Des chercheurs de l'Université de Zhejiang ont introduit une nouvelle méthode d'entraînement de l'IA qui exploite les signaux du cerveau humain pour améliorer la catégorisation des modèles, comme détaillé dans un article publié dans Nature Communications. L'étude révèle que, bien qu'augmenter le nombre de paramètres du modèle améliore la reconnaissance d'objets spécifiques, cela n'améliore pas, et peut même entraver, la compréhension des concepts abstraits. En intégrant les données d'activité neuronale, l'équipe vise à aligner les modèles d'IA plus étroitement avec les structures cognitives humaines, améliorant ainsi leur capacité à généraliser et à catégoriser les concepts. La méthode proposée a démontré des améliorations significatives des performances de l'IA, en particulier dans les tâches nécessitant la reconnaissance de concepts abstraits. Les expériences ont montré une amélioration de 20,5 % dans la distinction des concepts abstraits avec un nombre minimal d'exemples, surpassant les modèles plus volumineux. Cette approche remet en question la tendance actuelle à augmenter la taille des modèles, suggérant qu'un alignement cognitif structuré pourrait être plus efficace que la simple échelle pour développer une IA aux capacités de pensée similaires à celles des humains.