Puces neuromorphiques : des circuits inspirés du cerveau

Votre cerveau consomme environ 20 watts — moins qu'une vieille ampoule — pour piloter 86 milliards de neurones. Les puces neuromorphiques poursuivent un rêve fascinant : reproduire cette efficacité prodigieuse dans le silicium. En 2025, ce rêve prend corps, puce après puce, laboratoire après laboratoire, et commence à transformer la manière dont les machines traitent l'information.

Qu'est-ce qu'une puce neuromorphique ?

Une puce neuromorphique est un circuit intégré dont l'architecture matérielle s'inspire directement de l'organisation du cerveau biologique. Contrairement aux processeurs classiques — qui séparent strictement le calcul de la mémoire, selon l'architecture dite de Von Neumann — les puces neuromorphiques entremêlent ces deux fonctions au sein d'une même structure, à l'image des neurones et des synapses vivants.

Le résultat ? Des circuits qui ne traitent l'information que lorsqu'un événement se produit, exactement comme un neurone biologique qui se décharge seulement lorsque son seuil d'activation est atteint. Cette approche « événementielle » ou « impulsionnelle » (en anglais event-driven ou spike-based) bouleverse le paradigme classique du calcul informatique.

Le terme « neuromorphique » lui-même a été forgé à la fin des années 1980 par Carver Mead, professeur au California Institute of Technology (Caltech), dans son ouvrage fondateur Analog VLSI and Neural Systems publié en 1989. L'idée de départ était simple et audacieuse : utiliser la physique même des transistors, dans leur régime sous-le-seuil, pour reproduire le comportement des neurones. Mead, collaborateur de longue date de Noyce et Moore, voyait dans les propriétés analogiques du silicium un moyen d'imiter la dynamique des membranes neuronales sans avoir à les simuler numériquement.

« Le cerveau humain consomme très peu d'énergie ; il ne nécessite pas de batteries externes pour fonctionner. » Cette observation de l'INRIA résume la motivation fondamentale de toute la discipline : si le cerveau parvient à des prouesses cognitives avec si peu d'énergie, il doit exister des principes physiques exploitables pour construire des calculateurs autrement plus économes.

Du cerveau biologique au silicium : les principes fondamentaux

Pour comprendre pourquoi les puces neuromorphiques suscitent autant d'enthousiasme, il faut examiner les principes que ces circuits empruntent au cerveau. Trois d'entre eux sont absolument centraux et distinguent fondamentalement l'approche neuromorphique de l'informatique classique.

1. Calcul et mémoire réunis

Dans un processeur conventionnel, chaque opération de calcul exige un aller-retour entre l'unité de calcul (CPU) et la mémoire (RAM). Ces déplacements de données consomment beaucoup plus d'énergie que le calcul lui-même. Selon les estimations citées par l'Orange Hello Future, la part énergétique liée au transfert de données peut représenter plus de 90 % du budget total d'une opération. Le cerveau, lui, ne sépare pas ces fonctions : chaque neurone mémorise et traite l'information simultanément, sur place.

Les puces neuromorphiques reproduisent ce principe en intégrant mémoire et calcul au niveau de chaque « neurone » artificiel. La puce NorthPole d'IBM pousse cette logique à l'extrême : elle élimine totalement la mémoire externe (off-chip memory), ce qui réduit considérablement les déplacements de données et donc la consommation énergétique. C'est cette décision architecturale radicale qui lui confère son avantage énergétique spectaculaire.

2. Traitement événementiel (spiking)

Un processeur classique traite l'information en continu, que cette information soit pertinente ou non. Un neurone biologique, en revanche, reste silencieux jusqu'à recevoir suffisamment de signaux pour « décharger » — émettre un potentiel d'action, ou spike. Les puces neuromorphiques adoptent ce modèle : seuls les événements significatifs déclenchent un calcul. Si rien ne change, la puce ne consomme quasiment rien.

Cette propriété a une conséquence directe et mesurable : plus les données d'entrée sont éparses (c'est-à-dire plus la proportion de « rien à traiter » est élevée), plus l'économie d'énergie est grande. C'est l'inverse exact des GPU, qui consomment la même puissance quel que soit le contenu des données.

