Des tranches de cerveau mort peuvent maintenant jouer du piano !
Récemment, une équipe de recherche française a directement connecté des tissus cérébraux post-mortem à une main mécanique, lui apprenant à imiter un humain jouant du piano.
Ils ont prélevé des tissus cérébraux encore actifs après la mort, les ont placés dans une boîte de Petri, connectés à des électrodes, un microphone et une main mécanique biomimétique.
Après entraînement, lorsque l'humain appuie sur une touche, le tissu cérébral peut « entendre » la note, puis contrôler la main mécanique pour reproduire le même son.
Et il y a même une vidéo pour le prouver.
À dire vrai, cette recherche aborde à l'origine une question sérieuse en IA :
Peut-on exploiter la capacité d'apprentissage naturelle et la haute efficacité énergétique des neurones biologiques pour créer un nouveau type de système d'IA hybride ?
Mais les mots-clés « cerveau post-mortem », « tranches de cerveau », « prothèses mécaniques » et « IA hybride » réunis évoquent inévitablement le cyberpunk.
Une fois les résultats publiés, ils ont rapidement suscité le débat.
Des blogueurs ont analysé la vidéo de l'expérience, estimant que ce genre de travail soulève naturellement des controverses éthiques et une certaine « sensation de malaise », mais que la convergence entre neurosciences et IA pourrait aussi faire avancer les sciences cognitives, les maladies neurologiques et même la recherche médicale.
De nombreux internautes, suivant cette expérience, ont immédiatement spéculé sur les super-individus du futur, les prothèses mécaniques, voire sur des questions philosophiques comme la nature du support de la conscience.
Cependant, ne nous précipitons pas pour discuter du « cerveau dans une cuve ».
Parce que ce qui est vraiment intéressant dans cette étude, ce n'est peut-être pas qu'un cerveau mort se mette soudain à jouer du piano.
Mais plutôt que les chercheurs aient, pour la première fois, placé un tissu cérébral réel d'un adulte dans un système en boucle fermée capable de percevoir, d'agir et de réapprendre.
Alors, comment ont-ils fait exactement ?
Le cerveau humain est intrinsèquement un système de calcul plus efficace
Pour mieux comprendre ce que fait précisément cette recherche, commençons par un contexte nécessaire.
Comme mentionné plus haut, comparé au cerveau humain, les réseaux de neurones artificiels actuels fonctionnant sur des puces IA sont, en un sens, encore un système d'apprentissage très « inefficace ».
La première chose, la plus évidente, est la consommation d'énergie. Un cerveau adulte consomme environ 20 watts. Alors que l'ordinateur le plus puissant du monde atteint déjà des dizaines de mégawatts.
On peut dire que pour produire le même token, le cerveau humain est bien plus économique que l'IA.
Ensuite, en termes d'efficacité d'apprentissage, le cerveau humain possède une capacité que l'IA n'a pas : apprendre à partir de petits échantillons et se généraliser rapidement.
Par exemple, AlphaGo, pour battre Lee Sedol, a dû s'entraîner sur plus de 150 000 parties d'échecs.
À raison de 8 heures de pratique par jour, cela équivaut à un humain s'entraînant pendant plus de 100 ans, bien au-delà de ce qu'un joueur humain réel aurait pu expérimenter.
Un modèle de langage comme GPT-3, quant à lui, nécessite pour son entraînement une quantité de données équivalant à un humain lisant 5 livres électroniques par jour, et ce pendant 250 ans.
Donc, l'IA d'aujourd'hui est puissante, mais beaucoup de ses capacités reposent encore essentiellement sur des montagnes de données et une puissance de calcul « brute ».
En comparaison, les humains n'ont souvent besoin que d'une expérience très limitée pour apprendre de nouveaux mouvements, concepts et associations.
C'est pourquoi ces dernières années, une direction de plus en plus suivie a émergé :
Puisque les réseaux de neurones artificiels imitent le cerveau, pourrait-on carrément intégrer de vrais neurones dans un système de calcul ?
