Dans la continuité de l’année précédente, le cours a abordé une hypothèse qui fait actuellement l’objet d’intenses explorations théoriques et expérimentales en sciences : l’idée que le cerveau humain et animal contient des mécanismes d’inférence statistique approchant les équations normatives de l’inférence bayésienne.
Dans le cours précédent, nous avions vu que cette théorie mathématique simple, qui caractérise le raisonnement plausible en présence d’incertitudes, rend compte d’une grande variété d’observations psychologiques et physiologiques. Lorsque notre cerveau reçoit des entrées ambiguës, il semble en reconstruire l’interprétation la plus probable. Cette inférence est hiérarchique et donne accès à des connaissances abstraites. La prise de décision pourrait résulter d’une combinaison de ce calcul bayésien des probabilités avec une estimation des conséquences de nos choix. L’architecture du cortex pourrait avoir évolué pour réaliser, à grande vitesse et de façon massivement parallèle, des inférences bayésiennes. L’algorithme utilisé pourrait expliquer la manière dont notre cerveau anticipe sur le monde extérieur et dont il répond à la nouveauté.
L’objectif du cours de cette année était d’explorer l’hypothèse que tous ces éléments sont présents chez le très jeune enfant, dès la première année de vie et peut-être dès la naissance. En effet, le bébé humain semble doté de compétences pour le raisonnement probabiliste. Le cerveau de l’enfant émet des prédictions sur le monde extérieur et semble disposer d’un puissant algorithme d’apprentissage de régularités statistiques. L’apprentissage des visages, des objets, des mots ou des règles linguistiques pourrait-il s’expliquer par une inférence bayésienne ?