La question de savoir comment le cerveau parvient \u00e0 acqu\u00e9rir continuellement de nouvelles connaissances sans effacer de mani\u00e8re catastrophique le r\u00e9pertoire des comp\u00e9tences et souvenirs pr\u00e9alablement consolid\u00e9s constitue l’une des \u00e9nigmes les plus vertigineuses des sciences cognitives et de la neurobiologie. Durant les ann\u00e9es 1980 et le d\u00e9but des ann\u00e9es 1990, l’essor des mod\u00e8les connexionnistes et des r\u00e9seaux de neurones artificiels a mis en lumi\u00e8re une vuln\u00e9rabilit\u00e9 th\u00e9orique majeure : l’apprentissage s\u00e9quentiel par r\u00e9tropropagation du gradient provoquait syst\u00e9matiquement un effondrement complet des poids synaptiques anciens au profit des stimuli r\u00e9cents, un ph\u00e9nom\u00e8ne formalis\u00e9 sous le terme d’interf\u00e9rence ou d’oubli catastrophique. Cette impasse computationnelle contrastait de mani\u00e8re flagrante avec la remarquable plasticit\u00e9 du cerveau des mammif\u00e8res, capable d’enregistrer instantan\u00e9ment un \u00e9pisode autobiographique singulier tout en maintenant intactes des structures s\u00e9mantiques et conceptuelles \u00e9chafaud\u00e9es au fil de d\u00e9cennies d’exp\u00e9rience.<\/p>\n
C’est pr\u00e9cis\u00e9ment pour surmonter cette aporie fondamentale que James L. McClelland, Bruce L. McNaughton et Randall C. O’Reilly ont formul\u00e9, dans leur article fondateur de 1995 publi\u00e9 au sein de la Psychological Review<\/em>, la th\u00e9orie des syst\u00e8mes d’apprentissage compl\u00e9mentaires (Complementary Learning Systems<\/a> ou CLS). S’appuyant sur une synth\u00e8se magistrale entre donn\u00e9es neuropsychologiques l\u00e9sionnelles, \u00e9lectrophysiologie cellulaire et mod\u00e9lisation connexionniste formelle, les auteurs ont propos\u00e9 une division computationnelle du travail mn\u00e9sique entre deux structures c\u00e9r\u00e9brales interd\u00e9pendantes : le complexe hippocampique, optimis\u00e9 pour l’encodage rapide, parcimonieux et contextuel d’\u00e9pisodes uniques, et le n\u00e9ocortex, vou\u00e9 \u00e0 l’assimilation lente, statistique et distribu\u00e9e des invariants r\u00e9gissant notre environnement. En posant que le cerveau r\u00e9sout le dilemme de la stabilit\u00e9 et de la plasticit\u00e9 par l’interaction dynamique de ces deux architectures aux dynamiques temporelles orthogonales, la th\u00e9orie CLS a pos\u00e9 les jalons d’un nouveau paradigme.<\/p>\n Trois d\u00e9cennies apr\u00e8s sa formulation princeps, le cadre th\u00e9orique CLS demeure le socle conceptuel incontournable pour appr\u00e9hender la consolidation mn\u00e9sique des syst\u00e8mes, la r\u00e9activation neuronale lors des phases de sommeil, ainsi que la conception d’algorithmes modernes d’intelligence artificielle luttant contre l’oubli continu. Cet article propose une exploration approfondie et exhaustive de la th\u00e9orie CLS : depuis ses racines historiques et math\u00e9matiques jusqu’\u00e0 ses prolongements contemporains \u00e0 l’intersection des neurosciences computationnelles et de l’apprentissage machine de pointe, en diss\u00e9quant minutieusement l’architecture fonctionnelle de l’hippocampe, les propri\u00e9t\u00e9s de g\u00e9n\u00e9ralisation du manteau n\u00e9ocortical, et la symphonie \u00e9lectrophysiologique qui orchestre leur dialogue incessant.<\/p>\n L’\u00e9mergence de la th\u00e9orie des syst\u00e8mes d’apprentissage compl\u00e9mentaires en 1995 s’inscrit au c\u0153ur d’un moment charni\u00e8re de l’histoire des sciences cognitives. \u00c0 la fin des ann\u00e9es 1980, le paradigme connexionniste connaissait une renaissance spectaculaire sous l’impulsion du groupe de recherche sur le traitement distribu\u00e9 en parall\u00e8le (Parallel Distributed Processing<\/em> ou PDP), men\u00e9 notamment par David Rumelhart et James McClelland. Ces r\u00e9seaux de neurones multicouches, entra\u00een\u00e9s par l’algorithme de r\u00e9tropropagation du gradient<\/a>, d\u00e9montraient une aptitude remarquable \u00e0 extraire des r\u00e9gularit\u00e9s statistiques complexes, \u00e0 mod\u00e9liser l’acquisition du langage et \u00e0 op\u00e9rer des inf\u00e9rences inductives robustes gr\u00e2ce \u00e0 des repr\u00e9sentations internes distribu\u00e9es. Cependant, un \u00e9cueil empirique et th\u00e9orique majeur est rapidement venu \u00e9branler l’enthousiasme de la communaut\u00e9 computationnelle : l’incapacit\u00e9 radicale de ces r\u00e9seaux \u00e0 g\u00e9rer l’apprentissage s\u00e9quentiel.<\/p>\n Les travaux fondateurs de McCloskey et Cohen (1989), confirm\u00e9s et approfondis par Ratcliff (1990), ont mis en \u00e9vidence le ph\u00e9nom\u00e8ne d’interf\u00e9rence catastrophique. Lorsqu’un r\u00e9seau de neurones artificiels standard, ayant appris \u00e0 ma\u00eetriser un ensemble de patrons (par exemple, des tables d’arithm\u00e9tique ou des classifications cat\u00e9gorielles), \u00e9tait soumis \u00e0 une nouvelle s\u00e9rie de donn\u00e9es sans que les anciennes ne lui soient continuellement repr\u00e9sent\u00e9es en simultan\u00e9, les modifications des poids synaptiques requises pour assimiler les nouvelles informations \u00e9crasaient imm\u00e9diatement et int\u00e9gralement les configurations de connectivit\u00e9 ant\u00e9rieures. Le r\u00e9seau \u00ab oubliait \u00bb instantan\u00e9ment ce qu’il savait faire, subissant une amn\u00e9sie globale foudroyante. Ce comportement constituait une r\u00e9futation brutale de la plausibilit\u00e9 biologique de ces mod\u00e8les unifi\u00e9s, car aucun \u00eatre humain n’oublie soudainement l’int\u00e9gralit\u00e9 de la syntaxe de sa langue maternelle lorsqu’il apprend le lexique d’un nouvel idiome ou retient le pr\u00e9nom d’une nouvelle connaissance.<\/p>\n C’est dans ce contexte de crise paradigmatique qu’est survenue la publication de l’article de McClelland, McNaughton et O’Reilly en 1995, intitul\u00e9 Why there are complementary learning systems in the hippocampus and neocortex: Insights from the successes and failures of connectionist models of learning and memory<\/em>. Cet article historique a op\u00e9r\u00e9 une convergence sans pr\u00e9c\u00e9dent entre trois disciplines jusque-l\u00e0 cloisonn\u00e9es : la mod\u00e9lisation informatique par r\u00e9seaux distribu\u00e9s, la neuropsychologie humaine (marqu\u00e9e par les \u00e9tudes sur les amn\u00e9sies organiques suite \u00e0 des r\u00e9sections temporales) et la neurobiologie cellulaire et \u00e9lectrophysiologique des circuits hippocampiques chez le rongeur. Les auteurs ont d\u00e9montr\u00e9 que l’interf\u00e9rence catastrophique n’\u00e9tait pas un simple artefact algorithmique d’un mod\u00e8le mal param\u00e9tr\u00e9, mais la cons\u00e9quence math\u00e9matique in\u00e9luctable d’un compromis fondamental impos\u00e9 \u00e0 tout syst\u00e8me apprenant unitaire. Pour d\u00e9passer cette aporie, la nature n’avait pas cherch\u00e9 \u00e0 concevoir un r\u00e9seau synaptique parfait, mais avait \u00e9labor\u00e9 deux syst\u00e8mes distincts et coop\u00e9ratifs.<\/p>\n Le postulat central de la th\u00e9orie CLS repose sur une division computationnelle rigoureuse du travail cognitif entre deux structures c\u00e9r\u00e9brales majeures des mammif\u00e8res : la formation hippocampique, situ\u00e9e dans la profondeur du lobe temporal m\u00e9dian, et le manteau n\u00e9ocortical, qui constitue la quasi-totalit\u00e9 de la surface c\u00e9r\u00e9brale. Chacune de ces structures ob\u00e9it \u00e0 des contraintes de conception radicalement oppos\u00e9es, optimis\u00e9es pour des objectifs informationnels distincts. La th\u00e9orie soutient qu’aucune matrice synaptique unique ne peut satisfaire simultan\u00e9ment \u00e0 l’exigence d’un apprentissage \u00e9pisodique instantan\u00e9 (encodage en un seul essai d’un \u00e9v\u00e9nement contextualis\u00e9 unique) et \u00e0 l’exigence d’un apprentissage s\u00e9mantique robuste (d\u00e9couverte graduelle de structures taxonomiques et de r\u00e9gularit\u00e9s statistiques r\u00e9currentes au sein de l’environnement).<\/p>\n D’un c\u00f4t\u00e9, le complexe hippocampique est conceptualis\u00e9 comme un r\u00e9seau d’apprentissage rapide. Il est dot\u00e9 d’une plasticit\u00e9 synaptique imm\u00e9diate \u00e0 seuil bas, capable de capturer l’instantan\u00e9it\u00e9 d’un \u00e9v\u00e9nement biographique en cr\u00e9ant des repr\u00e9sentations hautement clairsem\u00e9es et ind\u00e9pendantes les unes des autres. Ce syst\u00e8me \u00e9vite l’interf\u00e9rence en orthogonalisant activement les traces mn\u00e9siques, de sorte que l’apprentissage d’un fait nouveau n’alt\u00e8re en rien la configuration des faits contigus. D’un autre c\u00f4t\u00e9, le n\u00e9ocortex fonctionne comme un syst\u00e8me d’apprentissage lent. Ses connexions synaptiques se modifient par incr\u00e9ments infinit\u00e9simaux, sous l’effet de taux d’apprentissage d\u00e9lib\u00e9r\u00e9ment bas, ce qui lui conf\u00e8re la stabilit\u00e9 requise pour extraire la moyenne statistique des exp\u00e9riences v\u00e9cues sur le long terme. Les repr\u00e9sentations n\u00e9ocorticales sont hautement distribu\u00e9es et chevauchantes, ce qui favorise l’analogie, la cat\u00e9gorisation conceptuelle et l’induction pr\u00e9dictive.<\/p>\n La cl\u00e9 de vo\u00fbte de cette architecture r\u00e9side dans leur interaction dynamique \u00e0 travers le temps. L’hippocampe ne stocke pas d\u00e9finitivement les connaissances ; il agit comme un index spatio-temporel et un tuteur biologique temporaire pour le n\u00e9ocortex. Par un processus de r\u00e9activation r\u00e9currente et autonome \u2014 particuli\u00e8rement actif pendant les phases de repos et de sommeil \u2014, l’hippocampe \u00ab rejoue \u00bb de mani\u00e8re entrelac\u00e9e les \u00e9pisodes nouvellement acquis aux r\u00e9seaux corticaux. Ce rejeu progressif injecte les donn\u00e9es fra\u00eeches au milieu des r\u00e9activations de savoirs anciens, permettant au n\u00e9ocortex d’ajuster ses poids distribu\u00e9s sans subir de perturbations destructrices. Ainsi, la biprocessualit\u00e9 CLS formalise une solution biologique \u00e9l\u00e9gante au probl\u00e8me insoluble de l’apprentissage machine s\u00e9quentiel.<\/p>\n L’introduction du mod\u00e8le CLS a constitu\u00e9 une v\u00e9ritable r\u00e9volution \u00e9pist\u00e9mologique au sein des neurosciences contemporaines. Jusqu’au milieu des ann\u00e9es 1990, le d\u00e9bat sur l’architecture de la m\u00e9moire oscillait principalement entre des approches strictement localisationnistes \u2014 visant \u00e0 assigner une fonction cognitive ferm\u00e9e \u00e0 chaque noyau anatomique \u2014 et des approches ph\u00e9nom\u00e9nologiques descriptives issues de la psychologie cognitive, classifiant la m\u00e9moire en tiroirs distincts (m\u00e9moire \u00e9pisodique, m\u00e9moire s\u00e9mantique, m\u00e9moire de travail, etc.) sans en expliciter les m\u00e9canismes computationnels sous-jacents. La th\u00e9orie CLS a transcend\u00e9 ces dichotomies en substituant \u00e0 une vision statique et anatomique une dynamique de r\u00e9seaux interactifs r\u00e9gie par des principes algorithmiques formels.<\/p>\n En \u00e9tablissant un pont explicite entre la plasticit\u00e9 synaptique d\u00e9pendante des r\u00e9cepteurs NMDA et les grands syndromes d’amn\u00e9sie humaine, McClelland, McNaughton et O’Reilly ont donn\u00e9 un soubassement m\u00e9caniste \u00e0 la th\u00e9orie standard de la consolidation mn\u00e9sique, initialement formul\u00e9e de mani\u00e8re intuitive par des cliniciens comme Th\u00e9odule Ribot au XIXe si\u00e8cle ou formalis\u00e9e plus tard par Larry Squire. Pour la premi\u00e8re fois, la consolidation n’\u00e9tait plus appr\u00e9hend\u00e9e comme un simple \u00ab durcissement \u00bb biochimique passif d’une trace locale, mais comme une r\u00e9organisation syst\u00e9mique distribu\u00e9e, r\u00e9sultant d’un dialogue computationnel actif entre deux syst\u00e8mes d’apprentissage aux constantes de temps asynchrones. Cette perspective a permis de mod\u00e9liser avec une pr\u00e9cision math\u00e9matique in\u00e9gal\u00e9e la cin\u00e9tique de transfert de l’information au sein du cerveau.<\/p>\n En outre, le paradigme CLS a profond\u00e9ment r\u00e9orient\u00e9 la m\u00e9thodologie de recherche en sciences cognitives en consacrant la mod\u00e9lisation connexionniste comme un outil d’investigation neurobiologique de premier ordre. Il ne s’agissait plus seulement de concevoir des simulations informatiques pour \u00e9muler des t\u00e2ches cognitives isol\u00e9es, mais d’utiliser la simulation math\u00e9matique pour d\u00e9river des pr\u00e9dictions empiriques falsifiables quant aux propri\u00e9t\u00e9s \u00e9lectrophysiologiques des circuits neuronaux. Les hypoth\u00e8ses avanc\u00e9es par le mod\u00e8le de 1995 concernant les r\u00f4les distincts du gyrus dent\u00e9 et de la r\u00e9gion CA3 de l’hippocampe dans le traitement de l’information ont anticip\u00e9 de plusieurs ann\u00e9es les validations exp\u00e9rimentales obtenues ult\u00e9rieurement par l’optog\u00e9n\u00e9tique, l’imagerie par r\u00e9sonance magn\u00e9tique fonctionnelle \u00e0 ultra-haut champ et l’enregistrement unitaire de neurones chez l’animal vigile.