3. Parallélisme massif et asynchrone

Le cerveau opère des milliards de calculs en parallèle, chacun étant simple et local. Les architectures neuromorphiques déploient des milliers — voire des centaines de milliers — de petits cœurs de calcul indépendants, connectés par un réseau de communication inspiré des voies neuronales. La plateforme Hala Point d'Intel regroupe ainsi plus de 140 000 cœurs neuromorphiques.

Une autre différence majeure avec les processeurs classiques : le caractère asynchrone. Les CPU et GPU synchronisent toutes leurs opérations sur une horloge globale, qui bat des milliards de fois par seconde. Les puces neuromorphiques, comme le cerveau, n'ont pas d'horloge globale : chaque neurone opère à son propre rythme, déclenché par les signaux qu'il reçoit. Cela élimine la dépense énergétique liée à la distribution d'un signal d'horloge sur l'ensemble de la puce.

• Calcul en mémoire (compute-in-memory) : le traitement s'effectue là où les données résident
• Économie d'énergie par rareté : moins d'événements signifie moins de consommation
• Scalabilité naturelle : on ajoute des cœurs comme on ajoute des neurones, sans restructurer l'architecture
• Apprentissage local : chaque région de la puce peut apprendre de manière autonome, sans recourir à un centre
• Asynchronicité : pas d'horloge globale, chaque neurone agit indépendamment

Une idée née dans les années 1980

L'histoire des puces neuromorphiques commence bien avant l'engouement actuel pour l'intelligence artificielle. En 1989, Carver Mead publie son livre Analog VLSI and Neural Systems, qui pose les bases théoriques d'une électronique inspirée du vivant. Mead propose d'utiliser les propriétés analogiques des transistors en régime sous-le-seuil pour reproduire le comportement des membranes neuronales. Il s'agit là d'une intuition profondément originale : plutôt que de simuler un neurone avec des milliards de calculs numériques, pourquoi ne pas construire un neurone avec un circuit dont la physique reproduit naturellement la dynamique voulue ?

Plusieurs décennies séparent cette intuition visionnaire des premières réalisations à grande échelle. Il faut attendre les années 2010 pour que les fondeurs et les laboratoires commencent à produire des puces neuromorphiques véritablement fonctionnelles. En France, le CNRS souligne les travaux pionniers de l'équipe d'Alain Cappy, qui utilise des transistors pour fabriquer des neurones artificiels depuis 2010, après avoir réorienté vers le neuro-inspiré une carrière jusque-là consacrée aux transistors III-V. L'article publié par Mead en 1990 dans les Proceedings of the IEEE, intitulé « Neuromorphic electronic systems », posait déjà les jalons conceptuels que les ingénieurs exploitent aujourd'hui.

La chronologie des puces marquantes illustre cette montée en puissance progressive :

• 1989-1990 — Carver Mead publie Analog VLSI and Neural Systems et forge le terme « neuromorphique »
• 2014 — IBM présente TrueNorth : un million de neurones, 256 millions de synapses, 4 096 cœurs neurosynaptiques
• 2017 — Intel lance Loihi, sa première puce neuromorphique de recherche
• 2021 — Intel annonce Loihi 2, gravée en process Intel 4, capable de simuler jusqu'à un million de neurones par puce
• 2023 — IBM publie NorthPole dans la revue Science : 25 fois plus efficace énergétiquement
• 2024 — Intel présente Hala Point : 1,15 milliard de neurones, la plus grande architecture neuromorphique jamais construite

Les puces neuromorphiques qui marquent l'époque

En 2025, plusieurs architectures neuromorphiques coexistent, chacune avec sa philosophie propre. Certaines privilégient la recherche fondamentale, d'autres visent déjà des applications industrielles à la périphérie des réseaux (edge AI). Cette diversité d'approches est une richesse : il n'existe pas une seule « bonne » manière de construire un cerveau en silicium, mais plusieurs voies exploratoires qui s'enrichissent mutuellement.

