Face à la consommation énergétique massive et aux besoins computationnels élevés des réseaux neuronaux profonds et des grands modèles de langage, des chercheurs de l'Université Tsinghua, de l'Université technologique de Graz et du Conseil national italien de la recherche ont développé un nouveau cadre d'intelligence artificielle s'inspirant directement des sciences cognitives et des neurosciences. Cette approche, publiée dans Nature Machine Intelligence, vise à reproduire les stratégies de résolution de problèmes du cerveau humain tout en réduisant considérablement l'empreinte énergétique de l'IA. Contrairement aux systèmes actuels qui stockent les informations sous forme de tables de paramètres, ce nouveau modèle s'appuie sur des cartes cognitives, des représentations spatiales et adaptatives proches de celles utilisées par le cerveau humain pour traiter l'information en temps réel. Le chercheur Wolfgang Maass, auteur principal de l'étude, souligne que les algorithmes naturels diffèrent profondément des méthodes artificielles actuelles et que le cerveau humain parvient à générer une intelligence complexe avec seulement vingt watts de puissance. Reproduire ces principes dans des puces électroniques constitue une étape majeure pour rendre l'IA plus durable et accessible. Les tests préliminaires démontrent que ce réseau neuronal à carte cognitive peut planifier et résoudre des problèmes jamais rencontrés lors de son entraînement, grâce à une capacité d'adaptation remarquable. De plus, les processus décisionnels du modèle sont nettement plus interprétables que ceux des architectures classiques, répondant ainsi à l'un des enjeux cruciaux de la recherche actuelle en IA explicable. Un autre avantage technique réside dans son apprentissage local, qui élimine le besoin de formations computationnellement intensives et complexes. Cette architecture est conçue pour être déployée sur des circuits neuromorphiques et des systèmes de calcul in-memory, technologies émergentes qui traitent les données directement dans la mémoire pour éviter les transferts énergivores entre processeurs et stockage. Les chercheurs collaborent actuellement avec Intel et une startup américaine pour intégrer cet algorithme dans des puces concrètes. Les prochaines étapes consisteront à optimiser la latence, renforcer la flexibilité décisionnelle face à des objectifs changeants et consolider la capacité du système à fournir des explications concrètes et contextualisées derrière chaque action. En rapprochant l'intelligence artificielle des mécanismes biologiques éprouvés par l'évolution, cette recherche ouvre la voie à une nouvelle génération de dispositifs IA économes en énergie, adaptés au traitement en temps réel et plus transparents. Si les validations matérielles confirment les résultats logiciels, cette approche pourrait à terme transformer l'infrastructure des systèmes autonomes, des assistants intelligents et des dispositifs embarqués, tout en répondant aux contraintes environnementales et économiques qui freinent actuellement le déploiement à grande échelle de l'IA.