Une nouvelle recherche en physique révèle une asymétrie surprenante : faire fonctionner un réseau de neurones – la partie « pensée » – pourrait théoriquement ne coûter aucune énergie, mais l'enseigner – la partie « apprentissage » – brûle toujours quelques quanta d'énergie par fait. Cette découverte remet en question nos hypothèses sur l'efficacité énergétique des cerveaux artificiels et biologiques.
La recherche
Le physicien Alexei V. Tkachenko (affilié au Brookhaven National Laboratory et à l'Initiative pour les sciences théoriques, selon les métadonnées du preprint) a publié un article en mars 2025 sur arXiv, avec la dernière révision en août 2026. Il a construit un modèle mathématique d'un réseau de neurones feedforward, le type le plus courant utilisé en IA, et l'a traité comme un système physique soumis aux lois de la thermodynamique.
Tkachenko a trouvé deux limites exactes. Premièrement, si le réseau traite l'information infiniment lentement (quasi-statiquement), le travail requis pour l'inférence est exactement nul – indépendamment de l'entrée, des poids ou du biais. Deuxièmement, à toute vitesse finie, le coût énergétique est au moins la distance de Wasserstein-2 au carré entre les états initial et final divisée par la durée. En termes pratiques, cela signifie que le coût énergétique de l'inférence est déterminé par la vitesse à laquelle vous changez l'état, et à la vitesse maximale utilisable, il est d'environ k_B T par dimension de la couche la plus large – c'est une unité d'énergie thermique par neurone.
De manière frappante, l'apprentissage est différent. L'écriture des paramètres dans le réseau entraîne un coût irréductible de quelques k_B T par poids et biais, et ce coût persiste même dans la limite quasi-statique. Dans les simulations, le travail d'inférence a saturé la borne de transport à 4 % près, et la précision s'est effondrée une fois que le travail dissipé est tombé sous l'échelle thermique.
Pourquoi c'est important
Cette recherche fournit une limite fondamentale à l'efficacité énergétique de tout réseau physique, y compris les cerveaux biologiques. Votre cerveau consomme environ 20 watts, et cette étude suggère que la majeure partie de cette énergie n'est pas utilisée pour l'acte de penser lui-même, mais plutôt pour apprendre et maintenir le réseau (bien que cet article se concentre sur l'apprentissage). Pour l'IA, cela implique que le coût énergétique de l'exécution d'un réseau entraîné (inférence) peut être rendu arbitrairement petit avec une ingénierie intelligente, mais l'entraînement de nouveaux modèles coûtera toujours un certain montant par paramètre. Cela pourrait guider la conception matérielle : au lieu d'optimiser l'arithmétique, concentrez-vous sur la minimisation de l'énergie des écritures mémoire.
Ce que vous pouvez faire
Pour votre propre cerveau, cette recherche souligne qu'apprendre de nouvelles choses est fondamentalement plus énergivore que se souvenir ou utiliser ce que vous savez. Ainsi, lorsque vous étudiez, ne soyez pas surpris si vous vous sentez mentalement fatigué – c'est le coût thermodynamique de l'apprentissage. Pour maximiser l'efficacité, espacez vos sessions d'étude pour donner à votre cerveau le temps de consolider, et concentrez-vous sur la compréhension plutôt que sur le par cœur, ce qui pourrait réduire les mises à jour redondantes des paramètres.
Source : arXiv q-bio.NC
Curieux de connaître votre propre cerveau ? Passez notre test de QI adaptatif gratuit ou essayez 306 niveaux d'entraînement cérébral.