Une équipe de l'Université du Massachusetts à Amherst, dirigée par la professeure Hava Siegelmann, a mis au point une nouvelle architecture d'intelligence artificielle appelée ANT. Publiée dans Nature Communications, cette recherche propose une approche radicalement différente des systèmes actuels, visant à réduire de plusieurs ordres de grandeur la consommation énergétique de l'IA tout en permettant un apprentissage continu en temps réel. Les modèles d'IA modernes reposent sur des calculs hautement synchronisés pilotés par une horloge globale. Bien que cette méthode ait fonctionné pour des réseaux de petite taille, elle devient extrêmement coûteuse en énergie dès que les modèles atteignent des milliards de paramètres. En revanche, le cerveau humain fonctionne de manière asynchrone : seules les neurones impliquées dans une tâche précise s'activent, permettant un traitement complexe avec une consommation d'énergie minimale, de l'ordre de vingt watts. Les architectures asynchrones ont précédemment été explorées pour leur efficacité, mais elles peinaient à bénéficier des méthodes d'entraînement par gradient qui ont propulsé le succès des réseaux profonds modernes. Pour combler cette lacune, l'équipe de Siegelmann a conçu de nouveaux principes architecturaux. L'architecture ANT supprime l'horloge globale sans compromettre les propriétés mathématiques permettant un apprentissage efficace, conservant ainsi les capacités de calcul puissantes des réseaux classiques. Grâce à ce mécanisme, seuls les neurones strictement nécessaires sont mis à jour à chaque étape de calcul. Cette approche asynchrone permet à l'IA d'atteindre une puissance de calcul comparable aux systèmes conventionnels tout en consommant une fraction infime de l'énergie habituellement requise. Au-delà de l'aspect environnemental, cette technologie ouvre la voie à des systèmes autonomes plus adaptables et économes en énergie. Les applications potentielles sont nombreuses, notamment pour les robots, les véhicules autonomes et les dispositifs de calcul en périphérie de réseau, où les contraintes énergétiques sont strictes. S'appuyant sur les travaux fondateurs de Siegelmann datant de 1995 sur les capacités de calcul des réseaux récurrents, cette recherche marque un pas vers une intelligence artificielle plus durable. L'équipe prévoit désormais d'optimiser davantage l'efficacité énergétique du système et d'élargir ses capacités d'apprentissage en continu pour les futures générations d'IA adaptatives.