Le cerveau humain lit et écrit via des circuits neuronaux séparés et indépendants. En revanche, les grands modèles de langage font tout en un seul chemin. Cette différence apparemment technique ouvre une question plus profonde : dans quelle mesure les machines qui « comprennent » le langage sont-elles réellement semblables à l’esprit humain ? Une étude soumise le 2 juillet 2026 par Diego Saldaña Ulloa sur arXiv répond clairement, mesurant pour la première fois le degré de intrication entre les processus de lecture et d'écriture dans les modèles LLM et en le comparant à ce que les neurosciences cognitives connaissent depuis des décennies.
Points clés
- Dans le cerveau humain, la lecture et l’écriture sont des systèmes doublement dissociables avec des voies neuronales distinctes : la voie ventrale pour le décodage et la voie frontopariétale pour l’encodage.
- Les modèles de décodeur uniquement tels que GPT-2, OPT et Pythia utilisent un seul chemin autorégressif pour les deux fonctions, générant un indice d'enchevêtrement E compris entre 0,23 et 0,35.
- Les codes de sortie (écriture) s'éloignent d'environ 3,2 fois plus par rapport aux codes d'entrée (lus) le long des déciles de fréquence.
- Dans l'ensemble des 12 modèles testés, la compréhension et la production ont abouti comportementalement couplé (p<0,001), à l’opposé de la double dissociation cérébrale.
- Dans les modèles codeur-décodeur, la séparation représentationnelle atteint des valeurs allant jusqu'à 0,96, mais le couplage comportemental persiste.
Systèmes neuronaux distincts pour la lecture et l’écriture dans le cerveau humain
Dans le cerveau d’un adulte alphabétisé, lire et écrire ne sont pas les deux faces d’une même médaille. Ce sont des systèmes distincts, dotés de leurs propres voies neuronales, qui peuvent s’endommager indépendamment les uns les autres.
La voie ventrale occipito-temporale gère le décodage visuel des mots : lorsqu'elle est endommagée, ce qu'on appelle pure alessiaou l'incapacité de lire tout en conservant la capacité d'écrire intacte. A l’opposé, la voie frontopariétale supervise le codage graphique : ses dégâts provoquent leagraphie pureperte d'écriture avec lecture préservée. Les deux conditions démontrent empiriquement que les deux systèmes sont doublement dissociables : l’un peut tomber sans entraîner l’autre.
Cette dissociation n’est pas un détail clinique marginal. C’est la preuve que l’évolution – ou plutôt la plasticité culturelle du cerveau – a construit des architectures distinctes pour des tâches qui, en apparence, semblent similaires. Et c’est précisément là que les modèles linguistiques modernes divergent radicalement.
Comment les modèles LLM fusionnent la lecture et l'écriture en un seul mécanisme
L'architecture autorégressive réservée au décodeur et le chemin aller unique
Un modèle uniquement décodeur comme GPT-2, OPT ou Pythia ne fait pas de distinction entre « lire » une entrée et « écrire » une sortie. Les deux opérations suivent le même chemin autorégressif, optimisé pour d'énormes quantités de texte. Il n'y a pas de voie ventrale et frontopariétale : il existe un seul flux aller qui traite les jetons d'entrée et génère des jetons de sortie avec la même machine.
Il ne s’agit pas d’une limitation technique accidentelle. Il s’agit d’un choix architectural précis, né d’une invention culturelle récente – la formation basée sur le texte – et non de millions d’années de pression évolutive comme dans le cas du cerveau.
Définition et mesure de l'indice d'enchevêtrement E
Pour quantifier l'imbrication des codes de lecture et d'écriture dans ces modèles, l'étude introduit une indice d'enchevêtrement E entre 0 et 1. La valeur 0 indique des codes complètement indépendants ; la valeur 1 indique des codes identiques. La mesure combine trois métriques complémentaires : CKA (Centered Kernel Alignment), le résidu de Procrustes et le k-NN mutuel. Tout est calibré par rapport à un plancher (modèles à initialisation indépendante) et un plafond (modèles à poids liés).
Il s’agit d’un outil nouveau, mais construit sur des bases solides. Et les résultats obtenus sont, à certains égards, surprenants.
Analyse empirique de l'intrication lecture-écriture dans les LLM
Modèles analysés : GPT-2, OPT, Pythia, T5, BERT, RoBERTa
L'étude examine neuf configurations sur des modèles allant de 14 millions à 1,4 milliard de paramètres: GPT-2, OPT, Pythia dans ses variantes d'échelle, T5 et le couple BERT/RoBERTa. Six de ces expériences consolident des résultats déjà connus ; trois introduisent pour la première fois l’analyse en lecture/écriture. Un échantillon hétérogène, couvrant à la fois les architectures décodeur uniquement et codeur-décodeur.
Résultats quantitatifs : intrication sous-maximale et dérive de code
Les modèles non liés – ceux sans poids liés entre les intégrations d'entrée et de sortie – montrent une intrication réelle mais pas totale : C'est entre 0,23 et 0,35bien au-dessus du sol mais loin du plafond. Les codes de lecture et d'écriture se chevauchent partiellement, mais ne se confondent pas complètement.