<\/p>\n Au c\u0153ur de la gen\u00e8se de la th\u00e9orie CLS se trouve l’une des \u00e9nigmes les plus profondes de l’apprentissage computationnel : le dilemme de la stabilit\u00e9 et de la plasticit\u00e9, formalis\u00e9 de mani\u00e8re pionni\u00e8re par Stephen Grossberg dans le cadre de la th\u00e9orie de la r\u00e9sonance adaptative (Adaptive Resonance Theory<\/a>). Ce dilemme \u00e9nonce qu’un syst\u00e8me apprenant adaptatif doit satisfaire deux exigences intrins\u00e8quement antagonistes. D’une part, il doit faire preuve d’une plasticit\u00e9 suffisante pour incorporer imm\u00e9diatement des informations nouvelles et impr\u00e9vues \u00e9manant d’un environnement en constante mutation. D’autre part, il doit pr\u00e9server une stabilit\u00e9 structurelle interne pour \u00e9viter que les nouveaux apprentissages ne corrompent ou n’effacent le savoir cumul\u00e9, qui garantit son adaptation et sa survie \u00e0 long terme.<\/p>\n Dans les architectures neuronales connexionnistes unifi\u00e9es form\u00e9es par r\u00e9tropropagation, cette tension se traduit in\u00e9luctablement par ce que Michael McCloskey et Neal J. Cohen ont qualifi\u00e9 en 1989 d’interf\u00e9rence catastrophique (catastrophic interference<\/em>). Lorsque ces r\u00e9seaux apprennent un ensemble de motifs A, les poids synaptiques distribu\u00e9s convergent vers un minimum d’erreur dans l’espace multidimensionnel des \u00e9tats de connectivit\u00e9, formant ainsi un bassin d’attraction stable. Si l’on soumet ensuite \u00e0 ce m\u00eame r\u00e9seau un ensemble de motifs B sans lui r\u00e9exposer les motifs A, les gradients d’erreur induits par les patrons B imposent une r\u00e9affectation brutale des m\u00eames coefficients synaptiques. La nouvelle trajectoire d’optimisation modifie sans discernement les connexions qui encodaient pr\u00e9cis\u00e9ment les invariants de la t\u00e2che A. En cons\u00e9quence, les repr\u00e9sentations ant\u00e9rieures sont instantan\u00e9ment an\u00e9anties.<\/p>\n Ce dysfonctionnement dramatique d\u00e9coule directement de la nature non locale et homog\u00e8ne des repr\u00e9sentations distribu\u00e9es dans les r\u00e9seaux connexionnistes classiques. Contrairement \u00e0 une m\u00e9moire d’ordinateur de type von Neumann, o\u00f9 chaque donn\u00e9e est inscrite \u00e0 une adresse physique discr\u00e8te et immuable, un r\u00e9seau de neurones stocke la connaissance dans la totalit\u00e9 de la matrice synaptique. Chaque synapse participe simultan\u00e9ment \u00e0 l’encodage d’une multitude de souvenirs diff\u00e9rents. D\u00e8s lors que l’apprentissage est s\u00e9quentiel et que l’algorithme cherche \u00e0 minimiser l’erreur imm\u00e9diate sur les stimuli pr\u00e9sents, la r\u00e9\u00e9criture synaptique devient in\u00e9vitablement destructrice. McClelland et ses coll\u00e8gues ont compris que ce probl\u00e8me n’\u00e9tait pas imputable \u00e0 un d\u00e9faut superficiel des fonctions de transfert ou de la m\u00e9thode de descente de gradient, mais qu’il r\u00e9v\u00e9lait une incompatibilit\u00e9 math\u00e9matique fondamentale inh\u00e9rente \u00e0 l’apprentissage s\u00e9quentiel au sein d’un r\u00e9seau homog\u00e8ne.<\/p>\n Pour diss\u00e9quer ce dilemme, les auteurs de la th\u00e9orie CLS ont minutieusement analys\u00e9 la nature topologique des repr\u00e9sentations internes n\u00e9cessaires aux diff\u00e9rentes formes de cognition. Leur d\u00e9monstration a \u00e9tabli qu’il existe un conflit irr\u00e9conciliable entre la structure des repr\u00e9sentations requises pour la g\u00e9n\u00e9ralisation s\u00e9mantique et celle impos\u00e9e par la r\u00e9tention \u00e9pisodique. Pour extraire des concepts g\u00e9n\u00e9raux, comprendre des structures linguistiques ou induire des lois physiques \u00e0 partir de l’observation quotidienne, un syst\u00e8me computationnel a imp\u00e9rativement besoin de repr\u00e9sentations distribu\u00e9es chevauchantes (overlapping distributed representations<\/em>). Dans ce type de codage, deux entit\u00e9s s\u00e9mantiquement proches (par exemple, un canari et un moineau) activent des sous-ensembles neuronaux largement partag\u00e9s au sein de la couche cach\u00e9e.<\/p>\n Ce chevauchement repr\u00e9sentationnel constitue le moteur m\u00eame de l’induction : les propri\u00e9t\u00e9s apprises \u00e0 propos du moineau (il poss\u00e8de des ailes, il vole, il a des plumes) sont automatiquement transf\u00e9r\u00e9es et extrapol\u00e9es au canari en vertu de la co-activation des unit\u00e9s neuronales communes. Plus l’environnement est riche et structur\u00e9, plus la superposition des patrons d’activit\u00e9 permet de capturer les axes de variance et les covariances sous-jacentes du monde r\u00e9el. Cependant, cette propri\u00e9t\u00e9 de partage synaptique, si pr\u00e9cieuse pour la cat\u00e9gorisation, s’av\u00e8re l\u00e9tale d\u00e8s lors qu’il s’agit de discriminer des \u00e9v\u00e9nements contingents pr\u00e9sentant une similarit\u00e9 superficielle \u00e9lev\u00e9e. Si vous stationnez votre v\u00e9hicule au niveau 3 d’un parking souterrain le lundi, et au niveau 2 du m\u00eame parking le mardi, des repr\u00e9sentations distribu\u00e9es chevauchantes fusionneront ces deux \u00e9pisodes en une configuration moyenne indiff\u00e9renci\u00e9e, vous rendant incapable de retrouver votre voiture le mardi soir.<\/p>\n Pour m\u00e9moriser sans confusion des \u00e9pisodes biographiques singuliers, le syst\u00e8me mn\u00e9sique exige au contraire des repr\u00e9sentations orthogonales, clairsem\u00e9es et strictement disjointes (sparse orthogonal representations<\/em>). L’objectif est ici de minimiser d\u00e9lib\u00e9r\u00e9ment le chevauchement d’activation entre des sc\u00e8nes similaires, de mani\u00e8re \u00e0 attribuer \u00e0 chaque \u00e9v\u00e9nement une signature neuronale unique et non ambigu\u00eb. Or, il est formellement impossible pour une seule et m\u00eame matrice synaptique d’op\u00e9rer simultan\u00e9ment selon ces deux logiques g\u00e9om\u00e9triques diam\u00e9tralement oppos\u00e9es : un r\u00e9seau ne peut pas \u00e0 la fois forcer le chevauchement pour d\u00e9couvrir des similitudes cach\u00e9es et annuler le chevauchement pour individualiser des souvenirs contingents. La s\u00e9paration physique et algorithmique en deux modules neuronaux distincts appara\u00eet d\u00e8s lors comme la seule solution g\u00e9om\u00e9trique et computationnelle viable.<\/p>\n Face \u00e0 cette impasse physique et math\u00e9matique, la s\u00e9lection naturelle a fa\u00e7onn\u00e9, au fil de la phylogen\u00e8se des vert\u00e9br\u00e9s sup\u00e9rieurs et tout particuli\u00e8rement des mammif\u00e8res, une organisation neuro-architecturale modulaire hautement sp\u00e9cialis\u00e9e. L’\u00e9volution biologique a converg\u00e9 vers la co-existence et la coop\u00e9ration \u00e9troite de deux structures c\u00e9r\u00e9brales majeures : le complexe hippocampique (pal\u00e9ocortex et archicortex hautement diff\u00e9renci\u00e9s) et le manteau n\u00e9ocortical expans\u00e9. Cette dualit\u00e9 anatomique ne rel\u00e8ve nullement d’une redondance accidentelle ou d’une scorie de l’histoire \u00e9volutive, mais d’une r\u00e9ponse adaptative optimale dict\u00e9e par les imp\u00e9ratifs de la survie dans un milieu impr\u00e9visible.<\/p>\n Dans un environnement naturel comp\u00e9titif, un organisme animal doit pouvoir r\u00e9pondre \u00e0 deux pressions \u00e9cologiques fondamentales aux \u00e9chelles temporelles disparates. D’une part, il doit \u00eatre capable d’un apprentissage contextuel imm\u00e9diat en un seul essai (one-shot learning<\/em>) : identifier l’emplacement pr\u00e9cis d’une source d’eau \u00e9ph\u00e9m\u00e8re, m\u00e9moriser la topographie d’un abri apr\u00e8s un passage unique, ou associer l’odeur fugace d’un pr\u00e9dateur \u00e0 un lieu d\u00e9termin\u00e9 sous peine de mort imm\u00e9diate. L’hippocampe a \u00e9t\u00e9 s\u00e9lectionn\u00e9 pour remplir cet office de capture ultrarapide d’\u00e9pisodes singuliers, en cr\u00e9ant des repr\u00e9sentations hautement diff\u00e9renci\u00e9es et index\u00e9es spatialement, sans risquer de corrompre le reste de la m\u00e9moire de l’animal.<\/p>\n D’autre part, la survie de l’organisme exige l’\u00e9laboration d’un mod\u00e8le interne stable et coh\u00e9rent du monde : comprendre le cycle des saisons, pr\u00e9dire le comportement g\u00e9n\u00e9ral des cong\u00e9n\u00e8res ou des proies, naviguer dans une taxonomie implicite des fruits comestibles versus v\u00e9n\u00e9neux. Cette compr\u00e9hension statistique du monde ne peut d\u00e9couler de la seule somme brute d’\u00e9pisodes isol\u00e9s ; elle requiert une int\u00e9gration lente et pond\u00e9r\u00e9e d’innombrables observations \u00e9tal\u00e9es sur des mois ou des ann\u00e9es. Le n\u00e9ocortex a donc \u00e9volu\u00e9 pour assurer cette synth\u00e8se conservative, en amortissant les fluctuations statistiques et en prot\u00e9geant les acquis fondamentaux contre les caprices de l’exp\u00e9rience imm\u00e9diate. L’av\u00e8nement du dialogue hippocampo-n\u00e9ocortical a ainsi conf\u00e9r\u00e9 aux mammif\u00e8res un avantage s\u00e9lectif colossal, en unifiant la m\u00e9moire vive de l’imm\u00e9diatet\u00e9 contextuelle et la sagesse lente des r\u00e9gularit\u00e9s s\u00e9mantiques.<\/p>\n L’hippocampe ne constitue pas une masse neuronale uniforme, mais un assemblage st\u00e9r\u00e9otyp\u00e9 de sous-champs anatomiques distincts reli\u00e9s par un circuit unidirectionnel canonique hautement polaris\u00e9, souvent d\u00e9sign\u00e9 sous le terme de boucle trisynaptique. Les informations hautement trait\u00e9es en provenance de l’ensemble des aires d’association du n\u00e9ocortex convergent d’abord vers le cortex parahippocampique et p\u00e9rirhinal, avant d’aborder la principale porte d’entr\u00e9e de l’hippocampe : le cortex entorhinal<\/a> (EC). Depuis les couches II et III du cortex entorhinal, l’information p\u00e9n\u00e8tre dans le circuit proprement dit par l’interm\u00e9diaire de deux voies majeures : la voie perforante, qui projette massivement sur les cellules granulaires du gyrus dent\u00e9 (DG) ainsi que sur la r\u00e9gion CA3, et la voie temporo-ammonique, qui projette directement sur le champ CA1.<\/p>\n Le traitement au sein de la boucle trisynaptique s’amorce lorsque les axones de la voie perforante activent le gyrus dent\u00e9. Les cellules granulaires du DG \u00e9mettent \u00e0 leur tour d’\u00e9paisses fibres non my\u00e9linis\u00e9es, les fibres moussues (mossy fibers<\/em>), qui \u00e9tablissent des synapses g\u00e9antes extr\u00eamement puissantes mais rares avec les dendrites des neurones pyramidaux du champ CA3. Les neurones pyramidaux de CA3 projettent ensuite leurs axones, les collat\u00e9rales de Schaffer, sur les neurones pyramidaux de CA1. Enfin, le champ CA1 envoie des projections eff\u00e9rentes massives vers le sous-iculum, qui redistribue l’activit\u00e9 neuronale r\u00e9sultante vers les couches profondes du cortex entorhinal (couches V et VI), fermant ainsi la boucle par un retour vers les m\u00eames r\u00e9gions corticales qui avaient initi\u00e9 le signal. Cette architecture en boucle permet une comparaison computationnelle continue entre les signaux d’entr\u00e9e n\u00e9ocorticaux et les traces internes auto-g\u00e9n\u00e9r\u00e9es.<\/p>\n Sur le plan cellulaire et biophysique, la formation hippocampique se caract\u00e9rise par des propri\u00e9t\u00e9s de plasticit\u00e9 synaptique exceptionnellement puissantes et v\u00e9loces, principalement m\u00e9di\u00e9es par la potentialisation \u00e0 long terme (LTP<\/a>) et la d\u00e9pression \u00e0 long terme (LTD) d\u00e9pendantes des r\u00e9cepteurs NMDA<\/a>. Contrairement au n\u00e9ocortex o\u00f9 les modifications synaptiques n\u00e9cessitent des milliers de stimulations r\u00e9p\u00e9t\u00e9es \u00e0 basse fr\u00e9quence, les synapses de l’hippocampe pr\u00e9sentent des seuils d’induction de plasticit\u00e9 tr\u00e8s bas, permettant \u00e0 un seul train d’ondes th\u00eata ou \u00e0 un \u00e9v\u00e9nement perceptif bref d’engendrer un remaniement structurel stable des \u00e9pines dendritiques. De surcro\u00eet, le gyrus dent\u00e9 constitue l’un des rares sanctuaires du cerveau adulte o\u00f9 persiste une neurogen\u00e8se active chez les mammif\u00e8res, l’incorporation continue de neurones immatures hautement excitables jouant un r\u00f4le cl\u00e9 dans la modulation dynamique de la flexibilit\u00e9 cognitive et l’\u00e9vitement de l’encombrement mn\u00e9sique.<\/p>\n Sur le plan algorithmique, l’hippocampe r\u00e9alise deux op\u00e9rations math\u00e9matiques majeures, compl\u00e9mentaires et pourtant oppos\u00e9es, qui constituent le c\u0153ur de son efficacit\u00e9 computationnelle : la s\u00e9paration de motifs (pattern separation<\/em>) et la compl\u00e9tion de motifs (pattern completion<\/em>). La s\u00e9paration de motifs est l’op\u00e9ration qui consiste \u00e0 transformer des ensembles d’entr\u00e9es neuronales fortement chevauchantes et similaires en configurations de sorties distinctes et hautement d\u00e9corr\u00e9l\u00e9es. Cette fonction est principalement assign\u00e9e au gyrus dent\u00e9, agissant en conjonction avec ses projections vers la zone CA3. Le gyrus dent\u00e9 contient un nombre de cellules granulaires bien plus \u00e9lev\u00e9 (environ un facteur 10 chez le rongeur, et encore sup\u00e9rieur chez l’humain) que le nombre d’axones d’entr\u00e9e du cortex entorhinal, r\u00e9alisant une expansion dimensionnelle spatiale majeure (expansion recoding<\/em>).