Intelligence artificielle non conventionnelle
From Wikipedia, the free encyclopedia
En 2025, l'intelligence artificielle non conventionnelle (IANC) est un champ de recherche, encore expérimental regroupant les approches et les paradigmes situés hors du courant dominant de l'IA, notamment axé sur l'informatique non conventionnelle elle même basée sur de nouveaux types de calcul intensif, mis au service de l'apprentissage profond et de modèles symboliques classiques.
Elle est jugée prometteuse par certains chercheurs, pour surmonter les défis de l'efficacité, de l'évolutivité, de l'adaptabilité et de la soutenabilité de l'IA moderne, en s'appuyant sur l'intelligence inhérente à certains processus naturels[1].
L'IANC se veut à la fois bio-inspirée (inspirée de la nature) et/ou basées sur des principes physiques alternatifs à l'électronique utilisée par l'informatique actuelle, exploitant par exemple les spins électroniques, des dispositifs mémristifs, des nanomatériaux, les hétérojonctions multidimensionnelles, les nanoaimants et d'autres systèmes innovants, pour réaliser des tâches cognitives[2],[3],[4],[5].
En 2025, une startup américaine, Unconventional AI veut développer des systèmes de traitement de l'information intrinsèquement adaptatifs, économes en énergie et potentiellement capables d'atteindre une forme d'intelligence plus flexible que les architectures purement numériques[6], au service par exemple du diagnostic médical[7].
Ce champ s'inspire directement des mécanismes du Vivant pour le calcul et la résolution de problèmes, avec par exemple :
- l'informatique biologique et moléculaire peut déjà, expérimentalement, utiliser les molécules (comme l'ADN) ou les réactions chimiques[8] ou biochimiques pour stocker et traiter l'information.
- L'informatique à ADN, par exemple, exploite les propriétés d'appariement de bases pour effectuer des calculs parallèles massifs, notamment pour la résolution de problèmes combinatoires[9].
- L’intégration des interactions moléculaires biologiques dans le calcul cognitif par une « IA chimique » est l'une des voies possibles pour le calcul non conventionnel, grâce notamment à des analogies neuroscientifiques (communication synaptique, plasticité neuronale) pour le développement de puces neuromorphiques et de modèles prédictifs et d'algorithmes cognitifs plus adaptatifs et sensibles au contexte[10].
- le calcul par des neurones synthétiques reconfigurable (basé sur un dispositif NbO₂ et une mémoire électrochimique (ECRAM), permettant d’émuler des dynamiques bio‑plausibles comme le spiking adaptatif, phasique ou en rafales (en référence aux modes de décharge des neurones, allant d’une adaptation progressive du rythme [spiking adaptatif] à des impulsions isolées [phasique] ou en séries rapides [en rafales]). Il s'est déjà montré plus performant en classification dans des réseaux de neurones pulsés, ouvrant la voie à des systèmes neuromorphiques plus proches du cerveau[11].
- Le « calcul basé sur des organismes vivant » : des moisissures visqueuses (Physarum polycephalum) ou de bactéries peuvent être utilisés pour résoudre des problèmes d'optimisation combinatoire (comme le problème du voyageur de commerce) ou pour simuler des réseaux logiques, exploitant la croissance, la morphologie et la dynamique de ces systèmes comme forme de calcul[12].
Le « wet‑neuromorphic computing » utilise des cellules biologiques, des organismes ou des organoïdes 2D ou 3D pour leur faire réaliser des tâches informatiques en exploitant leurs fonctions moléculaires et leurs propriétés neuromorphiques (c'est-à-dire imitant l'efficacité et les performances du cerveau). Un calcul bactérien peut ainsi se faire à partir du réseau de régulation génétique d’Escherichia coli, par exemple pour reconnaitre des motifs) et Caenorhabditis elegans[13].
- Un « système immunitaire artificiel » (qui discrimine le soi et le non-soi, fait de la sélection clonale et a une mémoire immunitaire) a été proposé pour des applications nécessitant de l’optimisation, de la détection d’anomalies et du contrôle adaptatif (cybersécurité, allocation de ressources et systèmes autonomes, modèles hybrides intégrant apprentissage automatique, calcul quantique et bio‑informatique...)[14].
- l'IA collective, distribuée ou en essaim (Swarm Intelligence) : Elle modélise le comportement collectif d'entités simples (comme des fourmis ou des oiseaux) pour l'optimisation et la prise de décision distribuée, englobant des algorithmes tels que l'Optimisation par essaim de particules (OEP) ou l'algorithme de la colonie de fourmis[15].
