Unconventional AI
| Unconventional AI | |
| Création | 2025 (USA) |
|---|---|
| Fondateurs | Naveen Rao, Sara Achour, MeeLan Lee et Michael Carbin |
| Site web | https://unconv.ai |
modifier - modifier le code - voir Wikidata  | |
Unconventional AI est une startup américaine fondée en 2025, spécialisée dans la recherche et le développement d'intelligence artificielle « non conventionnelle » basée sur l'informatique neuromorphique, c'est à dire imitant le cerveau.
Elle se concentre sur l'exploitation de nouveaux substrats matériels et physiques pour le calcul, pour créer des systèmes d'intelligence artificielle intrinsèquement plus économes en énergie et plus adaptatives que les architectures basées sur l'apprentissage profond traditionnel[1]. Rao, le président de l'entreprise a dit vouloir concevoir un système « aussi efficace que la Biologie » (en référence à la capacité du cerveau humain à effectuer des calculs complexes avec une consommation d'énergie minimale).
L'entreprise a — fin 2025 — attiré l'attention en raison de son approche alternative de l'IA, et d'une levée de fonds d'amorçage (475 millions de dollars) rapidement menée auprès d'investisseurs de renoms. Ceci a propulsé l'entreprise, avec une valorisation, record pour une startup âgée de quelques mois n'ayant encore aucun produit à mettre sur le marché, estimée à 4,5 milliards de dollars.
Historique et financement
[modifier | modifier le code]
Unconventional AI est une startup américaine co-fondée en 2025 par Naveen Rao.
Naveen Rao est un entrepreneur américain spécialisé dans l’IA générative, connu pour avoir fondé en 2014 la start‑up Nervana Systems, dédiée aux processeurs utilisés pour l’apprentissage automatique et acquise par Intel en 2016, où il devient responsable des plateformes d’IA ; il a ensuite co-fondé MosaicML, une plateforme d’entraînement de modèles, rachetée (en 2023, environ 1,3 milliard de dollars) par Databricks[note 1] où Rao sera responsable de l'IA, jusqu'à ce qu'il lance, en 2025, Unconventional AI [2]. Dans l'équipe fondatrice se trouvent aussi : Sara Achour, MeeLan Lee et Michael Carbin.
Le projet annoncé consiste à créer des puces et architectures de calcul neuromorphiques et probabilistes, inspirées du cerveau humain, destinées à remplacer les GPU classiques par des solutions plus économes en énergie et plus performantes. Il s'agit de répondre à la croissance exponentielle des besoins en puissance de calcul pour l'intelligence artificielle, en explorant des approches nouvelles, pour dépasser les limites de l'« architecture de von Neumann » (expression désignant le modèle classique des ordinateurs, où la mémoire et le processeur partagent le même bus, ce qui crée un goulot d’étranglement limitant la vitesse et l’efficacité du calcul).
Dès ses premiers mois d'existence, la société a levé un fonds record de 475 millions de dollars auprès d'investisseurs tels qu'Andreessen Horowitz, Lightspeed Venture Partners, Capitale luxembourgeoise, DCVC, Databricks et Jeff Bezos) (fondateur d'Amazon), atteignant une valorisation estimée à 4,5 milliards de dollars. Et cette phase pourrait être suivie d'une autre tranche visant 1 000 millions de dollars, pour financer d'importants besoins en recherche et développement[2]. Ce soutien financier a été interprété comme une reconnaissance de la pertinence des approches non conventionnelles face aux défis d'efficacité énergétique et informatique du secteur de l'IA[2].
Objectifs
[modifier | modifier le code]Dans un contexte d'explosion préoccupante[3] de la consommation électrique (et en eau et d'autres ressources) par l'IA, un objectif à long terme d'Unconventional AI est de fournir des puces et des systèmes capables d'intégrer l'IA directement « à la périphérie » (Edge AI) avec une consommation minimale, rendant les applications d'intelligence artificielle embarquée (par exemple, dans les véhicules autonomes ou les appareils IoT) plus performantes et autonomes.
Efficacité énergétique
[modifier | modifier le code]Alors que la plupart des limites planétaires sont en voie d'être dépassées, les grands modèles d'apprentissage profond sont trop gourmands en énergie pour être largement déployés de manière soutenable.