<\/p>\n Coupl\u00e9e \u00e0 une puissante inhibition par r\u00e9troaction exerc\u00e9e par des interneurones GABAergiques (notamment les cellules \u00e0 panier), cette expansion fait en sorte qu’une fraction infime de neurones du gyrus dent\u00e9 (souvent estim\u00e9e \u00e0 moins de 2 \u00e0 5 %) ne d\u00e9charge \u00e0 un instant donn\u00e9. Ce codage hautement parcimonieux (sparse coding<\/em>) garantit que m\u00eame si deux \u00e9v\u00e9nements du monde r\u00e9el partagent 90 % de leurs attributs sensoriels, les populations de cellules granulaires recrut\u00e9es pour les encoder pr\u00e9senteront un chevauchement quasi nul. Lorsque ces cellules granulaires activent CA3 via les puissantes synapses des fibres moussues, elles imposent \u00e0 CA3 des patrons de d\u00e9charge compl\u00e8tement d\u00e9coupl\u00e9s, emp\u00eachant toute confusion ou fusion accidentelle entre des traces mn\u00e9siques distinctes.<\/p>\n \u00c0 l’inverse, la compl\u00e9tion de motifs est le processus algorithmique qui permet au r\u00e9seau de reconstituer et de restituer la trace int\u00e9grale d’un souvenir \u00e0 partir d’un indice de r\u00e9cup\u00e9ration partiel, incomplet ou bruit\u00e9. Cette fonction est physiquement sous-tendue par l’anatomie unique du sous-champ CA3, qui constitue un r\u00e9seau r\u00e9current auto-associatif. Les neurones pyramidaux de CA3 \u00e9mettent des branches axonales collat\u00e9rales massives qui reviennent faire synapse sur leurs propres corps cellulaires et sur ceux de leurs voisins, formant une toile dense de connexions r\u00e9currentes synaptiquement modifiables selon une r\u00e8gle d’apprentissage h\u00e9bbienne. Lorsque le r\u00e9seau est expos\u00e9 \u00e0 un fragment d’un souvenir pass\u00e9 via la voie directe perforante, la dynamique r\u00e9currente de CA3 amplifie le signal par r\u00e9verb\u00e9ration interne et entra\u00eene le syst\u00e8me vers le bassin d’attraction correspondant au souvenir complet. Des m\u00e9canismes de contr\u00f4le pr\u00e9cis, modul\u00e9s par les rythmes \u00e9lectrophysiologiques, g\u00e8rent la bascule dynamique entre ce mode de rappel auto-associatif et le mode d’encodage s\u00e9parateur.<\/p>\n L’int\u00e9gration fonctionnelle de cette circuiterie conf\u00e8re \u00e0 la formation hippocampique un ensemble de propri\u00e9t\u00e9s computationnelles qui correspondent point par point aux n\u00e9cessit\u00e9s de la m\u00e9moire d\u00e9clarative \u00e9pisodique. La premi\u00e8re de ces propri\u00e9t\u00e9s est la rapidit\u00e9 extr\u00eame d’encodage : l’hippocampe est capable d’un apprentissage en un seul essai (one-shot learning<\/em>). Face \u00e0 une configuration in\u00e9dite du monde ext\u00e9rieur, la cascade synaptique traversant le cortex entorhinal, le gyrus dent\u00e9, CA3 et CA1 modifie les poids synaptiques en l’espace de quelques centaines de millisecondes, gravant instantan\u00e9ment un instantan\u00e9 fonctionnel de l’\u00e9tat cortical global.<\/p>\n La deuxi\u00e8me propri\u00e9t\u00e9 fondamentale est la haute sp\u00e9cificit\u00e9 contextuelle et spatio-temporelle. Les neurones hippocampiques ne se contentent pas d’enregistrer des entit\u00e9s isol\u00e9es (comme un visage ou un objet) ; ils r\u00e9alisent une liaison conjonctive (conjunctive binding<\/em>) qui fusionne au sein d’un format relationnel unifi\u00e9 l’ensemble des dimensions de l’exp\u00e9rience v\u00e9cue : la nature des stimuli pr\u00e9sents (\u00ab quoi \u00bb), leur localisation g\u00e9ospatiale (\u00ab o\u00f9 \u00bb) et leur indexation temporelle (\u00ab quand \u00bb). Cette capacit\u00e9 est magnifiquement illustr\u00e9e par les cellules de lieu<\/a> (place cells<\/em>) d\u00e9couvertes par John O’Keefe, qui ne d\u00e9chargent que lorsque l’animal se trouve dans une zone pr\u00e9cise de son environnement spatial, et dont les champs r\u00e9cepteurs se r\u00e9organisent instantan\u00e9ment (ph\u00e9nom\u00e8ne de remapping<\/em>) d\u00e8s que le contexte environnemental ou motivationnel subit une alt\u00e9ration notable.<\/p>\n Enfin, la troisi\u00e8me propri\u00e9t\u00e9 cardinale de ce syst\u00e8me est sa tr\u00e8s faible susceptibilit\u00e9 \u00e0 l’interf\u00e9rence proactive ou r\u00e9troactive \u00e0 court terme. Gr\u00e2ce \u00e0 la sparsit\u00e9 extr\u00eame impos\u00e9e par le gyrus dent\u00e9 et \u00e0 l’orthogonalisation des \u00e9tats dans CA3, l’incorporation d’un nouvel \u00e9pisode n’alt\u00e8re pas les poids synaptiques allou\u00e9s aux \u00e9pisodes ant\u00e9rieurs. N\u00e9anmoins, cette formidable ind\u00e9pendance a un co\u00fbt computationnel : la trace hippocampique n’est pas con\u00e7ue pour une r\u00e9tention passive ind\u00e9finie. En raison de la saturation synaptique in\u00e9luctable cons\u00e9cutive \u00e0 l’accumulation continue de nouveaux souvenirs et au renouvellement cellulaire li\u00e9 \u00e0 la neurogen\u00e8se, les traces mn\u00e9siques au sein des circuits hippocampiques sont intrins\u00e8quement dynamiques, fragiles et temporaires, n\u00e9cessitant un relais vers une structure de stockage plus vaste et plus stable.<\/p>\n En miroir de la sp\u00e9cialisation aigu\u00eb de la formation hippocampique, le manteau n\u00e9ocortical pr\u00e9sente une organisation anatomique et cytologique d’une tout autre \u00e9chelle, optimis\u00e9e pour le traitement g\u00e9n\u00e9ralis\u00e9, l’int\u00e9gration multimodale et la s\u00e9dimentation conservative du savoir. Couvrant la vaste majorit\u00e9 du volume c\u00e9r\u00e9bral chez l’\u00eatre humain, le n\u00e9ocortex se distingue par une organisation laminaire remarquable et quasi uniforme \u00e0 travers ses diff\u00e9rentes aires, structur\u00e9e en six couches horizontales superpos\u00e9es (couches I \u00e0 VI). Ces couches ne constituent pas des strates \u00e9tanches, mais sont travers\u00e9es verticalement par des microcolonnes fonctionnelles, compos\u00e9es d’une centaine de neurones fortement interconnect\u00e9s, qui repr\u00e9sentent les briques computationnelles de base du calcul cortical.<\/p>\n Contrairement aux circuits hippocampiques caract\u00e9ris\u00e9s par des projections directes, lin\u00e9aires et hautement polaris\u00e9es le long de la boucle trisynaptique, le n\u00e9ocortex d\u00e9ploie une connectivit\u00e9 horizontale r\u00e9currente \u00e0 longue port\u00e9e d’une densit\u00e9 prodigieuse. Les axones des cellules pyramidales des couches II et III courent sur plusieurs millim\u00e8tres, voire centim\u00e8tres, reliant des colonnes corticales distantes et assurant une communication continue entre les cortex sensoriels primaires, les aires associatives unimodales et les carrefours h\u00e9t\u00e9romodaux majeurs tels que le lobe temporal ant\u00e9rieur, le cortex pari\u00e9tal inf\u00e9rieur et le cortex pr\u00e9frontal. Cette connectivit\u00e9 distribu\u00e9e offre un substrat physique id\u00e9al pour la fusion d’informations h\u00e9t\u00e9rog\u00e8nes et la formation d’assembl\u00e9es neuronales \u00e9tendues couvrant l’ensemble du manteau c\u00e9r\u00e9bral.<\/p>\n Sur le versant fonctionnel et plastique, le n\u00e9ocortex ob\u00e9it \u00e0 une r\u00e8gle d’apprentissage radicalement conservatrice. La plasticit\u00e9 synaptique corticale n’est pas con\u00e7ue pour basculer sous l’effet d’une d\u00e9charge unique ; elle est r\u00e9gie par des taux d’apprentissage (learning rates<\/em>) extr\u00eamement faibles. L’ajustement de la force synaptique y est graduel, progressif et d\u00e9pendant de la r\u00e9p\u00e9tition d’occurrences corr\u00e9l\u00e9es \u00e0 travers de multiples contextes spatio-temporels. Cette inertie synaptique d\u00e9lib\u00e9r\u00e9e immunise le cortex contre le bruit sensoriel fortuit, les anomalies transitoires de l’environnement et l’\u00e9crasement imm\u00e9diat des connaissances pr\u00e9alables, instaurant un filtre passe-bas fondamental qui ne laisse s’inscrire que les r\u00e9gularit\u00e9s structurelles r\u00e9currentes.<\/p>\n L’objectif computationnel supr\u00eame du n\u00e9ocortex dans l’architecture CLS est l’extraction d’invariants et la d\u00e9couverte de la structure statistique sous-jacente du monde physique, biologique et social. D\u00e8s la naissance, le cerveau est bombard\u00e9 d’un flux sensoriel continu, chaotique et multidimensionnel. Pour survivre, l’agent cognitif ne peut se contenter d’archiver la succession temporelle de ces stimuli bruts ; il doit construire une th\u00e9orie interne explicative de son environnement en d\u00e9couvrant les lois de causalit\u00e9, les relations de parent\u00e9, les taxonomies d’objets et les r\u00e9gularit\u00e9s s\u00e9mantiques qui demeurent invariantes malgr\u00e9 les m\u00e9tamorphoses de la stimulation sensorielle imm\u00e9diate.<\/p>\n Le n\u00e9ocortex r\u00e9alise cette prouesse par le biais d’un apprentissage statistique non supervis\u00e9 et auto-supervis\u00e9 continu. En ajustant imperceptiblement ses matrices synaptiques en fonction des co-occurrences perceptives et des probabilit\u00e9s conditionnelles observ\u00e9es de mani\u00e8re r\u00e9p\u00e9t\u00e9e, le r\u00e9seau cortical identifie les caract\u00e9ristiques partag\u00e9es par de multiples exemplaires du monde r\u00e9el. C’est ainsi qu’\u00e9merge, par exemple, le concept abstrait d’\u00ab oiseau \u00bb : non pas comme une copie exacte d’un pigeon crois\u00e9 un mardi \u00e0 midi, mais comme un agr\u00e9gat statistique stabilis\u00e9 combinant la pr\u00e9sence de plumes, d’un bec, la capacit\u00e9 de voler, d’\u00e9mettre des chants et de pondre des \u0153ufs. Les corr\u00e9lations fortes entre ces attributs sculptent progressivement la g\u00e9om\u00e9trie interne du r\u00e9seau cortical.<\/p>\n Cette extraction d’invariants conduit \u00e0 la formation d’espaces s\u00e9mantiques m\u00e9triques complexes au sein desquels la proximit\u00e9 g\u00e9om\u00e9trique des vecteurs d’activation neuronale refl\u00e8te fid\u00e8lement la proximit\u00e9 fonctionnelle ou cat\u00e9gorielle des objets du monde r\u00e9el. Des entit\u00e9s partageant des structures causales similaires convergent vers des r\u00e9gions voisines au sein de l’espace des \u00e9tats corticaux, tandis que les attributs divergents sont dissoci\u00e9s le long d’axes de variance orthogonaux. Le n\u00e9ocortex n’enregistre donc pas des photographies du r\u00e9el ; il forge des mod\u00e8les g\u00e9n\u00e9ratifs capables d’estimer en permanence la structure la plus probable du stimulus en cours et d’anticiper son \u00e9volution future.<\/p>\n La cons\u00e9quence algorithmique directe de cette dynamique corticale est l’utilisation exclusive de repr\u00e9sentations hautement distribu\u00e9es et chevauchantes. Au sein du manteau n\u00e9ocortical, un concept n’est jamais h\u00e9berg\u00e9 par un neurone isol\u00e9 ou un module microscopique \u00e9tanche (l’hypoth\u00e8se r\u00e9fut\u00e9e du \u00ab neurone grand-m\u00e8re \u00bb), mais par une large assembl\u00e9e de cellules dispers\u00e9es \u00e0 travers plusieurs aires associatives, o\u00f9 chaque neurone individuel participe simultan\u00e9ment au codage d’une multitude de concepts distincts. Ce principe de codage en population g\u00e9n\u00e8re un chevauchement spatial massif entre les repr\u00e9sentations d’entit\u00e9s qui partagent des propri\u00e9t\u00e9s fonctionnelles ou structurales.<\/p>\n C’est pr\u00e9cis\u00e9ment ce chevauchement repr\u00e9sentationnel qui conf\u00e8re au n\u00e9ocortex son extraordinaire pouvoir de g\u00e9n\u00e9ralisation inductive et de raisonnement analogique. Lorsqu’un sujet est confront\u00e9 \u00e0 un objet radicalement in\u00e9dit (par exemple, une esp\u00e8ce animale exotique r\u00e9cemment d\u00e9couverte comme l’okapi), le r\u00e9seau cortical active imm\u00e9diatement l’assembl\u00e9e neuronale correspondant aux traits d\u00e9j\u00e0 connus de l’animal : la forme g\u00e9n\u00e9rale d’un ongul\u00e9, la pr\u00e9sence de sabots, le pelage d’un mammif\u00e8re herbivore. Par simple propagation spontan\u00e9e de l’activation le long des synapses partag\u00e9es, le n\u00e9ocortex d\u00e9duit instantan\u00e9ment et sans effort que cet animal est probablement inoffensif, qu’il se nourrit de v\u00e9g\u00e9taux et qu’il poss\u00e8de une physiologie de mammif\u00e8re, sans qu’aucun apprentissage direct sur l’okapi n’ait \u00e9t\u00e9 pr\u00e9alablement n\u00e9cessaire.<\/p>\n Enfin, cette organisation conf\u00e8re au syst\u00e8me cognitif une remarquable r\u00e9silience m\u00e9canique et fonctionnelle, connue en informatique connexionniste sous l’expression de d\u00e9gradation progressive (graceful degradation<\/em>). Dans un syst\u00e8me \u00e0 stockage localis\u00e9 ou symbolique discret, la destruction de l’unit\u00e9 de m\u00e9moire efface purement et simplement la donn\u00e9e correspondante. Dans un r\u00e9seau distribu\u00e9 n\u00e9ocortical, la perte accidentelle d’un pourcentage notable de synapses ou de corps cellulaires (par accident vasculaire c\u00e9r\u00e9bral, traumatisme ou s\u00e9nescence) n’entra\u00eene pas la disparition foudroyante d’un pan entier de la m\u00e9moire, mais une diminution douce, diffuse et graduelle de la pr\u00e9cision globale du syst\u00e8me, les repr\u00e9sentations restantes parvenant \u00e0 reconstituer l’essentiel de l’information gr\u00e2ce aux redondances synaptiques distribu\u00e9es.