Brendan Lake est un scientifique cognitif et professeur à l'Université de New York, où il étudie les principes computationnels qui permettent l'apprentissage et le raisonnement humains, avec pour objectif de construire une intelligence artificielle plus proche de l'humain. Ses recherches se situent à l'intersection de l'apprentissage automatique, des sciences cognitives et de l'intelligence artificielle, en se concentrant sur la manière dont les machines peuvent apprendre à partir de moins d'exemples, généraliser de manière plus flexible et acquérir des concepts d'une façon qui reflète la cognition humaine. Lake est particulièrement connu pour ses travaux sur l'induction de programmes probabilistes, le défi de l'« IA de niveau humain » et son plaidoyer pour intégrer les perspectives de la psychologie du développement dans la recherche en IA.
Lake a terminé ses études de premier cycle à l'Université de Stanford, où il a développé un intérêt précoce pour l'informatique et la psychologie. Il a ensuite poursuivi des études supérieures au Massachusetts Institute of Technology, obtenant un doctorat en sciences cognitives sous la supervision de Joshua Tenenbaum. Ses recherches doctorales portaient sur la modélisation de l'apprentissage de concepts humains à l'aide de programmes probabilistes, un cadre qui traite les concepts comme des modèles génératifs structurés. Ces travaux ont abouti à plusieurs articles influents démontrant que les humains peuvent apprendre des concepts complexes à partir de très peu d'exemples, une capacité que les modèles d'apprentissage profond standard de l'époque ne possédaient pas.
Début de carrière et postes académiques
Après avoir obtenu son doctorat, Lake a occupé des postes postdoctoraux au MIT puis à l'Université de New York, où il a collaboré avec des chercheurs des départements de psychologie et d'informatique. En 2017, il a rejoint la faculté de NYU en tant que professeur assistant au département de psychologie et au Centre pour la science des données. Il a été promu professeur associé en 2021 et professeur titulaire en 2024. Son laboratoire, le Laboratoire de computation et de cognition, se concentre sur la construction de modèles computationnels qui capturent les capacités d'apprentissage et de raisonnement humaines, avec un accent sur la compositionnalité, la causalité et la physique intuitive.
Lake a également été affilié au Centre pour les cerveaux, les esprits et les machines (CBMM), un centre de recherche multi-institutionnel financé par la National Science Foundation, qui vise à comprendre l'intelligence en combinant neurosciences, sciences cognitives et informatique. Grâce au CBMM, il a travaillé en étroite collaboration avec des collègues tels que Joshua Tenenbaum et Melanie Mitchell sur des projets explorant les limites des systèmes d'IA actuels.
Contributions de recherche clés
L'une des contributions les plus citées de Lake est l'article de 2015 « Human-level concept learning through probabilistic program induction », publié dans Science, qui a introduit le jeu de données Omniglot. Ce jeu de données se compose de 1 623 caractères manuscrits provenant de 50 systèmes d'écriture différents, conçus pour tester l'apprentissage en un seul exemple. Lake et ses collègues ont montré qu'un modèle d'apprentissage par programme bayésien pouvait apprendre un nouveau caractère à partir d'un seul exemple et performer aussi bien que les humains sur des tâches de classification, tout en générant de nouvelles variations de caractères semblables à celles des humains. Ces travaux ont souligné l'importance de la connaissance structurée et de la compositionnalité, souvent absentes des approches purement connexionnistes.
En 2016, Lake a co-écrit un article largement discuté intitulé « Building machines that learn and think like people », avec Joshua Tenenbaum et d'autres. L'article soutenait que l'IA devrait s'appuyer davantage sur les sciences cognitives, en mettant l'accent sur la nécessité de modèles capables d'apprendre des modèles causaux, d'utiliser la physique intuitive et de raisonner sur des variables non observées. Il proposait une feuille de route pour combiner l'apprentissage profond avec des modèles probabilistes structurés, un thème que Lake a continué à développer dans ses travaux ultérieurs.
Lake a également contribué à l'étude de la physique intuitive et de la psychologie intuitive. Ses recherches ont exploré comment les humains font des prédictions sur des événements physiques, comme la stabilité de tours de blocs, et comment ces prédictions peuvent être modélisées à l'aide d'approches basées sur la simulation. Il a publié des articles sur le rôle de la simulation physique dans le jugement humain, montrant que les attentes des gens correspondent étroitement aux sorties des moteurs physiques, ce qui suggère que le cerveau pourrait effectuer des simulations approximatives.
Le défi de l'IA de niveau humain
En 2022, Lake a introduit le défi « Human Level AI », un benchmark conçu pour tester si les systèmes d'IA peuvent atteindre des performances de niveau humain sur une batterie de tâches cognitives. Le défi comprend des tâches telles que l'apprentissage de concepts visuels, la compréhension du langage et le raisonnement social, inspirées des paradigmes de la psychologie du développement. Lake a soutenu que les modèles à grande échelle actuels, malgré leurs performances impressionnantes sur des tâches étroites, ne parviennent pas à montrer la flexibilité et la robustesse de la cognition humaine. Le défi a été adopté par plusieurs groupes de recherche comme cible pour évaluer les progrès vers une IA plus générale.
Lake a été un critique vocal de l'idée que l'augmentation de la taille des modèles de réseaux de neurones à elle seule mènera à une intelligence de niveau humain. Dans des conférences et des articles, il a souligné que même les grands modèles de langage, comme ceux basés sur l'architecture transformeur, peinent avec la généralisation compositionnelle et le raisonnement causal. Il plaide pour une approche hybride combinant l'apprentissage profond avec le raisonnement symbolique et l'inférence probabiliste, une idée qui a gagné du terrain dans la communauté de l'IA en général.
