Chaque fois qu’une personne pose une question à un grand modèle de langage, accepte une suggestion de connexion sur une plateforme sociale, ou suit un itinéraire recalculé par une application de navigation, de l’énergie est consommée à une échelle que la plupart des gens n’imaginent jamais. Le matériel qui fait tourner ces interactions se trouve dans d’immenses centres de données, alimentés en électricité en permanence. Comprendre pourquoi il en est ainsi, et pourquoi une découverte de laboratoire apparemment anodine pourrait tout changer, nécessite de revenir aux fondamentaux : comment fonctionne réellement le matériel dédié à l’IA, et à quelle distance il se trouve encore de l’organe qu’il cherche à imiter.
Le Problème Énergétique Caché Derrière Chaque Interaction avec l’IA
Les processeurs qui alimentent l’IA moderne sont des GPU, et chacun peut consommer jusqu’à 1 000 watts. Ce chiffre place un seul GPU au même niveau qu’un aspirateur, un lave-vaisselle ou une cuisinière. La différence, c’est que les GPU des centres de données ne s’éteignent pas. Ils fonctionnent en continu, traitant des milliers de milliards d’opérations par seconde, et les centres de données en contiennent des milliers qui opèrent en parallèle.
À titre de comparaison, un smartphone moderne consomme moins de 1 watt.
Il ne s’agit pas simplement d’une question d’échelle. Cela reflète une inadéquation architecturale plus profonde. Les GPU sont conçus pour exécuter des logiciels qui simulent des réseaux de neurones artificiels, et cette simulation nécessite de déplacer d’énormes quantités de données à travers des milliards de transistors. Le processus est intrinsèquement inefficace, car le matériel n’a jamais été conçu pour penser comme un cerveau. Il a été conçu pour exécuter de la logique binaire rapidement, et la simulation de réseaux de neurones vient se superposer à cela.
Le cerveau humain, en revanche, est environ un million de fois plus économe en énergie que le matériel IA actuel pour des tâches comparables. Cet écart n’est pas un simple défaut d’ingénierie mineur. C’est le signe que l’ensemble de l’approche computationnelle a peut-être besoin d’être repensé.
Ce Que Fait le Cerveau Que les Transistors Ne Peuvent Pas Faire
Les neurones biologiques fonctionnent selon un mécanisme précis. Lorsque la tension dans le corps cellulaire d’un neurone monte suffisamment pour franchir un seuil, elle déclenche une impulsion auto-propagatrice appelée potentiel d’action, qui se propage le long d’une longue projection appelée axone. À l’extrémité de l’axone se trouve une synapse, une jonction électrochimique qui se connecte aux projections ramifiées du neurone suivant, appelées dendrites. Si suffisamment de ces impulsions arrivent dans une fenêtre temporelle donnée, le neurone récepteur émet à son tour son propre potentiel d’action. Le système est piloté par les événements, clairsemé et extraordinairement efficace.
Les réseaux de neurones artificiels empruntent la logique conceptuelle de ce processus, mais la mettent en œuvre via des logiciels s’exécutant sur des transistors. L’écart entre l’original biologique et l’approximation électronique est énorme, et il se manifeste directement dans la consommation d’énergie.
L’ingénierie neuromorphique est le domaine qui cherche à combler cet écart. L’objectif est de construire des composants électroniques qui se comportent comme des neurones et des synapses au niveau matériel, sans les simuler par logiciel. Des progrès ont été réalisés, mais l’approche dominante présente une limitation sérieuse : implémenter un seul neurone ou une seule synapse artificielle nécessite d’interconnecter des dizaines, voire parfois des centaines, de transistors standard. Cela exige une surface de puce importante, introduit des délais lorsque les signaux doivent être traités séquentiellement, et rend extrêmement difficile le passage à l’échelle vers des systèmes capables de rivaliser avec les GPU de pointe.
