Gonzalo de Polavieja, neuroscientifique : « Nous avons tendance à suivre quelques individus qui prennent des décisions claires, tant chez le poisson zèbre que chez l'homme. »

Gonzalo de Polavieja (56 ans, Madrid) est consterné par la désinvolture avec laquelle tant de gens donnent leur avis sur tout et n'importe quoi sans savoir ce qu'ils font. Neuroscientifique formé à Oxford et Cambridge, titulaire d'un doctorat en physique quantique et d'un postdoctorat en neurobiologie mathématique, il est en congé du CSIC et dirige le Laboratoire de Mathématiques du Comportement et de l'Intelligence de la Fondation Champalimaud à Lisbonne, où il étudie l'organisation des groupes animaux, dont les humains. Il s'exprime avec prudence, cherchant à éviter les erreurs, dans la même discipline qu'il utilise pour étudier les circuits neuronaux. Après l'entretien, il se demande si ses réponses étaient à la hauteur des sujets sur lesquels il ne se sent pas si expert.

Lors d'une récente présentation aux cours d'été de l'Université internationale Menéndez Pelayo (UIMP) à Santander, intitulée «  Applications de l'IA en neurosciences et en comportement » , il a présenté ses travaux sur le poisson-zèbre ( Danio rerio ), un modèle animal de plus en plus utilisé en biomédecine et en neurosciences. Sa transparence à ses débuts nous permet d'observer le cerveau en action ; son système nerveux, composé d'environ 100 000 neurones, est suffisamment simple pour être étudié dans son ensemble et partage plus de 80 % de ses gènes avec l'humain. Tout cela en fait un outil privilégié pour comprendre comment l'activité neuronale se traduit en comportements observables tels que l'apprentissage, l'exploration et la prise de décision.

Question : Qu’est-ce qui vous a enthousiasmé dans l’interaction entre les neurosciences et l’intelligence artificielle (IA) ?

Réponse : J’ai débuté ma carrière en chimie quantique , mais j’ai toujours été attiré par la biologie. Comme je n’ai pas de grande capacité de mémorisation, je me suis intéressé aux mathématiques, qui me permettent de synthétiser l’information. Durant mon postdoctorat à Cambridge, j’ai pu faire le saut vers les neurosciences, et depuis, j’essaie de les comprendre à l’aide de modèles mathématiques simples.

Le problème, c'est qu'en biologie, les problèmes sont très complexes, et c'est là que l'IA est utile , même si elle risque de vous donner des solutions sans que vous les compreniez. Pour moi, l'essentiel est que la science ne se contente pas de résoudre un problème spécifique, mais permette aussi de réfléchir aux expériences suivantes. C'est pourquoi nous utilisons l'IA pour des tâches où la compréhension n'est pas essentielle, comme le pistage animal. Mais pour comprendre les processus, nous avons besoin de mathématiques plus transparentes. Je réfléchis depuis des années à la manière d'y parvenir.

Q. N’est-il pas paradoxal de tenter de démêler les subtilités du cerveau en utilisant une IA que nous ne comprenons pas entièrement ?

A. L'IA conventionnelle prédit, mais n'explique pas. Pour nous aider à comprendre, il faut la simplifier. Dans mon cas, je transforme les réseaux de neurones [algorithmes numériques qui tentent de modéliser le fonctionnement des neurones biologiques] en modules plus interprétables et je vérifie qu'ils continuent à prédire de la même manière. Modéliser, c'est comprendre, et cela nécessite des abstractions : nous ne cherchons pas une copie du cerveau, mais des représentations qui nous permettent de le penser.

Cette simplicité est stratégique, pas réelle, mais c’est la seule façon de progresser dans la compréhension de systèmes aussi complexes.

Q. En tant que modèle d’étude, le poisson zèbre contribue-t-il à cette simplification ?

R : Oui, cela présente de nombreux avantages. À l'état larvaire, leur cerveau est transparent, et nous pouvons enregistrer l'activité de l'ensemble du cerveau sans ouvrir l'animal , dans des conditions physiologiques normales, ce qui est impossible chez la plupart des autres espèces. De plus, leur génome est séquencé, ce qui nous permet de concevoir des capteurs pour visualiser l'activité neuronale. Tout cela nous permet d'étudier très précisément leur comportement. J'ai déjà travaillé avec des invertébrés comme la drosophile , mais je recherche toujours le modèle le plus simple pour comprendre un problème. Comprendre le cerveau est très difficile, et la seule solution est de le simplifier au maximum.