Les systèmes IANC, en exploitant les propriétés physiques pour le calcul (plutôt que la simulation numérique), promettent des gains considérables en efficacité, notamment dans le cadre de l'IA frugale et de l'informatique neuromorphique[4].
Unconventional AI veut produire une IA plus soutenable en termes de consommation de ressources (énergie, eau pour le refroidissement, métaux rares, etc.) par rapport aux IA conventionnelles et qui s'inscrive ans l'ère « Beyond Moore's Law » (où les besoins exponentiels de ressources pour l'IA grandissent bien plus vite que les capacités des architectures classiques) poussant à explorer des approches de calcul non conventionnelles. Ces dernières s'appuient par exemple sur les nanotechnologies (spintronique[5],[6], memristors[7], nanomatériaux, nanomagnets), des paradigmes innovants (comme la « machines d'Ising »[note 2] et la machine de Boltzmann restreinte, le calcul probabiliste, le calcul en mémoire, les skyrmions) ou le biomimétisme (avec le calcul inspiré du cerveau), afin de dépasser les limites du modèle de von Neumann (qui implique un goulot d'étranglement limitant la taille, le poids et la puissance (SWaP) de nos technologies de calcul actuelles)[8].
Résilience et adaptabilité
[modifier | modifier le code]Les substrats physiques et biologiques peuvent offrir une résilience intrinsèque aux défauts ou aux changements environnementaux, une propriété qui est une des bases des systèmes vivants.
Les systèmes IANC visent à créer des agents capables d'une auto-organisation et d'une adaptation spontanée, facilitant un apprentissage continu et robuste en conditions réelles[9].
Complexité et parallélisme
[modifier | modifier le code]Certaines approches non conventionnelles (informatique à ADN, calcul en essaim...) offrent des niveaux de parallélisme et de gestion de la complexité intrinsèquement supérieurs ou différents de ceux réalisables par des puces électroniques séquentielles classiques[10].
Intégration et hybridation
[modifier | modifier le code]Des architectures d'IA, également non conventionnelles, pourraient servir d'accélérateurs ou de compléments aux systèmes numériques traditionnels. Les travaux sur l'informatique neuromorphique et le calcul par réservoir en sont des exemples centraux.
« Ingénierie à cycle long »
[modifier | modifier le code]Unconventional AI annonce se donner plusieurs années pour tester plusieurs prototypes en termes de rapport efficacité/coût, ce qui contraste avec les stratégies agiles et très rapide des startups logicielles et de l'IA. Pour l'entreprise, le retour sur investissement sera plus tardif, mais potentiellement révolutionnaire[2], avec un défi majeur (comme pour l'ensemble du secteur de l'IANC) qui sera aussi le passage à l'échelle (scalabilité) et la reproductibilité industrielle de ces systèmes matériels dont on ignore encore la nature.
Technologies et recherche
[modifier | modifier le code]Unconventional AI annonce vouloir centrer ses efforts sur l'imitation du cerveau et sur l'utilisation des propriétés physiques des matériaux (pour effectuer des calculs de manière analogique, à la différence du calcul numérique effectué par des microprocesseurs ou cartes graphiques classiques).
Calcul neuromorphique et memristors
[modifier | modifier le code]L'informatique neuromorphique cherche à imiter la structure et certaines fonctions du cerveau humain (où l’information circule sous forme d’impulsions électriques dits spikes). Unconventional AI explorera notamment l'intégration à l'IA de dispositifs memristifs directement interfacés à des signaux analogiques. Ces systèmes, basés sur une migration ionique imitant celle des synapses et des neurones[11] permettent théoriquement un « calcul en mémoire » efficace et puissant (car massivement parallèle), capable de doper les capacités de deep learning (apprentissage supervisé et non supervisé) de l'IA, grâce à des briques de réseaux neuronaux pulsés[11]. Ces composants permettent théoriquement un stockage et un traitement de l'information in-situ, avec une efficacité énergétique supérieure pour l'apprentissage automatique et le calcul par réservoir (Reservoir Computing).
Modèles du monde physiques
[modifier | modifier le code]L'entreprise cherche aussi à développer des modèles du monde physique où le calcul est directement effectué par la dynamique d'un système matériel, plutôt que par un logiciel le simulant.
