Intelligence artificielle et sciences cognitives : ce que l’une apprend de l’autre

19/11/2026

Deux domaines liés, mais qui ne poursuivent pas exactement le même objectif

L’intelligence artificielle cherche à concevoir des systèmes capables d’accomplir des tâches associées à certaines capacités humaines : percevoir, classer, prédire, produire du langage, planifier ou prendre une décision. Les sciences cognitives, elles, étudient les mécanismes de la pensée et du comportement. Elles réunissent notamment la psychologie expérimentale, les neurosciences, la linguistique, la philosophie de l’esprit, l’informatique et parfois l’ethologie.

Le rapprochement entre ces domaines est ancien, mais il ne signifie pas qu’un système d’intelligence artificielle reproduit le fonctionnement d’un cerveau. Un modèle peut réussir une tâche sans utiliser les mêmes représentations, les mêmes ressources ni les mêmes stratégies qu’un être humain. Inversement, une théorie cognitive ne devient pas automatiquement une bonne architecture informatique.

L’intérêt du dialogue tient plutôt à une influence réciproque. Les sciences cognitives fournissent des questions, des concepts et des contraintes pour concevoir des modèles plus plausibles. L’intelligence artificielle offre en retour des outils pour formaliser une hypothèse, simuler un mécanisme et comparer des prédictions à des données. Cette relation est féconde à condition de distinguer trois niveaux : imiter un comportement, modéliser un mécanisme et expliquer une capacité cognitive.

Des premières machines à la modélisation de l’esprit

L’histoire de l’intelligence artificielle est liée à une question centrale des sciences cognitives : une activité considérée comme intelligente peut-elle être décrite par des règles ou des opérations calculables ? Dans les années 1950 et 1960, les recherches se sont d’abord appuyées sur des symboles, des règles logiques et des représentations explicites. Cette approche cherchait à reproduire des raisonnements, des jeux ou la résolution de problèmes en décrivant étape par étape les opérations supposées nécessaires.

Les sciences cognitives ont ensuite été marquées par plusieurs débats. Le cerveau traite-t-il surtout des symboles abstraits, ou apprend-il des régularités à partir de l’expérience ? La mémoire est-elle un entrepôt de faits, ou un ensemble de capacités distribuées qui se reconstruisent selon le contexte ? La perception est-elle une réception passive, ou une inférence guidée par les attentes ?

Les réseaux de neurones artificiels ont apporté une autre manière de poser ces problèmes. Au lieu de programmer toutes les règles, on ajuste des paramètres à partir d’exemples. Les travaux fondateurs sur la perception et l’apprentissage neuronal, notamment ceux de Frank Rosenblatt sur le perceptron, ont contribué à formaliser cette idée. Plus tard, les progrès de l’apprentissage profond ont permis de construire des modèles comportant de nombreuses couches de transformations.

Cette évolution ne constitue pas une simple copie de la biologie. Un neurone artificiel est une abstraction mathématique très éloignée de la diversité des cellules nerveuses, de leurs connexions, de leur chimie et de leur histoire. La valeur d’un modèle ne dépend donc pas seulement de sa ressemblance visuelle avec le cerveau, mais de la question scientifique à laquelle il permet de répondre.

Ce que les sciences cognitives apportent à l’intelligence artificielle

Les sciences cognitives ne fournissent pas un manuel complet pour fabriquer une intelligence artificielle. Elles apportent plutôt des repères qui aident à identifier les limites des systèmes actuels et à formuler de meilleures architectures.

La perception située. Chez l’être humain, percevoir ne consiste pas seulement à transformer un signal en étiquette. La perception dépend de l’attention, des attentes, de la mémoire et du contexte. Un objet ambigu peut être interprété différemment selon la scène dans laquelle il apparaît. Cette observation inspire des systèmes qui combinent plusieurs modalités, par exemple le texte, l’image et l’action, au lieu de traiter chaque information isolément.

La mémoire. Les modèles d’intelligence artificielle peuvent disposer d’une mémoire interne liée à leurs paramètres, d’un contexte temporaire ou d’une base d’informations consultable. Ces mécanismes ne sont pas équivalents aux systèmes de mémoire humaine, mais la distinction cognitive entre mémoire de travail, mémoire épisodique et mémoire sémantique aide à poser des questions précises : quelle information doit être conservée, pendant combien de temps, avec quel degré de fiabilité et pour quelle tâche ?

