La grenouille gobe t'elle aussi les cailloux ?

Une introduction aux neurosciences computationnelles
 

Elaa Teftef et Thierry Viéville

https://team.inria.fr/mnemosyne/fr/
 

   Où l'on montre, à travers l'exemple de l'étude du cerveau, que si Informatique et Sciences du Numérique (ISN) forment une discipline à part entière, cela induit aussi une véritable révolution scientifique vis à vis des autres Sciences de la Vie et de la Terre (SVT), elles ont aussi quelques vertus en ce qui concerne la formation générale de l'esprit. Ainsi, au niveau des neurosciences, le système nerveux peut-il être modélisé comme un objet qui traite des données pour interagir avec son environnement. Cette vision est une bonne préparation à des situations que l'on rencontre dans les sciences et en ingénérie. La contribution de l'enseignement de l'informatique à l'acquisition de compétences générales s'ajoute donc à la nécessité de donner une culture informatique dans un monde numérique.

Introduction

   Prenons une grenouille. Et une mouche qui passe devant la grenouille. Certes : voilà la grenouille qui va gober la mouche. Mais. Mais ce qui est « scientifiquement » stupéfiant c'est que la mouche est plus rapide que la grenouille ! La grenouille ne va donc pas gober la mouche là où elle la voit (elle la manquerait), mais là où elle sera à la fin du mouvement de la grenouille : détection du mouvement de la mouche, prédiction de la position de la mouche dans le futur, auto-calibration de la grenouille qui sait quelle est la lenteur de sa langue par rapport à la mouche... Que de calculs pour tout cela. Mais il y a plus stupéfiant encore. Si d'aucun ramasse un petit caillou de la même taille que la mouche et le lance devant la grenouille... alors... et bien alors la grenouille ne peut que gober le caillou avec le même entrain que si c'était une mouche . Car aussi performant et bien adapté à sa survie que soit son petit système nerveux, il s'avère qu'il reste... un stupide mécanisme, totalement dénué de pensée. Exactement comme un ordinateur ou un robot : ils calculent de manière fabuleusement rapide et performante mais restent totalement dénués de pensée.

Qui est le plus « intelligent » ?
Animation, création Odile Lausekcer :
http://interstices.info/encart_swf.jsp?id=c_9559&encart=0&size=820,640

Une méthode scientifique, dite « systémique »

   Cette modeste anecdote nous enseigne quatre choses :

1. Penser en terme de système : pour comprendre comment fonctionne une grenouille nous la considérons comme un mécanisme avec des entrées (ici : visuelles) des sorties (ici : son mouvement) liées à un état interne (ici : sa faim, etc.) et un « algorithme [1] » qui en fonction des entrées et de son état interne va engendrer des sorties (ici : vers la mouche). Une telle vision est réductrice, mais fructueuse : on peut décrire son fonctionnement, le simuler numériquement (ex : créer une petite grenouille numérique dans un jeu vidéo), prédire son comportement (ici : qu'elle va gober un caillou) et aller vérifier expérimentalement si la prédiction est vérifiée (ici : ... non ! Ne le faites pas : grâce à la théorie, nous savons déjà que ça marcherait alors... évitons d'aller embêter inutilement les grenouilles).

2. Se focaliser sur les données : autrement dit le traitement de l'information. Là encore, c'est restrictif : tout ce qui n'est pas dans les données (ex : que la grenouille soit mignone) n'existe pas et sera totalement ignoré. On ne travaille donc qu'avec un reflet numérique du système (ici : les données relatives à la grenouille et à la mouche). Mais grâce à cela, on peut analyser très rigoureusement et complètement ce reflet qui, si il est assez plausible, reflètera la réalité.

3. Travailler au niveau des interfaces : au niveau de description de notre anecdote, ce qui se passe à l'intérieur de la grenouille est finalement mis de côté au profit de la manière dont elle interagit avec son environnement. Souhaite t'on, au contraire, connaître ce qui se passe à l'intérieur du système nerveux de la grenouille ? C'est une autre question, à étudier à une autre échelle. Par exemple étudier ce qui se passe dans son oeil, au niveau de la population de neurones de sa rétine. Mais pour se faire, le niveau de description du neurone devra être schématisé afin de se focaliser sur la façon dont les neurones interagissent. À chaque échelle ce sont les interfaces qui comptent.

4. De la notion de modèle : La description sous forme d'équations numériques et/ou de mécanismes algorithmiques de la relation entre les données en entrée et sortie constitue un modèle du fonctionnement dynamique du système étudié. Ce modèle « remplace » la réalité dont on a mesuré quelques données. Grâce à cette formalisation, on peut étudier mathématiquement et informatiquement le reflet numérique système pour comprendre, décrire et contrôler ou optimiser la réalité représentée ici.

   Bien entendu, cette méthode n'est pas nouvelle mais avec l'ISN cette façon de voir les choses constitue une révolution comme l'explique bien un chercheur en informatique et philosophe (Dowek, 2010).