Cette approche permet potentiellement de modéliser des interactions complexes avec le monde réel (comme les lois de la physique intuitive) de manière plus directe et plus rapide pour les agents d'IA incarnée et la robotique[1]. Pour cela, des récepteurs sensoriels biomimétiques, dotés d'une plasticité synaptique, pourrait être connectés à l'IA pour lui donner une perception artificielle plus légère et moins énergivore qu'avec les systèmes classiques, une solution étudiée dans divers domaines : interactions humain-machine, systèmes autonomes, vision augmentée[12] et « perception visuelle neuromorphique » (combinant des matériaux innovants tels que points quantiques, nanotubes de carbone, matériaux bidimensionnels à des architectures de dispositifs de type memristors et transistors neuromorphiques, réduisant la latence du signal et énergétiquement sobres dans le traitement de l’information)[13], certains diagnostics médicaux, surveillance environnementale, optimisation industrielle, prothèses intelligentes et diverses technologies d’assistance), rapprochant l’informatique de la perception humaine en l'étendant même à d'autres stimulis (tout le spectre sonore, lumineux, électromagnétiques, chimique, etc.)[14],[15].
Intelligence artificielle non conventionnelle
[modifier | modifier le code]La course technologique aux capacités massives de calcul numérique nécessaires à l'IA semble conduire à des impasses technologiques, économiques et environnementales. Ce constat a stimulé la recherche d'alternatives telles que le calcul neuromorphique (inspiré du cerveau) et, depuis plusieurs décennies, l’exploitation directe de phénomènes physiques non linéaires sous les appellations de « calcul non conventionnel », « calcul naturel », « calcul physique » ou « in‑materio computing »[16].
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 ces 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[17].
Notes et références
[modifier | modifier le code]Notes
[modifier | modifier le code]- ↑ Databricks est une entreprise de référence dans le big data et l'IA, créatrice d'Apache Spark et pionnière du concept de Lakehouse pour unifier données et intelligence artificielle. Lakehouse désigne une plateforme de données qui réunit en un seul système le stockage brut des données (comme dans un data lake) et les outils d'analyse structurée (comme dans un data warehouse), ce qui permet de gérer toutes les données au même endroit et de les utiliser directement pour l'intelligence artificielle.
- ↑ Une machine d'Ising est un dispositif de calcul non conventionnel qui résout des problèmes d'optimisation complexes en simulant le modèle physique des spins magnétiques de l'Ising.
Références
[modifier | modifier le code]- (en) Kyle Wiggers, « Unconventional AI raises €XX million seed round to build energy-efficient AI », sur VentureBeat, (consulté le ).
- « Unconventional AI lève 475 millions de dollars pour créer du matériel d'IA », (consulté le ).
- ↑ Mia Ogouchi, « Selon ce rapport, l'IA va faire exploser la consommation électrique des data centers d'ici 2030 », sur clubic.com, (consulté le ).
- ↑ (en) Emma Strubell, Ananya Ganesh et Andrew McCallum, « Energy and Policy Considerations for Deep Learning in NLP », Association for Computational Linguistics, (lire en ligne, consulté le ).
- ↑ (en) Douglas Z. Plummer, Emily D’Alessandro, Aidan Burrowes et Joshua Fleischer, « 2D Spintronics for Neuromorphic Computing with Scalability and Energy Efficiency », Journal of Low Power Electronics and Applications, vol. 15, no 2, , p. 16 (ISSN 2079-9268, DOI 10.3390/jlpea15020016).
- ↑ (en) R. Bhattacharya, « Revolutionizing Information Processing », dans Nanoelectronics, John Wiley & Sons, Ltd, 429–474 p. (ISBN 978-1-394-27519-9, DOI 10.1002/9781394275199.ch14, lire en ligne).
- ↑ (en) Qiming Shao, Zhongrui Wang, Yan Zhou et Shunsuke Fukami, « Spintronic memristors for computing », npj Spintronics, vol. 3, no 1, , p. 16 (ISSN 2948-2119, DOI 10.1038/s44306-025-00078-z, lire en ligne, consulté le ).
