CCN 2026 | Keynote: Kenji Doya

Valeur des informations & solidité de l’argumentation

La valeur des informations est élevée : la conférence synthétise des décennies de recherche sur l’apprentissage par renforcement et son implémentation neuronale, avec des exemples concrets issus de la robotique et de l’expérimentation animale. L’argumentation est solide, s’appuyant sur des résultats expérimentaux publiés et des modèles théoriques bien établis. Doya présente des hypothèses claires (rôle de la sérotonine dans l’escompte temporel, implication du cervelet dans la simulation mentale) et les confronte à des données expérimentales, ce qui renforce la crédibilité. Cependant, certaines spéculations restent à confirmer, comme le rôle précis des différents noyaux des ganglions de la base.

Rigueur scientifique, qualité des sources, adéquation du titre

La rigueur scientifique est exemplaire : Doya cite des travaux fondateurs (Schultz, Montague, Dayan) et ses propres publications, sans toutefois fournir de références détaillées dans la vidéo. La qualité des sources est donc indirecte, mais la notoriété du chercheur et la cohérence des résultats avec la littérature renforcent la fiabilité. L’adéquation entre le titre et le contenu est bonne, bien que le titre soit plus spécifique que le contenu réel, qui couvre un spectre plus large. Aucune séquence publicitaire n’est présente.

Le titre 'Neural circuits for prediction and action' est bien respecté, le contenu couvrant les circuits neuronaux impliqués dans la prédiction et l'action, avec un accent sur l'apprentissage par renforcement.

9/10

Conférence par un chercheur reconnu (prix Hebb, publications majeures), présentant des résultats expérimentaux et théoriques solides, avec des références implicites à des travaux publiés. Le contenu est rigoureux et bien structuré, mais certaines affirmations reposent sur des hypothèses non détaillées.

Repères établis par PSI à partir de la transcription : le créateur n'a pas défini de chapitres.

• 00:00Introduction de Kenji Doya par l'organisateur, présentation de son parcours et de ses travaux.
• 03:00Début de la conférence : présentation de l'OIST et de son laboratoire, introduction de l'apprentissage par renforcement.
• 10:00Explication des bases du RL : fonctions de valeur, erreur de prédiction, paramètres (gamma, alpha, beta).
• 20:00Exemples de robots apprenant à se tenir debout, illustration du problème de crédit temporel.
• 30:00Implémentation cérébrale du RL : rôle des ganglions de la base et de la dopamine, expériences chez le rat.
• 40:00Rôle de la sérotonine dans l'escompte temporel, expériences d'optogénétique chez la souris.
• 50:00Introduction de la simulation mentale, définition et exemples en robotique.
• 1:00:00Expériences d'IRMf et d'imagerie calcique sur la simulation mentale, discussion sur les rôles du cervelet et des ganglions de la base.
• 1:03:20Conclusion : implications pour l'IA et les neurosciences, questions ouvertes.

• Neural Computation Unit, OIST — Présentation de l'institution de recherche de Kenji Doya.

• Schultz, W. (1998). Predictive reward signal of dopamine neurons. — Étude fondatrice sur les signaux d'erreur de prédiction de récompense des neurones dopaminergiques.
• Montague, P. R., Dayan, P., & Sejnowski, T. J. (1996). A framework for mesencephalic dopamine systems based on predictive Hebbian learning. — Modèle théorique reliant la dopamine à l'apprentissage par renforcement.