Laboratoire de Physiologie de la Perception Institut des Sciences du Sport-Santé de Paris - Sylvain Hanneton - Causa Mundi
←
→
Transcription du contenu de la page
Si votre navigateur ne rend pas la page correctement, lisez s'il vous plaît le contenu de la page ci-dessous
Sylvain Hanneton
Laboratoire de Physiologie de la Perception
Institut des Sciences du Sport-Santé de Paris
16 janvier 2019
Informatique & Intelligence sont-elles de même nature ?
La nature de la pensée ? → question de philosophe !
La philosophie de l'esprit est l'étude philosophique de la nature de l'esprit
(psyché), des événements, des fonctions et des propriétés mentales, de la
conscience, et de leurs rapports avec le corps, particulièrement avec le
cerveau.
● Un système informatique peut-il être doué de quelque chose qui
ressemble à l’intelligence ? (spoiler : oui)
● L’intelligence d’un système informatique est-elle de même nature que
la pensée humaine ?
→ mais de quelle NATURE est la pensée humaine ???
Essence spirituelle
Essence matérielle
Monisme Monisme
Dualisme
Spiritualist Matérialiste
→ envisager que la pensée et l’ « intelligence » d’un système informatique sont de
même nature c’est adopter une approche matérialiste
Le matérialisme est un système philosophique qui
soutient que toute chose est composée de matière et
que, fondamentalement, tout phénomène est le résultat
d'interactions matérielles.
→ la « pensée » ne serait qu’une propriété émergente
fonctionnelle de la matière vivante...
Par le Médecin et philosophe La Mettrie
Intelligence artifcielle forte et faible ...
IA FAIBLE Système artifcielle capable de résoudre des
problèmes précis avec une effcacité comparable à
celle de l’être humain
IA FORTE Comportement intelligent, mais aussi
● Conscience de soi
● Sentiments
● Émotions→ La question posée revient à examiner l’hypothèse du cerveau-ordinateur
Neurosciences
(Hebb, ...)
1958
Sciences du langage Hypothèse du
(fonctionnalisme)
(Fodor, Putnam, Harman, Chomsky...) cerveau-ordinateur
(J. von Neuman, « The computer
Sciences de la communication, Mathématiques and the brain)
(théorie de l’information)
(Shannon, Turing, von Neuman….)
« le fonctionnalisme soutient que nous sommes semblables à des
ordinateurs et que nos états psychologiques sont simplement des
états fonctionnels » Putnam, 1994, p. 507
Putnam (1994) article Putnam, in Guttenplan, S. (éd.) A Companion to the Philosophy of Mind, Oxford, Blackwell, pp. 507-513. [tr. fr. à paraître
sous le titre Aller et retour au pays du fonctionnalisme].Software
Connexionnisme : software
= connaissance distribuée
dans les poids des synapses
10010100010011110101010010001…….
HardwareComment pense-t-on que cela marche dans le cerveau ?
→ le cerveau en quelques mots...
● Il consomme environ 20 watts
● Il comporte environ 100 milliards de neurones mais aussi des cellules gliales
● Ces neurones établissent 100 000 milliards de connexions
Le neurone est la cellule spécialisée du
système nerveux qui transmet et intègre
les signaux.
C’est une cellule polarisée : les signaux
transitent depuis les synapses des
dendrites ou du corps cellulaires vers le
bouton terminal via l’axone.
Chaque neurone n’a qu’un seul axone et
ne synthétise et libère qu’un seul type de
neurotransmetteur.Chaque neurone communique en moyenne avec 10 000 autres neurones via des
synapses.
Le dogme est donc que l’information transite
par des décharges électro-chimiques : les
potentiels d’action.
Hypothèse : Notre cerveau apprend en modifant l’efficacité des synapses via notre
expérience du réel. (Connexionnisme)Les algorithmes d’intelligence artifcielle imitent-ils le cerveau ?
→ C’est quoi un algorithme d’intelligence artifcielle ?
C’est un programme informatique qui apprend à résoudre un problème
par un apprentissage.
Ce programme utilise des paramètres dont les valeurs sont optimisées
(apprises petit à petit), au cours de cet apprentissage
La plupart du temps, il apprend à résoudre le problème parce qu’on lui
présente une série d’exemples
Lorsqu’il a appris à donner des réponses correctes pour ces exemples, on
attend de lui qu’il soit capable de généraliser les connaissances apprises
pour des situations nouvellesApprentissage supervisé et non supervisé
→ Dans l’apprentissage supervisé, le superviseur (humain) guide lui même l’IA en
l’entraînant sur un ensemble d’exemples (base d’exemples)
C’est un peu comme « dresser » l’IA à répondre correctement
On espère qu’ensuite l’IA sera capable de généraliser ce qu’il a appris à des cas qui ne
font pas partie de la base d’exemple.
