--- title: Calculer autrement : neuromorphique, analogique, biologique… l'après-GPU ? source: https://synapx.fr/blog/calculer-autrement/ date: 2026-06-28 category: IA site: SynapxLab --- # Calculer autrement : neuromorphique, analogique, biologique… l'après-GPU ? L'intelligence artificielle se heurte à un mur énergétique : ses besoins progressent plus vite que les gains d'efficacité du numérique. Après des décennies de miniaturisation, chaque nouvelle génération de puces n'offre plus automatiquement davantage de calcul pour une dépense comparable. > Face à l'explosion des besoins de calcul, le vrai enjeu n'est plus la vitesse brute, mais l'énergie dépensée pour chaque opération. Au sommaire : - ⚡ Le principe : calculer comme un cerveau - 🕰️ Une histoire de plusieurs décennies - 🎛️ L'ordinateur analogique : sans 0 ni 1 - 🔋 L'argument énergie - 🧫 La piste biologique - 🌅 Les autres pistes - 🔭 Cap 2030, horizon 2050 - 🧭 Ce qu'il faut retenir ```mermaid mindmap root((Calculer autrement)) Neuromorphique SNN evenementiel Loihi et TrueNorth Analogique Continu vs binaire Amplis op et Anabrid Biologique Organoides DishBrain Photonique ACCEL et Taichi Thermodynamique p-bits En memoire Memristors ``` ## ⚡ Le principe : calculer comme un cerveau Dans un ordinateur classique, processeur et mémoire vivent séparés. Les données font donc d'incessants allers-retours entre les deux : c'est le goulot d'étranglement de von Neumann, coûteux en temps et surtout en énergie. Le calcul en mémoire, ou *in-memory computing*, cherche à supprimer une partie de ce trafic en traitant l'information là où elle est stockée. Le neuromorphique pousse l'idée plus loin en imitant certains mécanismes du système nerveux. Dans un réseau de neurones à impulsions, ou SNN, un neurone artificiel accumule des signaux puis « décharge » seulement lorsqu'un événement franchit un seuil. Tant que rien ne change, il travaille peu. Cette sobriété conditionnelle peut être spectaculaire, mais uniquement si l'activité demeure très parcimonieuse. Une caméra événementielle observant une scène presque immobile s'y prête mieux qu'un modèle constamment sollicité. Un grand modèle de langage fonctionne autrement : pour chaque token, il déclenche d'immenses multiplications matricielles sur GPU. Transposer tel quel cette charge dense sur une puce neuromorphique n'apporte donc aucune victoire automatique. Il faudrait modifier à la fois les modèles, leur entraînement et les logiciels. Enfin, changer de substrat ne démontre ni compréhension ni raisonnement. La critique des « perroquets stochastiques » formulée par Bender et ses coauteurs en 2021 demeure pertinente, qu'un modèle tourne sur silicium conventionnel ou sur neurones impulsionnels. Les architectures JEPA défendues par Yann LeCun et les approches neuro-symboliques explorent d'autres voies, mais restent des paris de recherche, pas des solutions établies. ## 🕰️ Une histoire de plusieurs décennies L'idée précède largement l'électronique. Vers 100 avant notre ère, la machine d'Anticythère calculait des phénomènes astronomiques par engrenages. Au MIT, entre 1928 et 1931, l'analyseur différentiel de Vannevar Bush résolvait mécaniquement des équations. Puis vint l'âge d'or analogique : Helmut Hölzer conçut en 1942 le guidage du V-2 ; l'EAI PACE 231R de 1958 fut utilisé par la NASA ; le Heathkit EC-1 de 1959 servit à l'enseignement. Le numérique l'emporta dans les années 1970. L'analogique plafonnait à trois ou quatre chiffres significatifs, soit environ 0,1 % de précision. Sans programme stocké, reprogrammer signifiait recâbler. À la fin des années 1980, Carver Mead, au Caltech, forgea le terme « neuromorphique ». Son article *Neuromorphic Electronic Systems*, publié en 1990 dans *Proceedings of the IEEE*, proposait d'exploiter