L’apprentissage à partir de peu d’exemples. Un enfant peut généraliser une catégorie à partir d’un nombre limité d’observations, alors que de nombreux modèles nécessitent d’importants volumes de données. Cette différence encourage l’étude de l’apprentissage par représentation, de l’apprentissage causal et des connaissances préalables. Elle rappelle aussi que la quantité de données ne suffit pas à expliquer la capacité de généralisation.

La métacognition. Dans la cognition humaine, savoir que l’on ne sait pas constitue une capacité importante. Pour les systèmes artificiels, cela se traduit par l’estimation de l’incertitude, la détection des situations inhabituelles et la possibilité de demander une information supplémentaire. Une réponse plausible ne doit pas être confondue avec une réponse justifiée.

Ce que l’intelligence artificielle permet de tester en sciences cognitives

L’intelligence artificielle peut servir de laboratoire théorique. Un chercheur peut traduire une hypothèse cognitive en modèle, lui fournir des données ou des règles, puis observer les comportements qui émergent. Si le modèle reproduit certains résultats expérimentaux mais échoue sur d’autres, cet écart permet de préciser l’hypothèse.

Cette méthode relève de la modélisation computationnelle. Elle ne prouve pas qu’un cerveau utilise le même algorithme que le modèle. Elle indique plutôt qu’un mécanisme donné est capable, dans certaines conditions, de produire des comportements compatibles avec les observations. Pour qu’une telle comparaison soit informative, il faut examiner les conditions d’apprentissage, la nature des données, les paramètres et les erreurs du système.

Les modèles peuvent aussi aider à distinguer plusieurs explications concurrentes. Prenons l’exemple de la reconnaissance d’un objet. Une performance élevée peut résulter d’un traitement de la forme, de la couleur, du contexte ou de corrélations présentes dans les données. En modifiant systématiquement ces facteurs, il devient possible d’étudier la sensibilité du modèle et de la comparer à celle d’êtres humains ou d’animaux.

Les travaux de psychologie expérimentale et de neurosciences utilisent également des représentations internes de modèles artificiels pour rechercher des correspondances avec l’activité cérébrale. Ces comparaisons, étudiées notamment dans le domaine de la vision, peuvent suggérer qu’un modèle et un système biologique organisent certaines informations de manière proche. Elles ne suffisent toutefois pas à établir une identité de mécanisme. Deux systèmes peuvent produire des représentations similaires tout en les obtenant par des processus différents.

Apprentissage, attention et langage : trois terrains de comparaison

L’apprentissage par renforcement

Dans l’apprentissage par renforcement, un agent modifie son comportement en fonction de récompenses ou de pénalités. Cette formalisation a rencontré les sciences cognitives et les neurosciences, notamment à travers l’étude des mécanismes de décision et du signal d’erreur de prédiction. Les travaux de Wolfram Schultz, Peter Dayan et Raymond Dolan sur les réponses dopaminergiques ont contribué à relier des observations neurobiologiques à des modèles d’apprentissage.

Il faut rester prudent : une récompense informatique n’est pas une émotion et un signal mathématique n’est pas, à lui seul, une explication du fonctionnement neuronal. La comparaison devient utile lorsque les prédictions du modèle sont confrontées à des mesures comportementales ou physiologiques.

L’attention

En psychologie, l’attention désigne un ensemble de mécanismes qui sélectionnent certaines informations et en ignorent d’autres. En intelligence artificielle, le terme désigne souvent une opération mathématique qui pondère les relations entre éléments d’une séquence ou d’une représentation. Le même mot recouvre donc des notions différentes.

Les architectures à attention, popularisées par l’article Attention Is All You Need publié en 2017 par Ashish Vaswani et ses coauteurs, ont transformé le traitement automatique du langage et d’autres données séquentielles. Leur succès ne démontre pas que le cerveau utilise une opération identique. Il fournit néanmoins un outil pour étudier comment des dépendances entre éléments peuvent être calculées à grande échelle.

Le langage

Les modèles de langage apprennent des régularités statistiques dans de grands ensembles de textes. Ils peuvent produire des phrases grammaticales et mobiliser des associations complexes. Les sciences cognitives invitent à examiner ce que cette réussite implique réellement : compréhension conceptuelle, manipulation de symboles, prédiction séquentielle ou combinaison de ces capacités ?

