Keynote Lecture: Nancy Kanwisher - CCN 2025

Valeur des informations & solidité de l’argumentation

La conférence apporte une valeur scientifique considérable en présentant des données originales issues de plusieurs études clés. L’argumentation est solide : elle part d’une hypothèse théorique claire (le cerveau contient un moteur physique) et la confronte à des prédictions testables. Les résultats de décodage sont convaincants, avec des contrôles appropriés (décodage impossible dans V1 et la voie ventrale). Elle discute également des limites, notamment sur la nature exacte des simulations. La comparaison avec les modèles computationnels est pertinente et montre les lacunes actuelles de l’IA. L’ensemble est cohérent et rigoureux.

Rigueur scientifique, qualité des sources, adéquation du titre

La rigueur scientifique est exemplaire : les méthodes sont détaillées, les analyses sont effectuées au niveau intra-sujet, et les résultats sont répliqués. Les sources sont principalement les travaux de son laboratoire et de collaborateurs, publiés dans des revues à comité de lecture. Le titre est parfaitement adéquat au contenu. Aucune publicité n’est présente. Les commentaires ne sont pas fournis.

Le titre est exact et reflète parfaitement le contenu : une conférence plénière de Nancy Kanwisher au CCN 2025.

9/10

Conférence d'une chercheuse de renommée mondiale, présentant des résultats de recherche originaux et des hypothèses clairement étayées par des données expérimentales. Les méthodes sont décrites avec précision et les limites sont mentionnées.

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

• 00:00Introduction de Nancy Kanwisher par Iris, présentant ses contributions et son rôle dans le domaine.
• 02:00Début de la conférence : Kanwisher remercie et introduit le sujet : le raisonnement physique intuitif.
• 05:00Exemples de scènes visuelles montrant que la vision inclut des inférences physiques rapides et automatiques.
• 10:00Présentation des deux cadres computationnels : reconnaissance de formes vs modèle génératif (moteur de jeu).
• 15:00Prédictions pour un système cérébral dédié : régions sélectives, informations abstraites, simulations, rôle causal.
• 20:00Première étude : identification de régions pariétales et frontales activées lors de tâches de physique (tâche des tours).
• 25:00Réplication avec des animations de type Heider-Simmel et des vidéos d'objets en interaction.
• 30:00Comparaison avec le système multiple demand : faible chevauchement (Dice = 0.07), régions distinctes.
• 35:00Décodage de la masse dans le réseau physique, même lors de tâches non liées.
• 40:00Décodage du contact entre objets, impossible dans V1 et la voie ventrale.
• 45:00Décodage des collisions prédites : le réseau physique prédit l'avenir.
• 50:00Tests de modèles computationnels (CNN, vidéo, VLM) : échec à reproduire les capacités humaines.
• 55:00Travaux préliminaires sur des patients lésés : rôle causal potentiel des régions.
• 1:00:00Conclusion et remerciements.

• Fischer, J., Mikhael, J. G., Tenenbaum, J. B., & Kanwisher, N. (2016). Functional neuroanatomy of intuitive physical inference. PNAS, 113(34), E5072-E5081. — Étude originale identifiant les régions cérébrales impliquées dans le raisonnement physique.
• Schwettmann, S., Tenenbaum, J. B., & Kanwisher, N. (2019). Invariant representations of mass in the human brain. eLife, 8, e46619. — Étude montrant le décodage de la masse dans le réseau physique.
• Tenenbaum, J. B., Kemp, C., Griffiths, T. L., & Goodman, N. D. (2011). How to grow a mind: Statistics, structure, and abstraction. Science, 331(6022), 1279-1285. — Article de référence sur les modèles génératifs et l'apprentissage statistique.
• Baillargeon, R. (1987). Object permanence in 3½- and 4½-month-old infants. Developmental Psychology, 23(5), 655-664. — Travaux fondateurs sur le raisonnement physique chez les nourrissons.
• Duncan, J. (2010). The multiple-demand (MD) system of the primate brain: mental programs for intelligent behaviour. Trends in Cognitive Sciences, 14(4), 172-179. — Description du système multiple demand, comparé au réseau physique.

• Fischer, J., Mikhael, J. G., Tenenbaum, J. B., & Kanwisher, N. (2016). Functional neuroanatomy of intuitive physical inference. PNAS, 113(34), E5072-E5081. — Étude originale identifiant les régions cérébrales impliquées dans le raisonnement physique.
• Schwettmann, S., Tenenbaum, J. B., & Kanwisher, N. (2019). Invariant representations of mass in the human brain. eLife, 8, e46619. — Étude montrant le décodage de la masse dans le réseau physique.

• Schultheis, M., et al. (2024). Intuitive physics understanding in vision-language models. — Les modèles de langage vision ont des performances limitées en physique intuitive, contrairement aux humains.