C'est ce qu'on appelle un système d'IA hybride.
Auparavant, les chercheurs essayaient principalement des neurones cultivés en 2D et des organoïdes cérébraux, mais les premiers peinent à développer une plasticité neuronale stable, et les circuits neuronaux des seconds sont relativement immatures et présentent de grandes variations individuelles.
L'équipe française a donc opté pour un autre matériau : des explants de tissu cérébral adulte post-mortem, c'est-à-dire des OPAB.
Leur plus grande différence est qu'ils ne sont pas un modèle cérébral « recultivé » à partir de cellules souches, mais proviennent réellement de cerveaux adultes, conservant ainsi des types cellulaires matures, une structure tissulaire et des connexions neuronales partielles.
L'équipe avait déjà prouvé que ces tranches de cerveau, avec un apport en oxygène et glucose, pouvaient maintenir une activité neuronale in vitro.
La vraie question qui suivait n'était qu'une seule : Après avoir quitté le corps humain, peuvent-elles continuer à apprendre ?
Les chercheurs ont donc décidé de leur donner directement une « main » et une « oreille ».
Donner une « main » et une « oreille » aux tranches de cerveau
Globalement, ce système de « tranche de cerveau jouant du piano » n'est pas complexe.
Dans le dispositif expérimental, les chercheurs placent d'abord l'OPAB sur un réseau de microélectrodes. Puis, ils sélectionnent au hasard trois électrodes comme « électrodes motrices », chacune connectée à un doigt de la main mécanique.
Les trois doigts correspondent respectivement à trois notes sur le piano électronique : LA, SI et DO.
Dès qu'une électrode motrice est activée, le doigt correspondant se fléchit, appuyant sur la touche. Jusqu'ici, c'est comme donner une « main » à la tranche de cerveau.
Ensuite, il s'agit de lui donner une « oreille ». Après que la main mécanique a appuyé sur une touche, un microphone à proximité capture le son.
Un décodeur de sons identifie s'il s'agit de LA, SI ou DO, puis stimule les trois électrodes « sensorielles » correspondantes sur la tranche de cerveau.
Ainsi, une boucle fermée complète se forme : la tranche génère un signal moteur → la main mécanique appuie sur la touche → le microphone entend le son → le son est reconverti en stimulation électrique → renvoyé à la tranche.
Du point de vue de la tranche, cela ressemble beaucoup à un bébé découvrant son propre corps pour la première fois.
À la naissance, un bébé ne sait pas ce qui se passe quand un muscle se contracte. Il bouge et donne des coups de pied au hasard, puis observe les résultats de ces actions par la vue, le toucher et l'ouïe.
Ce processus a un nom très évocateur en robotique : Motor Babbling, le babillage moteur.
Et ce que les chercheurs font, c'est reproduire ce processus dans une boîte de Petri.
Plasticité neuronale bidirectionnelle
Concrètement, pendant la phase d'entraînement, le système stimule aléatoirement une des électrodes motrices.
Après la stimulation, un doigt de la main mécanique se fléchit, appuyant sur une touche du piano. Immédiatement après, le microphone entend cette note, la transforme en stimulation et la renvoie à l'électrode sensorielle correspondante.
Par exemple, on stimule l'électrode A. L'index se fléchit, appuie sur LA. Le microphone entend LA, et l'électrode sensorielle correspondant à LA est stimulée à son tour.
Une action, immédiatement suivie d'un résultat sensoriel, répété 300 fois par jour, pendant trois jours, pour créer une mémoire musculaire dans la tranche de cerveau
Il est important de noter qu'il n'y a pas de « bonne réponse », de « mauvaise réponse », ni de fonction de récompense.
Les chercheurs font simplement coïncider deux événements dans le temps. Le reste, ils le laissent aux neurones eux-mêmes.
Et cela est rendu possible par le mécanisme d'apprentissage le plus fondamental du cerveau —
La plasticité neuronale.
