Intelligence organoïde

Contrairement aux approches traditionnelles non organiques à base de silicium, l'IO vise à utiliser des organoïdes cérébraux cultivés en laboratoire, à partir de cellules souches, comme « matériel biologique ». Ils sont « constitués de cellules qui adoptent d’elles-mêmes une structure in vitro en 3 dimensions, l’organisation qui en résulte est caractéristique de celle de l’organe in vivo. Ces cellules sont ensemble capables d’exécuter au moins certaines des fonctions qu’elles assureraient au sein de l’organe »^[2].

Les scientifiques espèrent que ces organoïdes pourront fournir une puissance de calcul plus rapide, plus efficace et plus performante que l'informatique et l'IA classiques à base de silicium, tout en consommant une fraction de l'énergie. Cependant, bien que ces structures soient encore loin de pouvoir penser comme un cerveau humain et ne possèdent pas encore de puissantes capacités de calcul, la recherche en OI offre actuellement la possibilité d'améliorer la compréhension du développement cérébral, de l'apprentissage et de la mémoire, et potentiellement de trouver des traitements pour des troubles neurologiques tels que la démence^[1].

Thomas Hartung^[3], professeur à l'université Johns-Hopkins, estime que « si les ordinateurs à base de silicium sont certainement plus performants en calcul, le cerveau est plus doué pour l'apprentissage », qu'il a une capacité d'apprentissage et de stockage (mémoire) supérieures à celles des IA, et une bien meilleure efficacité énergétique ; et qu'à l'avenir, il pourrait être impossible d'ajouter davantage de transistors sur une seule puce informatique, tandis que le cerveau, câblé différemment, possède un potentiel de stockage et de puissance de calcul plus important, que des intelligences artificielles pourraient potentiellement exploiter^[1].

De nombreux autres chercheurs affirment que si le cerveau humain est plus lent que les machines pour traiter des informations simples, il est bien meilleur pour traiter des informations complexes car le cerveau peut se former et inférer avec moins de données et des données plus incertaines, il peut traiter l'information de manière séquentielle et parallèle, être très hétérogène, utiliser des ensembles de données incomplets et surpasserait les machines non organiques dans la prise de décision^[1].

Selon les universitaires Jenn Leung, Chloe Loewith et Ivar Frisch (2025), relier des organoïdes cérébraux via un réseau de micro- ou nano-électrodes à des systèmes numériques permettra de dépasser la distinction classique entre logiciel (ici représenté par l'ADN) et le matériel (ici, le modèle réduit d'un cerveau vivant) en produisant une « machine multiscalaire » intégratrice de ces deux dimensions, ce qui est une manière nouvelle d'articificaliser le Vivant. De nouvelles stratégies de conception, imbriquées et évolutives, permettent théoriquement de développer des modules d’intelligence organoïde, pouvant intégrer des assemblages neuronaux polycomputationnels, qui pourraient permettre de dépasser le goulot d'étranglement matériel de l'IA conventionnelle. Selon Leung et ses collègues, l'IO n’est pas une conception descendante, mais une évolution guidée, où des fonctions cognitives supérieures émergeront progressivement des interactions complexes dans le substrat biochimiques, ouvrant la voie à une nouvelle forme d’« intelligence artificielle biologique »^[4].

L'entraînement des systèmes d'information (SI) sur un organoïde se base sur sa capacité à se réorganiser synaptiquement (ce qui permet leur entraînement). Il implique un dispositif d'interface homme-machine avec :

• un réseau de microélectrodes assurant une communication bidirectionnelle (stimuli électriques et enregistrement de l'activité neuronale) ;
• une plateforme microfluidique, qui simule l'environnement in vivo en fournissant un milieu de culture contrôlé et un échange continu de nutriments, d'oxygène et del'évacuation de déchets métaboliques, pour assurer la viabilité et la réactivité des organoïdes à long terme. Cette intégration permet d'« incarner » virtuellement les organoïdes, passant d'un état in vitro à une instance in silico, ouvrant la voie à des applications en biocomputing et dans la recherche neurologique, notamment.

Le processus d'apprentissage biologique (AB) qui diffère beaucoup de l'apprentissage automatique (AA) utilisé pour les intelligences artificielles classiques (IA), avec l'avantage que l'AB est réputé beaucoup plus économe en énergie que l'AA^[1].

L'^[Quoi ?] génère des données biologiques complexes, nécessitant des méthodes sophistiquées de traitement et d'analyse^[3].

La bioinformatique fournit les outils et les techniques permettant de décrypter les données brutes, d'en révéler les tendances et d'en tirer des enseignements. Une interface Python est actuellement disponible pour le traitement et l'interaction avec les organoïdes cérébraux^[5].