<\/p>\n L’articulation entre l’hippocampe et le n\u00e9ocortex ne constitue pas une simple juxtaposition structurelle, mais un syst\u00e8me cybern\u00e9tique interactif dynamique fonctionnant en cycle continu d’aller-retour. Cette dynamique repose sur une voie de communication anatomique bidirectionnelle massive transitant par les cortex parahippocampique, p\u00e9rirhinal et entorhinal, agissant comme des interfaces de compression et de d\u00e9compression de signal entre les aires sensorielles et associatives n\u00e9ocorticales et les circuits profonds de l’archicortex.<\/p>\n Lors de la phase initiale d’encodage durant l’\u00e9veil actif, un \u00e9v\u00e9nement de la vie courante provoque un embrasement coordonn\u00e9 et distribu\u00e9 de millions de neurones \u00e0 travers diverses r\u00e9gions corticales : les aires visuelles occipitales traitent les couleurs et les formes, les aires auditives temporales d\u00e9codent les voix et les bruits de fond, tandis que les cortex somatosensoriels et limbiques enregistrent la texture thermique et la tonalit\u00e9 affective de la sc\u00e8ne. Ces multiples flux de donn\u00e9es sont progressivement condens\u00e9s au fur et \u00e0 mesure qu’ils cheminent vers le cortex entorhinal, qui injecte cette signature condens\u00e9e au sein de la boucle hippocampique. L’hippocampe, agissant comme un \u00ab index \u00bb de haut niveau, capture cette configuration instantan\u00e9e et lie l’ensemble des \u00e9l\u00e9ments disparates par le biais de modifications synaptiques rapides au sein de CA3 et CA1.<\/p>\n Dans cette premi\u00e8re \u00e9tape, l’hippocampe ne stocke pas le contenu sensoriel complet de l’\u00e9v\u00e9nement en haute d\u00e9finition ; il en capture le pointeur relationnel central. La v\u00e9ritable alchimie de la m\u00e9moire se d\u00e9ploie dans un second temps : la phase de r\u00e9activation. Lorsque le sujet n’est plus engag\u00e9 dans l’action imm\u00e9diate, ou lorsqu’un stimulus sensoriel partiel vient d\u00e9clencher la compl\u00e9tion de motifs dans CA3, l’hippocampe s’active de mani\u00e8re autonome et inverse le sens du flux d’information. Les projections eff\u00e9rentes \u00e9mergeant de CA1 et du sous-iculum vers les couches profondes du cortex entorhinal viennent stimuler en retour les r\u00e9seaux n\u00e9ocorticaux initiaux. L’hippocampe r\u00e9injecte la configuration d’activation originale au sein du manteau cortical, contraignant ce dernier \u00e0 rejouer la symphonie neuronale initiale en l’absence des stimuli environnementaux d’origine.<\/p>\n La simple r\u00e9tro-injection de donn\u00e9es \u00e9pisodiques fra\u00eeches de l’hippocampe vers le n\u00e9ocortex ne suffirait pas \u00e0 pr\u00e9venir l’effondrement mn\u00e9sique si elle \u00e9tait appliqu\u00e9e de mani\u00e8re abrupte ou massive. Si l’hippocampe for\u00e7ait le n\u00e9ocortex \u00e0 apprendre le souvenir r\u00e9cent d’un seul bloc, par des salves de plasticit\u00e9 violentes et isol\u00e9es, le probl\u00e8me initial de l’interf\u00e9rence catastrophique r\u00e9appara\u00eetrait au niveau cortical : les nouvelles traces effaceraient les invariants conceptuels patiemment forg\u00e9s. Pour contourner cet \u00e9cueil fatal, la th\u00e9orie CLS postule la n\u00e9cessit\u00e9 absolue d’un processus computationnel rigoureusement r\u00e9gul\u00e9 : l’apprentissage entrelac\u00e9 (interleaved learning<\/em>).<\/p>\n Dans le sch\u00e9ma entrelac\u00e9, la r\u00e9activation d’un souvenir nouveau n’intervient jamais de fa\u00e7on isol\u00e9e ; elle est m\u00e9ticuleusement intercal\u00e9e, altern\u00e9e et m\u00e9lang\u00e9e avec la r\u00e9activation spontan\u00e9e de multiples souvenirs anciens et de structures s\u00e9mantiques pr\u00e9existantes. Au cours des p\u00e9riodes de r\u00e9verb\u00e9ration neuronale, l’hippocampe et les r\u00e9seaux corticaux eux-m\u00eames font ressurgir \u00e0 la fois le fait contingent fra\u00eechement encod\u00e9 et une constellation de repr\u00e9sentations d\u00e9j\u00e0 acquises qui lui sont s\u00e9mantiquement apparent\u00e9es ou contextuellement divergentes. Les modifications synaptiques au sein du n\u00e9ocortex se font ainsi par ajustements infinit\u00e9simaux (en appliquant un taux d’apprentissage infime $epsilon$<\/span>), int\u00e9grant l’exp\u00e9rience nouvelle comme une l\u00e9g\u00e8re perturbation marginale au milieu d’un flot de donn\u00e9es canoniques.<\/p>\n Ce m\u00e9canisme garantit que les surfaces de d\u00e9cision n\u00e9ocorticales et les bassins d’attraction fa\u00e7onn\u00e9s par des ann\u00e9es d’exp\u00e9rience ne se d\u00e9forment que d’une fraction imperceptible \u00e0 chaque cycle de r\u00e9activation. Le souvenir nouveau est lentement \u00ab dissous \u00bb et \u00ab tiss\u00e9 \u00bb au sein du r\u00e9seau s\u00e9mantique pr\u00e9existant, jusqu’\u00e0 ce que ses \u00e9l\u00e9ments universels soient incorpor\u00e9s dans la structure g\u00e9n\u00e9rale sans qu’aucune rupture de continuit\u00e9 du savoir ant\u00e9rieur ne se produise. L’apprentissage entrelac\u00e9 d\u00e9montre ainsi comment la biprocessualit\u00e9 permet au cerveau de r\u00e9aliser l’int\u00e9gration harmonieuse de nouvelles donn\u00e9es dans un r\u00e9seau distribu\u00e9 continu sans jamais subir le moindre choc catastrophique.<\/p>\n La cons\u00e9quence ultime de cette dynamique de r\u00e9activation entrelac\u00e9e \u00e9tal\u00e9e dans le temps est l’autonomisation progressive de la trace mn\u00e9sique vis-\u00e0-vis de son \u00e9chafaudage hippocampique initial, processus classiquement d\u00e9sign\u00e9 sous le terme de consolidation des syst\u00e8mes (systems consolidation<\/em>). Au d\u00e9but de la vie d’un souvenir, l’hippocampe est strictement indispensable pour assurer la coh\u00e9sion de la trace. Si l’on d\u00e9connecte l’hippocampe quelques heures ou quelques jours apr\u00e8s l’\u00e9v\u00e9nement, les diff\u00e9rentes composantes n\u00e9ocorticales du souvenir (visuelle, auditive, \u00e9motionnelle), n’ayant pas encore d\u00e9velopp\u00e9 de connexions synaptiques horizontales directes suffisamment robustes, se d\u00e9font instantan\u00e9ment, rendant tout rappel impossible.<\/p>\n Toutefois, \u00e0 mesure que l’hippocampe r\u00e9active de mani\u00e8re it\u00e9rative la configuration corticale cible, les connexions cortico-corticales directes reliant entre elles les populations neuronales distribu\u00e9es \u00e0 travers les diff\u00e9rentes aires sensorielles et associatives se renforcent mutuellement selon les r\u00e8gles de la plasticit\u00e9 h\u00e9bbienne (\u00ab les neurones qui d\u00e9chargent ensemble se connectent ensemble \u00bb). Apr\u00e8s des milliers de r\u00e9activations r\u00e9parties sur des semaines, des mois, voire des ann\u00e9es, ce r\u00e9seau horizontal cortico-cortical devient autosuffisant. Il acquiert la capacit\u00e9 intrins\u00e8que d’entretenir et de r\u00e9cup\u00e9rer la totalit\u00e9 du motif mn\u00e9sique sous l’effet d’un stimulus de rappel partiel, sans n\u00e9cessiter la m\u00e9diation de l’index hippocampique.<\/p>\n Ce transfert d’autonomie ne constitue pas un simple d\u00e9m\u00e9nagement physique o\u00f9 le souvenir serait d\u00e9coup\u00e9 d’un point A pour \u00eatre coll\u00e9 intact en un point B ; il s’accompagne d’une profonde transformation qualitative de la nature m\u00eame du souvenir. En devenant purement corticale, la trace mn\u00e9sique subit une s\u00e9mantisation graduelle. Elle perd l’acuit\u00e9 ph\u00e9nom\u00e9nologique vive, le contexte spatio-temporel pr\u00e9cis et les d\u00e9tails idiosyncrasiques de son enregistrement originel pour se muer en une connaissance abstraite, g\u00e9n\u00e9ralis\u00e9e et sch\u00e9matique de l’\u00e9v\u00e9nement. Le souvenir \u00e9pisodique singulier s’est m\u00e9tamorphos\u00e9 en un \u00e9l\u00e9ment permanent de la m\u00e9moire s\u00e9mantique du sujet.<\/p>\n La th\u00e9orie des syst\u00e8mes d’apprentissage compl\u00e9mentaires puise une part d\u00e9terminante de sa l\u00e9gitimit\u00e9 empirique dans l’analyse minutieuse des syndromes amn\u00e9siques cons\u00e9cutifs \u00e0 des l\u00e9sions c\u00e9r\u00e9brales chez l’\u00eatre humain, dont l’arch\u00e9type clinique absolu demeure le cas historique du patient H.M. (Henry Molaison)<\/a>. Op\u00e9r\u00e9 en 1953 par le neurochirurgien William Scoville pour tenter de juguler une \u00e9pilepsie r\u00e9fractaire et invalidante, H.M. subit une r\u00e9section bilat\u00e9rale massive du lobe temporal m\u00e9dian, incluant les deux tiers ant\u00e9rieurs de l’hippocampe, le cortex entorhinal, p\u00e9rirhinal et l’amygdale. Les observations cliniques pionni\u00e8res conduites par Brenda Milner ont r\u00e9v\u00e9l\u00e9 un tableau neuropsychologique d’une nettet\u00e9 saisissante qui a boulevers\u00e9 la compr\u00e9hension de l’architecture de l’esprit.<\/p>\n D’une part, H.M. manifestait une amn\u00e9sie ant\u00e9rograde globale et absolue : d\u00e8s le r\u00e9veil de son op\u00e9ration chirurgicale, il devint totalement incapable d’encoder de mani\u00e8re durable le moindre souvenir d’un \u00e9v\u00e9nement survenu apr\u00e8s l’intervention. Qu’il s’agisse de m\u00e9moriser un nouveau visage, une liste de mots, un fait d’actualit\u00e9 ou de localiser son nouveau lieu de r\u00e9sidence, toute nouvelle information d\u00e9clarative disparaissait de sa conscience apr\u00e8s quelques dizaines de secondes, d\u00e8s que son attention \u00e9tait d\u00e9tourn\u00e9e. D’autre part, son profil d’amn\u00e9sie r\u00e9trograde pr\u00e9sentait une caract\u00e9ristique fondamentale hautement r\u00e9v\u00e9latrice : un gradient temporel prononc\u00e9, rigoureusement conforme \u00e0 la loi de Ribot<\/a> \u00e9nonc\u00e9e un si\u00e8cle plus t\u00f4t. Les souvenirs des \u00e9v\u00e9nements ayant pr\u00e9c\u00e9d\u00e9 imm\u00e9diatement l’op\u00e9ration (sur une p\u00e9riode de un \u00e0 trois ans) \u00e9taient compl\u00e8tement annihil\u00e9s, tandis que ses souvenirs d’enfance et de jeunesse, ainsi que ses connaissances g\u00e9n\u00e9rales sur le monde acquises durant ses vingt premi\u00e8res ann\u00e9es de vie (vocabulaire, histoire, g\u00e9ographie), \u00e9taient exceptionnellement pr\u00e9serv\u00e9s.<\/p>\n Le cas H.M. apportait \u00e9galement une d\u00e9monstration \u00e9clatante de la dissociation entre la m\u00e9moire d\u00e9clarative d\u00e9pendante de l’hippocampe et la m\u00e9moire proc\u00e9durale non d\u00e9clarative : il \u00e9tait capable d’apprendre des t\u00e2ches motrices complexes, comme le dessin en miroir, avec une courbe d’apprentissage normale de jour en jour, tout en soutenant avec conviction qu’il n’avait jamais vu le dispositif exp\u00e9rimental de sa vie. Pour les concepteurs de la th\u00e9orie CLS, ce profil constituait la preuve clinique indiscutable de la biprocessualit\u00e9 : la l\u00e9sion bilat\u00e9rale de l’hippocampe avait an\u00e9anti le syst\u00e8me d’apprentissage rapide indispensable \u00e0 l’acquisition d’\u00e9pisodes nouveaux et \u00e0 la r\u00e9tention des souvenirs r\u00e9cents non encore consolid\u00e9s, tout en laissant indemne le n\u00e9ocortex o\u00f9 r\u00e9sidaient, parfaitement stabilis\u00e9s par des ann\u00e9es de dialogue entrelac\u00e9, les invariants s\u00e9mantiques et les souvenirs autobiographiques anciens totalement autonomis\u00e9s.<\/p>\n Si l’amn\u00e9sie hippocampique de type H.M. fournissait une premi\u00e8re d\u00e9monstration de la d\u00e9pendance temporelle du stockage mn\u00e9sique, la validation formelle de la th\u00e9orie CLS en tant qu’architecture \u00e0 deux syst\u00e8mes ind\u00e9pendants exigeait la mise en \u00e9vidence d’une double dissociation neurobiologique. Cette validation clinique spectaculaire est venue de l’\u00e9tude comparative entre l’amn\u00e9sie du lobe temporal m\u00e9dian et une pathologie neurod\u00e9g\u00e9n\u00e9rative d’individualisation plus tardive : la d\u00e9mence s\u00e9mantique<\/a> (DS), une variante focale de la d\u00e9g\u00e9n\u00e9rescence lobaire fronto-temporale caract\u00e9ris\u00e9e par une atrophie pr\u00e9coce et pr\u00e9dominante du lobe temporal ant\u00e9rieur (ATL) bilat\u00e9ral avec une pr\u00e9servation relative de la formation hippocampique au d\u00e9but de la maladie.<\/p>\n Les patients atteints de d\u00e9mence s\u00e9mantique pr\u00e9sentent un profil clinique rigoureusement inverse \u00e0 celui d’H.M. ou des patients au stade d\u00e9butant de la maladie d’Alzheimer. Dans la d\u00e9mence s\u00e9mantique, le stock des concepts s’effondre de mani\u00e8re progressive et d\u00e9vastatrice : les patients perdent la signification des mots, l’usage des objets du quotidien et les attributs fondamentaux des animaux ou des entit\u00e9s famili\u00e8res (ils ne savent plus si un canard a des pattes ou des roues, ou ne reconnaissent plus le mot \u00ab z\u00e8bre \u00bb qu’ils d\u00e9signent simplement comme un \u00ab animal \u00bb ou une \u00ab chose \u00bb). Cependant, et de fa\u00e7on remarquable, leur m\u00e9moire \u00e9pisodique pour les \u00e9v\u00e9nements autobiographiques r\u00e9cents demeure remarquablement intacte. Ils peuvent raconter avec une abondance de d\u00e9tails contextuels ce qu’ils ont fait la veille, o\u00f9 ils ont gar\u00e9 leur voiture ou ce qu’ils ont mang\u00e9 le matin m\u00eame, pourvu que l’\u00e9valuation ne repose pas sur une conceptualisation s\u00e9mantique verbale trop alt\u00e9r\u00e9e.