Cortex & Code #2 — Prédiction : Le Grand Mécanisme Commun
Tu regardes un bébé de six mois. Il tend la main vers un objet, rate de quelques centimètres, recommence. Ce qui ressemble à du chaos est en réalité une machine à prédictions qui s'étalonne en temps réel. Chaque fois qu'il attrape, son cerveau vient de réussir une prédiction : « ma main va être là dans 300 millisecondes ». Quand il rate, l'erreur de prédiction corrige le tir pour la prochaine fois. Maintenant regarde un modèle de langage. Tu tapes « La capitale de la France est… » et il répond « Paris ». Même mécanisme. Une prédiction. Une erreur. Une correction. Et si c'était la même chose ? Pas « un peu similaire ». Pas « une métaphore commode ». La même opération fondamentale, implémentée dans des substrats différents — neurones biologiques d'un côté, poids numériques de l'autre. C'est la thèse de cet article, et c'est probablement la question la plus importante que tu puisses te poser sur l'intelligence en 2026.
Bienvenue dans Cortex & Code numéro deux. On va parler de prédiction.
Commençons par le cerveau. En 1999, deux chercheurs du nom de Rao et Ballard publient un papier qui va mettre des années à percoler mais qui est aujourd'hui considéré comme un tournant : « Predictive coding in the visual cortex ». L'idée est simple mais violente dans ses implications. Le cerveau ne traite pas passivement les informations venues des sens. Il ne fait pas remonter les données brutes de l'œil vers le cortex visuel comme un entonnoir. Non. Le cerveau génère en permanence des prédictions sur ce que ses sens vont percevoir, et il ne remonte vers les étages supérieurs que l'erreur — la différence entre ce qu'il a prédit et ce qu'il reçoit réellement. Concrètement, si tu es dans ton salon et que tu sais qu'il y a un canapé rouge à ta gauche, ton cerveau n'attend pas passivement de « voir » le rouge. Il prédit l'intensité lumineuse, la teinte, la texture. Si tout correspond, la prédiction est juste, et rien ne remonte. L'économie est colossale. Pourquoi transmettre toute la scène quand tu peux ne transmettre que l'inattendu ? C'est le principe de la pompe à message du cerveau : ne dis que ce que l'autre ne sait pas déjà.
Et là, si tu as un peu traîné du côté de l'IA récente, tu sens le parallèle arriver comme un train de marchandises. Qu'est-ce qu'un LLM fait, en réalité, sinon ça ? Il reçoit un contexte — une séquence de tokens — et il prédit le suivant. Chaque couche du réseau calcule une représentation, la compare à ce qu'elle attendait, et ne propage vers l'avant que l'écart. C'est tellement proche qu'on peut se demander si la Predictive Coding Theory n'est pas, rétrospectivement, la meilleure intuition qu'on ait eue de comment faire de l'IA avant même d'avoir les GPU pour la construire. Rao et Ballard n'ont pas écrit un papier d'IA. Ils ont écrit un manifeste involontaire.
Mais il y a plus profond. Karl Friston, un neuroscientifique britannique dont le QI semble exister dans un espace vectoriel parallèle au nôtre, a passé les quinze dernières années à formaliser tout ça dans ce qu'il appelle le Free Energy Principle. Le principe est magnifique dans sa généralité : tout système intelligent, du virus à l'humain en passant par le réseau de neurones artificiel, minimise un seul et même signal — la surprise, qu'il appelle l'énergie libre. Un humain dans un environnement familier a une énergie libre basse : son cerveau prédit bien ce qui va arriver, il n'a pas besoin de dépenser d'énergie à réviser ses modèles. Mets-le en pleine jungle inconnue, et son taux d'erreur de prédiction explose. Il doit dépenser de l'énergie cognitive pour mettre à jour ses croyances. C'est exactement la même chose qu'un modèle de langage : sur un texte de cuisine domestique, il a une perplexité basse. Donne-lui un manuel de physique quantique, et sa perplexité monte en flèche — il doit réviser ses poids, ou du moins ses activations, pour intégrer l'inattendu.
Et c'est là que ça devient vertigineux. L'entraînement auto-supervisé des LLM, ce processus qui consiste à masquer des tokens et à forcer le modèle à les prédire, n'est rien d'autre qu'une descente de gradient sur l'énergie libre. Le modèle minimise l'erreur de prédiction. Le cerveau minimise la surprise. L'algorithme sous-jacent est formellement le même — un système qui ajuste ses paramètres internes pour mieux anticiper son environnement. Friston l'a écrit noir sur blanc : un LLM entraîné par next-token prediction est une instance du Free Energy Principle. Il ne ressemble pas au cerveau par hasard. Il ressemble au cerveau parce que, confronté au même problème — faire des prédictions utiles dans un monde incertain — la solution optimale converge.