Puce / Système	Acteur	Année	Caractéristiques clés
TrueNorth	IBM	2014	1 million de neurones · 256 millions de synapses · 4 096 cœurs · 28 nm
Loihi 2	Intel	2021	Jusqu'à 1 million de neurones par puce · Intel 4 process · programmable
NorthPole	IBM	2023	12 nm · sans mémoire externe · 25× plus efficace (ResNet-50)
Hala Point	Intel	2024	1 152 puces Loihi 2 · 1,15 milliard de neurones · 128 milliards de synapses
Akida 2.0	BrainChip	2024	Numérique · événementielle · edge AI · apprentissage sur puce
SpiNNaker 2	Université de Dresde	2021+	ARM · 10 millions de cœurs · temps réel · Human Brain Project

IBM TrueNorth : le pionnier à grande échelle

Avant NorthPole, il y a eu TrueNorth. Présentée par IBM en 2014, cette puce de 28 nanomètres fut la première à démontrer qu'un million de neurones artificiels pouvaient tenir sur un seul circuit, consommant seulement 70 milliwatts pour certaines configurations. TrueNorth organisait ses 4 096 cœurs neurosynaptiques en un réseau strictement événementiel, sans horloge globale. Sa consommation d'environ 26 picojoules par événement synaptique constituait une référence qui a inspiré toute la génération suivante.

L'architecture de TrueNorth a également introduit un concept devenu central dans le domaine : le routage par paquets d'impulsions (spike routing). Chaque cœur neurosynaptique peut émettre des impulsions vers n'importe quel autre cœur via un réseau de communication maillé, à l'image des axones qui connectent les neurones distants dans le cerveau. Cette architecture de network-on-chip permet à l'information de circuler de manière flexible et reconfigurable, exactement comme les connexions synaptiques du cerveau se renforcent et s'affaiblissent au cours de l'apprentissage.

IBM NorthPole : la rupture de 2023

En octobre 2023, IBM Research publie dans la revue Science un article qui fait date : « Neural inference at the frontier of energy, space, and time », signé par Dharmendra Modha et son équipe. La puce NorthPole, gravée en 12 nanomètres sur le sol américain, réalise l'inférence de réseaux de neurones avec une efficacité énergétique 25 fois supérieure à celle des GPU contemporains, mesurée sur le benchmark de classification d'images ResNet-50.

Le secret de NorthPole réside dans sa décision radicale : supprimer toute mémoire hors puce et entrelacer étroitement le calcul et la mémoire sur le silicium. IBM décrit cette architecture comme effaçant la frontière entre calcul et mémoire. Cette approche minimise les déplacements de données — précisément le goulet d'étranglement énergétique des architectures classiques. Modha a par ailleurs déclaré que NorthPole améliorait également l'efficacité spatiale (images par seconde par transistor) d'un facteur 5.

« NorthPole atteint une efficacité énergétique 25 fois supérieure à celle d'un GPU comparable (en images par seconde et par watt), et un gain spatial de 5 fois en images par seconde et par transistor. » — Résultats rapportés dans Science, octobre 2023.

Intel Loihi 2 et Hala Point : le passage à l'échelle

La famille Loihi d'Intel illustre une autre philosophie : la programmabilité. Contrairement à TrueNorth, dont l'architecture était figée, Loihi 2 (annoncée en septembre 2021) est gravée en process Intel 4 et offre une flexibilité de programmation bien supérieure. Chaque puce peut simuler jusqu'à un million de neurones et 120 millions de synapses, avec des modèles de neurones paramétrables par l'utilisateur.

Annoncée en avril 2024, la plateforme Hala Point assemble 1 152 puces Loihi 2 pour totaliser 1,15 milliard de neurones et 128 milliards de synapses, répartis sur plus de 140 000 cœurs neuromorphiques. Intel la présente explicitement comme une avancée vers une « IA plus durable ». Hala Point succède à Pohoiki Springs (768 puces Loihi 1, 100 millions de neurones) et multiplie par plus de dix le nombre de neurones simulés. Plus qu'une démonstration de scale-up, c'est la preuve que les architectures neuromorphiques peuvent être assemblées en systèmes utilisables pour des charges de travail réelles.

BrainChip Akida : le neuromorphique pour la périphérie

L'entreprise australienne BrainChip poursuit une stratégie différente : au lieu de construire des supercalculateurs de recherche, elle conçoit des processeurs neuromorphiques numériques pour l'intelligence artificielle en périphérie (edge AI). Sa puce Akida — et sa génération Akida 2.0 — est entièrement numérique, événementielle, et capable d'apprentissage directement sur puce (on-chip learning), ce qui permet à un dispositif embarqué d'adapter son modèle sans connexion réseau.

En juillet 2024, BrainChip a levé 25 millions de dollars australiens (environ 16 millions de dollars américains) pour accélérer le développement et la commercialisation de sa prochaine génération d'IP neuromorphique, notamment la plateforme Akida 2.0. La société multiplie les accords de licence avec des partenaires industriels, illustrant comment le neuromorphique commence à pénétrer des marchés concrets, bien au-delà des laboratoires.

