IA : 4 technologies neuromorphiques pour imiter le cerveau

Le cerveau du minuscule ver Caenorhabditis elegans ne mesure pas plus que l’épaisseur d’un cheveu humain. Pourtant, cet organe rudimentaire coordonne des mouvements complexes et des stratégies de recherche de nourriture avec une efficacité qui défie nos supercalculateurs. Pour Daniela Rus, informaticienne au MIT et cofondatrice de la start-up Liquid AI, cette élégance biologique est la clé d’une révolution technologique : pour dépasser les limites de l’intelligence artificielle actuelle, il faut s’inspirer du vivant.

Cette vague de chercheurs estime que rendre l’IA plus proche du cerveau permettrait de créer des technologies plus légères, plus agiles et potentiellement plus intelligentes. Selon Kanaka Rajan, neuroscientifique computationnelle à Harvard, l’intégration des principes des neurosciences est indispensable pour une progression réelle du secteur. Si l’informatique neuromorphique ne remplacera probablement pas totalement les ordinateurs traditionnels, elle promet une coexistence de systèmes spécialisés et ultra-efficaces.

Des neurones artificiels plus proches du vivant

Dans la nature, les neurones sont des cellules vivantes complexes qui reçoivent en permanence des signaux de leur environnement. Leur charge électrique fluctue jusqu’à atteindre un seuil critique, déclenchant une impulsion — un « pic » — vers les neurones voisins. Les ingénieurs en informatique neuromorphique ont réussi à reproduire ce mécanisme via les réseaux de neurones à impulsions (spiking neural networks).

Contrairement aux modèles d’apprentissage profond classiques où chaque neuroneNeurone Neurone est l'unité fonctionnelle et structurelle fondamentale du système nerveux, une cellule excitable spécialisée dans la réception, l'intégration et la transmission de l'information sous forme de signaux bioélectriques et chimiques.… artificiel traite l’information de manière continue et dense, ces réseaux biomimétiques fonctionnent de façon parcimonieuse. Dans une IA traditionnelle, chaque entrée active généralement l’ensemble des paramètres du réseau, une méthode extrêmement gourmande en énergie. À l’inverse, dans un cerveau ou un réseau neuromorphique, un neurone ne s’active que si le signal reçu est suffisant. Cette activation sélective réduit drastiquement la consommation électrique.

Un autre avantage majeur réside dans la fusion de la mémoire et du traitement. Alors que l’architecture informatique standard sépare le processeur (GPU) du stockage (RAM), créant des goulots d’étranglement énergétiques, des puces comme BrainScaleS-2 intègrent la mémoire directement au sein des connexions neuronales. Lors de tests sur le jeu vidéo Pong, ce matériel a consommé mille fois moins d’énergie qu’un processeur classique pour faire tourner le même réseau.

Le défi du passage à l’échelle : des puces aux milliards de neurones

Si les projets académiques valident les concepts, des géants comme IBM et Intel passent à la vitesse supérieure. En 2023, IBM a présenté IBM NorthPole, une puce optimisant l’efficacité en rapprochant mémoire et calcul. Plus récemment, Intel a dévoilé Intel Hala Point, le plus grand système neuromorphique au monde à ce jour.

Hala Point contient 1 152 puces Loihi 2, totalisant 1,15 milliard de neurones électroniques, soit environ la capacité cérébrale d’une chouette. Malgré sa puissance, le système tient dans un boîtier de la taille d’une valise. Craig Vineyard, chercheur aux laboratoires Sandia, souligne que cette architecture présente des caractéristiques de calcul fondamentalement différentes des machines numériques conventionnelles.

L’intérêt de Loihi 2 réside aussi dans sa capacité à traiter des flux de données temporels, comme la vidéo ou l’audio. Alors qu’une IA classique analyse chaque image d’une vidéo comme si elle était totalement nouvelle, le matériel neuromorphique conserve une trace des états précédents. Il ne traite que les changements entre deux images, restant inactif le reste du temps. Sur certaines tâches de traitement vidéo, cette approche a permis de diviser la consommation d’énergie par 150 par rapport à un GPU standard.

Liquid AI : l’adaptabilité inspirée par un ver millimétrique

L’une des facultés les plus remarquables du vivant est l’apprentissage continu. Le ver C. elegans, avec ses 302 neurones, apprend en permanence de son environnement. En s’appuyant sur ces travaux, Daniela Rus et son équipe ont développé les « réseaux de neurones liquides ».

Dans le deep learning traditionnel, les paramètres d’un modèle sont figés après la phase d’entraînement. Les réseaux liquides, eux, sont plus fluides : leurs équations mathématiques permettent aux paramètres de changer en temps réel en fonction des entrées reçues. C’est une forme d’IA qui s’adapte à l’imprévu, tout comme un système biologique.

En 2023, l’équipe a démontré qu’un réseau liquide de seulement 34 neurones pouvait piloter un drone en forêt plus efficacement qu’un modèle classique de 250 000 paramètres. Cette technologie a depuis été testée par la DARPA sur de véritables aéronefs. Plus récemment, Liquid AI a lancé LFM-7B, un modèle de langage de 7 milliards de paramètres qui surpasse des modèles de taille équivalente, prouvant que cette approche peut passer à l’échelle industrielle.

L’architecture du néocortex comme modèle de calcul

Alors que certains regardent vers le ver, d’autres s’inspirent de la structure la plus complexe connue : le néocortex humain. C’est ici que convergent les informations sensorielles et le raisonnement abstrait. L’entreprise Numenta, fondée par Jeff Hawkins, parie sur cette architecture pour réinventer l’informatique.

Hawkins soutient que l’intelligence réside dans les « colonnes corticales », des structures verticales capables de modéliser le monde à partir de sensations changeantes. Son projet, Thousand Brains Project, vise à coupler une architecture matérielle spécifique avec des algorithmes reproduisant ces colonnes. L’idée est de permettre à une machine de reconnaître des objets complexes en apprenant leurs propriétés spatiales et temporelles en temps réel.

L’histoire de l’informatique montre que les bonnes idées dépendent souvent du matériel disponible. Si le perceptron, ancêtre de l’IA moderne, a été conçu dès les années 1950, il a fallu attendre l’avènement des GPU pour qu’il devienne puissant. Aujourd’hui, le défi est de concevoir simultanément les algorithmes et les puces. Comme le souligne Sara Hooker, chercheuse chez Cohere, le succès d’une technologie dépend souvent d’une « loterie matérielle ». En explorant de nouvelles combinaisons de puces neuromorphiques et de structures cérébrales, les chercheurs pourraient bien tirer le gros lot pour l’avenir de l’IA.