Si l'on montre la même photo de chat à deux réseaux de neurones différents, ils arrivent souvent à une conclusion similaire : « chat ». Mais si on leur demande plus de détails, les réponses peuvent diverger. Un modèle remarquera les moustaches, un autre la robe, un troisième la posture. Il s'avère que même dans le monde « visuel » des réseaux de neurones, il n'y a pas d'unité parfaite.
Les scientifiques ont imaginé un moyen de mesurer cette unité pour chaque image individuellement. Ils ont pris plusieurs réseaux de neurones visuels avec des tâches d'apprentissage différentes et ont comparé leurs représentations internes. Pour certaines images, les modèles sont presque unanimes, pour d'autres, ils divergent fortement. Ensuite, ces images ont été montrées à des modèles de langage qui décrivent les images avec des mots. Il s'est avéré que lorsque les modèles visuels sont d'accord entre eux, leur opinion commune correspond mieux à la description linguistique. La différence peut être du double.
Ce résultat suggère que l'accord entre les réseaux de neurones n'est pas un hasard. Il reflète à quel point l'image est « compréhensible ». Plus sa structure est claire, plus il est facile pour la vision et le langage de trouver un terrain d'entente. Cette approche aide à voir où les réseaux de neurones convergent avec la perception humaine, et où ils divergent.
L'accord entre les réseaux de neurones visuels pour une même image peut varier du simple au double — comme si une photo était plus « compréhensible » qu'une autre pour l'intelligence artificielle.