des transistors sous le seuil pour reproduire efficacement des dynamiques neuronales. Avec Misha Mahowald et Richard Lyon émergèrent une cochlée en silicium en 1988, une rétine en 1991 et l'Address-Event Representation, qui transmet les impulsions comme des événements adressés. La filiation s'étend ensuite de Neurogrid, développé par Kwabena Boahen à Stanford, aux travaux de Giacomo Indiveri à l'ETH Zurich. Le programme DARPA SyNAPSE, lancé en 2008, mena à IBM TrueNorth en 2014 : un million de neurones pour environ 70 mW. Intel présenta Loihi en 2017, Loihi 2 en 2021, puis Hala Point en 2024 avec 1,15 milliard de neurones. En parallèle, SpiNNaker de Steve Furber atteignit un million de cœurs ARM à Manchester en 2018 ; BrainScaleS fut développé à Heidelberg dans le Human Brain Project de 2013 à 2023 ; Tianjic, puce hybride, apparut à Tsinghua en 2019. L'analogique revient aussi : fondée autour de Bernd Ulmann en 2020, Anabrid lança The Analog Thing en 2021, puis LUCIDAC en 2024. Ce retour ne ressuscite pas le passé : il associe circuits continus, contrôle numérique et composants modernes. ```mermaid timeline title Calculer autrement, deux siecles de pistes Antiquite : Machine d'Anticythere (analogique mecanique) 1931 : Analyseur differentiel de Vannevar Bush 1958 : Age d'or analogique (EAI PACE 231R) 1990 : Carver Mead invente le neuromorphique 2014 : IBM TrueNorth, 1 million de neurones 2022 : DishBrain, des neurones jouent a Pong 2023 : Puce photonique ACCEL (Tsinghua) 2024 : Intel Hala Point, 1,15 milliard de neurones ``` ## 🎛️ L'ordinateur analogique : sans 0 ni 1 Dans un ordinateur analogique, une variable n'est pas codée par une suite de bits : elle peut être représentée par une tension continue. Le calcul est physiquement incarné dans le circuit. Sa brique emblématique est l'amplificateur opérationnel monté en intégrateur avec un condensateur. En reliant intégrateurs, additionneurs et potentiomètres, on construit l'équivalent matériel d'une équation différentielle ; sa solution évolue en temps réel, sans discrétisation pas à pas. Ce principe connaît un renouveau. Anabrid, fondée autour de Bernd Ulmann en 2020, commercialise The Analog Thing depuis 2021 pour environ 499 euros, puis LUCIDAC depuis 2024, calculateur hybride reconfigurable vendu autour de 8 000 euros. À Columbia, Yannis Tsividis et son équipe ont présenté une puce capable de résoudre seize équations différentielles couplées en environ une milliseconde : près de dix fois plus vite, avec un tiers d'énergie en moins, sous réserve d'accepter sa précision. Le verdict doit rester lucide. L'analogique ne remplacera pas le numérique ; il peut devenir un complément de niche pour les équations différentielles, l'edge ultra-sobre ou le calcul hybride. Les conversions analogique-numérique et numérique-analogique, via ADC et DAC aux entrées et sorties, rongent souvent l'essentiel des gains. Même ses promoteurs parlent d'un coprocesseur : une unité spécialisée encadrée par une machine numérique qui prépare les données, orchestre le calcul et vérifie le résultat. ## 🔋 L'argument énergie L'Agence internationale de l'énergie estime que les centres de données ont consommé environ 415 TWh en 2024, soit 1,5 % de l'électricité mondiale. Si la tendance se prolonge, ils pourraient approcher 945 TWh en 2030. À l'échelle individuelle, une requête ChatGPT représenterait environ 0,34 Wh : peu en apparence, mais multiplié par des centaines de millions d'usages et par l'entraînement des modèles, le chiffre change de dimension. Les puces alternatives offrent des gains d'efficacité mesurés, mais conditionnels. Une architecture événementielle économise de l'énergie lorsque les événements sont rares ; une matrice analogique excelle sur une opération précise ; aucune