference process.

La zone visuelle V4 chez les macaques est située dans la partie occipitale du cerveau et participe à la reconnaissance de différences aussi subtiles que la distinction entre des nuances de couleur très proches.

Notions
apprentissage apprentissage par renforcement entraînement données d'entraînement redondance acquisition du langage neuronal inférence bayésienne activité neuronale principe de Baldwin cerveau neurone cortex visuel stockage d'information mémoire de travail généralisation auto-correction de l'IA calcul critère d'information intelligence artificielle forêt aléatoire