Une nouvelle étude prouve que les pigeons abordent certains problèmes comme le ferait une intelligence artificielle, ce qui leur permet de résoudre des tâches difficiles qui contrarieraient les humains. Des recherches antérieures avaient montré que les pigeons apprenaient à résoudre des tâches complexes de catégorisation que les modes de pensée humains - tels que l'attention sélective et l'utilisation explicite de règles - n'auraient pas permis de résoudre.Selon Brandon Turner, auteur principal de la nouvelle étude et professeur de psychologie à l'université de l'État de l'Ohio, les chercheurs avaient émis l'hypothèse que les pigeons utilisaient une méthode de résolution des problèmes par "force brute", similaire à celle utilisée par les modèles d'intelligence artificielle. Mais cette étude pourrait bien l'avoir prouvé : Turner et un collègue ont testé un modèle d'IA simple pour voir s'il pouvait résoudre les problèmes comme ils pensaient que les pigeons le faisaient - et cela a fonctionné.
"Nous avons trouvé des preuves très solides que les mécanismes qui guident l'apprentissage des pigeons sont remarquablement similaires aux principes qui guident les techniques modernes d'apprentissage automatique et d'intelligence artificielle", a déclaré Turner. "Nos résultats suggèrent que la nature a peut-être trouvé chez le pigeon un moyen de fabriquer un apprenant incroyablement efficace qui n'a pas la capacité de généraliser ou d'extrapoler comme le feraient les humains."
Turner a mené l'étude avec Edward Wasserman, professeur de psychologie à l'université de l'Iowa. Leurs résultats ont été publiés récemment dans la revue iScience.
Dans le cadre de l'étude, des pigeons ont reçu un stimulus, qui pouvait comprendre des lignes de différentes largeurs et de différents angles, des anneaux concentriques et des anneaux sectionnés. Ils devaient picorer un bouton à droite ou à gauche pour indiquer à quelle catégorie il appartenait. S'ils avaient raison, ils recevaient une boulette de nourriture ; s'ils se trompaient, ils ne recevaient rien.
L'étude comportait quatre tâches différentes, certaines plus difficiles que d'autres. Les résultats ont montré qu'en procédant par essais et erreurs, les pigeons ont amélioré leur capacité à faire les bons choix dans l'une des expériences les plus faciles, passant d'environ 55 % à 95 % du temps. Même dans un scénario plus difficile, leurs réponses correctes sont passées de 55 % à 68 %.
Les chercheurs pensent que les pigeons ont utilisé ce que l'on appelle l'apprentissage associatif, qui consiste à relier deux phénomènes l'un à l'autre. Par exemple, il est facile de comprendre le lien entre "eau" et "mouillé". Les gens apprennent à leurs chiens à associer le fait de s'asseoir lorsqu'on le leur ordonne à la réception d'une friandise. Mais ces associations sont relativement faciles.
"L'apprentissage associatif est souvent considéré comme beaucoup trop primitif et rigide pour expliquer une catégorisation visuelle complexe comme celle que nous avons observée chez les pigeons", a déclaré Turner. Mais c'est exactement ce que les chercheurs ont découvert.
Le modèle d'IA des chercheurs s'est attaqué aux mêmes tâches en utilisant uniquement les deux mécanismes simples que les pigeons étaient censés utiliser : l'apprentissage associatif et la correction des erreurs. Et, comme les pigeons, le modèle d'IA a appris à faire les bonnes prédictions pour augmenter de manière significative le nombre de réponses correctes. Pour les humains, le défi, lorsqu'on leur confie des tâches comme celles des pigeons, est d'essayer de trouver une ou plusieurs règles qui pourraient faciliter la tâche.
"Mais dans ce cas, il n'y avait aucune règle qui pouvait faciliter la tâche. Cela frustre vraiment les humains et ils abandonnent souvent ce genre de tâche", a-t-il déclaré. "Les pigeons n'essaient pas d'établir des règles. Ils utilisent simplement cette méthode brute d'essais et d'erreurs et d'apprentissage associatif et, dans certains types de tâches spécifiques, cela leur permet d'obtenir de meilleurs résultats que les humains. Ce qui est intéressant, cependant, c'est que les pigeons utilisent cette méthode d'apprentissage qui est très similaire à l'IA conçue par les humains," a déclaré Turner. "Nous nous félicitons d'avoir conçu l'intelligence artificielle et nous dénigrons les pigeons en les qualifiant d'animaux peu intelligents", explique-t-il. "Mais les principes d'apprentissage qui guident les comportements de ces machines d'intelligence artificielle sont très similaires à ceux qu'utilisent les pigeons."
La recherche a été soutenue par la National Science Foundation et les National Institutes of Health.
RÉSUMÉ
Jamais réputé pour son intelligence, le pigeon s'est révélé être un prodigieux classificateur de stimuli visuels complexes. Comment expliquer cette réussite surprenante ? Possède-t-il des fonctions exécutives élaborées, semblables à celles déployées par les humains ? Ou bien déploie-t-il efficacement un mécanisme d'apprentissage associatif peu connu mais puissant ? Dans une série d'expériences, nous confirmons d'abord que les pigeons peuvent apprendre une variété de structures de catégories - certaines conçues pour déjouer l'utilisation de processus cognitifs avancés. Nous élaborons ensuite un modèle simple d'apprentissage associatif pour voir avec quelle efficacité le modèle apprend les mêmes tâches que celles confiées aux pigeons. La correspondance étroite entre le modèle associatif et le comportement de catégorisation des pigeons apporte un soutien sans précédent à l'apprentissage associatif en tant que mécanisme viable pour la maîtrise de structures catégorielles complexes et à l'utilisation de ce mécanisme par les pigeons pour s'adapter à un monde visuel riche. Ce modèle contribuera à orienter les futures recherches neuroscientifiques sur les substrats biologiques de la cognition visuelle.