- ↑ (en) Giovanni Finocchio, Jean Anne C Incorvia, Joseph S Friedman et Qu Yang, « Roadmap for unconventional computing with nanotechnology », Nano Futures, vol. 8, no 1, , p. 012001 (ISSN 2399-1984, DOI 10.1088/2399-1984/ad299a, lire en ligne, consulté le ).
- ↑ (en) Mihai Oltean, « Unconventional computing : a short introduction », Studia Universitatis Babeş-Bolyai Informatica, no 1, , p. 85 (ISSN 1224-869X, lire en ligne, consulté le ).
- ↑ (en) Leonard M. Adleman, « Molecular Computation of Solutions to Combinatorial Problems », Science, vol. 266, no 5187, , p. 1021–1024 (DOI 10.1126/science.7973651).
- (en) Qiangfei Xia et J. Joshua Yang, « Publisher Correction: Memristive crossbar arrays for brain-inspired computing », Nature materials, vol. 18, no 5, , p. 518–518 (ISSN 1476-1122 et 1476-4660, DOI 10.1038/s41563-019-0357-9, lire en ligne, consulté le ).
- ↑ (en) Qiancui Zhang, Yichi Zhang, Xie Liu et Ningning Zhang, « Ge‐Based Visible‐Infrared Bipolar Floating‐Gate Phototransistor for Broad‐Spectrum Retinal Bionics », Advanced Science, vol. 12, no 45, (ISSN 2198-3844 et 2198-3844, PMID 40971737, PMCID 12677644, DOI 10.1002/advs.202512649, lire en ligne, consulté le ).
- ↑ (en) Yixin Zhu, Xiangjing Wang, Yuqing Hu et Xinli Chen, « Neuromorphic devices for intelligent visual perception », International Journal of Extreme Manufacturing, vol. 8, no 1, , p. 012006 (ISSN 2631-8644 et 2631-7990, DOI 10.1088/2631-7990/ae0a91, lire en ligne, consulté le ).
- ↑ (en) Atanu Bag, Gargi Ghosh, M. Junaid Sultan et Hamna Haq Chouhdry, « Bio-Inspired Sensory Receptors for Artificial-Intelligence Perception », Advanced Materials, vol. 37, no 26, , p. 2403150 (ISSN 1521-4095, DOI 10.1002/adma.202403150, lire en ligne, consulté le ).
- ↑ (en) Giuseppina Pace et Chiara Bartolozzi, « Triboelectric technologies for adaptive and self-powered neuromorphic tactile sensing », Neuromorphic Computing and Engineering, vol. 5, no 4, , p. 043001 (ISSN 2634-4386, DOI 10.1088/2634-4386/ae1a13, lire en ligne, consulté le ).
- ↑ (en) Herbert Jaeger, « Towards a generalized theory comprising digital, neuromorphic and unconventional computing », Neuromorphic Computing and Engineering, vol. 1, no 1, , p. 012002 (ISSN 2634-4386, DOI 10.1088/2634-4386/abf151, lire en ligne, consulté le ).
- ↑ (en) Unconventional Computation and Natural Computation, vol. 10867, Springer International Publishing, coll. « Lecture Notes in Computer Science » (ISBN 978-3-319-92434-2 et 978-3-319-92435-9, DOI 10.1007/978-3-319-92435-9, lire en ligne).
Voir aussi
[modifier | modifier le code]Bibliographie
[modifier | modifier le code]- (en) Stepney, S., et Verlan, S. (Eds.) (2018). Unconventional Computation and Natural Computation (actes de la 17e Conférence internationale sur le calcul non conventionnel et le calcul naturel, UCNC 2018, qui s’est tenue à Fontainebleau, France, en juin 2018), Springer International Publishing.
Articles connexes
[modifier | modifier le code]- Informatique non conventionnelle
- Informatique neuromorphique
- Calcul par réservoir
- Memristor
- IA frugale
- Jeff Bezos
- Agent intelligent
- Alignement des intelligences artificielles
- Applications de l'intelligence artificielle
- Bionique, bio-informatique
- Cerveau artificiel
- Explosion d'intelligence, singularité technologique
- Histoire de l'intelligence artificielle
- Intelligence artificielle générale
- Philosophie de l'intelligence artificielle
- Réseau de neurones artificiels
- Vie artificielle
- Anthropic, ChatGPT, GPT-3, GPT-4, Mistral AI
