*Le 23 octobre 2026, la revue Nature Human Behaviour a publié une étude qui compare la manière dont le cerveau et des réseaux de neurones artificiels codent les images et les sons. Sa conclusion : les deux privilégient les mêmes « axes » pour représenter le monde naturel. Le résultat est solide dans son cadre, et il pose une question plus large qu'il ne la tranche.*
Ce qui a été publié
L'article s'intitule « Privileged representational axes in biological and artificial neural networks ». Il est signé par Meenakshi Khosla, Sudhanshu Srivastava, Alex H. Williams, Josh McDermott et Nancy Kanwisher. Selon les métadonnées de l'éditeur, il a été reçu par la revue le 3 avril 2025, accepté le 3 juin 2026 et mis en ligne le 23 octobre 2026.
Le travail n'est pas entièrement nouveau. Une première version circule depuis le 20 juin 2024 sur bioRxiv, le serveur de prépublications de la biologie, où chacun peut déposer un manuscrit avant toute évaluation. Ce qui change cette semaine, c'est le statut du résultat : il a passé l'examen par des pairs et paraît dans une revue. La version publiée peut différer du préprint ; nous n'avons pas pu consulter le texte intégral publié, et nous nous appuyons ici sur son résumé, sur les métadonnées de l'éditeur et sur le préprint.
La question posée
Un neurone du cortex visuel ne répond pas à tout. Il s'active davantage pour certaines formes, certaines couleurs, certaines textures : c'est ce qu'on appelle sa « sélectivité ». Un réseau de neurones artificiel fonctionne de façon comparable : chacune de ses unités réagit plus ou moins fortement selon l'image qu'on lui présente.
Une partie des méthodes qui comparent cerveaux et machines ne s'intéresse pas à ces unités une par une. Elles regardent la géométrie d'ensemble : quelles images la population de neurones place près l'une de l'autre, lesquelles elle sépare. Or cette géométrie peut rester identique alors que le rôle de chaque neurone change. On peut se la représenter comme un nuage de points que l'on ferait tourner : les distances entre points ne bougent pas, mais leurs coordonnées sur chaque axe, si. Deux systèmes peuvent donc coder la même information de manière très différente, neurone par neurone.
D'où la question des auteurs : les axes choisis par un système, autrement dit ce à quoi chaque unité est sélective, sont-ils arbitraires, ou certains axes sont-ils « privilégiés » ? Et si oui, le cerveau et la machine privilégient-ils les mêmes ?
Ce que l'étude a comparé
Le préprint s'appuie principalement sur trois types de données cérébrales : des mesures d'IRM fonctionnelle du cortex visuel ventral humain (le Natural Scenes Dataset), des enregistrements électrophysiologiques du cortex inférotemporal de macaques, et des mesures d'IRM fonctionnelle du cortex auditif humain pendant l'écoute de sons naturels.
En face, principalement huit réseaux de neurones convolutifs. Quatre ont été entraînés sur la base d'images ImageNet, avec des méthodes différentes (apprentissage supervisé, auto-supervisé, entraînement rendu « robuste »). Quatre autres ont été entraînés sur des sons de la base AudioSet.
Pour s'assurer que l'alignement observé n'était pas un artefact, les auteurs l'ont comparé à celui obtenu après des rotations aléatoires des représentations. Ils indiquent aussi, dans le préprint, que des réseaux non entraînés ne présentent pas le phénomène.
Ce que l'étude conclut
Le résumé de l'article est net : dans la vision comme dans l'audition, les cerveaux comme les réseaux convolutifs privilégient de façon constante certains axes pour représenter les stimuli naturels. Selon le préprint, les axes des réseaux entraînés sur des données naturelles sont alignés sur ceux des cortex perceptifs.