→ Lors d’un apprentissage non-supervisé, l’IA est censé apprendre toute seule, par
l’expérience qu’il a de son environnement
→ Ce qu’on sait le mieux faire, pour l’instant, c’est l’apprentissage superviséApprentissage supervisé
ERROR !
Sortie
IA NON OUI
superviseur
Lors de chaque pas d’apprentissage, un exemple est présenté au réseau. Le
superviseur compare la réponse du réseau à la bonne réponse et l’erreur
éventuelle est utilisée pour changer les paramètres du réseau.→ Quelle est la nature des systèmes d’intelligence artifcielle utilisés aujourd’hui ?
Les plus courants utilisent des petites unités de calcul, organisées en couches de
traitement, connectée entre elles… Ces systèmes sont appelés réseaux de
neurones formels.
ENTRÉES SORTIE
(images, sons….) = réponse
Les réseaux de neurones formels apprennent en modifant la force des
connexions entre neurones.→ C’est quoi un neurone artifciel ?
Paramètres du neurones : poids synaptiques
?
? calcul ?
ENTRÉES
SORTIE
= réponse
?
C’est une unité de calcul qui produit une valeur de sortie en fonction de
valeurs d’entrées
Le calcul accorde plus ou moins d’importance aux entrées, selon la force
(poids synaptique) associée à chaque entréeErreur ?
ENTRÉES SORTIE
(images, sons….) = réponse← 1936 – Machine de Turing
1959 – Simple cells and complex cells - David H. Hubel and
Torsten Wiesel ← 1957 – Le perceptron – Frank Rosenblatt
1966 – Synaptic Long term potentiation – Serge Lomo
← 1969 – Perceptrons - Marvin Minsky and Seymour Papert
1987 – Long term depression – Sakurai ← 1986 – Backpropagation - Rumelhart, Hinton and Williams
Désaffection pour les
Réseaux de neurones formels
1996 – Mirror neurons / neurones miroirs
– Rizzolati et al. ← 1998 – Gradient-based learning - Yann LeCun
← 2009 – Launch of ImageNet - Fei-Fei Li
← 2011 – Win of AlexNet - Alex Krizhevsky
Deep LearningAlan Turing, « On Computable Numbers, with an
Application to the Entscheidungsproblem »,
← 1936 – Machine de Turing Proceedings of the London Mathematical Society,
série 2, vol. 45, 1936, p. 230-265
← 1943 – First mathematical model of a neural network - Pitts
and McCulloch
F. ROSENBLATT. THE
PERCEPTRON: A PROBABILISTIC
← 1957 – Le perceptron – Frank Rosenblatt MODEL FOR INFORMATION
1959 – Simple cells and complex cells - David H. Hubel and STORAGE AND ORGANIZATION IN
THE BRAIN. Psychological Review
Torsten Wiesel Vol. 65, No. 6, 1958
←1965 – First working deep learning networks - Alexey Ivakhnenko and V.G. Lapa
1966 – Synaptic Long term potentiation – Serge Lomo
← 1969 – Perceptrons - Marvin Minsky and Seymour Papert
Rumelhart, David E.; Hinton, Geoffrey E.;
Williams, Ronald J. (8 October 1986).
"Learning representations by back-
propagating errors". Nature. 323 (6088):
533–536.
1987 – Long term depression – Sakurai ← 1986 – Backpropagation - Rumelhart, Hinton and Williams
← 1995 – Support vector machines - Cortes and Vapnik
1996 – Mirror neurons / neurones miroirs
– Rizzolati et al. ← 1998 – Gradient-based learning - Yann LeCun
← 2009 – Launch of ImageNet - Fei-Fei Li
← 2011 – Win of AlexNet - Alex Krizhevsky→ Beaucoup de réussites récentes en IA pour les réseaux de neurones artifciels
● Identifcation d’objets/visages dans les images (Google, Facebook etc.)
● Reconnaissance de la voix (Assistants Google Home,Alexia…)
● Reconnaissance des émotions (dans un visage, une voix...)
● Aide au diagnostic en imagerie médicale
● Aide à la conduite ou conduite autonome pour les véhicules
● Assistants intelligents (chat bots)
→ Et des réseaux capables de créer, d ‘ « imaginer » (?) des choses qui n’existent pas
Generative Adversial Neural Networks
(Grigory Antipov Moez Baccouche
Jean-Luc Dugelay, Orange Labs 2017)→ Opposer l’humain à l’ordinateur ?