Certaines recherches ont exploré des dispositifs expérimentaux entièrement nouveaux, mais ceux-ci n’ont pas encore atteint la fiabilité nécessaire pour de grands systèmes. Le domaine semblait coincé entre deux options imparfaites.
Un Seul Transistor, Se Comportant Comme une Cellule Cérébrale
Voici ce que la plupart des articles sur le matériel IA passent sous silence : la solution était peut-être là depuis le début, à l’intérieur de l’un des composants les plus ordinaires de l’électronique.
Des chercheurs ont découvert qu’un transistor CMOS standard, la brique de base de pratiquement toute la logique numérique, peut se comporter comme un neurone ou une synapse à lui seul, sans être combiné avec des dizaines d’autres composants. La découverte était accidentelle. Elle est née de l’observation de ce qui se passe lorsqu’une partie normalement négligée du transistor — la borne de substrat — n’est pas simplement mise à la masse, mais est au contraire connectée via une résistance.
Dans un fonctionnement standard, l’augmentation de la tension au niveau du drain produit un courant qui monte régulièrement et redescend selon le même chemin. Mais lorsqu’une résistance est ajoutée à la borne de substrat, quelque chose de différent se produit. Les paires électron-trou qui seraient normalement évacuées commencent à s’accumuler. Une fois que la tension de substrat atteint un certain point, un transistor bipolaire caché, intégré dans le MOSFET, s’active, provoquant une brusque montée en flèche du courant. Ce courant reste ensuite élevé jusqu’à ce que la tension de drain descende en dessous d’un seuil distinct. Les points d’activation et de relaxation sont différents l’un de l’autre — une propriété appelée hystérésis — ce qui signifie que le courant ne circule que pendant une période définie avant que le dispositif ne revienne au repos.
Ce comportement correspond étroitement à ce dont un neurone artificiel a besoin : une impulsion soudaine et non linéaire lorsqu’un seuil de tension est franchi, suivie d’une relaxation automatique. Une configuration apparentée produit la conductance stable et ajustable qu’une synapse artificielle requiert. Chaque comportement — neurone et synapse — est obtenu avec un seul dispositif.
Pourquoi Cela Compte Au-Delà du Laboratoire
Les implications vont bien au-delà de l’ingénierie matérielle. L’empreinte énergétique de l’IA est déjà une préoccupation majeure, et elle s’accroît à mesure que les modèles deviennent plus grands et plus largement déployés. Une architecture de calcul qui s’approche de l’efficacité du cerveau — plutôt que d’en rester à six ordres de grandeur — changerait l’économie et le profil environnemental de l’infrastructure IA d’une manière difficile à surestimer.
Il y a aussi une question de passage à l’échelle. Les approches neuromorphiques actuelles sont contraintes par la surface et la complexité nécessaires pour construire chaque neurone et chaque synapse à partir de nombreux transistors. Une implémentation à dispositif unique supprime cette contrainte et ouvre la voie vers des systèmes suffisamment grands pour être véritablement compétitifs avec le matériel à base de GPU.
C’est ce qui rend le caractère accidentel de la découverte digne d’être souligné. Le composant n’était ni exotique ni nouvellement inventé. C’était un transistor ordinaire, fonctionnant dans un régime qui n’avait tout simplement pas été examiné attentivement. L’intuition n’était pas dans le matériau, mais dans l’observation.
En Bref
Un transistor standard, longtemps négligé dans un mode de fonctionnement spécifique, peut se comporter comme un neurone ou une synapse biologique à lui seul, sans nécessiter les circuits complexes à plusieurs transistors qui ont jusqu’à présent limité l’informatique neuromorphique. Le matériel IA actuel consomme jusqu’à 1 000 watts par GPU et est environ un million de fois moins économe en énergie que le cerveau humain pour des tâches comparables. Cette découverte ne comble pas cet écart immédiatement, mais elle pointe vers une architecture matérielle qui pourrait rendre l’IA bien moins énergivore — et bien plus évolutive — que tout ce qui a été construit jusqu’à présent.
D’après un reportage de IEEE Spectrum AI.