<\/p>\n De surcro\u00eet, le gradient temporel de leur amn\u00e9sie r\u00e9trograde est invers\u00e9 par rapport \u00e0 la loi de Ribot : ils se souviennent bien mieux de leurs \u00e9pisodes de vie r\u00e9cents (des semaines ou mois \u00e9coul\u00e9s) que de leurs \u00e9pisodes de vie tr\u00e8s anciens, car les \u00e9pisodes r\u00e9cents sont encore h\u00e9berg\u00e9s et soutenus de fa\u00e7on fonctionnelle par un hippocampe encore sain, alors que les souvenirs anciens, s\u00e9mantis\u00e9s et tributaires de l’int\u00e9grit\u00e9 du manteau cortical temporal ant\u00e9rieur d\u00e9truit, sont irr\u00e9m\u00e9diablement perdus. Cette double dissociation \u00e9clatante \u2014 perte de la m\u00e9moire \u00e9pisodique r\u00e9cente avec pr\u00e9servation s\u00e9mantique chez l’amn\u00e9sique hippocampique, versus perte s\u00e9mantique avec pr\u00e9servation \u00e9pisodique r\u00e9cente dans la d\u00e9mence s\u00e9mantique \u2014 a fourni l’une des preuves les plus \u00e9l\u00e9gantes et indiscutables de la r\u00e9alit\u00e9 empirique de la bipartition computationnelle postul\u00e9e par la th\u00e9orie CLS.<\/p>\n L’essor fulgurant des technologies d’imagerie c\u00e9r\u00e9brale fonctionnelle non invasive (IRMf) et de l’\u00e9lectrophysiologie intracr\u00e2nienne chez des patients \u00e9pileptiques candidats \u00e0 la chirurgie a apport\u00e9, \u00e0 partir de la fin des ann\u00e9es 1990, des confirmations dynamiques in vivo inaccessibles \u00e0 l’\u00e9poque des premi\u00e8res formalisations de la th\u00e9orie CLS. Les protocoles longitudinaux en IRMf ont permis de suivre la trace d’un apprentissage sur des fen\u00eatres temporelles allant de plusieurs semaines \u00e0 plusieurs mois, d\u00e9montrant de mani\u00e8re empirique la migration progressive de l’engagement h\u00e9modynamique au fil de la consolidation.<\/p>\n Ces \u00e9tudes longitudinales (par exemple, les travaux pionniers de Takashima et al., 2006, ou de Gais et al., 2007) ont invariablement mis en lumi\u00e8re le m\u00eame profil cin\u00e9tique : lors des sessions de rappel imm\u00e9diat cons\u00e9cutives \u00e0 un apprentissage de paires de stimuli ou de sc\u00e8nes visuelles complexes, le signal BOLD (Blood Oxygen Level Dependent<\/em>) enregistre une activation massive et pr\u00e9pond\u00e9rante de la formation hippocampique, accompagn\u00e9e d’un couplage fonctionnel modeste au sein du n\u00e9ocortex. En revanche, lorsque les m\u00eames sujets sont test\u00e9s sur le rappel de ces m\u00eames stimuli plusieurs mois plus tard, l’activit\u00e9 de l’hippocampe d\u00e9cline de fa\u00e7on drastique, tandis que l’on observe un recrutement puissant et concert\u00e9 des aires corticales d’association, notamment le cortex pr\u00e9frontal m\u00e9dial (mPFC), le pr\u00e9cun\u00e9us et les cortex temporaux lat\u00e9raux, confirmant l’autonomisation fonctionnelle du r\u00e9seau n\u00e9ocortical.<\/p>\n Sur le plan \u00e9lectrophysiologique, les enregistrements intracr\u00e2niens par st\u00e9r\u00e9otaxie (sEEG) chez l’\u00eatre humain ont fourni des donn\u00e9es cruciales quant \u00e0 la nature des m\u00e9canismes oscillatoires qui sous-tendent ce transfert d’information. Ils ont notamment r\u00e9v\u00e9l\u00e9 une coh\u00e9rence de phase spectaculaire entre les oscillations \u00e0 haute fr\u00e9quence de l’hippocampe et les rythmes corticaux lors des phases de consolidation post-apprentissage. Les oscillations lentes du cortex guident et coordonnent temporellement les fuseaux de sommeil thalamiques et les ondulations hippocampiques, \u00e9tablissant des fen\u00eatres d’opportunit\u00e9 synaptique o\u00f9 la transmission de donn\u00e9es entre les deux structures atteint son efficacit\u00e9 maximale, mat\u00e9rialisant ainsi dans le milliseconde par milliseconde le dialogue computationnel pr\u00e9vu par le mod\u00e8le de McClelland, McNaughton et O’Reilly.<\/p>\n L’une des forces majeures qui distinguent la th\u00e9orie CLS des mod\u00e8les conceptuels ant\u00e9rieurs r\u00e9side dans sa transcription math\u00e9matique et computationnelle explicite sous la forme d’un mod\u00e8le neuronal fonctionnel, d\u00e9velopp\u00e9 initialement dans les simulations d’O’Reilly et McClelland en 1994, puis raffin\u00e9 dans leur publication de 1995. L’architecture computationnelle de l’hippocampe artificiel est con\u00e7ue comme un r\u00e9seau neuronal multicouche simulant de mani\u00e8re individualis\u00e9e les \u00e9tapes physiologiques de la boucle trisynaptique : le cortex entorhinal (EC), le gyrus dent\u00e9 (DG), et les sous-champs CA3 et CA1.<\/p>\n Pour reproduire le comportement du gyrus dent\u00e9, les auteurs ont impl\u00e9ment\u00e9 un m\u00e9canisme de codage hautement clairsem\u00e9 fond\u00e9 sur une variante d’apprentissage comp\u00e9titif non supervis\u00e9 appel\u00e9e k-Winners-Take-All<\/em> (k-WTA). Dans cette formulation math\u00e9matique, un sous-ensemble d’unit\u00e9s seulement \u2014 les $k$<\/span> neurones recevant l’entr\u00e9e excitatrice la plus forte \u2014 est autoris\u00e9 \u00e0 d\u00e9charger, tandis que toutes les autres unit\u00e9s de la couche sont r\u00e9duites au silence par une inhibition globale simulant l’action des interneurones GABAergiques. Cette contrainte impose un taux de sparsit\u00e9 d’environ 1 \u00e0 2 %, for\u00e7ant une s\u00e9paration g\u00e9om\u00e9trique drastique des motifs d’entr\u00e9e. Les connexions entre le gyrus dent\u00e9 et CA3 utilisent une r\u00e8gle d’apprentissage h\u00e9bbienne modifi\u00e9e, garantissant que les synapses des fibres moussues agissent comme des inducteurs d\u00e9corr\u00e9l\u00e9s puissants sur la couche auto-associative.<\/p>\n Le sous-champ CA3 est mod\u00e9lis\u00e9 comme une couche de neurones enti\u00e8rement connect\u00e9s \u00e0 eux-m\u00eames par une matrice de poids r\u00e9currents sym\u00e9triques ou asym\u00e9triques selon le paradigme des r\u00e9seaux de Hopfield<\/a> am\u00e9lior\u00e9s. La mise \u00e0 jour synaptique des connexions r\u00e9currentes r\u00e9pond \u00e0 une dynamique d’attracteur r\u00e9gie par une formulation h\u00e9bbienne classique :<\/p>\n $$\\Delta w_{ij} = \\eta \\cdot (x_i – \\theta) \\cdot (x_j – \\theta)$$<\/span><\/p>\n o\u00f9 $eta$<\/span> repr\u00e9sente le taux d’apprentissage et $\\theta$<\/span> un seuil d’activation moyen. Enfin, la projection de CA3 vers CA1 et la boucle de retour vers les couches profondes du cortex entorhinal sont entra\u00een\u00e9es par des algorithmes combinant l’apprentissage h\u00e9bbien et la correction d’erreur locale, permettant au r\u00e9seau de traduire la repr\u00e9sentation abstraite et orthogonale de CA3 en un patron d’activation corticale coh\u00e9rent et interpr\u00e9table par les aires sensorielles n\u00e9ocorticales.<\/p>\n L’impl\u00e9mentation du versant n\u00e9ocortical au sein du mod\u00e8le CLS adopte une philosophie algorithmique profond\u00e9ment diff\u00e9rente de celle de l’hippocampe. Le n\u00e9ocortex est mod\u00e9lis\u00e9 sous la forme d’un r\u00e9seau connexionniste multicouche \u00e0 propagation avant (feedforward<\/em>) et r\u00e9tro-propagation locale, ou \u00e0 travers des r\u00e9seaux d’attracteurs r\u00e9currents faiblement coupl\u00e9s, dont les unit\u00e9s poss\u00e8dent des fonctions d’activation non lin\u00e9aires continues (telles que la fonction sigmo\u00efde logistique ou la tangente hyperbolique) :<\/p>\n $$y_i = \\frac{1}{1 + e^{-\\sum_j w_{ij} x_j}}$$<\/span><\/p>\n Dans ce mod\u00e8le cortical, les couches cach\u00e9es sont dimensionn\u00e9es pour forcer une compression dimensionnelle mod\u00e9r\u00e9e, emp\u00eachant le r\u00e9seau de m\u00e9moriser les exemples par simple assignation individuelle et le contraignant \u00e0 trouver des repr\u00e9sentations distribu\u00e9es compactes et efficaces.<\/p>\n La mise \u00e0 jour des poids synaptiques $w_{ij}$<\/span> du r\u00e9seau cortical s’effectue au moyen de r\u00e8gles d’apprentissage supervis\u00e9es ou auto-supervis\u00e9es par correction d’erreur, fond\u00e9es sur la descente de gradient de l’erreur quadratique moyenne globale $E$<\/span> :<\/p>\n $$\\Delta w_{ij} = -\\epsilon \\frac{\\partial E}{\\partial w_{ij}} = \\epsilon \\cdot \\delta_i \\cdot x_j$$<\/span><\/p>\n Le param\u00e8tre le plus d\u00e9terminant de cette formalisation est le taux d’apprentissage $epsilon$<\/span> (learning rate<\/em>). Dans le n\u00e9ocortex simul\u00e9, $epsilon$<\/span> est fix\u00e9 \u00e0 une valeur d\u00e9lib\u00e9r\u00e9ment minuscule (souvent inf\u00e9rieure de plusieurs ordres de grandeur \u00e0 celle utilis\u00e9e dans l’hippocampe). Les simulations d’O’Reilly et McClelland ont d\u00e9montr\u00e9 que cette lenteur n’est pas un handicap mais une n\u00e9cessit\u00e9 absolue : elle permet aux poids synaptiques d’int\u00e9grer l’esp\u00e9rance math\u00e9matique des variations de l’environnement sur un tr\u00e8s grand nombre d’it\u00e9rations, neutralisant le bruit stochastique.<\/p>\n Pour analyser la topologie des connaissances ainsi acquises par le n\u00e9ocortex artificiel, les auteurs ont fr\u00e9quemment utilis\u00e9 des m\u00e9thodes d’analyse en composantes principales (ACP) ou de positionnement multidimensionnel (MDS) appliqu\u00e9es aux patrons d’activation de la couche cach\u00e9e. Ces analyses g\u00e9om\u00e9triques ont d\u00e9montr\u00e9 que le r\u00e9seau cortical organise spontan\u00e9ment ses repr\u00e9sentations internes sous forme d’arbres hi\u00e9rarchiques et de topologies continues o\u00f9 la distance euclidienne entre deux vecteurs neuronaux capture avec une pr\u00e9cision remarquable la taxonomie s\u00e9mantique du domaine d’entra\u00eenement (par exemple, regroupant spontan\u00e9ment les animaux versus les plantes, puis les oiseaux versus les mammif\u00e8res), sans qu’aucune \u00e9tiquette explicite de cat\u00e9gorie sup\u00e9rieure n’ait \u00e9t\u00e9 fournie au r\u00e9seau lors de son apprentissage.<\/p>\n L’accomplissement le plus marquant de la mod\u00e9lisation formelle CLS de 1995 a consist\u00e9 \u00e0 simuler in silico l’interaction dynamique entre le module hippocampique et le module cortical, apportant une d\u00e9monstration computationnelle rigoureuse de la r\u00e9solution de l’interf\u00e9rence catastrophique et de la gen\u00e8se des courbes d’amn\u00e9sie clinique. Dans les simulations informatiques conduites par McClelland et ses collaborateurs, le r\u00e9seau global a d’abord \u00e9t\u00e9 soumis \u00e0 un entra\u00eenement simulant l’acquisition progressive d’un socle de connaissances s\u00e9mantiques de base par apprentissage entrelac\u00e9.<\/p>\n Dans une exp\u00e9rience critique, un nouveau fait arbitraire (par exemple, \u00ab le manchot est un oiseau mais il nage et ne vole pas \u00bb) a \u00e9t\u00e9 introduit dans le syst\u00e8me. Lorsque ce fait \u00e9tait pr\u00e9sent\u00e9 directement et exclusivement au r\u00e9seau n\u00e9ocortical isol\u00e9 avec un taux d’apprentissage \u00e9lev\u00e9, le r\u00e9seau subissait une interf\u00e9rence catastrophique : pour minimiser rapidement l’erreur sur le manchot, la descente de gradient modifiait violemment les poids synaptiques partag\u00e9s, conduisant le r\u00e9seau \u00e0 pr\u00e9dire soudainement que tous les oiseaux nagent et ne volent plus. En revanche, lorsque le fait \u00e9tait d’abord encod\u00e9 instantan\u00e9ment dans le module hippocampique, puis que celui-ci proc\u00e9dait \u00e0 un rejeu entrelac\u00e9 autonome \u2014 r\u00e9injectant de mani\u00e8re r\u00e9p\u00e9t\u00e9e le cas du manchot au milieu de r\u00e9activations al\u00e9atoires de l’ensemble du corpus de faits anciens d\u00e9j\u00e0 consolid\u00e9s avec un $epsilon$<\/span> minuscule \u2014, le n\u00e9ocortex parvenait \u00e0 int\u00e9grer l’exception sans alt\u00e9rer le prototype g\u00e9n\u00e9ral de l’oiseau.<\/p>\n De fa\u00e7on plus impressionnante encore, les auteurs ont simul\u00e9 des r\u00e9sections l\u00e9sionnelles du module hippocampique \u00e0 diff\u00e9rents moments de la phase de consolidation post-apprentissage. En coupant les connexions du module hippocampique virtuel imm\u00e9diatement apr\u00e8s l’apprentissage initial, ils ont constat\u00e9 que le syst\u00e8me \u00e9tait totalement incapable de rappeler l’information nouvelle : il manifestait une amn\u00e9sie r\u00e9trograde s\u00e9v\u00e8re pour les faits r\u00e9cents. En revanche, lorsque cette l\u00e9sion virtuelle \u00e9tait op\u00e9r\u00e9e de mani\u00e8re diff\u00e9r\u00e9e, apr\u00e8s plusieurs centaines de cycles de rejeu entrelac\u00e9, la performance du n\u00e9ocortex isol\u00e9 demeurait parfaite. Ces simulations ont g\u00e9n\u00e9r\u00e9 des courbes de r\u00e9tention quantitativement identiques au gradient temporel de l’amn\u00e9sie de Ribot observ\u00e9 chez le patient H.M., apportant la preuve math\u00e9matique que la consolidation syst\u00e9mique est le corollaire algorithmique direct de l’apprentissage entrelac\u00e9 au sein d’une architecture biprocessus.