1996 : Kasparov - Deep Blue : 4-2
1997 : Kasparov - Deep Blue : 2,5 - 3,5
2002 : Kramnik - Deep Fritz : 4-4
2003 : Kasparov - Deep Junior : 3-3
2003 : Kasparov - Fritz X3D : 2-2
2006 : Kramnik - Deep Fritz : 2-4
2012 – Zen vs Takemiya Masaki
2013 – Crazy Stone vs Ishida Yoshio
2015 – AlphaGo vs Fan Hui (champion d’europe)
2016 – AlphaGo – Lee Sedol
2016 – AlphaGo devient le meilleur joueur du monde
2017 : DeepMind présente AlphaZero, capable d'apprendre à jouer au go, aux échecs
ou au shōgi à partir de la simple connaissance des règles ; le programme parvient en
quelques heures à battre les meilleurs programmes existants.→ Alors ? Où en est l’IA ?
Intelligence artifcielle au sens faible : nul doute que le contrat est rempli
Les algorithmes d’intelligence artifcielle sont maintenant capables de résoudre
des problèmes, d’effectuer des tâches intelligentes, mieux et souvent plus
rapidement qu’un opérateur humainMAIS Attention…..
1 Il n’existe pas d’architecture intelligente omnipotente, capable de s’attaquer à la résolution d’un très grand nombre de problèmes variés, comme le cerveau humain est capable de le faire Les algorithmes d’intelligence artifcielle sont conçu, optimisés, adaptés, par leurs créateurs, dans le but d’être effcace dans l’accomplissement d’une tâche spécialisée.
2
L’intelligence des systèmes d’IA provient en partie de l’intelligence de leurs créateurs :
● Par le choix de l’architecture utilisée (ANN, RNN, CNN … ?)
● Par la nécessité de créer des bases de données organisées et souvent annotées qui
sont nécessaire à l’apprentissage.
● Par l’utilisation de « recettes » , de « bidouilles » , souvent choisies par essais-erreurs
permettant d’obtenir les meilleurs performances.
● Beaucoup de paramètres de l’apprentissage doivent être défnis « à la main »
ing t d ecay
out r un gh
Dro
p
Unit
p Wei3
Les systèmes d’IA ne comprennent pas ce qu’ils font !
● Percevoir et créer des concepts n’est pas vraiment comprendre !
● Il ne sont pas capables « d’auto-programmation », l’apprentissage non
supervisé n’est pas encore maîtrisé.
● Le système d’IA n’a pas d’accès déclaratif à son fonctionnement : il ne peut
expliquer comment il s’y prend pour résoudre un problème.Existe-t-il une autre voie pour créer un « système pensant » ?
La connectomique : peut-on « copier » un cerveau dans un ordinateur ?
→ L’idée de cette approche alternative est de construire des outils imitant au plus près
le fonctionnement des neurones et du cerveau...
Créer un cerveau synthétique par « rétro-ingénierie » du cerveau humain
● Années 1990 : Réseaux de neurones biologiquement plausibles (XNBC, Genesis etc.)
● 2005 - Le « blue brain project » (avec IBM)
● 2013 - Le « human brain project » (contesté en 2015)
● 2005 – Naissance du mot connectome
● 2009 – Création de SpikeNet devenu BrainChip (puce Akida)
● Open connectome project
● NIH Human Connectome project
● Harvard Connectome project
Un connectome optimal : cartographie précise des connexions de
chaque neurone.→ Comment peut-on construire un connectome ?
Chez l’humain on utilise l’imagerie par résonance magnétique (IRM)
Avec des techniques adaptées : IRM de diffusion (DTI)
Et des logiciels de traitement très puissants capables de reconstruire le
trajet des fbres dans le cerveau.
Ce domaine technique s’appelle la TRACTOGRAPHIE
Le connectome de la mouche (Drosophile) a été complètement réalisé !
(cf virtualfybrain)Gigandet X, Hagmann P, Kurant M, Cammoun L, Meuli R, et al. (2008) Estimating the
Confdence Level of White Matter Connections Obtained with MRI Tractography. PLoS
ONE 3(12): e4006 (Thomas Schulz)
Trajets des fbres de la matière
blanche dans le cerveau humainDans le cerveau, les neurones forment des cartes (layers) ou des noyaux, qui s’inter-
connectent
This image shows the group connectome, with the nodes and
connections colored according to their rich-club participation. Green
represents few connections. Red represents the most. Credit: Van den
Heuvel, et al. The Journal of Neuroscience 2011
Dans certaines régions les connexions sont
surtout locales (connections longues), alors
que d’autres régions envoies des fibres dans des
régions plus distantes (connections longues).→ relation entre organisation des connexions et comportement ?