Réseaux de neurones impulsionnels : le logiciel du matériel

Une puce neuromorphique n'a pas d'utilité sans le bon type d'algorithme. Les architectures traditionnelles exécutent des réseaux de neurones profonds (DNN) comme ResNet, BERT ou GPT, qui manipulent des valeurs continues. Les puces neuromorphiques, elles, sont conçues pour faire tourner des réseaux de neurones impulsionnels (en anglais Spiking Neural Networks ou SNN), troisième génération des modèles neuronaux artificiels.

Dans un SNN, les neurones ne communiquent pas par des nombres décimaux, mais par des impulsions discrètes — les fameux spikes. L'information est encodée non seulement dans la fréquence des impulsions, mais aussi dans leur timing précis : un neurone qui décharge plus tôt ou dans un motif temporel spécifique transmet une information différente. Cette dimension temporelle enrichit considérablement la palette de calcul disponible et rapproche le modèle du fonctionnement réel des circuits biologiques.

L'avantage énergétique des SNN découle directement de leur nature événementielle. Comme l'explique une revue publiée dans Frontiers in Neuroscience, seuls les neurones actifs consomment de l'énergie — les autres restent dans un état quasi inactif. Sur des tâches où les données d'entrée sont naturellement éparses (vision événementielle, audio, capteurs tactiles), les gains peuvent être considérables.

L'apprentissage par plasticité (STDP)

Une caractéristique fascinante des réseaux impulsionnels est leur capacité d'apprentissage local, sans supervision centralisée. La règle la plus étudiée s'appelle la plasticité dépendante du temps de décharge (en anglais Spike-Timing-Dependent Plasticity ou STDP). Son principe est élégant : si le neurone A décharge juste avant le neurone B, la connexion de A vers B se renforce ; si A décharge juste après B, la connexion s'affaiblit. Cette règle, calquée sur un mécanisme observé dans le cerveau réel, permet à un réseau de s'organiser spontanément à partir des corrélations temporelles dans les données.

Toutefois — et c'est ici que l'honnêteté scientifique s'impose — les SNN restent plus difficiles à entraîner que les réseaux profonds classiques. La fonction de décharge d'un neurone impulsionnel n'est pas différentiable au sens mathématique classique, ce qui complique l'utilisation de la rétropropagation du gradient, pilier de l'apprentissage profond moderne. Mais la communauté progresse vite : des méthodes comme la surrogate gradient (gradient de remplacement, qui approxime la dérivée de la fonction de décharge) et l'ANN-to-SNN conversion (conversion de réseaux profonds pré-entraînés vers des SNN) ouvrent des voies prometteuses. Le Centrum Wiskunde & Informatica (CWI) aux Pays-Bas, notamment, démontre que de nombreuses applications d'IA peuvent devenir considérablement plus économes en énergie grâce aux progrès algorithmiques dans l'entraînement des SNN.

L'efficacité énergétique : l'argument numéro un

L'enjeu énergétique est le moteur numéro un de l'essor du neuromorphique. L'entraînement et l'inférence des grands modèles d'IA consomment des quantités d'électricité considérables, au point de soulever des questions de soutenabilité à long terme. De nombreuses voix dans la communauté scientifique — chercheurs, instituts, organismes publics — posent directement la question : l'informatique neuromorphique peut-elle réduire le coût énergétique de l'IA ? Le consensus qui se dégage est prudent mais optimiste — les architectures événementielles offrent un potentiel réel, à condition de résoudre les verrous algorithmiques évoqués plus haut.

Les chiffres publiés par les laboratoires sont impressionnants, à condition de les contextualiser. NorthPole d'IBM affiche une efficacité 25 fois supérieure sur ResNet-50 par rapport aux GPU de sa génération. Mais cette comparaison porte sur une tâche d'inférence précise, pas sur l'entraînement de modèles. Le neuromorphique excelle sur l'inférence événementielle et les tâches à faible latence, pas encore sur l'entraînement massif de grands modèles de langage. Cette nuance est importante : les deux approches sont appelées à coexister et à se compléter plutôt qu'à se concurrencer frontalement.

