Publié le 8 novembre 2025 à 07h03. L’intelligence artificielle pourrait connaître une révolution grâce à une source inattendue : un minuscule ver rond, Caenorhabditis elegans. Des chercheurs développent une nouvelle forme d’IA, les « réseaux de neurones liquides », inspirée par le système nerveux de cet organisme, promettant des modèles plus petits, plus rapides et moins énergivores.
- Les réseaux de neurones liquides s’adaptent en temps réel aux changements de leur environnement, contrairement aux IA traditionnelles dont les connexions sont figées après l’apprentissage.
- Cette nouvelle approche permet de compresser davantage d’informations dans des systèmes plus petits, ouvrant la voie à une IA embarquée dans des appareils du quotidien comme les lunettes intelligentes ou les voitures autonomes.
- L’entreprise Liquid AI, à l’avant-garde de cette recherche, vise à créer une « IA physique » capable d’interagir avec le monde réel sans dépendre d’une connexion constante au cloud.
L’intelligence artificielle actuelle repose sur des modèles complexes, fonctionnant avec des milliards de paramètres et nécessitant d’énormes quantités de données et une infrastructure informatique énergivore. Mais cette approche pourrait être remise en question par une nouvelle voie de recherche, inspirée par un organisme d’à peine 1 millimètre de long : le nématode Caenorhabditis elegans.
Ce ver, doté de seulement 302 neurones, a fasciné le Dr Ramin Hasani, cofondateur et PDG de Liquid AI. Il explique :
« Je voulais comprendre l’intelligence humaine. Mais quand j’ai commencé à examiner les informations dont nous disposions sur le cerveau humain, ou même des cerveaux de rat ou de singe, j’ai réalisé que nous n’avions presque rien. »
Dr Ramin Hasani, cofondateur et PDG de Liquid AI
À l’époque, C. elegans était l’animal dont le système nerveux était le mieux connu, ce qui a naturellement orienté ses recherches.
L’intérêt de Hasani ne portait pas sur le comportement du ver, mais sur sa « dynamique neuronale », c’est-à-dire la manière dont ses cellules communiquent. Les neurones de C. elegans utilisent des signaux analogiques gradués, contrairement aux impulsions électriques plus brèves et numériques observées chez les animaux plus complexes. Bien que les systèmes nerveux aient évolué vers des neurones plus efficaces pour la transmission à longue distance, les racines du calcul neuronal humain restent ancrées dans ce monde analogique.
Hasani y voit une opportunité :
« La biologie dans son ensemble est une manière fascinante de réduire l’espace des possibles. Des milliards d’années d’évolution ont parcouru toutes les combinaisons possibles pour créer des algorithmes efficaces. »
Dr Ramin Hasani, cofondateur et PDG de Liquid AI
Plutôt que de reproduire fidèlement la biologie du ver, son équipe s’est concentrée sur ses principes fondamentaux : flexibilité, rétroaction et adaptabilité.
Les réseaux de neurones liquides se distinguent des modèles traditionnels par leur capacité à rester adaptables pendant le calcul. Hasani illustre cela avec l’exemple d’une voiture autonome : si la pluie réduit la visibilité, le système doit s’ajuster pour continuer à fonctionner. Les réseaux traditionnels traitent l’information de manière unidirectionnelle et déterministe, tandis que les réseaux liquides permettent aux neurones de s’influencer mutuellement, créant un système plus dynamique et probabiliste. Ainsi, une même entrée peut entraîner des réponses légèrement différentes à chaque fois, comme c’est le cas dans les systèmes biologiques.
Selon Hasani :
« Les réseaux classiques reçoivent une entrée, calculent et génèrent un résultat. Les réseaux de neurones liquides effectuent le calcul, mais ils changent également la façon dont ils effectuent le calcul à chaque fois qu’ils reçoivent une nouvelle entrée. »
Dr Ramin Hasani, cofondateur et PDG de Liquid AI
Les premiers prototypes étaient lents, car ils nécessitaient la résolution d’équations complexes. Cependant, une avancée majeure a eu lieu en 2022, lorsque l’équipe de Hasani a publié un article dans Nature Machine Intelligence décrivant une méthode pour simplifier ces calculs, multipliant ainsi la vitesse des modèles liquides tout en préservant leur flexibilité.
Cette flexibilité permet de compresser davantage d’informations dans des systèmes plus petits. Le professeur Peter Bentley, informaticien à l’University College de Londres, souligne l’importance de cette réduction de taille :
« À l’heure actuelle, l’IA est dominée par des modèles massifs et gourmands en énergie qui suivent tous une idée assez ancienne de la manière dont les réseaux de neurones peuvent être simulés dans un ordinateur. Moins de neurones signifie des modèles plus petits, ce qui signifie moins de calcul. Ce qui signifie moins d’énergie. Et la capacité de continuer à apprendre est importante – ce avec quoi les grands modèles actuels ont vraiment du mal. »
Professeur Peter Bentley, University College de Londres
Liquid AI travaille déjà à l’intégration de ces systèmes dans des applications concrètes, notamment des lunettes intelligentes fonctionnant directement sur l’appareil, des voitures autonomes et des traducteurs linguistiques pour smartphones. Hasani insiste sur l’importance de la confidentialité des données :
« Si vous pouvez l’héberger sur les plus petites unités de calcul, vous pouvez l’héberger n’importe où. Et cela crée simplement un énorme espace de possibilités. »
Dr Ramin Hasani, cofondateur et PDG de Liquid AI
Bien que les réseaux liquides fonctionnent actuellement mieux avec des données de séries chronologiques (vidéos, audio, etc.) plutôt qu’avec des images statiques, les perspectives sont prometteuses. Hasani reconnaît que ces systèmes ne remplaceront pas les grands modèles pour la recherche scientifique fondamentale, mais ils pourraient rendre l’IA plus efficace, plus interprétable et plus accessible, en l’intégrant directement dans les objets du quotidien. Tout a commencé avec un petit ver, mais l’avenir de l’intelligence artificielle pourrait bien être en train de se réécrire.