<\/p>\n Si la th\u00e9orie de 1995 avait rigoureusement postul\u00e9 la n\u00e9cessit\u00e9 d’un rejeu hors ligne (offline replay<\/em>) pour assurer l’apprentissage entrelac\u00e9 sans perturber l’\u00e9veil, les fondements neurobiologiques pr\u00e9cis de ce processus ont b\u00e9n\u00e9fici\u00e9 d’une avanc\u00e9e spectaculaire gr\u00e2ce aux d\u00e9couvertes \u00e9lectrophysiologiques r\u00e9alis\u00e9es sur les rongeurs durant le sommeil \u00e0 ondes lentes<\/a> (NREM ou Slow-Wave Sleep). Les travaux s\u00e9minaux de Wilson et McNaughton (1994), suivis par les recherches pionni\u00e8res de Gy\u00f6rgy Buzs\u00e1ki, ont r\u00e9v\u00e9l\u00e9 la pr\u00e9sence d’\u00e9v\u00e9nements oscillatoires transitoires d’une intensit\u00e9 et d’une rapidit\u00e9 ph\u00e9nom\u00e9nales au sein du champ CA3 et CA1 : les complexes d’ondes aigu\u00ebs et d’ondulations \u00e0 haute fr\u00e9quence (sharp-wave ripples<\/em> ou SWR).<\/p>\n Ces ondulations (150\u2013250 Hz), qui surviennent principalement pendant les p\u00e9riodes de sommeil lent profond et de repos passif, constituent le substrat \u00e9lectrophysiologique par excellence du rejeu mn\u00e9sique hippocampo-n\u00e9ocortical. Durant ces brefs \u00e9pisodes d’environ 50 \u00e0 100 millisecondes, les assembl\u00e9es de cellules de lieu qui avaient d\u00e9charg\u00e9 s\u00e9quentiellement le long d’un parcours spatial pendant l’\u00e9veil actif se r\u00e9activent spontan\u00e9ment dans un ordre identique, mais selon une cin\u00e9tique temporelle compress\u00e9e d’un facteur 10 \u00e0 20. Ce rejeu neuronal compress\u00e9 peut s’effectuer dans le sens chronologique direct (forward replay<\/em>) ou dans le sens chronologique invers\u00e9 (reverse replay<\/em>), ce dernier jouant un r\u00f4le d\u00e9terminant dans l’attribution de signaux de renforcement et la mise \u00e0 jour des fonctions de valeur.<\/p>\n La puissance computationnelle de ce ph\u00e9nom\u00e8ne r\u00e9side dans sa coordination syst\u00e9mique \u00e0 grande \u00e9chelle. Loin d’\u00eatre confin\u00e9 \u00e0 la formation hippocampique, le d\u00e9clenchement des ondulations SWR s’ins\u00e8re au millim\u00e8tre pr\u00e8s dans une symphonie oscillatoire tripartite unissant l’hippocampe, le thalamus et le n\u00e9ocortex. Les oscillations lentes n\u00e9ocorticales (< 1 Hz) g\u00e9n\u00e8rent des \u00e9tats d'excitabilit\u00e9 globale (\u00ab \u00e9tats UP \u00bb), au sein desquels sont nich\u00e9s les fuseaux de sommeil thalamocorticaux (sleep spindles<\/em>, 11\u201316 Hz). Les ondulations SWR de l’hippocampe sont temporellement verrouill\u00e9es de mani\u00e8re pr\u00e9cise au creux des cycles des fuseaux de sommeil n\u00e9ocorticaux, maximisant l’afflux calcique postsynaptique dans les dendrites corticales et ouvrant ainsi des fen\u00eatres d’induction de plasticit\u00e9 synaptique (LTP) qui scellent le transfert d’information vers le cortex.<\/p>\n Si le sommeil \u00e0 ondes lentes est incontestablement le th\u00e9\u00e2tre privil\u00e9gi\u00e9 de la transmission unidirectionnelle brute des informations de l’hippocampe vers le n\u00e9ocortex, le sommeil paradoxal<\/a> (Rapid Eye Movement<\/em> ou REM) joue un r\u00f4le computationnel compl\u00e9mentaire et hautement sophistiqu\u00e9 dans la restructuration et l’int\u00e9gration s\u00e9mantique au sein de l’architecture CLS. L’environnement neurochimique du sommeil REM se distingue radicalement de celui du sommeil lent : il est caract\u00e9ris\u00e9 par un d\u00e9ferlement massif d’ac\u00e9tylcholine au sein du syst\u00e8me nerveux central, atteignant des concentrations \u00e9quivalentes voire sup\u00e9rieures \u00e0 celles de l’\u00e9veil actif, tandis que le tonus monoaminergique (noradr\u00e9naline et s\u00e9rotonine) est presque enti\u00e8rement aboli.<\/p>\n Cette configuration pharmacologique modifie en profondeur la dynamique de circulation de l’information entre les sous-syst\u00e8mes mn\u00e9siques. Selon les mod\u00e8les neurobiologiques contemporains (comme ceux formul\u00e9s par Hasselmo ou Walker), un taux \u00e9lev\u00e9 d’ac\u00e9tylcholine bloque la transmission synaptique excitatrice le long des collat\u00e9rales de Schaffer et des voies de sortie hippocampiques, tout en facilitant la plasticit\u00e9 synaptique intrins\u00e8que au sein du n\u00e9ocortex lui-m\u00eame. En cons\u00e9quence, pendant le sommeil paradoxal, le dialogue hippocampo-n\u00e9ocortical direct est provisoirement suspendu ; le n\u00e9ocortex fonctionne en boucle ferm\u00e9e, lib\u00e9r\u00e9 de l’ancrage rigide des \u00e9pisodes r\u00e9cents dict\u00e9 par l’hippocampe.<\/p>\n Ce fonctionnement en circuit autonome permet au manteau n\u00e9ocortical d’op\u00e9rer des recombinaisons synaptiques cr\u00e9atives, de r\u00e9activer des associations faibles et distantes, et de tester de nouvelles configurations de connectivit\u00e9 entre des concepts disparates sans risquer d’alt\u00e9rer l’exactitude des faits contingents fra\u00eechement encod\u00e9s. C’est durant cette phase que les traces s\u00e9mantis\u00e9es subissent une int\u00e9gration conceptuelle profonde, favorisant la r\u00e9solution d’\u00e9nigmes et la d\u00e9couverte d’analogies cach\u00e9es. Parall\u00e8lement, des m\u00e9canismes d’hom\u00e9ostasie synaptique globale, formalis\u00e9s par Giulio Tononi et Chiara Cirelli dans leur hypoth\u00e8se de renormalisation synaptique, op\u00e8rent une d\u00e9pression synaptique \u00e0 l’\u00e9chelle du r\u00e9seau pour \u00e9laguer les connexions bruit\u00e9es et recalibrer le co\u00fbt \u00e9nerg\u00e9tique global du cerveau.<\/p>\n L’une des r\u00e9\u00e9valuations empiriques les plus marquantes apport\u00e9es \u00e0 la th\u00e9orie CLS au cours des deux derni\u00e8res d\u00e9cennies a \u00e9t\u00e9 la d\u00e9couverte que la r\u00e9activation neuronale et la consolidation des syst\u00e8mes ne sont pas l’apanage exclusif des phases de sommeil profond. Des enregistrements \u00e9lectrophysiologiques chez l’animal et des \u00e9tudes d’imagerie fonctionnelle chez l’humain ont d\u00e9montr\u00e9 de mani\u00e8re irr\u00e9futable que des complexes d’ondulations SWR et des motifs de rejeu neuronal hautement coordonn\u00e9s se manifestent \u00e9galement durant l’\u00e9veil, lors de phases de repos passif, d’immobilit\u00e9 calme ou d’attente non stimulante (quiet wakefulness<\/em>).<\/p>\n D\u00e8s que le cerveau cesse de s’engager dans le traitement actif de stimuli sensoriels imm\u00e9diats ou dans l’ex\u00e9cution de comportements orient\u00e9s vers un but pr\u00e9cis, l’activit\u00e9 m\u00e9tabolique bascule spontan\u00e9ment vers le r\u00e9seau du mode par d\u00e9faut<\/a> (Default Mode Network<\/em> ou DMN). Ce r\u00e9seau anatomique \u00e9tendu, qui englobe le cortex pr\u00e9frontal m\u00e9dial, le cortex cingulaire post\u00e9rieur, le pr\u00e9cun\u00e9us et les lobes temporaux m\u00e9dians, pr\u00e9sente une synchronisation fonctionnelle \u00e9troite avec l’hippocampe. Les \u00e9tats d’\u00e9veil calme permettent ainsi l’orchestration continue d’un apprentissage entrelac\u00e9 tout au long de la journ\u00e9e diurne : chaque pause de repos suivant une session d’apprentissage dense d\u00e9clenche une cascade imm\u00e9diate de r\u00e9activations hors ligne qui amorce la stabilisation des repr\u00e9sentations corticales bien avant la premi\u00e8re nuit de sommeil.<\/p>\n Cette consolidation hors ligne \u00e0 l’\u00e9veil pr\u00e9sente des implications consid\u00e9rables pour les sciences de l’\u00e9ducation et l’optimisation des rythmes cognitifs humains. Elle fournit une explication neurobiologique rigoureuse \u00e0 l’effet d’espacement (spacing effect<\/em>), d\u00e9couvert empiriquement par Hermann Ebbinghaus \u00e0 la fin du XIXe si\u00e8cle, qui d\u00e9montre qu’un apprentissage fragment\u00e9 par des intervalles temporels r\u00e9guliers produit une r\u00e9tention infiniment sup\u00e9rieure \u00e0 un apprentissage mass\u00e9 continu. En m\u00e9nageant des p\u00e9riodes d’inactivit\u00e9 cognitive relative entre les sessions de travail, le sujet permet au dialogue hippocampo-n\u00e9ocortical d’ex\u00e9cuter des cycles d’apprentissage entrelac\u00e9 in silico, \u00e9vitant l’encombrement synaptique de l’hippocampe et favorisant l’assimilation progressive de la mati\u00e8re nouvelle au sein de la structure n\u00e9ocorticale pr\u00e9existante.<\/p>\n Deux d\u00e9cennies apr\u00e8s la publication originelle de 1995, le paysage des neurosciences et de l’intelligence artificielle s’\u00e9tant consid\u00e9rablement m\u00e9tamorphos\u00e9, Dharshan Kumaran, Demis Hassabis et James L. McClelland ont publi\u00e9 en 2016 dans la revue Trends in Cognitive Sciences<\/em> une mise \u00e0 jour th\u00e9orique majeure : What Learning Systems do Intelligent Agents Need? Complementary Learning Systems Theory Updated<\/em>. Tout en r\u00e9affirmant avec force la validit\u00e9 des principes cardinaux de la division biprocessus du travail mn\u00e9sique, les auteurs ont enrichi et flexibilis\u00e9 le mod\u00e8le \u00e0 la lumi\u00e8re des d\u00e9couvertes r\u00e9centes concernant l’apprentissage par renforcement profond et la plasticit\u00e9 hippocampique.<\/p>\n La premi\u00e8re r\u00e9vision fondamentale concerne les capacit\u00e9s computationnelles de l’hippocampe lui-m\u00eame. Dans la formulation classique de 1995, l’hippocampe \u00e9tait conceptualis\u00e9 de mani\u00e8re quasi unilat\u00e9rale comme une matrice de m\u00e9morisation brute d’instances individuelles, un syst\u00e8me rigide et orthogonalis\u00e9 d\u00e9pourvu de toute capacit\u00e9 d’abstraction. Le mod\u00e8le de 2016 a battu en br\u00e8che cette vision r\u00e9ductrice en reconnaissant que la formation hippocampique peut elle-m\u00eame d\u00e9velopper des repr\u00e9sentations g\u00e9n\u00e9ralis\u00e9es, des cartes cognitives relationnelles et des codages structurels \u00e0 des \u00e9chelles d’abstraction vari\u00e9es. En s’appuyant notamment sur la dynamique des cellules de grille (grid cells<\/em>) du cortex entorhinal et sur les connexions r\u00e9currentes de CA3, l’hippocampe appara\u00eet d\u00e9sormais capable d’inf\u00e9rences transmutatives imm\u00e9diates et d’apprentissage par g\u00e9n\u00e9ralisation rapide, sans attendre le transfert lent vers le n\u00e9ocortex.<\/p>\n La seconde r\u00e9vision conceptuelle majeure a port\u00e9 sur la dynamique de modulation du taux d’apprentissage cortical ($epsilon$<\/span>). Alors que le mod\u00e8le original postulait un apprentissage n\u00e9ocortical strictement uniforme et constant, le cadre \u00e9tendu int\u00e8gre formellement les concepts d’erreur de pr\u00e9diction (prediction errors<\/em>) et de surprise \u00e9pist\u00e9mique issus de l’apprentissage par renforcement (reinforcement learning<\/em>). Lorsque les attentes formul\u00e9es par le mod\u00e8le interne n\u00e9ocortical sont violemment contredites par une observation environnementale hautement significative ou affectivement saillante, des vagues de neuromodulateurs (tels que la dopamine ou l’ac\u00e9tylcholine) peuvent accro\u00eetre temporairement et localement la plasticit\u00e9 synaptique du n\u00e9ocortex, autorisant une vitesse d’int\u00e9gration acc\u00e9l\u00e9r\u00e9e sans pour autant sacrifier la stabilit\u00e9 globale de l’ensemble synaptique.<\/p>\n L’une des remises en question les plus significatives de la contrainte absolue de lenteur n\u00e9ocorticale a \u00e9merg\u00e9 des travaux exp\u00e9rimentaux remarquables men\u00e9s par Dorothy Tse, Richard Morris et leurs collaborateurs, publi\u00e9s dans la revue Science<\/em> en 2007 et 2011. En utilisant des protocoles d’apprentissage spatial et gustatif chez le rongeur, les chercheurs ont d\u00e9montr\u00e9 qu’une information enti\u00e8rement nouvelle (l’association d’une saveur in\u00e9dite avec un emplacement spatial d\u00e9termin\u00e9) pouvait \u00eatre int\u00e9gr\u00e9e et consolid\u00e9e de mani\u00e8re d\u00e9finitive au sein du n\u00e9ocortex en l’espace de seulement 24 \u00e0 48 heures \u2014 une vitesse vertigineuse comparativement aux semaines ou mois habituellement requis par la consolidation des syst\u00e8mes standard.<\/p>\n Cette assimilation ultrarapide n’intervient toutefois pas dans le vide cognitif : elle est strictement conditionn\u00e9e \u00e0 l’existence pr\u00e9alable d’un \u00ab sch\u00e9ma mental \u00bb (schema<\/em>) d\u00e9j\u00e0 solidement consolid\u00e9 au sein du n\u00e9ocortex. Si l’animal a pass\u00e9 plusieurs semaines \u00e0 apprendre la topographie g\u00e9n\u00e9rale de l’environnement et les r\u00e8gles relationnelles r\u00e9gissant la distribution de la nourriture, le sch\u00e9ma n\u00e9ocortical pr\u00e9existant agit comme un cadre d’accueil structurel. L’information nouvelle n’est plus trait\u00e9e comme une perturbation statistique d\u00e9stabilisante imposant un r\u00e9ajustement it\u00e9ratif des poids distribu\u00e9s ; elle vient simplement s’ins\u00e9rer, tel un maillon manquant, dans un \u00ab emplacement vacant \u00bb pr\u00e9d\u00e9fini par l’architecture du sch\u00e9ma.