La biologie rencontre le silicium : réseaux de neurones et calcul non conventionnel

L'intelligence artificielle a longtemps copié le cerveau uniquement en mathématiques — couche après couche, matrice après matrice, chaîne d'algèbre linéaire. Maintenant, les chercheurs commencent à le copier au sens littéral : en utilisant des mécanismes biologiques dans les réseaux de neurones, en construisant du matériel qui calcule comme une cellule vivante. Le calcul non conventionnel — moléculaire, optique, neuromorphique — devient le principal candidat pour servir d'architecture à l'IA forte.

Quand le silicium heurte un mur

Les GPU modernes sont construits sur des transistors qui deviennent de plus en plus petits, mais pas infiniment. La loi de Moore ralentit. Pour entraîner de grands modèles, une énergie prodigieuse est nécessaire : une seule recherche sur Perplexity consomme autant d'électricité qu'une voiture parcourant 5 km.

L'entraînement de GPT-4 a coûté des centaines de millions de dollars et a émis du carbone dans l'atmosphère comme une petite ville. L'AGI exigera une puissance à l'échelle planétaire — si on la construit sur le silicium traditionnel. Les ingénieurs heurtent les limites de la physique.

Le calcul non conventionnel promet une issue : au lieu de manipuler les électrons dans une puce, on peut utiliser des photons dans les systèmes optiques (parallélisme à la vitesse de la lumière), des molécules d'ADN (densité de stockage d'information incroyable), ou des processus électrochimiques dans les puces neuromorphiques (efficacité énergétique comme celle du cerveau biologique).

Puces neuromorphiques — architecture du cerveau en électronique

Intel Loihi, BrainScaleS, SpiNNaker — ce ne sont pas des GPU simulant les neurones en code. Ce sont des puces physiquement construites comme le cerveau : neurones spikants, synapses aux poids modifiables, traitement asynchrone basé sur les événements. Au lieu de multiplier matriciellement tous les poids par un lot — seuls les neurones actifs envoient des impulsions quand c'est nécessaire. Le résultat est stupéfiant : la consommation d'énergie est mille fois inférieure à celle d'une GPU de même envergure. Le cerveau humain en 20 watts fait ce que les réseaux de neurones modernes exigent 20 kilowatts. La puce neuromorphique reproduit ce résultat.

• Apprentissage en temps réel (sans attendre un lot complet de données)
• Traitement des flux au lieu de matrices (idéal pour les capteurs, caméras, capteurs)
• Adaptation aux nouvelles tâches sans réoptimisation de l'ensemble du modèle
• Robustesse aux entrées bruitées grâce à la logique biologique des impulsions

Des entreprises comme Intel et des laboratoires académiques utilisent déjà les puces neuromorphiques en robotique et en traitement des données de capteurs. L'escalade est plus difficile, mais le potentiel est énorme.

Machine moléculaire, tube à essai de calcul

L'ADN n'est pas seulement un réservoir de gènes. C'est un ordinateur parallèle. Sur une seule molécule, on peut coder des gigabits d'informations et effectuer des calculs simultanément avec toutes les molécules en solution.

Les chercheurs au MIT, Caltech et dans d'autres laboratoires utilisent déjà le calcul ADN pour des tâches d'apprentissage automatique : classification, multiplication matricielle. L'escalade est plus difficile qu'avec les puces — il faut des méthodes pour contrôler des milliards de molécules de manière synchrone, extraire les résultats sans erreurs. Mais si cela fonctionne — la densité de calcul dépassera n'importe quel équivalent en silicium, et la consommation d'énergie chuterra d'un facteur plusieurs.

En parallèle, on étudie les ordinateurs optiques (photons au lieu d'électrons) et les systèmes quantiques.

L'image est claire : la monoculture des GPU en silicium disparaît. L'AGI sera un hybride.

Ce que cela signifie

La frontière entre la biologie et le silicium s'estompe. Le calcul non conventionnel n'est pas une exotique pour les laboratoires, mais une pratique d'ingénierie pour l'IA forte. En un ou deux ans, nous verrons les premiers systèmes hybrides : accélérateurs neuromorphiques dans les centres de données aux côtés des GPU, ordinateurs moléculaires pour les tâches spécialisées, processeurs optiques pour l'algèbre linéaire. Quand l'AGI arrivera — s'il arrive vraiment — son matériel sera composé à 90% de ce que la nature vivante a prouvé être efficace depuis des milliards d'années.