Les expériences humaines montrent que le langage dépend aussi du contexte social, des intentions, des connaissances partagées et de l’ancrage dans une situation. Un système qui prédit efficacement le prochain élément d’un texte peut donc posséder une compétence partielle sans disposer de toutes les capacités mobilisées dans une conversation humaine.

Les limites des analogies entre cerveau et machine

Comparer un réseau neuronal artificiel au cerveau peut être utile, mais une analogie devient trompeuse lorsqu’elle efface les différences de structure et de fonctionnement. Le cerveau est un système biologique qui évolue, se développe, régule son énergie, reçoit des signaux sensoriels et agit dans un environnement. Il possède une histoire individuelle, un corps et des besoins qui influencent son apprentissage.

Un modèle artificiel, en revanche, dépend d’une architecture définie, d’un objectif d’optimisation et d’un ensemble de données. Même lorsqu’il traite des images ou du langage, il n’est pas nécessairement engagé dans une activité située. Il peut exploiter des indices statistiques qui ne correspondent pas aux caractéristiques jugées pertinentes par un humain.

Plusieurs différences doivent être surveillées :

  • La robustesse : un humain reconnaît souvent un objet malgré des variations mineures, tandis qu’un système peut être sensible à des changements imperceptibles pour une personne.
  • La causalité : une corrélation utile pour prédire n’explique pas forcément la cause d’un événement.
  • La généralisation : réussir sur des données proches de celles de l’entraînement ne garantit pas une bonne adaptation à une situation nouvelle.
  • L’interprétabilité : une représentation interne difficile à lire ne constitue pas automatiquement une preuve de raisonnement.
  • Les objectifs : optimiser une fonction mesurable peut conduire à des stratégies qui s’éloignent de l’intention humaine.

Ces limites ne rendent pas les modèles inutiles. Elles indiquent les conditions nécessaires pour interpréter leurs résultats sans leur attribuer des capacités qui n’ont pas été mesurées.

Un tableau pour distinguer les niveaux de comparaison

QuestionCe que l’on mesureCe que l’on peut conclure
Le système réussit-il la tâche ?Une performance sur un jeu de données ou une expérienceLe système réalise la tâche dans les conditions testées
Utilise-t-il une stratégie proche de celle des humains ?Ses erreurs, ses temps de réponse ou sa sensibilité aux variationsIl existe une similarité comportementale limitée ou étendue
Son fonctionnement ressemble-t-il à celui du cerveau ?Des représentations ou signaux comparés à des données neurobiologiquesCertaines propriétés peuvent être communes, sans identité de mécanisme
Comprend-il comme un humain ?Des tests de généralisation, d’inférence, de contexte et d’ancrageLa compréhension doit être définie par des critères observables

Ce tableau rappelle une règle méthodologique simple : une performance n’est pas une explication. Pour passer de l’une à l’autre, il faut des expériences qui isolent les mécanismes possibles et des comparaisons avec des modèles alternatifs.

Les biais : un problème technique et cognitif

Les biais des systèmes d’intelligence artificielle sont souvent décrits comme des défauts de données. Cette explication est incomplète. Les données reflètent des pratiques sociales, des choix de mesure, des catégories historiques et des contextes d’utilisation. Le modèle peut ensuite amplifier certaines régularités ou les appliquer à des situations où elles ne sont plus pertinentes.

Les sciences cognitives aident à comprendre pourquoi ces biais sont difficiles à repérer. Les êtres humains eux-mêmes utilisent des catégories, des raccourcis et des attentes qui influencent la perception et la décision. Un système entraîné sur des productions humaines peut donc reproduire des régularités cognitives et sociales, sans posséder les intentions associées à ces productions.

Une démarche sérieuse doit examiner plusieurs éléments :

  • la population représentée dans les données ;
  • la définition de la variable à prédire ;
  • les erreurs selon les groupes et les contextes ;
  • les conséquences d’une erreur pour les personnes concernées ;
  • la possibilité de contester ou de corriger une décision.

Cette analyse vaut pour les outils de diagnostic, de sélection, d’aide à la décision ou de production de contenu. Elle exige de compléter les indicateurs de performance par une étude des usages et des effets réels.