Que savons nous du cerveau ?

   Avec Simon Thorpe (Thorpe & Fabre-Thorpe, 2001) présentons une image naturelle devant votre oeil et jouons au jeu suivant : si il y a un animal dans l'image vous appuyez sur le bouton vert, sinon sur le rouge et gagnez 1€ à chaque réponse exacte. Trop facile ? Pas tout à fait : car voilà que l'on présente l'image pendant quelques centièmes de seconde, juste le temps que la rétine « imprime » l'image et... et vous voilà bien embêté, cela a été trop vite. Soit. Allez, appuyez tout de même spontanément sur l'un des deux boutons à chaque image présentée. Avec une chance sur deux, vous gagnerez bien environ la moitié du temps. N'est ce pas ? Et bien non. Cela se passe autrement : vous gagnez... 99 % du temps ! Votre cerveau est bien plus rapide que vous !! Comme pour la grenouille il y a eu tout un calcul : codage de l'image, extraction des éléments visuels saillants (contours, formes élémentaires...), puis dans la zone temporale inférieure de chaque cerveau une zone qui code les catégories d'objets et qui en 1/10ème de seconde commence à reconnaître dans la plus part des cas si un animal est devant vous. Grâce à un certain Vapnik, le modèle mathématique le plus sophistiqué qui permet d'apprendre mécaniquement à catégoriser des données peut être utilisé ici pour expliquer comment un tel calcul se fait. Mais c'est un modèle informatique qui explique comment ces équations mathématiques s'incarnent sous forme de calcul porté par les réactions électrico-chimiques au sein du tissu biologique. Alors qu'apprenons-nous ici ?

Votre cerveau a... des millions d'années !

Du poisson au mammifère en passant par la grenouille, le système nerveux reste remarquablement stable de façon à ce que les automatismes chèrement acquis au fil de l'évolution perdurent.

   Car il s'enracine dans celui des mammifères et au delà dans celui des vertébrés. Pourquoi notre cerveau aurait-t-il investi tant de calculs à détecter si animal est devant lui ? C'est facile à expliquer avec une petite parabole. Il y a deux catégories de lapins, ceux qui par le hasard de l'évolution et des mutations génétiques détectaient très rapidement dans leur cerveau si il y avait un animal (un renard ou un loup) devant eux et déguerpissaient illico. Et les autres qui prenaient plus de temps pour une telle détection. Alors, statistiquement, les seconds sont... dans le ventre du renard !! Et ce sont les premiers qui ont fait des bébés et se sont donc perpétués. Et au bout de cette évolution, qui a conduit à muter d'une sorte d'animal à une autre, notre cerveau se retrouve doté des fonctions qui ont permis la survie. Il est d'ailleurs stupéfiant de voir comment le cerveau reste stable au fil de l'évolution des espèces.

   Contrairement à l'organisation de la mémoire d'un ordinateur, notre cerveau est structuré en zones, on parle de cartes, qui sont spécialisées dans le traitement d'un élément précis d'information : par exemple la couleur ou les contours de l'image observée, ou encore le mouvement d'une image à l'autre, etc. La représentation du mouvement c'est comme une image qui serait sombre là ou rien ne bouge et d'autant plus éclairée qu'il y a du mouvement. Au delà des informations visuelles on a des zones spécialisées dans les informations auditives, etc., puis des zones dites associatives qui construisent des représentations combinant les différentes informations sensorielles. Et avec Stanislas Dehaene (Dehaene, 2010) nous pouvons aller jusqu'à comprendre comment notre cerveau réussit à compter et faire des calculs. Et comme il est strictement inutile de faire des maths pour survivre dans le règne animal, on découvre que notre cerveau a détourné d'autres fonctions cognitives pour faire ce qui est devenu essentiel pour nous désormais : faire des maths qui font marcher les machines numériques qui nous entourent aujourd'hui.

   Cette localisation des fonctions sensori-motrices a une autre conséquence, inouïe. Si je tends le bras pour attraper mon smartphone, c'est bien sûr mon cerveau qui génère le mouvement. Comme ce mécanisme est localisé, en mesurant l'activité cérébrale on peut voir où se situe cette activité, donc détecter que je bouge ou cherche à bouger mon bras. Mais si le malheur veut que mon bras ne bouge plus, on peut encore détecter que je cherche à le bouger... et commander une prothèse qui supplée à mon hypothétique handicap. Rien à voir avec mes « pensées » juste la détection mécanique d'un mouvement. Cette mesure est très approximative spatialement : on ne détecte que globalement l'activité de mon bras ou de ma jambe gauche ou droite, mais cela suffit pour piloter un fauteuil robotisé, ou pour un interface avec un jeu vidéo. Plus généralement ces nouvelles interfaces vont changer la façon dont nous, humains, communiquerons avec les machines, et ce sont des travaux en « neurosciences computationnelles » cette discipline née de l'alliance entre ISN et neurosciences qui permettent une telle avancée

