Ce document présente Point-GN, un réseau non paramétrique innovant pour la classification efficace et précise des nuages de points 3D. Contrairement aux modèles d'apprentissage profond conventionnels qui reposent sur un grand nombre de paramètres entraînables, Point-GN utilise des composants non apprenables, spécifiquement l'échantillonnage du point le plus éloigné (Farthest Point Sampling, FPS), les k-plus proches voisins (k-Nearest Neighbors, k-NN) et l'encodage positionnel gaussien (Gaussian Positional Encoding, GPE), pour extraire à la fois des caractéristiques géométriques locales et globales. Cette conception élimine la nécessité d'un entraînement supplémentaire tout en maintenant une haute performance, ce qui rend Point-GN particulièrement adapté aux applications en temps réel avec des contraintes de ressources. Nous évaluons Point-GN sur deux jeux de données de référence, ModelNet40 et ScanObjectNN, atteignant des taux de classification respectifs de 85,29 % et 85,89 % tout en réduisant considérablement la complexité computationnelle. Point-GN surpasses les méthodes non paramétriques existantes et égale les performances des modèles entièrement entraînés, le tout sans aucun paramètre apprenable. Nos résultats démontrent que Point-GN est une solution prometteuse pour la classification des nuages de points 3D dans des environnements pratiques et en temps réel.