Q. Qu’avez-vous appris sur le comportement des poissons zèbres en groupe ?

A. Dans des situations très simples, les poissons ont tendance à se déplacer vers les zones où se trouvent le plus d'individus, mais en conditions naturelles, cela n'arrive presque jamais ; leur comportement est beaucoup plus complexe . En l'analysant à l'aide de modèles et de techniques de suivi, nous avons découvert qu'ils ne suivent pas nécessairement la majorité, mais plutôt quelques individus (généralement un, deux ou trois) qui sont en avance et se déplacent avec plus de conviction ou de rapidité. Autrement dit, le groupe est généralement guidé par un petit sous-groupe très déterminé. Pour parvenir à cette conclusion, j'ai dû m'appuyer sur une IA conçue pour être interprétable, afin qu'elle puisse non seulement prédire le comportement, mais aussi m'aider à en comprendre les règles.

Q. Ces modèles peuvent-ils être appliqués au comportement de groupe chez les mammifères, comme les humains ?

R : Oui. Bien que nous ayons mené ces expériences sur le poisson-zèbre, nous avons conçu des modèles généraux, non spécifiques à cette espèce, et nous avons constaté qu'ils fonctionnent également chez les fourmis et les humains. Dans des situations comparables (par exemple, lorsqu'un groupe doit choisir entre des options simples sans intervention du langage), les mêmes règles s'appliquent : les individus ont tendance à suivre quelques individus qui prennent des décisions claires. L'avantage de ces modèles simples est que, lorsqu'ils fonctionnent, ils sont généralement valables pour de nombreuses espèces.

Q. Comme un « suivre le leader » ?

A. Oui, mais ce n'est pas si simple. Le « leader » est celui qui fait preuve du plus de conviction, qui agit rapidement, même si c'est parfois pour de mauvaises raisons, et les autres suivent parce que cette stratégie a fonctionné pour eux au cours de leur évolution.

Q. Voulez-vous dire que cet individu, poisson zèbre ou humain, est perçu comme fiable dans ses décisions ?

A. Exactement. Le modèle possède un paramètre qui reflète précisément la fiabilité des personnes que vous suivez.

Q. Quelles applications prometteuses voyez-vous dans l’IA pour les neurosciences aujourd’hui, et quels principes des neurosciences pourraient, à leur tour, améliorer les algorithmes de l’IA ?

A. Un axe de recherche très intéressant est celui des modèles dits fondateurs, construits à partir des données d'activité cérébrale d'une espèce (souris, poisson-zèbre, etc.) dans de multiples situations. Ils constituent un socle commun que d'autres chercheurs peuvent adapter, voire remplacer partiellement des expériences. Concernant l'influence inverse, de nombreuses découvertes en neurosciences pourraient améliorer l'IA , mais le transfert est lent : vérifier le fonctionnement réel du système nerveux prend beaucoup de temps, alors que l'IA progresse à un rythme effréné. Malgré cela, ce transfert a déjà porté ses fruits et devrait continuer à le faire à l'avenir.

Q. Quel potentiel l’informatique quantique a-t-elle dans l’évolution des neurosciences et de l’IA ?

À ma connaissance, les ordinateurs quantiques ne sont supérieurs que dans un ensemble très restreint d'algorithmes ; ils ne traitent pas automatiquement tout ce que l'informatique classique résout déjà mieux ou plus rapidement. Il n'est donc pas garanti que l'IA en tire un bénéfice général. Nous ne verrons une différence que si quelqu'un trouve un algorithme où l'informatique quantique offre un réel avantage.

Q. Qu’est-ce qui vous passionne particulièrement dans la recherche en IA ?

A. Avec Fernando Martín Maroto, un autre chercheur de mon équipe, nous développons une approche radicalement différente des réseaux de neurones, basée sur l'algèbre abstraite . L'idée est de créer une IA capable d'apprendre efficacement mais, contrairement aux modèles actuels, transparente et compréhensible à chaque étape. Elle ne repose pas sur la minimisation des erreurs comme le font les réseaux de neurones, mais sur des propriétés algébriques garantissant la convergence vers la règle sous-jacente des données. Le grand défi consiste désormais à transformer ce fondement mathématique prometteur en un système pratique, aussi performant que les modèles actuels et, en même temps, beaucoup plus interprétable par les humains.