Collaborations et travail interdisciplinaire
Tout au long de sa carrière, Lake a souligné l'importance de la collaboration interdisciplinaire. Il a travaillé avec des psychologues du développement pour étudier comment les enfants apprennent des concepts, avec des neuroscientifiques pour comprendre la base neuronale de la cognition, et avec des informaticiens pour développer de nouveaux algorithmes. Ses collaborations se sont étendues à des chercheurs de Google DeepMind, OpenAI et d'autres grands laboratoires d'IA, bien qu'il ait également maintenu une perspective critique sur les limites de ces systèmes.
Lake a siégé aux comités éditoriaux de plusieurs revues, notamment Cognitive Science et le Journal of Machine Learning Research. Il a également été membre de comités de programme pour des conférences majeures telles que NeurIPS, ICML et CogSci. Ses travaux ont été financés par des subventions de la National Science Foundation, de la Defense Advanced Research Projects Agency (DARPA) et de la Fondation Simons.
Enseignement et mentorat
À NYU, Lake enseigne des cours sur la science cognitive computationnelle et l'apprentissage automatique. Ses cours sont réputés pour leur rigueur et pour encourager les étudiants à réfléchir de manière critique aux hypothèses sous-jacentes des modèles d'IA. Il a encadré de nombreux étudiants en doctorat et postdoctorants, dont beaucoup ont poursuivi des carrières dans le milieu académique et l'industrie. Son style de mentorat met l'accent sur une compréhension conceptuelle approfondie et une volonté de remettre en question les paradigmes dominants.
Lake a également été actif dans la sensibilisation du public, donnant des conférences dans des lieux tels que le Festival des idées d'Aspen et apparaissant dans des documentaires sur l'IA. Il a écrit des articles d'opinion pour des médias populaires, plaidant pour une approche plus scientifique du développement de l'IA. Son engagement public vise à démystifier l'IA et à mettre en évidence les écarts entre les systèmes actuels et l'intelligence humaine.
Prix et reconnaissance
Lake a reçu plusieurs prix pour ses recherches, notamment le prix de modélisation computationnelle de la Cognitive Science Society et la bourse de recherche Sloan en neurosciences. En 2020, il a été nommé chercheur mondial CIFAR Azrieli dans le programme d'intelligence artificielle, qui reconnaît les chercheurs en début de carrière avec un potentiel exceptionnel. Ses articles ont été cités des dizaines de milliers de fois, et il est régulièrement invité à donner des conférences plénières lors de conférences internationales.
Directions actuelles
En 2025, les recherches de Lake continuent d'explorer comment construire des systèmes d'IA qui apprennent et pensent comme les humains. Ses travaux récents se concentrent sur le développement de benchmarks pour mesurer la généralisation compositionnelle, l'étude de la manière dont les humains apprennent des règles abstraites et l'investigation du rôle du langage dans la formation de la pensée. Il a également commencé à explorer comment les perspectives des sciences cognitives peuvent informer la conception de systèmes d'IA plus interprétables et dignes de confiance, un sujet d'importance croissante à mesure que l'IA est déployée dans des domaines à enjeux élevés.
Lake reste optimiste quant au potentiel de l'IA pour bénéficier à la société, mais il met en garde contre la surestimation des capacités actuelles. Il soutient que l'atteinte d'une IA de niveau humain nécessitera une compréhension plus profonde de la cognition humaine, pas seulement plus de données et de puissance de calcul. Sa vision est celle de systèmes d'IA construits sur des principes dérivés des sciences cognitives, menant à des machines capables d'apprendre, de raisonner et d'interagir avec le monde de manière réellement intelligente.
Publications sélectionnées
Parmi les publications les plus influentes de Lake figurent :
- Lake, B. M., Salakhutdinov, R., & Tenenbaum, J. B. (2015). Human-level concept learning through probabilistic program induction. Science, 350(6266), 1332-1338.
- Lake, B. M., Ullman, T. D., Tenenbaum, J. B., & Gershman, S. J. (2017). Building machines that learn and think like people. Behavioral and Brain Sciences, 40, e253.
- Lake, B. M., & Baroni, M. (2018). Generalization without systematicity: On the compositional skills of sequence-to-sequence recurrent networks. ICML.
- Lake, B. M. (2019). Compositional generalization through meta-sequence-to-sequence learning. NeurIPS.
Ces travaux ont façonné les débats sur la nature de la généralisation et l'avenir de la recherche en IA.
Impact sur le domaine
L'insistance de Lake à ramener les sciences cognitives dans l'IA a influencé une nouvelle génération de chercheurs. Ses critiques de l'apprentissage profond ont incité beaucoup à reconsidérer les hypothèses derrière les modèles à grande échelle. Certains ont rejeté ses vues comme trop pessimistes, tandis que d'autres les considèrent comme une correction nécessaire à la tendance du domaine à assimiler l'échelle à l'intelligence. Son travail sur Omniglot est devenu un benchmark standard pour l'apprentissage en quelques exemples, et ses idées sur les programmes probabilistes ont inspiré de nombreuses études de suivi.
En résumé, Brendan Lake se distingue comme une voix de premier plan plaidant pour une approche plus centrée sur l'humain de l'intelligence artificielle. En reliant les sciences cognitives et l'apprentissage automatique, il a apporté des contributions durables aux deux domaines et continue de défier la communauté de l'IA à viser plus haut que le simple appariement de motifs.