DISCUSSION
Dans cet article, nous avons clairement démontré que les pigeons peuvent acquérir une grande variété de structures catégorielles, allant de simples à complexes. En effet, les structures catégorielles mises en place dans la tâche des anneaux concentriques et la tâche des anneaux sectionnés ont été expressément conçues pour poser des défis extrêmes au déploiement de processus cognitifs avancés, y compris l'attention sélective et l'utilisation explicite de règles.
Pourtant, la flexibilité apparente de nos pigeons dans la résolution de ces tâches très diverses et exigeantes est peut-être plus apparente que réelle. La réussite démontrée des pigeons semble reposer sur le déploiement d'un mécanisme biologique simple et unique, qui peut être efficacement émulé par un modèle informatique ne comportant que deux paramètres libres et une couche cachée. Ce mécanisme biologique est l'apprentissage associatif, qui relie progressivement les réponses comportementales à des régions circonscrites de l'espace perceptif par le biais d'un processus de correction des erreurs. En ce sens, les prouesses du pigeon en matière d'apprentissage catégoriel peuvent être comprises comme si le pigeon était une machine.
On pourrait se demander si notre "mécanisation" du pigeon n'est pas simplement une mode dans l'ère actuelle de l'intelligence artificielle. Le lecteur sera peut-être surpris d'apprendre que les efforts visant à comprendre le comportement et la cognition des animaux par analogie avec les machines ont commencé de manière très célèbre avec les écrits de l'illustre philosophe français René Descartes (1596-1650).
Dans sa Lettre au marquis de Newcastle33 (1646), Descartes affirme que les animaux ne sont rien d'autre que des mécanismes bestiaux - des bêtes-machines.34,35 Descartes est prêt à admettre que les animaux ont des sensations et des passions, mais il considère qu'elles ne sont rien d'autre que des réactions organiques. Au-delà de cette concession limitée, cependant, Descartes soutenait que les animaux n'avaient pas de pensée et de langage, qu'ils n'avaient pas d'abstraction, de mathématiques et de métacognition et, surtout, qu'ils n'avaient ni esprit ni "âme rationnelle", ce qui les empêchait de s'engager dans des processus cognitifs complexes. Pour Descartes, la capacité de raisonner - qu'il appelait l'instrument universel38 - permet aux seuls humains de répondre de manière adaptative et flexible à toutes les conditions et de parvenir à maîtriser la nature.
Notre projet relègue au second plan ces réflexions philosophiques controversées sur l'esprit et la raison. Pour nous, traiter le pigeon comme une machine - le pigeon-machine - est une entreprise purement heuristique. Nous espérons ainsi mieux comprendre les éventuels mécanismes biologiques qui sous-tendent les performances prolifiques du pigeon en matière de catégorisation.
La constatation la plus surprenante est peut-être que les travaux actuels sur l'apprentissage automatique en sont venus à déployer des algorithmes associatifs pour résoudre de nombreuses tâches difficiles de catégorisation. Ce n'est peut-être pas un hasard. Le processus évolutif de la nature dans la création de l'apprentissage associatif peut très bien servir de modèle analogue pour les informaticiens qui intègrent ce puissant algorithme dans leurs propres systèmes informatiques artificiels.
Limites de l'étude
L'une des limites de l'étude est que nous n'avons exploré qu'un seul type de modèle d'apprentissage associatif et que nous n'avons pas exploré d'autres mécanismes susceptibles de sous-tendre les profils d'apprentissage des pigeons. En ce qui concerne les mécanismes supplémentaires, étant donné que le mécanisme d'apprentissage associatif pur a été en mesure de capturer tous les modèles comportementaux qualitatifs dans les quatre tâches, il serait peu probable de trouver des preuves quantitatives de mécanismes plus sophistiqués. En ce qui concerne les modèles associatifs alternatifs, bien que nous ayons choisi de ne pas explorer d'autres types d'associations, nous soupçonnons que nombre d'entre eux s'avéreraient tout aussi efficaces. Il est certainement possible que, dans des conditions expérimentales différentes, les pigeons présentent des stratégies d'apprentissage plus sophistiquées qui nécessiteraient des recherches plus approfondies sur d'autres systèmes ou mécanismes d'association. Comme nous ne pouvons pas exclure cette possibilité, nous reconnaissons cette limitation et réservons ces recherches pour des travaux futurs.
Et vous ?
Pensez-vous que cette étude est crédible ou pertinente ? Quel est votre avis sur le sujet ?Voir aussi :
La "distillation pas-à-pas", un nouveau paradigme d'apprentissage pour surpasser les performances des grands LLM avec moins de données d'entraînement et des modèles d'IA de plus petite taille Toyota Research annonce une percée dans l'apprentissage de nouveaux comportements aux robots avec l'objectif d'enseigner un millier de nouvelles compétences d'ici à la fin de l'année 2024 Guidance, un langage pour le contrôle des grands modèles linguistiques modernes, il serait plus efficace et plus efficient que l'invite ou le chaînage traditionnel