Le matériel informatique bio-inspiré, vise à imiter la structure et le fonctionnement du cerveau, pour pallier certaines des limitations actuelles des technologies d'intelligence artificielle. Les puces de silicium bio-inspirées restent limitées dans leur capacité à reproduire fidèlement les fonctions cérébrales, la plupart des exemples étant basés sur des principes électroniques numériques^[6].

Le domaine de l'« intelligence organoïde » (OI) intègre des organoïdes cérébraux humains (HBO) — des réseaux neuronaux fonctionnels issus de cellules souches — dans des cadres informatiques afin de permettre l'exécution de tâches cognitives spécifiques. L'interface est assurée par des réseaux de microélectrodes (MEA), créant un système de communication bidirectionnelle qui permet à la fois de moduler l'activité neurale des HBO et de décoder leurs signaux, connectant ainsi le réseau biologique à des systèmes électroniques. Cette intégration permet l'« incarnation » virtuelle ou physique des HBO dans des environnements simulés ou des systèmes robotiques, facilitant l'étude de l'apprentissage et des comportements adaptatifs.

• Une étude (Guo et al.) a créé et testé un système hybride Brainoware où des organoïdes devaient réaliser des tâches de reconnaissance vocale, nécessitant des calculs bio-inspirés. Un organoïde cérébral pouvait recevoir et envoyer des informations, via une réseau multiélectrodes haute densité. L'étude a démontré le potentiel de cette technologie en l'utilisant pour la reconnaissance vocale et la prédiction d'équations non linéaires dans un cadre de calcul par réservoir^[3]. Les chercheurs ont converti 240 clips audio de voyelles japonaises en signaux électriques traités par les HBO, puis décodés par un outil d'IA. La précision de la reconnaissance, d'abord faible, a atteint 78 % après entraînement. C'est moins que celui des réseaux neuronaux artificiels conventionnels, mais c'est une preuve de concept de la capacité des organoïdes à effectuer des tâches de calcul.

• « DishBrain Pong » : l'équipe de Kagan chez Cortical Labs a intégré des réseaux neuronaux in vitro (issus de cellules humaines ou de rongeurs), connectés à des systèmes informatiques via une matrice multi‑électrodes haute densité. Via un système de stimulation et d'enregistrement électrophysiologiques, ces neurones sont placés dans un environnement de jeu virtuel simulant le jeu d'arcade Pong ; les signaux neuronaux, enregistrés par les réseaux d'électrodes, contrôlaient une raquette virtuelle, et le système fournissait un retour positif si la raquette parvenait à frapper la balle virtuelle, et un retour négatif dans le cas contraire, un processus qui renforçait le comportement souhaité. Les réseaux neuronaux biologiques ont atteint des performances comparables à certains algorithmes d'apprentissage par renforcement profond : en appliquant la théorie de l’inférence active et du principe de libre énergie, les chercheurs ont observé des signes d’apprentissage en moins de cinq minutes de jeu, un phénomène absent dans les conditions de contrôle. Des expériences complémentaires ont montré que le feedback en boucle fermée est essentiel pour induire un apprentissage durable. Les cultures neuronales démontrent ainsi une capacité à s’auto‑organiser de manière orientée vers un objectif, en réponse à des informations sensorielles limitées sur les conséquences de leurs actions — un comportement qualifié d’intelligence biologique synthétique^[7],[8],[9].

• Alysson Muotri, neuroscientifique à l'université de Californie, a travaillé sur des organoïdes cérébraux de Néandertal (Neandoroids) pour explorer l'évolution humaine et observer des stades de l'évolution qui nous sont autrement inconnus. En connectant ces modèles cérébraux archaïques à des systèmes informatiques, son équipe étudie l'impact de certaines spécificités génétiques sur la cognition et l'apprentissage des néanderthaliens, notamment chez ceux exposés au plomb (dosé dans leur dents) à travers les échelles de temps évolutives, et selon qu'ils étaient mieux ou moins bien protégés du saturnisme par leur génome (par rapport aux lignées d'Hommes de Cro-Magnon, qui se sont avérés mieux résister, génétiquement, aux effets délétères du saturnisme)^[10],[11]. Or le saturnisme est source de comportements antisociaux et d'une baisse de cognition pouvant avoir desservi les groupes qui en étaient victimes^[11].

Ce type de travaux, combinés à l'émergence de plateformes commerciales de « bioprocesseurs » (par exemple, FinalSpark et Emulate), sont un pas de plus vers un nouveau type de bioordinateur qui pourraient améliorer l'efficacité et les capacités des systèmes d'IA traditionnels^[11].