Ancrage des significations dans les motivations sociales intrinsèques pour les modèles linguistiques

Grounding Meanings in Intrinsic Social Motivations for Language Models

• Auteur / Autrice : Pierre-Emmanuel Marrel
• Direction : Alexandre Pitti
• Type : Projet de thèse
• Discipline(s) : Mathématiques - EM2PSI
• Date : Inscription en doctorat le 01/10/2025
• Etablissement(s) : CY Cergy Paris Université
• Ecole(s) doctorale(s) : Ecole doctorale Économie, Management, Mathématiques , Physique et Sciences Informatiques (EM2PSI)
• Partenaire(s) de recherche : Laboratoire : ETIS - Equipes Traitement de l'Information et Systèmes

Mots clés

Mots clés libres

Ancrage symbolique

Robotique sociale

Modèle de langage

Apprentissage par renforcement

Intelligence artificielle

Robotique développementale

Symbolic grounding

Social robotics

Language model

Reinforcement Learning

Artificial intelligence

Developmental robotics

Résumé

Le sujet de thèse porte sur l'ancrage du sens dans les modèles de langage en s'appuyant sur des motivations intrinsèques, avec pour objectif de rapprocher l'apprentissage linguistique des systèmes artificiels de celui des humains. Alors que les modèles de langage de grande taille (LLMs) actuels démontrent des performances remarquables en traitement du langage, ils reposent sur des quantités massives de données textuelles sans commune mesure avec l'exposition réduite dont disposent les enfants pour acquérir le langage. Cette inefficacité proportionnelle pose un enjeu majeur pour la soutenabilité et l'impact environnemental de l'IA générative. De plus, contrairement aux êtres vivants, les LLMs restent dissocié de l'environnement, ce qui empêche leur capacité à relier le langage aux objets, aux actions et aux interactions un défi connu sous le nom de “symbol grounding problem”. Le projet vise à surmonter ces limites en s'inspirant des mécanismes d'acquisition du langage chez l'enfant, afin de développer des modèles cognitifs de l'apprentissage du langage plus plausibles et de proposer des solutions bio-inspirées améliorant l'efficacité et l'ancrage des modèles. La thèse propose ainsi de concevoir un modèle cognitif qui relie un LLM à un système doté de motivations intrinsèques et capable d'interactions avec un environment. La thèse se repose sur trois axes principaux : (i) enrichir le module de motivation intrinsèque afin qu'il puisse générer de nouvelles motivations émergentes guidées par des besoins homéostatiques, la curiosité et les récompenses; (ii) développer un modèle cognitif intégrant ce système motivationnel à un modèle de langage, permettant à l'agent de comprendre et produire du langage en fonction de ses propres dynamiques internes et expériences sociales. Ces expérimentations permettront de comparer les comportements de l'agent aux trajectoires observées chez l'enfant dans l'acquisition du langage. (iii) et valider l'approche par des expérimentations sur un robot humanoïde (Reachy, Pollen Robotics), allant de protocoles contrôlés à des scénarios inspirés de la psychologie du développement. Ces expérimentations permettront de comparer les comportements de l'agent aux trajectoires observées chez l'enfant dans l'acquisition du langage. Cette recherche s'inscrit dans le projet ANR JCJC GISMo (Grounding Meaning in Intrinsic Social Motivation), coordonné par Laura Cohen (CY Cergy Paris Université), en collaboration avec Julia Ive (University College London, spécialiste des modèles de langage) et Sao Mai Nguyen (ENSTA, experte en motivation intrinsèque). Elle sera menée au sein de l'équipe NEURO du laboratoire ETIS (UMR 8051, CY Cergy Paris Université, ENSEA, CNRS), reconnue pour ses travaux en robotique bio-inspirée, intelligence artificielle et sciences du développement. L'ambition de cette thèse est double : proposer un cadre computationnel innovant permettant aux modèles de langage de devenir des modèles cognitifs pertinents pour l'étude de l'acquisition du langage humain, et ouvrir la voie à des agents robotiques sociaux capables d'apprendre et de s'adapter de manière économe en données, en s'ancrant dans le monde physique et social grâce à des motivations intrinsèques émergentes.

The PhD project focuses on grounding meaning in language models through intrinsic motivations, with the aim of bringing artificial linguistic learning closer to human language acquisition. While current Large Language Models (LLMs) demonstrate remarkable performance in language processing, they rely on massive amounts of textual data, far exceeding the limited exposure children receive to acquire language. This proportional inefficiency raises major concerns for the sustainability and environmental impact of generative AI. Moreover, unlike living beings, LLMs remain dissociated from their environment, preventing them from linking language to objects, actions, and interactions — a challenge known as the “symbol grounding problem.” The project aims to overcome these limitations by drawing inspiration from child language acquisition mechanisms, in order to develop more plausible cognitive models of language learning and propose bio-inspired solutions to improve efficiency and grounding in models. The thesis therefore proposes to design a cognitive model that connects an LLM to a system endowed with intrinsic motivations and capable of interacting with its environment. It will focus on three main directions: (i) enriching the intrinsic motivation module so that it can generate new emerging motivations driven by homeostatic needs, curiosity, and rewards; (ii) developing a cognitive model that integrates this motivational system with a language model, enabling the agent to understand and produce language based on its own internal dynamics and social experiences; and (iii) validating the approach through experiments on a humanoid robot (Reachy, Pollen Robotics), ranging from controlled protocols to scenarios inspired by developmental psychology. These experiments will allow comparison of the agent's behavior with trajectories observed in children during language acquisition. This research is part of the ANR JCJC GISMo project (Grounding Meaning in Intrinsic Social Motivation), coordinated by Laura Cohen (CY Cergy Paris University), in collaboration with Julia Ive (University College London, specialist in language models) and Sao Mai Nguyen (ENSTA, expert in intrinsic motivation). It will be conducted within the NEURO team of the ETIS laboratory (UMR 8051, CY Cergy Paris University, ENSEA, CNRS), renowned for its work in bio-inspired robotics, artificial intelligence, and developmental sciences. The ambition of this PhD is twofold: to propose an innovative computational framework enabling language models to serve as relevant cognitive models for studying human language acquisition, and to pave the way for socially competent robotic agents capable of learning and adapting with human-like data efficiency, anchored in the physical and social world through emerging intrinsic motivations.