Différence entre hommes et femmes :
● Une connectivité forte dans les sous-réseaux du cerveau impliquées dans les fonctions
motrices, sensorielles et exécutives correspondant à des compétences motrices et
spatiales supérieures -en moyenne- chez les hommes.
● Chez les femmes, la connectivité est plus élevée dans les sous-réseaux associés aux
tâches cognitives, sociales, d’attention et de mémoire, ce qui corrobore une capacité
de mémoire et des compétences sociales plus développées chez les femmes.
Connectome et émotions : le stress
● de multiples zones corticales sont liées anatomiquement aux glandes surrénales.
(cortisol).
● les plus grandes zones de connexions sont celles impliquées dans la cognition et l’affect.
Birkan Tunç , et al. Establishing a link between sex-related differences in the structural connectome and behaviour.Philosophical Transactions of the Royal Society B 1
February 2016.
Richard P. Dum, David J. Levinthal, Peter L. Strick. Cortical infuence over the adrenal medulla.Proceedings of the National Academy of Sciences Aug 2016→ Où en est-on de cette approche ?
● Les projets « human brain project » et « blue brain project » ont été critiqués,
abandonnés ou bien ont changé d’objectifs.
● La connectomique progresse mais pas dans le but de vraiment « copier un
cerveau », plutôt pour mieux connaître le cerveau
« reconstructing and simulating the human brain is a vision, a target; the benefts will
come from the technology needed to get there. That technology, developed by the HBP,
will beneft all of neuroscience as well as related felds... »
(HBP head)→ Pourquoi cette approche est en échec ?
● Enorme complexité du projet : niveaux moléculaires, cellulaires, tissulaires…
● Des freins technologiques : puissance de calcul, stockage des données…
● … mais surtout : en ce moment la recherche en neurosciences semble avancer
« moins vite » que la technologie informatique !
On ne sait vraiment pas tout du fonctionnement du cerveau…
Des données récentes montrent des difficultés ou des phénomènes encore
inexpliquésNon-synaptic neurotransmission
Les autres cellules du système nerveux, les cellules gliales, sont souvent vues
comme des cellules de statut inférieure, s’occupant juste de donner un
environnement contrôlé aux neurones.
Cependant, de nombreux travaux actuels semblent infrmer cette vision simple.
Par exemple : Lorsque les neurones sont actifs, les cellules gliales voient leur
concentration interne en calcium (Ca2+) augmenter, et répondent en libérant des
transmetteurs chimiques dans l’espace cellulaires. Ces molécules vont en retour
moduler l’activité du neurone et des synapses contactant les neurones.
On parle de synapse tripartite.
Alfonso Araque, Vladimir Parpura, Rita P. Sanzgiri, Philip G. Haydon. (1999). Tripartite
synapses: glia, the unacknowledged partner, Trends in Neurosciences, Volume
22(5):208-215.Non-synaptic release of neurotransmitters
Il existe des boutons synaptiques
qui ne font pas contact avec un
autre neurone.
(neurones de l’hippocampe)
Vizi, E. , Fekete, A. , Karoly, R. and Mike, A. (2010), Non‐synaptic receptors and transporters involved in brain
functions and targets of drug treatment. British Journal of Pharmacology, 160: 785-809. doi:10.1111/j.1476-
5381.2009.00624.xAutres modes de communication
Activité ondulatoire : Certains neurones fonctionnent dans un mode
oscillatoire : leur activité crée des « ondes » se propageant dans le système
nerveux. Nous ne connaissons pas à l’heure actuelle la fonction précise de
ces ondes ni la façon dont elles participent au traitement de l’information.
Ainsi les ondes alpha se déclenchent lorsque l’on se réveille doucement, mais
sont aussi présentent dans les mécanismes de l’attention. Certains chercheurs
ont émis l’hypothèse que ces ondes présentes dans le cortex serait à la base
de notre perception unifée de la conscience.
Biophotonique : Des expériences montrent que les cellules (et donc les neurones) émettent de
la lumière. Cette lumière est appelée la lumière biophotonique. Des chercheurs ont émis
l’hypothèse (très controversée) que cette lumière porte des signaux et que les biophotons sont
des médiateurs d’information dans le système nerveux.
Phénomènes quantiques : les théories de l’esprit quantique suggèrent que des phénomènes
quantiques (intrication et superposition d’états) seraient impliqués dans l’émergence de la
conscience (Penrose, Pribram, Stapp...)Vous pouvez aussi lire
