• Il s’agit de réseaux de neurones humains cultivés en laboratoire, utilisés pour effectuer des calculs à la place de puces électroniques.
• Son cofondateur, Fred Jordan, explique le fonctionnement, les limites et les ambitions de l’entreprise.
Comment vous est venue l’idée d’utiliser des neurones biologiques plutôt que de poursuivre dans l’informatique traditionnelle pour l’IA ?
Initialement, nous avons commencé à travailler sur la simulation de modèles de neurones très spécifiques, appelés « spiking neurons » [neurones à impulsions]. Ces modèles sont beaucoup plus sophistiqués et réalistes dans leur simulation que ceux qui sont aujourd’hui utilisés par les IA standards, comme ChatGPT. Nous nous sommes très vite heurtés à un mur technique car la puissance de calcul colossale nécessaire pour simuler de tels réseaux est un frein majeur, et leur apprentissage est extrêmement complexe à réaliser numériquement. Nous avons croisé la route de neurobiologistes qui étudiaient des neurones humains cultivés in vitro. Plutôt que d’essayer de calculer et simuler numériquement ces réseaux complexes, nous pouvions utiliser directement la fonction de transfert naturelle du réseau biologique.
Concrètement, comment parvient-on à interagir avec ces cellules humaines en culture pour leur transmettre de l’information ?
La communication avec les cellules s’effectue essentiellement par le biais d’électrodes utilisées soit pour envoyer des impulsions électriques directement dans les tissus, soit pour recevoir et mesurer les potentiels d’action émis par les neurones. Nous pouvons également relâcher des neuromodulateurs, à l’image de la sérotonine, ou des neurotransmetteurs, comme le glutamate, directement dans le milieu de culture. Cela nous permet d’influencer le comportement global des neurones et de modifier leur état. D’ailleurs, si vous allez sur notre site web, vous pouvez observer l’activité en temps réel de nos centaines de milliers de neurones qui sont diffusés 24 heures sur 24 et 7 jours sur 7.
L’un des grands enjeux de l’IA est l’entraînement. Comment enseigne-t-on à un réseau biologique à effectuer une tâche précise sans pouvoir programmer son code ?
Le mécanisme s’apparente beaucoup à ce que nous faisons en ce moment en discutant. Lorsque je vous parle, j’envoie des impulsions qui finissent dans votre système nerveux, ce qui met à jour progressivement vos connexions, et vous me répondez grâce à vos propres impulsions nerveuses. Dans l’IA artificielle, on utilise des algorithmes conçus il y a trente ans, comme la rétropropagation pour mettre à jour mathématiquement les connexions synaptiques et faire apprendre le réseau. Dans notre cas, avec des cellules vivantes, nous n’avons aucun accès direct aux connexions synaptiques. Par contre, la nature nous prouve qu’un système nerveux est capable d’apprendre. Actuellement, une grande partie de la recherche fondamentale consiste justement à trouver comment stimuler correctement les neurones pour faire en sorte que ce qu’ils fournissent en sortie soit conforme à l’attente.
L’objectif affiché est de remplacer les serveurs équipés de puces GPU Nvidia pour des questions écologiques. Quel est le gain réel en matière de consommation énergétique ?
L’application visée à long terme est effectivement le remplacement des serveurs numériques actuels. Si l’on considère purement l’efficience énergétique au niveau cellulaire, un neurone biologique consomme environ un million de fois moins d’énergie qu’un neurone artificiel. Mais la réalité est encore plus complexe : aujourd’hui, pour simuler fidèlement un seul neurone biologique dans toute sa complexité, il faut parfois utiliser plusieurs dizaines de milliers de neurones artificiels. En faisant le bilan global et en prenant en compte le fait que la biologie est plus lente, nous estimons que nos systèmes consommeront au strict minimum 1 000 fois moins d’énergie qu’un système classique. Je suis convaincu que cela rendra obsolètes les systèmes numériques à terme pour des applications spécifiques comme l’IA générative.
Y a-t-il des limites inhérentes à cette biologie par rapport au silicium ? Pourra-t-on tout faire avec vos bioprocesseurs ?
Il y a des limites très claires, notamment la vitesse. Les neurones biologiques sont lents, environ 10 à 500 fois plus lents que leurs homologues électroniques. Par conséquent, vous n’arriverez jamais à traiter un million d’images par seconde avec un réseau biologique pour faire de la reconnaissance d’images à grande vitesse, un domaine où les réseaux artificiels excellent. Dès lors que l’on se trouve sur des cas d’usage avec une transmission de données assez faible mais nécessitant un « taux de réflexion » plus important, les réseaux biologiques sont parfaits.
Où en êtes-vous sur le plan de la commercialisation et de la recherche ? Qui utilise FinalSpark aujourd’hui ?
À l’heure actuelle, la technologie est dans une phase d’expérimentation accessible à distance pour des chercheurs. Nous louons cet accès entre 1 000 et 5 000 dollars par mois à des laboratoires du monde entier, comme par exemple l’Université Côte d’Azur en France. Leurs travaux sont très variés : certains essaient de comprendre comment un organoïde cérébral peut encoder des données tactiles, tandis que d’autres s’en servent pour étudier le « connecthome », c’est-à-dire essayer de deviner comment les neurones se connectent entre eux à partir des impulsions électriques mesurées. L’engouement dépasse d’ailleurs la sphère académique : la Darpa américaine a récemment débloqué 35 millions de dollars sur ce type de projets de biocomputing, par exemple pour enseigner à des réseaux biologiques à jouer à Pacman ou pour équiper des drones capables de détecter des explosifs.
En savoir plus :
« On est en train de créer des IA vivantes. » – Fred Jordan (YouTube)
