Comment les idées apprennent les unes des autres express
L'esprit humain ressemble à un jeu de construction qui s'auto-construit. Les nouvelles idées ne meurent pas avec leur créateur : elles se transmettent, se mélangent et sont sélectionnées. Ce processus est appelé évolution culturelle : les inventions utiles se consolident, les inutiles tombent dans l'oubli. C'est le principe du cliquet, ce mécanisme qui ne tourne que dans un sens.
Mais que se passe-t-il exactement dans la tête lorsqu'une pensée en supplante une autre ? Les auteurs de l'étude ont émis l'hypothèse que tout se joue dans le réglage des connexions entre neurones, un peu comme lors de l'apprentissage des réseaux de neurones artificiels. Ils ont créé une population d'agents virtuels dotés de simples réseaux de neurones. Chaque agent recevait en entrée un mélange de « causes premières » cachées — comme s'il entendait plusieurs voix simultanément — et tentait de les séparer en ajustant les poids des connexions.
Ensuite, les agents ont été autorisés à communiquer. Mais pas n'importe comment : de manière sélective, en ne transmettant que leurs meilleures hypothèses sur les causes cachées. Ce mode a été baptisé « Lumière ». Seuls, de nombreux agents échouaient à la tâche, mais en groupe avec cet échange, ils commençaient à trouver des solutions de plus en plus précises. Une amélioration en entraînait une autre — le cliquet s'était enclenché.
Le modèle est volontairement simple. Pas de langage, pas de pensée abstraite : seulement des neurones et des signaux. Mais c'est précisément cette transparence qui permet de voir le mécanisme qui restait auparavant dans l'ombre : comment des hypothèses brutes se transforment en savoir commun.
Résumé original
tel que rédigé par les auteurs, en anglais arXiv:2607.24886
It has been proposed (Richerson and Boyd, 2008) that human intelligence is underpinned by a ratchet-like process called Cultural Evolution in which ideas, originated by individuals, can selectively spread by social learning and replace older, less fruitful ones. Useful ideas can thus accumulate beyond the lifetime of individuals. Although both social and individual learning are thought to be achieved by the selective activity-dependent adjustment of synaptic strengths in an artificial neural net-like manner, there have been relatively few attempts to incorporate neural networks into Cultural Evolution models. This has led to controversy and uncertainty about how cultural traits are created, transformed, transmitted and selected. We have constructed a transparent model of Cultural Evolution based on simple neural networks, and here we show that a population of communicating agents can learn progressively better descriptions of its environment. Specifically we generate input vectors by linearly combining hidden "causes", which agents can learn from in a nonlinear, Hebbian, manner, thus discovering synaptic weights that "unmix" the data to reveal the hidden causes. We previously showed that if agents can communicate their current estimates of hidden causes to other agents, in a selective manner we call "Light", the interacting population can learn unmixing weights under conditions where most noninteracting individuals cannot. Here we show that with "Light" a population can learn progressively better solutions, in a ratchet-like manner. Although our model is highly simplified, this simplicity allows insight into cultural evolution mechanisms that have hitherto been obscure, and provides a stepping stone to more complex, but still relatively transparent, analyses.
La règle de Hebb, utilisée dans le modèle, est souvent formulée ainsi : « Les neurones qui s'activent ensemble se connectent ». Elle a été proposée par le psychologue Donald Hebb en 1949, bien avant l'avènement des ordinateurs puissants.