Les auteurs avancent aussi une explication de cette convergence. D'après le préprint, un codage qui privilégie certains axes peut réduire le coût du « câblage » vers les étapes suivantes du traitement et améliorer la généralisation ; la version publiée ajoute qu'il peut faciliter l'exécution des tâches. Les auteurs proposent enfin un nouveau cadre pour comprendre la sélectivité neuronale dans les réseaux biologiques et artificiels.
Ce que l'étude ne dit pas
Plusieurs lectures pressées sont possibles, et aucune ne découle des données.
Elle ne dit pas que les machines pensent comme nous. Elle porte sur la perception, images et sons, et sur des réseaux convolutifs, une famille de modèles spécialisée dans ce type de signal. Les grands modèles de langage, ceux des assistants conversationnels, ne sont pas au cœur de l'étude.
Un alignement n'est pas une identité. Que deux systèmes privilégient des axes comparables ne signifie pas qu'ils calculent de la même façon, ni qu'ils voient ou entendent la même chose. Un réseau peut reproduire un trait du cortex visuel et se tromper là où aucun humain ne se tromperait.
Le résultat reste à confirmer ailleurs. Il repose sur un nombre limité de jeux de données et de modèles. D'autres équipes, d'autres régions du cerveau et d'autres architectures diront jusqu'où il tient.
Le fait que des réseaux non entraînés ne montrent pas le phénomène est, en revanche, une indication importante : il suggère que ce n'est pas la seule structure du réseau qui produit ces axes, mais l'apprentissage sur des images et des sons du monde réel.
Une autre manière de regarder
Le titre le plus spectaculaire serait : « Les machines retrouvent le cerveau ». Une lecture plus prudente déplace l'attention. Si un réseau entraîné sur des photographies et des enregistrements, sans rien savoir de la biologie, aboutit aux mêmes axes privilégiés qu'un cortex, l'explication pourrait être à chercher autant dans les régularités du monde que dans le cerveau lui-même. Deux systèmes très différents, confrontés aux mêmes données et à des contraintes d'économie comparables, convergeraient vers des solutions proches.
Ce n'est pas ce que l'étude démontre : c'est une hypothèse qu'elle rend plausible. Le Phare la retrouve sous une autre forme à propos des démonstrations mathématiques produites par OpenAI : ce qu'une machine produit ne nous renseigne pas seulement sur elle, mais sur ce qu'on lui a donné à apprendre, et sur la manière dont on vérifie ce qu'elle rend.
Ce que nous pouvons en retenir
- Distinguer préprint et publication : la même découverte peut circuler deux ans avant d'être validée par une revue ; la date de publication n'est pas celle de la découverte.
- Lire le périmètre : réseaux convolutifs, vision et audition, quelques jeux de données. Ce qui vaut ici ne vaut pas automatiquement pour toute « l'IA ».
- Ne pas confondre ressemblance et équivalence : partager des axes de représentation n'est pas partager une pensée.
La question laissée ouverte
Pendant longtemps, on a construit des machines en s'inspirant du cerveau. On commence à faire l'inverse : observer des machines pour comprendre pourquoi le cerveau est organisé comme il l'est. Reste à savoir ce que cette convergence révèle vraiment.
—
Repères de sources
- Source : Nature Human Behaviour — Privileged representational axes in biological and artificial neural networks, Khosla et al. (23 octobre 2026)
- Source : Crossref — métadonnées de l'article (DOI 10.1038/s41562-026-02515-3)
- Source : bioRxiv — préprint « Privileged representational axes in biological and artificial neural networks » (20 juin 2024)
- Source : McDermott Lab (MIT) — fiche et résumé de l'article
La question suivante
Si une machine entraînée sur des images et des sons retrouve les mêmes axes que notre cerveau, est-ce le cerveau ou le monde qui dicte la forme de nos représentations ?
Pour aller plus loin
- OpenAI publie 722 démonstrations mathématiques, en retire trois le lendemain
- Les biais de l'intelligence artificielle
- Les biais cognitifs : quand notre cerveau nous trompe
Sur le Sentier du Savoir