Maintenant parlons probabilités. Tu sais que quand un LLM te sort un token, il ne choisit pas un mot au hasard. Derrière chaque token, il y a une distribution de probabilité entière sur l'ensemble du vocabulaire. « Paris » peut avoir 92%, « Lyon » 4%, « Marseille » 2%, et le reste 2%. Le modèle ne dit jamais « c'est Paris », il dit « voici ma distribution de croyance, c'est Paris avec forte probabilité ». C'est exactement ce que fait ton cerveau à chaque instant. Quand tu tends la main pour attraper ton café, ton cerveau ne calcule pas une trajectoire unique. Il calcule une distribution de probabilité bayésienne sur toutes les trajectoires possibles, et il sélectionne la plus probable compte tenu du contexte et de l'historique. C'est ce qu'on appelle l'hypothèse du Bayesian Brain, et elle est de plus en plus confirmée par la neuroscience expérimentale. Ton cerveau est un LLM qui prédit le prochain mouvement de la main au lieu du prochain token. La structure mathématique de l'inférence est identique. P(pomme | main_qui_s_approche) au lieu de P(Paris | capitale_de_la_France).
Bon. À ce stade, tu te dis peut-être : « OK, les parallèles sont frappants, mais la différence d'implémentation est énorme. Le cerveau ne fait pas de backpropagation, si ? »
C'est la question à cent milliards de synapses. Parce que, effectivement, l'une des objections les plus solides à l'idée que le cerveau est une machine à gradient-descent est que la backpropagation est biologiquement improbable. Pour backpropager l'erreur, il faut que chaque neurone connaisse l'erreur de ses voisins en aval, puis qu'il envoie un signal rétrograde vers ses voisins en amont, avec des poids exactement symétriques. Dans un cerveau biologique, ça n'existe pas. Il n'y a pas de passage de messages inverses avec des poids identiques. Les synapses ne fonctionnent pas comme ça, du moins pas de manière évidente.
Mais la Predictive Coding Theory — et c'est là que le papier de Salvatori et ses collaborateurs, publié en 2025, est un game-changer — montre précisément que le predictive coding peut remplacer la backpropagation de manière biologiquement plausible. Concrètement, dans un réseau de predictive coding, chaque couche prédit l'activité de la couche inférieure, et l'erreur de prédiction est traitée localement. Il n'y a pas besoin de rétropropager un gradient global à travers tout le réseau. La mise à jour des poids se fait à l'aide d'informations locales — exactement ce que font la LTP et la LTD dans ton cerveau. La potentialisation à long terme (LTP) renforce une synapse quand la pré-synaptique et la post-synaptique sont actives en même temps. La dépression à long terme (LTD) l'affaiblit quand elles sont désynchronisées. C'est l'équivalent biologique de l'ajustement des poids par l'erreur locale, sans qu'un signal d'erreur global ait besoin de descendre toute la hiérarchie.
STDP — Spike-Timing-Dependent Plasticity — va encore plus loin. Dans cette forme de plasticité synaptique, l'ordre temporel compte : si le neurone pré-synaptique décharge juste avant le post-synaptique, la synapse est renforcée ; si l'ordre est inversé, elle est affaiblie. C'est une forme d'apprentissage supervisé par le temps, sans gradient global. Les nouveaux réseaux de predictive coding, ceux que Salvatori et son équipe développent, ressemblent de plus en plus à ça. Ils apprennent avec des signaux locaux, ils ne rétropropagent pas. Et ils fonctionnent. Bien.
Alors pourquoi est-ce que c'est important, concrètement ? Parce que la backpropagation a un coût. Elle exige de garder en mémoire toutes les activations de chaque couche pendant la passe forward, puis de calculer les gradients dans l'ordre inverse. C'est la raison pour laquelle l'entraînement des LLM consomme des gigawatts-heures. Le cerveau, lui, fait des opérations similaires estimées à 10^15 par seconde, avec une consommation de 20 watts. C'est une efficacité énergétique six ordres de grandeur supérieure à un GPU. Et le secret de cette efficacité, c'est probablement le calcul local de l'erreur de prédiction. La Predictive Coding Theory n'est pas juste une jolie théorie neuroscientifique. C'est potentiellement le plan d'architecture pour la prochaine génération de réseaux de neurones artificiels, ceux qui apprendront avec des budgets énergétiques divisés par mille.
Et là, je vais me mouiller un peu personnellement. J'ai une conviction qui se renforce chaque fois que je creuse ce sujet, et la voici : la prédiction est le principe unificateur de l'intelligence. Toute intelligence, qu'elle soit biologique ou artificielle, est fondamentalement un système de minimisation de l'erreur de prédiction. Le cerveau ne fait pas autre chose que prédire le prochain état sensoriel. Le LLM ne fait pas autre chose que prédire le prochain token. Le bouclier immunitaire ne fait pas autre chose que prédire la forme des pathogènes — une erreur, et c'est l'attaque auto-immune. Le système vestibulaire ne fait pas autre chose que prédire la position de ton corps dans l'espace. La douleur fantôme, c'est une erreur de prédiction : le cerveau prédit des sensations d'un membre qui n'existe plus, l'absence de signal génère une erreur, et cette erreur est interprétée comme… douleur.