Le tableau suivant résume l'écart entre l'échelle biologique et les réalisations électroniques :

Système	Nombre de neurones	Consommation	Remarque
Cerveau humain	~86 milliards	~20 watts	Référence inspiratrice
Intel Hala Point (2024)	1,15 milliard	Échelle système	Plus grand système neuromorphique
IBM NorthPole (2023)	~ordre du milliard (estimé)	25× plus efficace que GPU	Benchmark ResNet-50
IBM TrueNorth (2014)	1 million	~70 milliwatts	Première génération
BrainChip Akida	Adaptatif	Ultra-basse consommation	Conçue pour l'edge AI

Le décalage reste immense entre les 86 milliards de neurones du cerveau et les 1,15 milliard d'Hala Point. Mais la trajectoire est claire : en une décennie, le nombre de neurones simulés est passé d'un million (TrueNorth, 2014) à plus d'un milliard (Hala Point, 2024), soit une multiplication par mille. À ce rythme, la décennie 2025-2035 promet des sauts technologiques remarquables, à mesure que les procédés de gravure progressent et que les architectures se raffinent.

Il convient toutefois de garder à l'esprit une distinction fondamentale : le nombre de neurones simulés ne suffit pas à mesurer la « puissance cognitive » d'un système. La richesse des connexions (synapses), la qualité des modèles de neurones, la sophistication des règles d'apprentissage et la nature des tâches abordées comptent tout autant. Un million de neurones bien organisés peuvent accomplir des prouesses là où un milliard mal connecté reste inerte. C'est pourquoi les recherches actuelles portent tout autant sur l'architecture des connexions que sur le nombre de cœurs.

Applications concrètes : où les puces neuromorphiques changent la donne

Les puces neuromorphiques ne remplaceront pas demain les GPU pour entraîner les grands modèles de langage. En revanche, elles ouvrent des perspectives passionnantes dans plusieurs domaines où leur profil unique — faible consommation, faible latence, traitement événementiel — fait la différence. L'IBM Think souligne que le calcul neuromorphique, en s'inspirant du cerveau humain, emprunte beaucoup à la biologie et aux neurosciences : cette proximité conceptuelle avec les systèmes vivants ouvre des champs d'application inaccessibles aux architectures conventionnelles.

Edge AI et objets connectés

Les objets connectés fonctionnent sur batterie et doivent traiter les données des capteurs localement, sans recourir au cloud. Les puces comme Akida de BrainChip ouvrent la voie à des dispositifs autonomes capables de reconnaissance visuelle, auditive ou gestuelle pendant des mois sur une seule charge. Un compteur intelligent qui ne transmet que les événements significatifs (pic de consommation, anomalie) consomme infiniment moins qu'un compteur qui stream en continu — un cas d'usage typique du traitement événementiel.

Le potentiel va bien au-delà des compteurs. Les écouteurs qui reconnaissent des mots-clés sans connexion permanente, les caméras de surveillance qui n'envoient une alerte que lorsqu'un mouvement inhabituel se produit, les capteurs industriels qui détectent une vibration anormale dans une machine avant qu'elle ne tombe en panne — tous ces scénarios tirent profit du traitement événementiel. L'INRIA rappelle que la puissance du cerveau réside dans sa capacité à traiter l'information pertinente au bon moment, en ignorant le reste. C'est exactement ce que propose l'architecture neuromorphique pour l'Internet des objets.

Robotique autonome

Un robot ou un drone doit réagir en temps réel à son environnement, avec une consommation énergétique maîtrisée. Les architectures neuromorphiques, par leur parallélisme massif et leur faible latence, sont particulièrement adaptées au contrôle sensorimoteur — exactement ce que fait le cerveau pour piloter un corps. Les laboratoires nationaux américains comme Sandia National Laboratories explorent activement ces pistes à travers leur Neural Exploration and Research Lab, qui exploite Hala Point d'Intel pour des applications de recherche.

Vision événementielle

Les caméras événementielles (event cameras ou Dynamic Vision Sensors) ne captent que les changements dans une scène, pixel par pixel, comme la rétine. Elles produisent un flux de données naturellement adapté aux réseaux de neurones impulsionnels. Cette synergie entre capteur neuromorphique et processeur neuromorphique ouvre des perspectives remarquables pour la vision robotique à haute vitesse et à très basse consommation. Les applications potentielles vont de la conduite autonome au suivi d'objets en mouvement rapide.