ne rend toutes les charges sobres. Comparer des performances sans intégrer mémoire, conversions, refroidissement et taux d'utilisation produit facilement des annonces trompeuses. S'ajoute le paradoxe de Jevons : quand chaque calcul coûte moins cher, de nouveaux usages apparaissent, les volumes explosent et la consommation totale peut malgré tout augmenter. L'efficacité unitaire est donc nécessaire, mais elle ne remplace ni la mesure complète ni les choix d'usage. C'est pourquoi le mur énergétique, davantage que la performance brute, constitue le moteur principal de ces recherches. L'objectif n'est plus seulement de calculer plus vite, mais de déplacer moins de données et de ne mobiliser les circuits que lorsqu'ils sont réellement utiles. | Plateforme | Acteur | Orientation | |---|---|---| | **Hala Point** | Intel | Recherche neuromorphique à grande échelle | | **NorthPole** | IBM | Calcul proche de la mémoire | | **Akida / SpiNNaker2** | BrainChip / TU Dresden | IA événementielle et edge | ## 🧫 La piste biologique Faire calculer des neurones vivants n'est plus de la fiction, mais exige des mots précis. L'« Organoid Intelligence » de Smirnova, Hartung et leurs coauteurs, publiée dans *Frontiers in Science* en 2023, est une feuille de route, pas un ordinateur fonctionnel. Elle étudie des organoïdes cérébraux issus de cellules souches humaines iPSC. Fait démontré : dans *Neuron* en 2022, DishBrain de Cortical Labs a montré que des neurones en culture adaptaient leur activité à Pong. Le mot « sentience » du titre reste contesté et ne prouve aucune conscience. Brainoware, publié par l'Indiana University dans *Nature Electronics* en 2023, a utilisé un organoïde comme réservoir de calcul et atteint environ 78 % en reconnaissance de voyelles. Les auteurs reconnaissent ce résultat très inférieur aux réseaux artificiels standards. FinalSpark a décrit dans *Frontiers in AI* en 2024 une plateforme suisse donnant accès à seize organoïdes vivants. Son chiffre « un million de fois moins d'énergie » vient du communiqué de presse, pas de l'article : c'est une revendication marketing non démontrée. Même prudence pour le CL1, annoncé par Cortical Labs en mars 2025 comme le « premier ordinateur biologique commercial » : environ 800 000 neurones humains, 35 000 dollars et 850 à 1 000 W, loin des 20 W du cerveau humain. Les obstacles sont matériels. Sans vascularisation, la nécrose apparaît au-delà d'environ 0,5 mm ; durée de vie, stabilité et reproductibilité restent difficiles. Les National Academies jugeaient en 2021 « extrêmement improbable » que ces organoïdes soient conscients. À court terme, leur usage réaliste concerne surtout les modèles biomédicaux de maladies et les tests de médicaments. Leur substitution au silicium relève de la prospective, non d'une trajectoire démontrée. ## 🌅 Les autres pistes La photonique fait circuler et combine la lumière pour accélérer les matrices. Lightmatter a mesuré dans *Nature* en 2025 une performance de 65,5 TOPS pour environ 78 W. ACCEL, présenté par Tsinghua dans *Nature* en 2023, et Taichi, publié dans *Science* en 2024, annoncent 160 TOPS/W. Mais le spectaculaire « 3 000 fois plus rapide et 4 millions de fois plus sobre » d'ACCEL repose sur une comparaison étroite et biaisée ; l'avantage solide et reproductible est d'environ 3,7 fois sur la tâche précise. Les conversions électro-optiques et l'absence de mémoire optique restent deux goulets majeurs. Le calcul thermodynamique et les p-bits exploitent le bruit thermique pour la génération, l'optimisation ou l'inférence bayésienne. Les « 10 000 fois » d'Extropic X0 en 2025 et les « 1 000 fois » de Normal Computing sont des efficacités simulées, pas mesurées. Dans l'analogique en mémoire, des memristors effectuent des multiplications