Il existe cependant une asymétrie notable : le code de sortie (écriture) dérive bien plus que le code d'entrée (lecture) à mesure que des mots de fréquence décroissante sont analysés. La distance est d'environ 3,2 fois plus élevé dans chaque décile de fréquence. En d’autres termes, les mots rares sont représentés beaucoup plus différemment en sortie qu’en entrée.
Couplage comportemental entre compréhension et production
Sur le plan comportemental, le tableau est encore plus clair. Au total 12 modèles testés, compréhension et résultat de production couplé positivement avec une signification statistique très élevée (test du signe p<0,001). Lorsqu’un modèle comprend bien, il a tendance à être bon dans la production – et vice versa.
C’est exactement le contraire de ce qui se passe dans le cerveau humain, où les deux systèmes peuvent complètement se découpler. Il s’agit d’une divergence fondamentale, pas d’une nuance.
Séparation représentationnelle dans les modèles codeur-décodeur, mais couplage comportemental persistant
Les modèles codeur-décodeur comme T5 séparent beaucoup plus clairement les deux chemins au niveau des représentations internes : la valeur de séparation atteint jusqu'à 0,96. Cela semblerait être une solution architecturale plus proche de la biologie. Mais même ici, sur le plan comportemental, l’accouplement persiste. La compréhension et la production restent positivement corrélées.
C’est peut-être le résultat théorique le plus pertinent de l’étude : la séparation géométrique des codes ne suffit pas à produire la dissociation fonctionnelle observée dans le cerveau.
Aucune corrélation entre similarité géométrique et comportement
Pour confirmer cette lecture, l’étude rapporte un résultat négatif explicite : la corrélation entre similarité géométrique des codes et couplage comportemental est ρ=0,00. Rien. Les deux niveaux d’analyse – structure interne et comportement observable – ne se parlent pas. Ce « pont manquant » est l’une des contributions les plus honnêtes et méthodologiquement rigoureuses des travaux : les chercheurs choisissent de publier des résultats nuls au lieu de les ignorer.
Implications : Pourquoi les modèles LLM ne sont pas des esprits humains miniatures
La comparaison entre cerveau et LLM est devenue un topos du débat sur l’intelligence artificielle. Mais cette étude suggère que l’analogie, bien qu’utile, risque d’être trompeuse si elle est prise à la lettre.
Le cerveau humain a développé des architectures distinctes pour la lecture et l’écriture au cours de décennies d’exposition culturelle et de plasticité neuronale. Les modèles linguistiques, nés d’une invention récente comme la formation sur des corpus textuels, ont plutôt convergé vers un mécanisme unifié. Il n’est pas dit que l’un est supérieur à l’autre : ils sont simplement différents, et la différence est mesurable.
Comme l’écrit Saldaña Ulloa, les LLM représentent un point distinct dans l’espace des esprits possibles. Ils ne sont pas homologues au cerveau – ils ne partagent pas la même histoire évolutive ni la même structure – mais ils sont analogues dans un sens fonctionnel : ils résolvent des problèmes similaires avec des solutions architecturales différentes. Confondre analogie et homologie est le moyen le plus rapide de mal comprendre à la fois les machines et l’esprit.
Pour ceux qui travaillent dans le développement de systèmes d’IA, cela a de réelles implications. Concevoir des modèles qui séparent véritablement la compréhension et la production – comme semble le faire le cerveau – peut nécessiter non seulement des architectures codeur-décodeur, mais aussi quelque chose de plus profond qui n'existe pas encore. Le fait que la séparation géométrique ne produit pas de dissociation comportementale suggère que le problème est plus difficile qu’il n’y paraît.
FAQ
En quoi les processus de lecture et d’écriture diffèrent-ils dans le cerveau humain ?
Dans le cerveau humain, la lecture et l'écriture sont des systèmes doublement dissociables : la lecture utilise une voie de décodage ventrale (altérée en alexie pure) tandis que l'écriture s'appuie sur une voie de codage frontopariétale (altérée en agraphie pure). Les deux systèmes peuvent échouer indépendamment l’un de l’autre.
Comment les grands modèles de langage traitent-ils la lecture et l’écriture ?
Les modèles uniquement décodeurs tels que GPT-2, OPT et Pythia traitent à la fois la lecture (décodage d'entrée) et l'écriture (codage de sortie) via un seul chemin autorégressif, entrelaçant les deux fonctions dans un mécanisme partagé.
Que mesure l’indice d’intrication E dans cette étude ?
L'indice E quantifie le chevauchement entre le code de lecture (côté entrée) et le code d'écriture (côté sortie) dans les modèles LLM. Il va de 0 (codes totalement indépendants) à 1 (codes identiques). Dans les modèles déliés analysés, les valeurs sont comprises entre 0,23 et 0,35.
Les modèles codeur-décodeur séparent-ils vraiment la lecture et l’écriture ?
Au niveau des représentations internes, oui : la séparation atteint des valeurs allant jusqu'à 0,96. Cependant, au niveau comportemental, la compréhension et la production restent positivement couplées même dans les modèles codeur-décodeur, ce qui indique que la séparation géométrique n'est pas suffisante pour reproduire la double dissociation observée dans le cerveau humain.
Contenu créé avec l’aide de l’intelligence artificielle et de la révision éditoriale humaine.