Le cerveau est tout sauf un calculateur

D'après la photothèque Inria : http://phototheque.inria.fr

Cerveau et processeur numérique sont radicalement différents :

   Ce qui est scientifiquement très intéressant c'est que tous ces liens n'impliquent absolument pas que cerveau et machines numériques sont des systèmes similaires, bien au contraire : tout les distingue, comme le détaille la figure. Par rapport à un processeur, le cerveau est une machine très lente mais prodigieusement complexe, dont les calculs sont totalement distribués, qui tolère et même profite des aléas de calcul, et surtout code son information essentiellement sous forme d'assemblées d'impulsions temporelles et non de valeurs numériques. Quel intérêt alors de modéliser le cerveau « comme si » c'était un ordinateur ? C'est justement dans la confrontation des deux classes de systèmes que nous apprenons des choses profondes. Car la démarche scientifique est de construire des modèles de système puis de les « falsifier » c'est à dire de les confronter aux données relevées aux interfaces, pour voir dans quelle mesure ils sont inexacts. C'est là où il y a de telles ruptures que le travail scientifique peut continuer pour améliorer le modèle jusqu'à la confrontation suivante avec la réalité. Une théorie sans cette confrontation n'est ni vraie ni fausse, juste... une théorie. Une théorie confrontée à la réalité n'est jamais définitivement exacte, juste pas encore réfutée, on dit que c'est une « thèse », et tant qu'elle « tient » on peut avancer.

   Toutes les sciences informatiques sont basées sur une telle thèse qui tient depuis presque un siècle : on pense que tout ce qu'une machine – quelle qu'elle soit – peut calculer se réduit à un algorithme. C'est la thèse de Church et Turing et les neurosciences computationnelles se résument à penser que le cerveau n'est pas plus qu'une machine, juste une machine prodigieusement complexe. Supposer cela a permis de commencer à comprendre profondément comment marche le cerveau. En attendant que le jeune esprit d'une future ou d'un futur scientifique propose une plus fructueuse idée !

Conclusion

   Le cerveau est le système naturel le plus complexe qu'il nous soit donné d'étudier, et peut-être le plus grand défi scientifique du 21^e siècle. Ce ne sont ni la biologie, ni les neurosciences, ni les mathématiques, ni la science informatique qui va permettre de relever ce défi, mais toutes ces sciences devenues sciences numériques, pour être enfin réunies. Et l'ISN est un levier pour créer ce lien et donner une formation qui réconcilie les sciences fondamentales avec l'impact socio-économique citoyen de leurs applications, car cette approche systémique réconcilie science et ingéniérie.

Elaa Teftef et Thierry Viéville

Remerciements : Frédéric Alexandre, Jean-Pierre Archambault et Bruno Cessac, pour leurs conseils et corrections.

Les références d'http://interstices.info

Laurent Perrinet (2011). Qui créera le premier calculateur intelligent ?
http://interstices.info/ordinateur-intelligent

Yves Geffroy, Aurélien Liarte, Thierry Viéville (2008). Calculer/Penser
http://interstices.info/display.jsp?id=c_41362

Bruno Cessac, Thierry Viéville, Christine Leininger (2007). Le cerveau est il un bon modèle de réseau de neurones ?
http://interstices.info/display.jsp?id=c_31668

Thierry Viéville (2006). Reconnaître un animal : notre cerveau est plus rapide que nous !
http://interstices.info/display.jsp?id=c_14155

Thierry Viéville (2006). Une solution [biologique] au problème de la génération de trajectoires
http://interstices.info/display.jsp?id=c_14151

Thierry Viéville (2007). Pourquoi ne pas confier au hasard ce qui est trop compliqué à estimer [comme fait notre cerveau] ?
http://interstices.info/display.jsp?id=c_14161

Thierry Viéville, Odile Lausecker (2005). La grenouille et le robot ?
http://interstices.info/display.jsp?id=c_9559

En savoir plus

Le cerveau à tous les niveaux : http://lecerveau.mcgill.ca

Thorpe, S. J. & Fabre-Thorpe, M. (2001) Neuroscience. Seeking categories in the brain. Science 291 (5502) 260-3.
http://cerco.ups-tlse.fr/pdf0609/thorpe_sj_01_260.pdf

Stanislas Dehaene (2010) La Bosse des Maths : Quinze ans après, Odile Jacob, Paris.

Dowek, G. (2010). Pour une deuxième révolution galiléenne ? Colloquium Polaris, Paris.
http://www.colloquiumpolaris.fr/images/stories/dowek.pdf

NOTE

[1] Un algorithme, c'est tout simplement une façon de décrire dans ses moindres détails comment procéder pour faire quelque chose. Il se trouve que beaucoup d'actions mécaniques, toutes probablement, se prêtent bien à une telle décortication. Le but est d'évacuer la pensée du calcul, afin de le rendre exécutable par un ordinateur ou une machine numérique.