Comment apprend un réseau de neurones
Pas de magie, mais des millions de petits réglages corrigés un à un à partir de leurs erreurs. Ce que fait vraiment une machine qui « apprend », et ce qu'elle ne sait pas faire.
Un programme classique suit des règles écrites par un humain. Un réseau de neurones, lui, n'a pas de règles au départ : il a des boutons de réglage, souvent des millions ou des milliards, et une méthode pour les tourner un peu à chaque fois qu'il se trompe. Après un long entraînement, ces réglages finissent par reconnaître un chat sur une photo, traduire une phrase ou repérer une anomalie sur une radiographie.
Un neurone artificiel, c'est une petite balance
Le neurone artificiel est une caricature très simplifiée du neurone biologique. Il reçoit plusieurs nombres en entrée, par exemple la luminosité de quelques pixels. Il multiplie chacun par un coefficient, appelé poids, additionne le tout, puis décide de sa réponse : forte si la somme dépasse un certain seuil, faible sinon. Un poids élevé signifie « cette entrée compte beaucoup », un poids négatif « cette entrée plaide contre ».
Seul, un neurone ne sait pas grand-chose. Mais on peut en ranger des milliers en couches successives, chacune regardant les réponses de la précédente. Dans un réseau entraîné à reconnaître des images, on observe souvent que les premières couches réagissent à des contours, les suivantes à des formes, les dernières à des objets entiers. Personne n'a programmé ces étapes : elles émergent du réglage des poids.
Apprendre, c'est mesurer son erreur et la réduire
Tout commence au hasard : les poids sont tirés au sort, et le réseau répond n'importe quoi. On lui montre alors un exemple dont on connaît la bonne réponse, une photo étiquetée « chat ». On calcule l'erreur, c'est-à-dire l'écart entre ce qu'il a répondu et ce qu'il aurait dû répondre.
Il faut ensuite savoir dans quel sens tourner chaque bouton pour réduire cette erreur. C'est le rôle de la descente de gradient. L'image classique est celle d'un randonneur pris dans le brouillard, qui veut descendre au fond d'une vallée : il ne voit pas le paysage, mais il sent la pente sous ses pieds et fait un petit pas vers le bas. Le réseau fait de même : pour chaque poids, il évalue si l'augmenter un peu ferait monter ou descendre l'erreur, puis le corrige légèrement dans le bon sens. On recommence avec l'exemple suivant, des millions de fois.
Reste à calculer cette pente pour des millions de poids à la fois. La rétropropagation le fait efficacement : l'erreur est renvoyée de la sortie vers l'entrée, couche par couche, et chaque neurone reçoit sa part de responsabilité. Cette méthode a été popularisée en 1986 par David Rumelhart, Geoffrey Hinton et Ronald Williams.
Un réseau ne sait que ce que ses exemples lui ont montré. Il lui faut donc beaucoup de données, et de bonne qualité. Si les exemples contiennent un défaut, par exemple des photos de loups toujours prises sur la neige, le réseau peut apprendre à reconnaître la neige plutôt que le loup. Pour vérifier qu'il a vraiment appris, on le teste sur des exemples qu'il n'a jamais vus.
Une histoire courte, avec un long hiver
En 1958, le psychologue américain Frank Rosenblatt décrit le perceptron, un neurone artificiel capable d'ajuster ses poids à partir de ses erreurs. L'enthousiasme retombe vite : on montre qu'un perceptron à une seule couche ne peut résoudre que des problèmes très simples, et la discipline traverse de longues périodes de désintérêt. La rétropropagation relance l'intérêt dans les années 1980, mais les ordinateurs manquent de puissance et les données sont rares.
Le basculement date de 2012. Un réseau profond conçu à l'université de Toronto par Alex Krizhevsky, Ilya Sutskever et Geoffrey Hinton remporte le concours de reconnaissance d'images ImageNet avec une avance nette sur les autres méthodes. Deux ingrédients ont changé : des millions d'images étiquetées, et des processeurs graphiques, nés pour les jeux vidéo, qui font très vite les multiplications nécessaires. En 2024, le prix Nobel de physique a été attribué à John Hopfield et Geoffrey Hinton pour leurs travaux fondateurs sur l'apprentissage par réseaux de neurones.
Ce qu'ils savent faire, et ce qu'ils ne savent pas
Les réseaux de neurones excellent à repérer des régularités dans d'énormes masses de données : reconnaître des images ou des sons, traduire, prédire la forme d'une protéine, produire du texte. Mais ils ne « comprennent » pas comme un humain. Ils peuvent se tromper avec assurance, inventer une réponse plausible mais fausse, ou échouer dès que la situation s'écarte de ce qu'ils ont vu. Leurs raisonnements internes restent difficiles à lire, et leur entraînement consomme beaucoup d'électricité, alors que le cerveau humain fonctionne avec une vingtaine de watts.
Et sur Terre ?
Les réseaux de neurones sont déjà partout : tri des photos, traduction, aide à la lecture des radiographies, prévision météorologique, détection de fraudes. Leur prochain défi est la sobriété. Dans l'espace, la contrainte est plus forte encore : la NASA teste depuis 2026 un nouveau processeur spatial, la puce HPSC, conçu notamment pour que les engins traitent eux-mêmes leurs données. La marche « Cerveau d'un Watt » (voir la marche F-INT-08) vise des puces d'IA capables d'apprendre en continu avec quelques watts, condition pour embarquer un jour une intelligence à bord d'une sonde lointaine ; sur Terre, elles équiperaient des capteurs médicaux portables ou agricoles qui s'adaptent sur place. Apprendre avec peu de données et peu d'énergie, comme le fait un enfant, reste l'une des grandes questions ouvertes du domaine.