, Par ailleurs, comme nous l'avons évoqué plus haut, la modélisation a toujours été une source d'inspiration pour aider les neurosciences à formaliser et à décrire les mécanismes de traitement de l'information à l'oeuvre dans notre cerveau. Pourtant, concernant ces modalités d'associations flexibles entre nos mémoires implicites et explicites, l'IA ne joue pas son rôle d'aiguillon pour aider les neurosciences à avancer sur ces questions, car elle reste bloquée sur cette dualité rigide et stérile entre les données et les connaissances. Il est donc temps de demander à l'IA de s'emparer de ces résultats des neurosciences, Comprendre les principes de transfert et d'association entre connaissances et données devrait être au coeur des préoccupations d'une IA soucieuse de résoudre ses points de blocage et d'offrir des modèles plus puissants

, Connectionist-Symbolic Integration : from Unified to Hybrid Approaches, 2013.

H. L. Dreyfus and S. E. Dreyfus, Making a Mind Versus Modelling the Brain: Artificial Intelligence Back at the Branchpoint, Artificial Intelligence and Society, 1991.

Z. C. Lipton, The Mythos of Model Interpretability, 2017.

J. R. Saffran, Statistical learning of tone sequences by human infants and adults, Cognition, vol.70, pp.27-52, 1999.

L. R. Squire, Memory systems of the brain : a brief history and current perspective, Neurobiology of Learning and Memory, vol.82, pp.171-177, 2004.

J. L. Mcclelland, B. L. Mcnaughton, and R. C. Reilly, Why there are complementary learning systems in the hippocampus and neocortex: Insights from the successes and failures of connectionist models of learning and memory, Psychological Review, vol.102, issue.3, pp.419-457, 1995.

R. J. Dolan and P. Dayan, Goals and Habits in the Brain, Neuron, vol.80, issue.2, pp.312-325, 2013.