<\/p>\n Des recherches neurobiologiques ult\u00e9rieures ont r\u00e9v\u00e9l\u00e9 que cette int\u00e9gration n\u00e9ocorticale acc\u00e9l\u00e9r\u00e9e est orchestr\u00e9e par le cortex pr\u00e9frontal m\u00e9dian (mPFC)<\/a>, agissant comme un arbitre de congruence de haut niveau. Lorsque le mPFC d\u00e9tecte que la nouvelle donn\u00e9e transmise par l’hippocampe est compatible avec un sch\u00e9ma s\u00e9mantique d\u00e9j\u00e0 stock\u00e9 dans les r\u00e9seaux corticaux post\u00e9rieurs, il envoie un signal facilitateur qui court-circuite le long processus de r\u00e9activation entrelac\u00e9e \u00e9tal\u00e9 dans le temps. L’information s’int\u00e8gre alors directement et de mani\u00e8re p\u00e9renne dans les assembl\u00e9es n\u00e9ocorticales, d\u00e9montrant que la lenteur corticale dans le cadre CLS n’est pas une fatalit\u00e9 biophysique universelle mais une strat\u00e9gie adaptative r\u00e9gul\u00e9e par le degr\u00e9 de nouveaut\u00e9 et la congruence s\u00e9mantique du signal.<\/p>\n Un autre pan substantiel des raffinements contemporains apport\u00e9s au mod\u00e8le CLS d\u00e9coule de la reconnaissance de l’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 fonctionnelle et anatomique le long de l’axe longitudinal (ant\u00e9ro-post\u00e9rieur chez l’\u00eatre humain, dorso-ventral chez le rongeur) de la formation hippocampique. Dans les formalisations math\u00e9matiques originelles, l’hippocampe \u00e9tait trait\u00e9 comme une entit\u00e9 computationnelle monolithique et homog\u00e8ne op\u00e9rant une s\u00e9paration de motifs rigoureuse et standardis\u00e9e sur toute son \u00e9tendue. Les donn\u00e9es neurophysiologiques et d’imagerie \u00e0 ultra-haut champ accumul\u00e9es depuis ont balay\u00e9 cette vision unitaire au profit d’un gradient continu de granularit\u00e9 repr\u00e9sentationnelle.<\/p>\n \u00c0 l’extr\u00e9mit\u00e9 dorsale (ou post\u00e9rieure chez l’humain), les cellules de lieu pr\u00e9sentent des champs r\u00e9cepteurs microscopiques, d’une extr\u00eame pr\u00e9cision spatiale et d’une densit\u00e9 de codage hautement s\u00e9lective. C’est dans ce segment anatomique que la s\u00e9paration de motifs (pattern separation<\/em>) atteint son paroxysme computationnel : l’hippocampe dorsal est vou\u00e9 \u00e0 l’encodage ultrafin des coordonn\u00e9es topographiques, des d\u00e9tails g\u00e9om\u00e9triques \u00e9l\u00e9mentaires et des contingences contextuelles strictes, assurant l’individualit\u00e9 absolue des \u00e9pisodes singuliers sans le moindre chevauchement.<\/p>\n \u00c0 l’oppos\u00e9, vers l’extr\u00e9mit\u00e9 ventrale (ou ant\u00e9rieure chez l’humain), les propri\u00e9t\u00e9s \u00e9lectrophysiologiques changent radicalement. Les champs r\u00e9cepteurs des cellules de lieu s’\u00e9largissent de fa\u00e7on exponentielle, couvrant des zones consid\u00e9rables de l’environnement, tandis que les connexions avec l’amygdale basolat\u00e9rale, l’insula et le cortex pr\u00e9frontal m\u00e9dial deviennent pr\u00e9dominantes. L’hippocampe ventral n’est pas optimis\u00e9 pour la pr\u00e9cision m\u00e9trique, mais pour l’extraction de sch\u00e9mas globaux, la tonalit\u00e9 affective et la valence motivationnelle de l’exp\u00e9rience. Cette partie de l’hippocampe op\u00e8re de facto une g\u00e9n\u00e9ralisation rapide et un apprentissage structurel de bas niveau, comblant le foss\u00e9 computationnel historique entre la s\u00e9paration absolue de l’hippocampe classique et la g\u00e9n\u00e9ralisation distribu\u00e9e du n\u00e9ocortex.<\/p>\n L’essor de la th\u00e9orie CLS et de son mod\u00e8le de consolidation standard des syst\u00e8mes a suscit\u00e9, d\u00e8s la fin des ann\u00e9es 1990, des d\u00e9bats passionn\u00e9s au sein de la communaut\u00e9 neuropsychologique internationale, conduisant \u00e0 la formulation de cadres th\u00e9oriques alternatifs dont le plus influent est sans conteste la th\u00e9orie de la trace multiple (Multiple Trace Theory<\/a> ou MTT), \u00e9nonc\u00e9e par Lynn Nadel et Morris Moscovitch en 1997. La divergence fondamentale entre le cadre CLS classique et la MTT r\u00e9side dans le destin temporel de la trace mn\u00e9sique hippocampique pour les souvenirs purement \u00e9pisodiques et autobiographiques.<\/p>\n Tandis que la th\u00e9orie CLS standard soutient que le n\u00e9ocortex parvient ultimement, par le jeu de r\u00e9activations entrelac\u00e9es, \u00e0 stocker de mani\u00e8re totalement autonome l’ensemble des composantes stables d’un souvenir (aboutissant \u00e0 un d\u00e9sengagement graduel et complet de l’hippocampe), Nadel et Moscovitch affirment que l’hippocampe demeure perp\u00e9tuellement indispensable \u00e0 la restitution d’un souvenir \u00e9pisodique v\u00e9ritable, quelle que soit son anciennet\u00e9. Selon la MTT, chaque fois qu’un souvenir autobiographique est rappel\u00e9 au cours de la vie d’un individu, un nouvel engramme hippocampique (une trace multiple) est g\u00e9n\u00e9r\u00e9 et reli\u00e9 aux traces plus anciennes. Les souvenirs anciens r\u00e9sistent mieux aux l\u00e9sions partielles de l’hippocampe non pas parce qu’ils ont migr\u00e9 d\u00e9finitivement vers le n\u00e9ocortex, mais parce qu’ils b\u00e9n\u00e9ficient d’une redondance de multiples traces r\u00e9parties le long de l’axe hippocampique.<\/p>\n Les d\u00e9bats empiriques entre partisans de la th\u00e9orie CLS et partisans de la MTT se sont focalis\u00e9s sur la qualit\u00e9 ph\u00e9nom\u00e9nologique des souvenirs r\u00e9activ\u00e9s par les patients amn\u00e9siques porteurs de l\u00e9sions hippocampiques compl\u00e8tes. Si ces patients parviennent \u00e0 restituer des faits biographiques anciens sous une forme s\u00e9mantis\u00e9e (\u00ab Je sais que je me suis mari\u00e9 en 1975 dans telle ville \u00bb), ils s’av\u00e8rent incapables de revivre mentalement l’\u00e9v\u00e9nement avec sa richesse ph\u00e9nom\u00e9nologique subjective d’origine, son voyage mental dans le temps (chronesthesia<\/em>) et ses d\u00e9tails sensoriels vivaces (Tulving, 2002). Les partisans de la th\u00e9orie CLS ont r\u00e9pondu \u00e0 cette critique en soulignant que la s\u00e9mantisation n\u00e9ocorticale n’est pas un \u00e9chec de la consolidation, mais son aboutissement computationnel logique : le n\u00e9ocortex n’a jamais \u00e9t\u00e9 programm\u00e9 pour stocker l’unicit\u00e9 microscopique d’une sc\u00e8ne, mais pour en p\u00e9renniser les invariants signifiants.<\/p>\n En r\u00e9ponse aux confrontations stimulantes entre le mod\u00e8le standard de consolidation d\u00e9fendu par CLS et les observations soutenant la th\u00e9orie des traces multiples, une synth\u00e8se dialectique a \u00e9merg\u00e9 sous l’impulsion de Gordon Winocur, Morris Moscovitch et d’autres neuroscientifiques : la th\u00e9orie de la transformation de la trace (Trace Transformation Theory<\/em> ou TTT). Cette conceptualisation contemporaine r\u00e9concilie de fa\u00e7on brillante les principes d’optimisation computationnelle de McClelland et les donn\u00e9es cliniques relatives \u00e0 la p\u00e9rennit\u00e9 hippocampique.<\/p>\n La th\u00e9orie de la transformation de la trace postule qu’au fil du temps et des r\u00e9activations r\u00e9currentes, la trace mn\u00e9sique initiale ne subit pas un simple transfert topographique passif d’une structure \u00e0 une autre, mais se d\u00e9double et \u00e9volue vers deux repr\u00e9sentations qualitatives profond\u00e9ment divergentes qui coexistent en parall\u00e8le au sein du cerveau. D’une part, la trace hippocampique originelle persiste aussi longtemps que l’acc\u00e8s aux d\u00e9tails \u00e9pisodiques vivaces, contextualis\u00e9s et perceptuellement riches est maintenu. Cette trace demeure instable, plastique et vuln\u00e9rable aux agressions c\u00e9r\u00e9brales.<\/p>\n D’autre part, en interaction avec le n\u00e9ocortex et en parfaite ad\u00e9quation avec les pr\u00e9dictions math\u00e9matiques de l’apprentissage entrelac\u00e9 du mod\u00e8le CLS, une trace s\u00e9mantis\u00e9e, sch\u00e9matis\u00e9e et hautement r\u00e9sistante se forge au sein des r\u00e9seaux corticaux. Cette trace corticale conserve le squelette conceptuel, le sens g\u00e9n\u00e9ral et la signification de l’\u00e9v\u00e9nement (ce que la psychologie cognitive nomme le gist<\/em>), mais s’est \u00e9mancip\u00e9e des d\u00e9tails contingents de l’\u00e9pisode. Ainsi, la TTT d\u00e9montre que la transformation de la trace n’est pas un transfert g\u00e9ographique \u00e0 somme nulle, mais un processus dynamique de parall\u00e9lisation repr\u00e9sentationnelle, validant la m\u00e9canique computationnelle CLS tout en reconnaissant les limites intrins\u00e8ques de la s\u00e9mantisation corticale pour l’expression de la m\u00e9moire \u00e9pisodique vive.<\/p>\n Un autre cadre th\u00e9orique majeur \u00e9clairant la th\u00e9orie CLS sous un jour critique et novateur est constitu\u00e9 par les th\u00e9ories du cerveau pr\u00e9dictif (predictive processing<\/a>) et le principe de l’\u00e9nergie libre formalis\u00e9s par Karl Friston et ses collaborateurs. Dans cette optique \u00e9pist\u00e9mologique, le cerveau n’est plus envisag\u00e9 comme un r\u00e9ceptacle passif qui archiverait fid\u00e8lement des enregistrements v\u00e9ridiques du pass\u00e9, mais comme une machine d’inf\u00e9rence active (active inference<\/em>) dont la finalit\u00e9 biologique exclusive est de minimiser en permanence la surprise sensorielle et les erreurs de pr\u00e9diction issues de sa confrontation au monde.<\/p>\n Dans ce paradigme pr\u00e9dictif, l’architecture CLS trouve une interpr\u00e9tation computationnelle d’une fascinante modernit\u00e9. Le n\u00e9ocortex agit comme le d\u00e9positaire du mod\u00e8le g\u00e9n\u00e9ratif a priori du cerveau : par son apprentissage lent et statistique, il encode les lois fondamentales, les causes cach\u00e9es et les r\u00e9gularit\u00e9s structurelles qui permettent de g\u00e9n\u00e9rer des pr\u00e9dictions descendantes (top-down<\/em>) continues quant au flux sensoriel entrant. De son c\u00f4t\u00e9, la formation hippocampique op\u00e8re comme un d\u00e9tecteur et un compresseur d’erreurs de pr\u00e9diction r\u00e9siduelles. Lorsqu’un \u00e9v\u00e9nement environnemental s’\u00e9carte brutalement des pr\u00e9dictions g\u00e9n\u00e9r\u00e9es par le n\u00e9ocortex, le signal d’erreur remonte la hi\u00e9rarchie et est captur\u00e9 de mani\u00e8re instantan\u00e9e par l’hippocampe sous forme de souvenir \u00e9pisodique sp\u00e9cifique.<\/p>\n Cette perspective unifie \u00e9galement la m\u00e9moire et la prospection temporelle (la capacit\u00e9 d’imaginer le futur ou d’envisager des sc\u00e9narios contrefactuels). Comme l’ont d\u00e9montr\u00e9 Schacter, Addis et d’autres chercheurs \u00e0 travers le concept de syst\u00e8me constructif \u00e9pisodique, la m\u00e9moire n’a pas \u00e9t\u00e9 fa\u00e7onn\u00e9e par la s\u00e9lection naturelle pour regarder passivement vers le pass\u00e9, mais pour simuler des trajectoires comportementales d’avenir. Les souvenirs stock\u00e9s selon le mod\u00e8le CLS constituent les briques modulaires qu’un syst\u00e8me pr\u00e9dictif assemble, recombine et projette mentalement pour anticiper les opportunit\u00e9s et les dangers de l’action future, \u00e9levant l’architecture de McClelland, McNaughton et O’Reilly au rang de composant central de la cognition prospective.<\/p>\n L’intelligence artificielle contemporaine, et tout particuli\u00e8rement le champ de l’apprentissage profond (Deep Learning<\/a>), est redevable de mani\u00e8re directe et fondamentale \u00e0 la th\u00e9orie des syst\u00e8mes d’apprentissage compl\u00e9mentaires. Lors de la r\u00e9surgence spectaculaire des r\u00e9seaux neuronaux profonds au d\u00e9but des ann\u00e9es 2010, les chercheurs se sont heurt\u00e9s exactement au m\u00eame obstacle th\u00e9orique que celui identifi\u00e9 par McCloskey et Cohen en 1989 : l’interf\u00e9rence catastrophique lors de l’apprentissage par renforcement \u00e0 partir de flux de donn\u00e9es continus.<\/p>\n La rupture historique op\u00e9r\u00e9e par la soci\u00e9t\u00e9 DeepMind en 2015 avec son algorithme Deep Q-Network (DQN<\/a>), qui a surpass\u00e9 les performances humaines sur l’ensemble des jeux vid\u00e9o r\u00e9tro de l’environnement Atari 2600 (Mnih et al., 2015), reposait structurellement sur l’impl\u00e9mentation directe d’un m\u00e9canisme inspir\u00e9 de la th\u00e9orie CLS : l’Experience Replay<\/em>. Pour stabiliser l’apprentissage du r\u00e9seau n\u00e9ocortical profond (le r\u00e9seau de politique d’action), les transitions d’exp\u00e9rience de l’agent (\u00e9tat, action, r\u00e9compense, \u00e9tat suivant) \u00e9taient instantan\u00e9ment archiv\u00e9es dans un tampon de m\u00e9moire \u00e9pisodique non-param\u00e9trique simulant l’hippocampe. Lors de la phase d’optimisation synaptique, l’algorithme tirait au sort de petits lots (mini-batches<\/em>) de transitions pass\u00e9es de fa\u00e7on al\u00e9atoire et les r\u00e9injectait de fa\u00e7on entrelac\u00e9e dans la descente de gradient du r\u00e9seau profond, brisant les corr\u00e9lations temporelles des donn\u00e9es s\u00e9quentielles et \u00e9liminant purement et simplement l’oubli catastrophique.