directement par la loi d'Ohm. IBM a mesuré 12,4 TOPS/W dans *Nature* en 2023. La précision limitée à 4 à 8 bits, la dérive des dispositifs et les convertisseurs réduisent toutefois l'avantage système. Les machines d'Ising et de recuit de Fujitsu, Toshiba ou D-Wave ciblent l'optimisation. En 2025, D-Wave a simulé des verres de spin, mais le résultat a été reproduit sur ordinateur classique : aucun avantage général face aux meilleurs solveurs classiques n'est démontré. Enfin, Vaire a mesuré en 2025 une récupération proche de 50 % de l'énergie par calcul réversible. L'ADN sert surtout au stockage dense, pas au calcul. Ces deux pistes restent très en amont. | Paradigme | Ce qu'il accélère | Maturité | Réserve principale | |---|---|---|---| | Photonique | Matrices | Prototypes publiés | Conversions et mémoire | | Thermodynamique/p-bits | Génération, optimisation, bayésien | Petite échelle | Gains surtout simulés | | Analogique in-memory | Matrices en mémoire | Puces publiées | Précision et dérive | | Ising/recuit | Optimisation | Machines disponibles | Aucun avantage général | | Réversible/ADN | Énergie / stockage | Très en amont | Usages étroits | ## 🔭 Cap 2030, horizon 2050 En 2025-2026, plusieurs matériels neuromorphiques sont relativement mûrs, mais leur environnement logiciel reste fragmenté. Il n'existe aucun équivalent universel de CUDA ou PyTorch : Lava, Nengo et snnTorch offrent des briques utiles, sans fournir encore un socle commun capable d'effacer les différences entre puces. NeuroBench, lancé comme première tentative de standardisation des benchmarks en 2025, doit justement rendre les comparaisons plus honnêtes. Les feuilles de route publiées dans *Neuromorphic Computing and Engineering* en 2022 et dans *Nature* en janvier 2025 décrivent des directions de recherche, pas des jalons datés. Il n'existe aucune cible officielle chiffrée pour 2030 chez Intel, IBM ou EBRAINS. Les prévisions commerciales n'apportent guère plus de certitude : selon les cabinets, le marché de 2030 varierait de 1 à 20 milliards de dollars. Un tel écart vaut au mieux comme ordre de grandeur, pas comme prévision robuste. À l'horizon 2050, on peut imaginer des systèmes approchant les quelque 86 milliards de neurones du cerveau, une fusion entre biologie et silicium, ou des intelligences artificielles inspirées du cerveau et ultra-sobres. Mais ce sont des scénarios prospectifs. Leur faisabilité, leur coût, leur utilité et même les bonnes unités pour les comparer restent inconnus. Le scénario le plus défendable est moins spectaculaire : plusieurs accélérateurs spécialisés, intégrés à des systèmes numériques, gagneront les niches où leur efficacité compense leur complexité. ## 🧭 Ce qu'il faut retenir Aucun de ces paradigmes ne remplace aujourd'hui le CPU ou le GPU généraliste. Neuromorphique, analogique, photonique ou biologique désignent plutôt des accélérateurs spécialisés, capables d'exceller lorsque la tâche correspond exactement à leur physique : événements rares, équations différentielles, multiplication matricielle ou expérimentation biomédicale. Le moteur commun n'est pas une course abstraite à la vitesse. C'est le mur énergétique, nourri par le coût des déplacements de données et l'explosion des usages. Pour juger chaque annonce, une discipline s'impose : séparer les gains mesurés sur un système complet, les résultats simulés et les revendications marketing ; préciser aussi la tâche, la précision et les conversions incluses. La diversité des pistes montre que la question est prise au sérieux par les laboratoires et l'industrie. Elle ne prouve pas que la solution existe déjà. L'avenir du calcul sera probablement hétérogène : moins un successeur unique du GPU qu'une boîte à outils de coprocesseurs sobres, choisis avec lucidité.