L’intelligence artificielle, malgré ses prouesses, est une grande consommatrice d’énergie. Deux chercheurs allemands proposent une alternative énergétiquement efficace en utilisant des processus physiques pour l’apprentissage machine.

Le coût énergétique de l’intelligence artificielle

L’intelligence artificielle (IA) est une merveille technologique, mais elle a un coût : une consommation d’énergie astronomique. Selon Statista, une entreprise allemande de statistiques, la formation de GPT-3 nécessiterait environ 1 000 mégawattheures, soit l’équivalent de la consommation annuelle de 200 foyers allemands de trois personnes ou plus.

Neuromorphisme : une nouvelle ère de calcul

Pour réduire cette empreinte énergétique, des chercheurs explorent le concept de neuromorphisme. Contrairement aux réseaux neuronaux artificiels qui fonctionnent sur des ordinateurs numériques classiques, les ordinateurs neuromorphiques imitent le fonctionnement du cerveau humain. Florian Marquardt, directeur de l’Institut Max Planck pour la Science de la Lumière, souligne que le cerveau humain fonctionne en parallèle et non en séquence, ce qui permet une efficacité énergétique supérieure.

 

Des machines physiques auto-apprenantes

Florian Marquardt et Víctor López-Pastor, deux chercheurs de l’Institut Max Planck, ont développé une méthode d’apprentissage pour les ordinateurs neuromorphiques. Leur concept repose sur des « machines physiques auto-apprenantes » qui optimisent leurs paramètres de manière autonome. Ce processus d’auto-optimisation élimine le besoin de rétroaction externe, ce qui rend l’apprentissage plus efficace en termes d’énergie et de temps.

Les conditions pour une machine auto-apprenante

Pour que cette méthode fonctionne, le processus physique doit être réversible et non linéaire. Ces conditions permettent des transformations complexes entre les données d’entrée et les résultats, ce qui est essentiel pour l’apprentissage machine.

La mise en pratique : l’ordinateur neuromorphique optique

Marquardt et López-Pastor collaborent déjà avec une équipe expérimentale pour développer un ordinateur neuromorphique optique. Ce dispositif utilise des ondes lumineuses superposées pour traiter les informations, ouvrant la voie à une nouvelle génération de machines d’apprentissage plus efficaces.

Concluons. Les machines physiques auto-apprenantes pourraient bien être la prochaine grande avancée dans le développement de l’IA, offrant une alternative plus économe en énergie aux méthodes actuelles.