<\/p>\n Au-del\u00e0 de DQN, l’architecture CLS a directement inspir\u00e9 la cr\u00e9ation de modules de m\u00e9moire externe explicite diff\u00e9rentiable, tels que les machines de Turing neuronales (Neural Turing Machines<\/em> ou NTM) de Graves et al. (2014) et les ordinateurs neuronaux diff\u00e9rentiables (Differentiable Neural Computers<\/em> ou DNC). Ces architectures d\u00e9couplent formellement le contr\u00f4leur computationnel r\u00e9current (homologue du n\u00e9ocortex) d’une matrice de m\u00e9moire adressable par le contenu (homologue de l’hippocampe), permettant au r\u00e9seau d’apprendre des algorithmes de manipulation de donn\u00e9es complexes en un seul essai sans perturber les poids g\u00e9n\u00e9raux de son unit\u00e9 centrale de calcul.<\/p>\n L’apprentissage continu tout au long de la vie (Lifelong Learning<\/em> ou Continual Learning<\/em>) constitue l’un des verrous technologiques les plus critiques pour le d\u00e9ploiement d’agents autonomes, de robots humano\u00efdes et de syst\u00e8mes d’intelligence artificielle g\u00e9n\u00e9rale \u00e9voluant dans des environnements dynamiques et ouverts. L’incapacit\u00e9 des mod\u00e8les d’apprentissage machine standards \u00e0 acqu\u00e9rir de nouvelles comp\u00e9tences s\u00e9quentielles sans d\u00e9grader radicalement les comp\u00e9tences acquises ant\u00e9rieurement a pouss\u00e9 les ing\u00e9nieurs \u00e0 puiser massivement dans le r\u00e9servoir conceptuel de la th\u00e9orie CLS.<\/p>\n Trois grandes familles de strat\u00e9gies algorithmiques directement issues du cadre CLS ont ainsi vu le jour :<\/p>\n Un autre d\u00e9fi titanesque de l’intelligence artificielle r\u00e9side dans la disparit\u00e9 spectaculaire d’efficacit\u00e9 d’\u00e9chantillonnage entre l’humain et la machine : alors qu’un grand mod\u00e8le de langage ou un r\u00e9seau de vision artificielle requiert des millions, voire des milliards d’exemples annot\u00e9s pour stabiliser ses repr\u00e9sentations, un enfant humain est capable d’assimiler et de g\u00e9n\u00e9raliser un concept visuel \u00e0 partir d’un seul exemplaire (one-shot learning<\/em>) ou d’une poign\u00e9e d’occurrences (few-shot learning<\/em>). L\u00e0 encore, la transposition computationnelle de la th\u00e9orie CLS s’est av\u00e9r\u00e9e d\u00e9cisive.<\/p>\n Dans les cadres r\u00e9cents de m\u00e9ta-apprentissage algorithmique (\u00ab apprendre \u00e0 apprendre \u00bb), les chercheurs con\u00e7oivent des syst\u00e8mes hi\u00e9rarchiques \u00e0 double \u00e9chelle de temps qui \u00e9mulent directement la synergie hippocampo-n\u00e9ocorticale. Un module d’apprentissage rapide (souvent un r\u00e9seau r\u00e9current \u00e0 m\u00e9moire \u00e9pisodique ou un r\u00e9seau avec modulation rapide de poids, simulant l’hippocampe) s’adapte instantan\u00e9ment aux sp\u00e9cificit\u00e9s contingentes d’une t\u00e2che nouvelle distribu\u00e9e sous forme de quelques exemples. Simultan\u00e9ment, un module d’apprentissage lent (le m\u00e9ta-optimiseur, simulant le n\u00e9ocortex) extrait \u00e0 travers des milliers de t\u00e2ches distinctes les repr\u00e9sentations g\u00e9n\u00e9riques invariantes et initialise les param\u00e8tres du r\u00e9seau rapide pour maximiser sa flexibilit\u00e9 cognitive imm\u00e9diate.<\/p>\n Des mod\u00e8les tels que Model-Agnostic Meta-Learning<\/em> (MAML) de Finn et al., ou les r\u00e9seaux \u00e0 m\u00e9moires associatives hybrides d\u00e9velopp\u00e9s par Santoro et al. (Meta-Learning with Memory-Augmented Neural Networks<\/em>), ont concr\u00e9tis\u00e9 math\u00e9matiquement cette dynamique. En conditionnant les repr\u00e9sentations lentes et hautement distribu\u00e9es par des indices \u00e9pisodiques ponctuels encod\u00e9s de fa\u00e7on orthogonale, ces algorithmes conf\u00e8rent aux agents artificiels une robustesse et une capacit\u00e9 d’adaptation contextuelle qui constituent une avanc\u00e9e d\u00e9terminante vers l’av\u00e8nement d’une intelligence artificielle polyvalente et r\u00e9siliente.<\/p>\n Trente ans apr\u00e8s sa parution au sein de la Psychological Review<\/em>, la th\u00e9orie des syst\u00e8mes d’apprentissage compl\u00e9mentaires de James L. McClelland, Bruce L. McNaughton et Randall C. O’Reilly s’impose comme l’un des accomplissements th\u00e9oriques les plus \u00e9clatants et influents de l’histoire des sciences cognitives contemporaines. Son m\u00e9rite \u00e9pist\u00e9mologique historique r\u00e9side dans le fait d’avoir formul\u00e9 un mod\u00e8le math\u00e9matique pr\u00e9dictif rigoureux qui a su anticiper de plusieurs d\u00e9cennies des d\u00e9couvertes neurobiologiques majeures qui \u00e9taient impensables avec l’appareillage instrumental de 1995 : l’existence des ondes de rejeu compress\u00e9 durant le sommeil lent profond, le r\u00f4le capital de la synchronisation inter-r\u00e9gionale dans la consolidation, la nature computationnelle de la s\u00e9paration de motifs dans le gyrus dent\u00e9, ou encore la s\u00e9mantisation graduelle des engrammes cortico-corticaux.<\/p>\n Au-del\u00e0 de ses succ\u00e8s pr\u00e9dictifs locaux, la th\u00e9orie CLS a scell\u00e9 de mani\u00e8re d\u00e9finitive la l\u00e9gitimit\u00e9 du connexionnisme biologique comme langage d’unification universel entre les neurosciences mol\u00e9culaires, la physiologie des syst\u00e8mes et la psychologie cognitive. Elle a d\u00e9montr\u00e9 avec \u00e9clat que les apparentes imperfections de l’esprit humain \u2014 la lenteur proverbiale de l’apprentissage scolaire, la n\u00e9cessit\u00e9 imp\u00e9rieuse du sommeil, l’amn\u00e9sie infantile, la d\u00e9formation graduelle de nos souvenirs autobiographiques anciens \u2014 ne sont nullement des faiblesses architecturales ou des tares \u00e9volutives, mais le tribut math\u00e9matique incontournable pay\u00e9 par un syst\u00e8me biologique d’une perfection inou\u00efe qui parvient \u00e0 concilier l’inconciliable : la plasticit\u00e9 d’un enregistreur de l’\u00e9ph\u00e9m\u00e8re et la stabilit\u00e9 d’un architecte de l’\u00e9ternel.<\/p>\n La doctrine de la compl\u00e9mentarit\u00e9 computationnelle a surv\u00e9cu avec une solidit\u00e9 in\u00e9branlable \u00e0 l’avalanche de donn\u00e9es empiriques issues de l’optog\u00e9n\u00e9tique, de l’imagerie multimodale et du s\u00e9quen\u00e7age g\u00e9nomique unicellulaire. Loin d’avoir \u00e9t\u00e9 invalid\u00e9e par ces technologies nouvelles, elle s’en est trouv\u00e9e enrichie, d\u00e9montrant une r\u00e9silience th\u00e9orique qui la classe aux c\u00f4t\u00e9s des grands mod\u00e8les unificateurs de la science cognitive moderne, tels que la th\u00e9orie de la d\u00e9tection du signal ou la th\u00e9orie du codage pr\u00e9dictif.<\/p>\n En d\u00e9pit de son \u00e9crasant succ\u00e8s d’estime et exp\u00e9rimental, la th\u00e9orie CLS est aujourd’hui confront\u00e9e \u00e0 des \u00e9nigmes irr\u00e9solues et \u00e0 des paradoxes m\u00e9canistiques pointus qui constituent autant de fronti\u00e8res passionnantes pour les chercheurs en neurobiologie computationnelle :<\/p>\n L’horizon ultime de la th\u00e9orie des syst\u00e8mes d’apprentissage compl\u00e9mentaires r\u00e9side dans son extension audacieuse au-del\u00e0 de l’axe bipartite classique hippocampe-n\u00e9ocortex, en vue de b\u00e2tir un mod\u00e8le computationnel holistique embrassant l’int\u00e9gralit\u00e9 du syst\u00e8me nerveux central. Le cerveau des mammif\u00e8res ne se r\u00e9sume pas \u00e0 cette seule dualit\u00e9 : des structures sous-corticales massives telles que les ganglions de la base<\/a> (et tout particuli\u00e8rement le striatum), le cervelet, le thalamus et l’amygdale constituent autant de syst\u00e8mes d’apprentissage compl\u00e9mentaires additionnels qui dialoguent en permanence avec la boucle mn\u00e9sique d\u00e9clarative.<\/p>\n Une th\u00e9orie CLS \u00e9largie (dite \u00ab quadri-processus \u00bb ou \u00ab pan-corticale \u00bb) mod\u00e9lise d\u00e9sormais l’interaction orchestr\u00e9e entre quatre dynamiques synaptiques sp\u00e9cialis\u00e9es :<\/p>\n Enfin, la convergence \u00e9mergente entre cette th\u00e9orie computationnelle globale, la manipulation optog\u00e9n\u00e9tique causale des engrammes (permettant aujourd’hui chez l’animal d’activer, d’inhiber ou d’implanter artificiellement des souvenirs sp\u00e9cifiques durant les phases de r\u00e9activation) et le d\u00e9veloppement de proth\u00e8ses neurales bidirectionnelles ouvre des perspectives th\u00e9rapeutiques vertigineuses. La compr\u00e9hension fine du dialogue hippocampo-n\u00e9ocortical laisse entrevoir la possibilit\u00e9 historique de compenser les dysfonctionnements synaptiques chez les patients souffrant de la maladie d’Alzheimer au moyen d’interfaces c\u00e9r\u00e9bro-\u00e9lectroniques stimulant artificiellement le rejeu d’ondes aigu\u00ebs durant le sommeil, ou d’acc\u00e9l\u00e9rer l’apprentissage humain en optimisant computationnellement les fen\u00eatres de consolidation synaptique. Par cette qu\u00eate inlassable, l’intuition fondatrice de McClelland, McNaughton et O’Reilly continue de guider l’exploration de l’ab\u00eeme fascinant de la m\u00e9moire humaine, o\u00f9 chaque souvenir est une fragile \u00e9tincelle r\u00e9verb\u00e9r\u00e9e au sein d’une cath\u00e9drale de synapses.<\/p>\n1. Introduction aux fondements de la th\u00e9orie des syst\u00e8mes d’apprentissage compl\u00e9mentaires (CLS)<\/h2>\n
1.1 Contexte historique et \u00e9mergence du mod\u00e8le en 1995<\/h3>\n
1.2 D\u00e9finition globale et principes directeurs de l’architecture biprocessus<\/h3>\n
1.3 Importance paradigmatique dans les neurosciences de la m\u00e9moire<\/h3>\n
2. Le dilemme de la stabilit\u00e9 et de la plasticit\u00e9 : gen\u00e8se du mod\u00e8le CLS<\/h2>\n
2.1 Le probl\u00e8me de l’interf\u00e9rence catastrophique dans les r\u00e9seaux de neurones<\/h3>\n
2.2 Contraintes d’apprentissage : repr\u00e9sentations partag\u00e9es contre repr\u00e9sentations s\u00e9par\u00e9es<\/h3>\n
2.3 La r\u00e9ponse adaptative de l’\u00e9volution biologique<\/h3>\n
3. L’hippocampe : un syst\u00e8me d’apprentissage rapide et \u00e9pisodique<\/h2>\n
3.1 Architecture computationnelle de la formation hippocampique<\/h3>\n
3.2 M\u00e9canismes de s\u00e9paration et de compl\u00e9tion de motifs (pattern separation et completion)<\/h3>\n
3.3 Propri\u00e9t\u00e9s fonctionnelles : rapidit\u00e9, sp\u00e9cificit\u00e9 et faible interf\u00e9rence<\/h3>\n
4. Le n\u00e9ocortex : un syst\u00e8me d’apprentissage lent et statistique<\/h2>\n
4.1 Structure laminaire et connectivit\u00e9 \u00e9tendue du n\u00e9ocortex<\/h3>\n
4.2 Extraction d’invariants et apprentissage statistique de l’environnement<\/h3>\n
4.3 Repr\u00e9sentations distribu\u00e9es chevauchantes et g\u00e9n\u00e9ralisation<\/h3>\n
5. Le dialogue hippocampo-n\u00e9ocortical et la consolidation des souvenirs<\/h2>\n
5.1 Dynamique d’interaction \u00e0 double sens : encodage et r\u00e9activation<\/h3>\n
5.2 Processus d’apprentissage entrelac\u00e9 (interleaved learning)<\/h3>\n
5.3 Autonomisation progressive de la trace mn\u00e9sique n\u00e9ocorticale<\/h3>\n
6. Preuves neuropsychologiques et donn\u00e9es l\u00e9sionnelles \u00e0 l’appui du mod\u00e8le<\/h2>\n
6.1 Le cas princeps du patient H.M. et les syndromes amn\u00e9siques<\/h3>\n
6.2 D\u00e9mence s\u00e9mantique versus amn\u00e9sie hippocampique : la double dissociation<\/h3>\n
6.3 \u00c9tudes de neuro-imagerie fonctionnelle et \u00e9lectrophysiologie humaine<\/h3>\n
7. Mod\u00e9lisation computationnelle et r\u00e9seaux de neurones formels dans le cadre CLS<\/h2>\n
7.1 Impl\u00e9mentation algorithmique de la structure hippocampique<\/h3>\n
7.2 Architecture et \u00e9quations du r\u00e9seau cortical<\/h3>\n
7.3 Simulations des interactions et reproduction des courbes d’amn\u00e9sie<\/h3>\n
8. Le r\u00f4le du sommeil et du repos dans le rejeu neuronal (replay)<\/h2>\n
8.1 Ondulations \u00e0 haute fr\u00e9quence (sharp-wave ripples) et sommeil lent profond<\/h3>\n
8.2 Le sommeil paradoxal (REM) et la restructuration synaptique<\/h3>\n
8.3 Rejeu \u00e0 l’\u00e9veil calme et consolidation hors ligne<\/h3>\n
9. R\u00e9visions et extensions contemporaines de la th\u00e9orie CLS<\/h2>\n
9.1 La mise \u00e0 jour de Kumaran, Hassabis et McClelland (2016)<\/h3>\n
9.2 L’int\u00e9gration acc\u00e9l\u00e9r\u00e9e via les sch\u00e9mas pr\u00e9existants<\/h3>\n
9.3 Distinction fonctionnelle le long de l’axe longitudinal de l’hippocampe<\/h3>\n
10. Comparaison critique avec les th\u00e9ories m\u00e9morielles concurrentes<\/h2>\n
10.1 Th\u00e9orie de la trace multiple (MTT) de Nadel et Moscovitch<\/h3>\n
10.2 Th\u00e9orie de la transformation de la trace (Trace Transformation Theory)<\/h3>\n
10.3 Th\u00e9ories constructivistes et pr\u00e9dictives du cerveau<\/h3>\n
11. Impact et applications de la th\u00e9orie CLS dans l’intelligence artificielle<\/h2>\n
11.1 Architectures de m\u00e9moire \u00e9pisodique pour l’apprentissage profond (Deep Learning)<\/h3>\n
11.2 Strat\u00e9gies d’apprentissage continu (Continual and Lifelong Learning)<\/h3>\n
\n
11.3 Apprentissage en quelques exemples (Few-Shot and Meta-Learning)<\/h3>\n
12. Synth\u00e8se \u00e9pist\u00e9mologique et horizons futurs pour la recherche sur la m\u00e9moire<\/h2>\n
12.1 Bilan conceptuel de l’apport de McClelland, McNaughton et O’Reilly<\/h3>\n
12.2 Questions non r\u00e9solues et paradoxes empiriques persistants<\/h3>\n
\n
12.3 Vers un mod\u00e8le neurocomputationnel unifi\u00e9 de l’esprit humain<\/h3>\n
\n
R\u00e9f\u00e9rences<\/h2>\n
\n