Récemment, des chercheurs chinois ont mis au point un modèle d’intelligence artificielle révolutionnaire, appelé SpikingBrain, qui imite le fonctionnement du cerveau humain. Ce modèle dépasse largement les performances des systèmes d’intelligence artificielle traditionnels en étant plus rapide et moins énergivore. Grâce à sa structure inspirée des neurones biologiques, SpikingBrain pourrait offrir une réponse aux limitations actuelles des modèles de traitement du langage basés sur des méthodes classiques.
Une réponse aux limitations énergétiques des modèles existants
Actuellement, les chatbots modernes, tels que ChatGPT et Gemini, reposent sur des grands modèles de langage (LLM) qui nécessitent une puissance de calcul massive et consomment énormément d’énergie. En Chine, cette situation est exacerbée par la difficulté d’accès aux puces graphiques Nvidia qui sont fréquemment utilisées pour ce type d’applications. Dans ce contexte, les chercheurs de l’Académie chinoise des sciences ont identifié un moyen de surmonter ces obstacles en développant SpikingBrain, un modèle qui reformule les bases de l’intelligence artificielle.
Un fonctionnement inspiré du cerveau humain
Le modèle SpikingBrain s’inspire du fonctionnement des neurones biologiques, qui communiquent via des impulsions électriques. En adoptant cette approche, SpikingBrain utilise des réseaux de neurones à impulsions (SNN), permettant une activation sélective des neurones. Contrairement aux LLM classiques qui activent l’ensemble d’un réseau pour traiter l’information, SpikingBrain n’active ses neurones que lorsqu’ils sont spécifiquement sollicités, entraînant une efficacité énergétique remarquable.
Performances supérieures malgré un volume de données réduit
Les chercheurs ont conçu deux versions de SpikingBrain, intégrant respectivement 7 milliards et 76 milliards de paramètres. Lors de tests réalisés avec des prompts conséquents, la version la moins complexe du modèle a démontré une rapidité de traitement plus de 100 fois supérieure à celle d’un modèle traditionnel. Ce gain en rapidité est particulièrement notable lorsqu’il s’agit de générer le premier token d’un contexte donné, où SpikingBrain a été 26,5 fois plus rapide. Cette efficacité se traduit également par une utilisation de données d’entraînement radicalement réduite, nécessitant moins de 2 % du volume requis par des modèles classiques. Cela soulève des questions sur la durabilité de l’entraînement des IA à partir des contenus disponibles en ligne.
Accès et avenir de l’intelligence artificielle
Le modèle SpikingBrain est disponible sous licence libre sur GitHub, permettant ainsi à d’autres chercheurs et développeurs d’explorer son potentiel. Ce n’est pas la première fois que des scientifiques se penchent sur une approche neuronale pour les systèmes d’IA, mais cette version optimisée promet d’être une avancée majeure. En outre, SpikingBrain a été conçu pour fonctionner efficacement sur des processeurs autres que ceux de Nvidia, ouvrant la voie à un futur où ces technologies pourraient être encore plus performantes, notamment grâce à l’intégration de l’informatique neuromorphique, qui imite le comportement neuronal au niveau matériel.
Un modèle à la croisée des chemins
Alors que les défis liés à l’entraînement des systèmes d’intelligence artificielle persistent, SpikingBrain pourrait constituer une réponse innovante à la pénurie de contenus nécessaires aux modèles classiques. Avec le potentiel d’améliorer à la fois l’efficacité énergétique et la vitesse de traitement, les développements autour de SpikingBrain pourraient influencer durablement l’avenir de l’intelligence artificielle. Pour découvrir d’autres implications et évolutions dans ce domaine, il est possible de consulter des ressources supplémentaires sur l’impact de l’intelligence artificielle sur notre société et ses diverses applications.