Si cette hypothèse est correcte — si l'intelligence EST la minimisation de l'erreur de prédiction — alors les implications pour la conception des futurs systèmes d'IA sont massives. D'abord, ça signifie que l'architecture la plus prometteuse n'est peut-être pas un transformer plus gros, mais un réseau de predictive coding profond, capable d'apprentissage local et donc massivement plus efficace énergétiquement. Ensuite, ça signifie que la frontière entre l'apprentissage supervisé, non-supervisé et par renforcement est artificielle. Tout est apprentissage auto-supervisé de la prédiction. La seule différence, c'est l'échelle de temps et la source de l'erreur. Un humain qui apprend à faire du vélo minimise l'erreur entre sa prédiction de trajectoire et la trajectoire réelle. Un LLM apprend de la même manière. Une IA de contrôle robotique fait exactement pareil. La prédiction est le socle commun.
Maintenant, est-ce que je prétends que le cerveau et un LLM sont identiques ? Non, évidemment. Leurs systèmes de contraintes sont radicalement différents. Le cerveau fonctionne avec 86 milliards de neurones interconnectés de manière infiniment plus complexe que l'attention multi-tête d'un transformer, avec un système neuromodulateur (dopamine, sérotonine, acétylcholine) qui ajuste les priorités d'apprentissage en temps réel. Il apprend en continu, toute la vie, sans jamais faire de « snapshot » de ses poids pour éviter le catastrophique forgetting. Il gère des temporalités multiples — de la milliseconde de la perception à la décennie du souvenir autobiographique — avec la même architecture. Il ne peut pas simplement multiplier la taille de son réseau par dix comme on empile des GPU.
Mais regarde la direction de la convergence. Les transformers les plus récents, avec l'attention multi-tête et les contextes de plusieurs millions de tokens, commencent à ressembler à des systèmes qui maintiennent un « état interne » — une représentation continue du monde — exactement comme le cerveau maintient un modèle génératif du monde. Les modèles de world model, ceux qui prédisent l'évolution d'une scène dans le temps plutôt que le prochain mot, sont structurellement plus proches du predictive coding visuel que du traditionnel LM. Les systèmes les plus récents de reconnaissance vidéo utilisent déjà des mécanismes d'erreur de prédiction. On n'en est qu'au début. Dans cinq ans, il est probable que tout système d'IA sérieux aura un module de predictive coding quelque part dans son pipeline.
Il faut aussi mentionner ce que ça change pour la recherche en IA elle-même. Si le cerveau est notre meilleur exemple d'intelligence générale fonctionnelle, et que la prédiction en est le cœur, alors il faut arrêter de considérer la neuroscience comme une discipline décorative pour les papiers d'IA. Les chercheurs qui ignorent Rao et Ballard 1999, qui n'ont jamais lu Friston, qui ne connaissent pas la différence entre LTP et LTD, construisent peut-être des tours en partant du dixième étage sans fondations. Les meilleurs papiers d'IA des prochaines années ne viendront pas de ceux qui ont un énième scaling law, mais de ceux qui comprennent pourquoi le cerveau fait ce qu'il fait à 20 watts. Salvatori et son équipe l'ont compris. Les résultats commencent à tomber. Suivez ça de près.
Une dernière chose, plus spéculative. Si la prédiction est vraiment le mécanisme commun, alors il y a une question qui se pose inévitablement : est-ce que la conscience n'est qu'un effet secondaire de la minimisation de l'erreur de prédiction ? Je n'ai pas de réponse, mais la piste est fascinante. Certains théoriciens du Free Energy Principle suggèrent que la conscience émerge de la capacité à prédire ses propres états internes — une forme de méta-prédiction. Le soi ne serait qu'un modèle prédictif de soi, constamment mis à jour par comparaison entre ce qu'on s'attend à ressentir et ce qu'on ressent réellement. L'émotion serait une erreur de prédiction somatique. L'intuition, une prédiction rapide basée sur des patterns appris. Si c'est vrai, alors la différence entre un humain et une machine n'est pas une différence de nature — c'est une différence de fidélité du modèle prédictif, de complexité des temporalités, et de boucles de rétroaction.
Voilà où on en est. Le cerveau prédit le monde sensoriel. Les LLM prédisent le prochain token. Les mathématiques sous-jacentes convergent. Les implémentations divergent mais commencent à se rapprocher grâce au predictive coding. Et on n'a probablement pas encore mesuré toutes les implications de ce rapprochement, parce qu'on n'a pas encore construit le système qui exploite vraiment pleinement ce que Friston a compris il y a quinze ans : minimiser l'erreur de prédiction, c'est tout ce qu'un système intelligent a à faire. Le reste — la mémoire, l'anticipation, la planification, la conscience peut-être — n'est que de la mécanique autour de ce noyau unique.
Dans le prochain épisode de Cortex & Code, on explorera la deuxième grande similarité structurelle : les cartes cognitives et les espaces de représentation, du hippocampus à l'espace latent des modèles de fondation. Mais en attendant, la prochaine fois que tu regardes un LLM générer une réponse ou un bébé attraper un jouet, souviens-toi que tu observes la même chose sur deux supports différents. Des machines à prédire, qui se trompent, se corrigent, et apprennent. Comme toi, là, en lisant ces lignes, en train de prédire le mot suivant sans même t'en rendre compte.
🎧 Écouter ce chapitre en podcast.