Optimisation combinatoire

L'INRIA souligne que l'informatique neuromorphique offre des approches prometteuses pour les problèmes d'optimisation — ces défis mathématiques où il faut trouver la meilleure solution parmi un nombre astronomique de possibilités. Les réseaux de neurones impulsionnels, par leur dynamique naturelle, peuvent converger vers de bonnes solutions à ces problèmes avec une efficacité énergétique imbattable. C'est un domaine où la nature événementielle de l'architecture offre un avantage structurel : le réseau explore l'espace des solutions en s'activant progressivement, comme un cerveau qui réfléchit.

• Reconnaissance vocale sur appareil, sans cloud, à basse consommation
• Détection d'anomalies dans les flux de capteurs industriels (IoT)
• Navigation robotique avec réaction temps réel aux obstacles
• Suivi d'objets rapides via caméras événementielles et SNN
• Compteurs intelligents qui ne transmettent que les événements significatifs

« Les puces neuromorphiques conviennent comme composants pour des tâches où la latence, la consommation et l'adaptativité priment sur la puissance brute. » Cette synthèse de l'approche défendue par plusieurs laboratoires — dont le CEA-Leti en France — illustre le positionnement pragmatique du domaine : ne pas rivaliser frontalement avec les GPU, mais investir les créneaux où les atouts biologiques font la différence.

L'Europe dans la course neuromorphique

L'Europe occupe une place remarquable dans le paysage neuromorphique mondial, grâce notamment au Human Brain Project (HBP), ce programme de recherche de grande envergure (un milliard d'euros sur dix ans, de 2013 à 2023) qui a financé deux plateformes neuromorphiques de référence internationale. Ces plateformes restent accessibles aux chercheurs du monde entier via l'infrastructure EBRAINS, qui perpétue l'héritage scientifique du HBP au-delà de sa clôture officielle.

SpiNNaker : la machine de Manchester

Développée à l'Université de Manchester (Royaume-Uni), la machine SpiNNaker (Spiking Neural Network Architecture) est un supercalculateur neuromorphique basé sur des processeurs ARM. Sa version SpiNNaker 1Million regroupe plus d'un million de cœurs ARM basse consommation. Sa particularité : elle fonctionne en temps réel, c'est-à-dire à la même vitesse que le cerveau biologique. La roadmap SpiNNaker 2, portée par l'Université de Dresde (Allemagne), vise un système de 10 millions de cœurs pour modéliser des réseaux encore plus vastes, toujours dans le cadre du Human Brain Project.

BrainScaleS : le modèle accéléré

La seconde plateforme européenne, BrainScaleS, développée à l'Université de Heidelberg (Allemagne), adopte une approche radicalement différente : au lieu de simuler numériquement les neurones, elle utilise des circuits analogiques pour émuler leur comportement physique. Résultat : BrainScaleS fonctionne à 1 000 fois la vitesse réelle, permettant aux chercheurs d'observer en quelques secondes l'équivalent de minutes d'activité neuronale. Cette capacité d'accélération est précieuse pour étudier des processus d'apprentissage qui prendraient des heures en temps réel.

Les deux plateformes européennes illustrent la complémentarité des approches : SpiNNaker privilégie la fidélité numérique et le temps réel, BrainScaleS l'accélération analogique. Ensemble, elles couvrent un spectre de recherche remarquablement large, et constituent une infrastructure scientifique unique au monde.

Le CEA-Leti et la recherche française

En France, le CEA-Leti (Grenoble) est un acteur majeur du neuromorphique pour l'Internet des objets. L'institut développe des puces mêlant in-memory computing et traitement événementiel, avec des démonstrations concrètes comme un système de localisation d'objets par son inspiré du système auditif biologique. Ce dispositif, qui exploite le calcul analogique en mémoire pour localiser une source sonore, illustre la créativité des approches françaises. Le CEA-Leti collabore étroitement avec l'institut belge imec, leur partenariat couvrant explicitement le développement et l'expérimentation en calcul neuromorphique et quantique.

L'INRIA, de son côté, explore les aspects algorithmiques, notamment l'utilisation des architectures neuromorphiques pour résoudre des problèmes d'optimisation. Et le CNRS, par la voix de son journal, rappelle que la recherche française sur les neurones artificiels possède une tradition longue et riche, avec des pionniers comme Alain Cappy dont les circuits de neurones artificiels ont posé des jalons depuis les années 2010.