Comment évaluer une affirmation sur l’intelligence artificielle et la cognition

Pour lire une annonce ou un article de recherche avec discernement, il est utile de suivre une série de questions pratiques :

  1. Quelle capacité est étudiée ? Perception, mémoire, planification, langage, apprentissage ou autre ? Un terme général comme intelligence ne suffit pas.
  2. Quelle tâche a été utilisée ? Un test contrôlé peut mesurer une aptitude étroite et ne pas représenter une situation réelle.
  3. Quelles données ont servi à l’apprentissage et à l’évaluation ? Si elles sont trop proches, la performance peut surestimer la généralisation.
  4. Quel est le modèle de comparaison ? Comparer un système à des humains exige de tenir compte des consignes, du temps disponible et des informations accessibles.
  5. Les résultats ont-ils été reproduits ? Une observation isolée est moins solide qu’un résultat retrouvé dans plusieurs conditions.
  6. La conclusion distingue-t-elle corrélation et mécanisme ? Une ressemblance de sortie ne prouve pas que les opérations internes sont identiques.

Les publications issues de la psychologie, des neurosciences et de l’informatique peuvent employer des critères différents. Lire la méthode, les limites et les conditions expérimentales est souvent plus instructif que de retenir le seul résultat mis en avant dans un résumé.

Vers une recherche plus intégrée

Le dialogue entre intelligence artificielle et sciences cognitives peut progresser dans plusieurs directions. La première consiste à concevoir des systèmes capables d’apprendre dans des environnements moins contrôlés, avec une mémoire explicite, une estimation de leur incertitude et une capacité à rechercher des informations pertinentes. La deuxième consiste à développer des modèles qui intègrent davantage les contraintes du monde physique, de l’action et de l’interaction sociale.

Une autre piste concerne les modèles hybrides. Ils combinent des représentations apprises à partir de données avec des règles, des connaissances structurées ou des mécanismes de raisonnement. Cette combinaison ne garantit pas une cognition humaine, mais elle permet de tester si certaines limites des modèles statistiques proviennent de l’absence de mémoire organisée, de connaissances causales ou de contrôle de la recherche.

Les sciences cognitives peuvent aussi bénéficier d’une meilleure collaboration avec l’informatique. Les modèles génératifs permettent de simuler des hypothèses à grande échelle, tandis que les expériences comportementales servent à éviter de confondre une sortie plausible avec une compétence générale. La qualité de cette collaboration dépendra de la transparence des protocoles, de la disponibilité des données pertinentes et de la formulation de prédictions réellement testables.

La question la plus utile n’est donc pas de savoir si une machine pense exactement comme un humain. Il est plus fécond de demander : quelle capacité est reproduite, dans quelles conditions, par quels mécanismes supposés, avec quelles erreurs et quelles limites ? Cette formulation transforme une comparaison spectaculaire en problème scientifique précis.

FAQ : intelligence artificielle et sciences cognitives

L’intelligence artificielle reproduit-elle le cerveau humain ?

Non, pas au sens général. Certains modèles reprennent des idées inspirées des neurones, de l’apprentissage ou de l’attention, mais leur fonctionnement reste très différent de celui d’un cerveau biologique. Une ressemblance sur une tâche particulière ne suffit pas à établir une reproduction globale.

Pourquoi les sciences cognitives intéressent-elles la conception des modèles d’IA ?

Elles fournissent des concepts pour étudier la perception, la mémoire, l’apprentissage, la décision et le langage. Elles attirent aussi l’attention sur la généralisation, l’incertitude, le contexte et les mécanismes d’erreur, qui sont essentiels pour évaluer un système.

Un modèle qui réussit un test comprend-il forcément la tâche ?

Non. Il peut exploiter des régularités statistiques ou des indices présents dans les données sans posséder la compréhension attendue. Pour préciser ce point, il faut varier les exemples, tester la généralisation et analyser les stratégies ainsi que les erreurs.

Les modèles d’IA peuvent-ils aider à étudier le cerveau ?

Oui, comme outils de modélisation et de comparaison. Ils peuvent formaliser une hypothèse et produire des prédictions. Ils ne constituent toutefois pas une preuve directe du fonctionnement cérébral, surtout lorsque les données comportementales ou neurobiologiques sont limitées.

Quel réflexe adopter face à une affirmation sur l’IA et la cognition ?

Il faut identifier la capacité mesurée, la tâche utilisée, les données d’entraînement, le modèle de comparaison et la portée exacte de la conclusion. La distinction entre performance, stratégie et mécanisme est le meilleur point de départ.