Restez toujours informé: suivez-nous sur Google Actualités (icone ☆)
L'étude, publiée dans la revue Nature, signale un tournant dans un débat qui dure depuis des décennies en sciences cognitives. Historiquement, certains experts estimaient que l'architecture des réseaux de neurones n'était pas capable de reproduire des aspects clés de la pensée humaine. Toutefois, grâce à un entraînement spécifique, ces réseaux semblent désormais capables de cette prouesse.
Brenden Lake, professeur adjoint de psychologie et de science des données à l'Université de New York, explique que leur travail montre qu'un aspect crucial de l'intelligence humaine peut être acquis à travers un modèle souvent décrié pour ses limites. En somme, ces réseaux peuvent maintenant combiner des concepts connus en de nouveaux concepts, une capacité appelée "compositionnalité systématique".
Lors de tests utilisant une langue inventée, des volontaires humains et des modèles d'IA devaient identifier des règles grammaticales sous-jacentes à partir de séquences de mots. Les participants humains réussissaient environ 80% du temps, faisant des erreurs cohérentes. Une nouvelle méthode, appelée "meta-learning for compositionality" (MLC), a permis à un réseau de neurones de surpasser cette performance.
Paul Smolensky, professeur en sciences cognitives à Johns Hopkins, salue ces avancées mais souligne que le modèle a encore des limites en matière de généralisation. Renforcer cette capacité de généralisation compositionnelle représente donc la prochaine étape importante du projet.