Défis, limites et pistes de résolution

La rigueur scientifique exige de nommer les obstacles. Mais chacun de ces défis possède déjà des pistes de résolution actives, ce qui rend le panorama nuancé et constructif plutôt que sombre. C'est le propre d'une discipline qui avance par résolution systématique de problèmes bien identifiés.

Défis logiciels et écosystème

L'écosystème logiciel neuromorphique est encore jeune. Contrairement au deep learning classique, qui dispose d'outils matures comme PyTorch ou TensorFlow, les développeurs de SNN doivent encore composer avec des frameworks en pleine maturation. Intel propose Lava, son framework open-source pour Loihi, qui vise à devenir un standard de la communauté. BrainChip développe MetaTF pour Akida, permettant aux développeurs d'utiliser des API proches de TensorFlow. La fragmentation diminue progressivement, et l'émergence de standards partagés est un objectif explicite de la communauté scientifique internationale.

Entraîner des SNN reste ardu

Comme évoqué plus haut, la non-différentiabilité de la fonction de décharge complique l'entraînement des réseaux impulsionnels par rétropropagation classique. Les chercheurs relèvent ce défi avec des méthodes de plus en plus efficaces : gradients de remplacement (surrogate gradients), conversion de réseaux profonds pré-entraînés vers des SNN, ou encore règles d'apprentissage biologiquement plausibles comme le STDP. Chaque année apporte son lot de progrès, et l'écart de précision entre SNN et DNN se réduit régulièrement sur les benchmarks standards.

Reproductibilité et benchmarking

Comparer les performances entre puces neuromorphiques reste délicat, car chaque architecture mesure l'efficacité différemment — en images par seconde par watt, en opérations par watt, en synapses par seconde. Des initiatives de benchmarking standardisé émergent, portées par des consortiums universitaires et industriels, pour établir des protocoles de mesure communs. Cette transparence est essentielle pour que le domaine gagne en maturité et que les comparaisons entre architectures deviennent fiables.

Le mur des matériaux : les memristors

Les puces neuromorphiques actuelles restent gravées sur du silicium classique, avec des transistors conventionnels — même si leur agencement est novateur. Les memristors, composants dont la résistance varie selon l'historique du courant traversé, constituent la prochaine frontière matérielle : ils pourraient un jour reproduire fidèlement la plasticité synaptique, car leur comportement physique ressemble à celui d'une vraie synapse. Les recherches sont actives dans de nombreux laboratoires — notamment au CEA-Leti et à l'Université de Berne, qui a créé une chaire dotée en systèmes neuromorphiques en 2024. Les memristors fiables, reproductibles et durables ne sont pas encore prêts pour la production de masse industrielle, mais plusieurs prototypes fonctionnels ont déjà été publiés, et la trajectoire de maturation est encourageante.

En résumé, chaque limite identifiée possède un champ de recherche actif qui la prend pour cible. C'est précisément le signe d'une discipline saine et dynamique, qui avance par résolution successive de problèmes bien cartographiés.

Un marché en croissance accélérée

L'intérêt pour les puces neuromorphiques se traduit dans les chiffres du marché. Selon GM Insights, le marché des puces neuromorphes a été évalué à 138,2 millions de dollars en 2023, avec une projection de croissance annuelle composée (TCAC) supérieure à 55 % entre 2024 et 2032. Kings Research, dans une étude distincte, chiffre le marché à 135,2 millions de dollars en 2024, avec un TCAC de 40,1 % de 2025 à 2032. L'écart entre les deux estimations reflête la jeunesse du marché et la difficulté à délimiter précisément le périmètre « neuromorphique », mais les deux sources convergent sur un point : la croissance est exceptionnelle.

Indicateur supplémentaire de l'intensité de la course technologique : Mordor Intelligence recense plus de 500 brevets neuromorphiques accordés par l'USPTO sur la période 2024-2025, témoignant d'une activité de propriété intellectuelle en forte accélération. Ce dépôt massif de brevets est le signe que les acteurs industriels croient au potentiel commercial de la technologie, au-delà de la curiosité académique.

En Europe, le marché de l'informatique neuromorphique est évalué à environ 2,28 milliards de dollars en 2025 selon Market Data Forecast, avec une croissance soutenue attendue pour les années suivantes. Ces chiffres, à prendre comme des ordres de grandeur compte tenu de la jeunesse du secteur, témoignent d'une dynamique économique réelle derrière l'effervescence scientifique.