En termes simples, les connexions entre neurones qui s'activent fréquemment ensemble deviennent progressivement plus fortes. Ainsi, après un entraînement répété, la tranche de cerveau associe progressivement :
« ce doigt » et « ce son ».
Mais plus crucial encore, cette connexion n'est pas unidirectionnelle. Autrement dit, la tranche n'apprend pas seulement : « Si je bouge ce doigt, j'entends ce son. »
Mais aussi l'inverse : « Si j'entends ce son, j'active ce doigt. »
Ainsi, tout passe d'une simple association action-sensation à une imitation active par le système d'apprentissage.
Pour vérifier cette hypothèse, lors du test formel, l'expérimentateur humain commence à jouer aléatoirement LA, SI et DO.
Cette fois, on ne stimule pas d'abord les électrodes motrices. On laisse le microphone envoyer directement les notes jouées par l'humain à la tranche de cerveau.
Si l'association précédente a bien été apprise, alors la tranche, après avoir « entendu » LA, devrait activer de manière rétroactive la région motrice précédemment associée à LA, la main mécanique appuyant alors sur LA, réalisant ainsi une imitation.
Le résultat... c'est effectivement arrivé.
L'étude a utilisé au total 30 OPAB provenant de 3 donneurs, dont 16 ont participé au test principal.
Le premier jour d'entraînement, la précision moyenne d'imitation de ce système n'était que de 31,22%. Étant donné qu'il n'y a que trois notes, la précision d'une simple devinette aléatoire serait de 33,3%.
En d'autres termes, au début, la tranche n'avait rien appris.
Mais après trois jours d'entraînement, le taux de précision moyen du 4ème jour était monté à 58,5%. Sur les 16 échantillons, 3 OPAB pouvaient imiter correctement les trois notes à 100%.
7 autres pouvaient en apprendre deux de manière stable. Finalement, 62,5% des OPAB ont réussi à apprendre au moins deux notes.
Il faut souligner un détail ici. Ce 62,5% n'est pas le meilleur résultat obtenu après une sélection minutieuse des électrodes par les chercheurs.
Au contraire, pour prouver que cette association n'exploite pas simplement des connexions préexistantes dans la tranche, mais est bien le fruit d'un apprentissage, les chercheurs ont intentionnellement choisi les électrodes motrices et sensorielles au hasard.
De plus, pour exclure l'influence des modules logiciels et matériels, l'équipe a mené plusieurs expériences de contrôle.
Les résultats montrent qu'après remplacement par des électrodes non entraînées, la précitude retombe au niveau aléatoire ; qu'en bloquant la transmission synaptique avec des médicaments, ou en infectant avec le virus Tahyna qui perturbe l'activité neuronale, la capacité d'imitation déjà acquise diminue significativement.
Cela signifie que ce qui porte vraiment cette association sensation-mouvement, ce sont les connexions neuronales modifiées dans le tissu cérébral lui-même, et non un programme externe.
De plus, cette « mémoire » peut persister assez longtemps.
Sur 5 OPAB suivis à long terme, 4 conservaient les résultats d'apprentissage 17 jours après la fin de l'entraînement, dont deux pouvaient toujours imiter correctement les trois notes à 100%.
Bien sûr, on est encore loin d'un « ordinateur à cerveau humain ».
Toute l'expérience ne comporte que trois associations doigt-note, la tranche de cerveau mesure environ 5 mm de diamètre, et la reconnaissance vocale et le contrôle de la main mécanique dépendent toujours de modules IA traditionnels.
Il serait donc plus précis de dire que cela ne signifie pas qu'un tissu cérébral post-mortem a soudainement « appris à jouer du piano », mais plutôt qu'un tissu cérébral adulte toujours actif a formé, dans une boucle sensation-action artificiellement créée, de nouvelles associations qui n'existaient pas auparavant, et a utilisé ces associations pour réaliser une imitation.
Véritablement, l'apprentissage n'a pas de limites.
Référence [1]https://www.researchsquare.com/article/rs-9638576/v1
Cet article provient du compte officiel WeChat « Quantum Bits », auteur : Focus on Frontier Technology