Perspectives : vers une infrastructure neuromorphique généralisée ?

À court terme — horizon 2025-2027 — les puces neuromorphiques vont poursuivre leur pénétration dans les niches où elles excellent déjà : edge AI, capteurs événementiels, robotique autonome, objets connectés ultra-basse consommation. Les partenariats industriels se multiplient, et les frameworks logiciels gagnent en maturité avec l'arrivée de Lava et MetaTF.

À moyen terme — horizon 2027-2032 — plusieurs évolutions sont envisageables. La convergence entre puces neuromorphiques et accélérateurs d'IA classiques (GPU, NPU) pourrait donner naissance à des architectures hybrides, où chaque type de circuit prend en charge les tâches pour lesquelles il est le plus efficace. Les memristors pourraient franchir le seuil de la production industrielle, ouvrant la voie à des synapses artificielles véritablement analogiques. La généralisation de l'apprentissage sur puce (on-chip learning) permettrait à des dispositifs embarqués d'adapter leur comportement en continu, sans dépendre d'un cloud.

À plus long terme, l'ambition la plus fascinante reste celle formulée dès l'origine par Carver Mead : construire des machines qui pensent comme un cerveau, non pas en simulant le cerveau logiciel par logiciel, mais en incarnant ses principes physiques dans la matière même du circuit. Cette vision, qui a poussé l'Université de Berne à créer une chaire dotée en systèmes neuromorphiques en 2024, continue d'inspirer toute une génération de chercheurs à travers le monde.

Le paradoxe est magnifique : pour construire l'intelligence artificielle la plus avancée, on se tourne vers l'organe le plus ancien du vivant. Les puces neuromorphiques ne sont pas une mode passagère — elles sont le prolongement technologique d'une intuition profonde : la matière vivante a trouvé des solutions d'une élégance redoutable, et nous commençons tout juste à apprendre à les reproduire dans le silicium.

L'aventure ne fait que commencer. Chaque puce, chaque benchmark, chaque framework rapproche un peu plus l'électronique de cette efficacité prodigieuse que le cerveau déploie sans effort depuis des millions d'années. Pour les curieux de science et de technologie, c'est l'un des chantiers les plus stimulants du XXI^e siècle — un carrefour où la physique, la biologie, l'informatique et l'ingénierie convergent vers un objectif commun : comprendre et reproduire les principes du calcul vivant.

Sources

• IBM Research — « IBM Research's new NorthPole AI chip » : research.ibm.com/blog/northpole-ibm-ai-chip
• Modha et al. — « Neural inference at the frontier of energy, space, and time », Science, octobre 2023 : science.org/doi/10.1126/science.adh1174
• Intel Newsroom — « Intel Builds World's Largest Neuromorphic System » (Hala Point), 2024 : newsroom.intel.com
• Intel Research — Neuromorphic Computing : intel.com/research/neuromorphic-computing
• IBM Think — « Qu'est-ce que l'informatique neuromorphique » : ibm.com/fr-fr/think/topics/neuromorphic-computing
• BrainChip — Site officiel et documentation Akida : brainchip.com
• Human Brain Project — Neuromorphic Computing : humanbrainproject.eu
• EBRAINS — SpiNNaker platform : ebrains.eu — SpiNNaker
• CNRS Le journal — « Demain, un ordinateur inspiré de notre cerveau ? » : lejournal.cnrs.fr
• INRIA — « L'informatique neuromorphique, nouvelle solution aux problèmes d'optimisation » : inria.fr
• Orange Hello Future — « Des puces neuromorphiques pour répondre à la consommation énergétique de l'IA » : hellofuture.orange.com
• GM Insights — Marché des puces neuromorphiques 2024-2032 : gminsights.com
• Kings Research — Neuromorphic Chip Market Report 2025-2032 : kingsresearch.com
• Mordor Intelligence — Neuromorphic Computing Market : mordorintelligence.com
• Market Data Forecast — Europe Neuromorphic Computing Market : marketdataforecast.com
• History of Information — « Carver Mead Writes the First Book on Neuromorphic Computing » : historyofinformation.com
• Sandia National Laboratories — Neural Exploration and Research Lab : sandia.gov
• CEA-Leti — Edge AI, in-memory computing and neuromorphic computing : leti-cea.com
• Frontiers in Neuroscience — Revues sur les réseaux de neurones impulsionnels et l'efficacité énergétique : frontiersin.org