L’informatique neuromorphique est-elle la réponse à la conduite autonome et à la robotique personnelle ?

Si vous suivez les dernières tendances de l’industrie de la technologie, vous savez probablement qu’il y a eu pas mal de débats sur ce que sera la prochaine grande chose. Les lunettes de réalité augmentée (AR) sont les préférées de beaucoup, tandis que d’autres se tournent vers les voitures entièrement autonomes, et quelques-unes s’accrochent au potentiel de la 5G. Avec les débuts surprises d’Amazons Astro il y a quelques semaines, les appareils robotiques personnels et les compagnons numériques ont également jeté leur chapeau dans le ring.

Cependant, bien qu’il y ait eu peu d’accord sur ce qu’est exactement la prochaine chose, il semble y avoir peu de désaccord sur le fait que quoi qu’il en soit, il sera en quelque sorte alimenté, activé ou amélioré par l’intelligence artificielle (IA). En effet, le fait que l’IA et l’apprentissage automatique (ML) soient notre avenir semble aller de soi.

Pourtant, si nous effectuons une évaluation honnête de la position réelle de certaines de ces technologies en termes de fonctionnalité par rapport aux attentes initiales, il est juste de soutenir que les résultats ont été décevants à plusieurs niveaux. En fait, si nous étendons ce processus de réflexion à ce que l’IA/ML était censé faire pour nous dans l’ensemble, alors nous commençons à arriver à une conclusion tout aussi décevante.

Pour être clair, nous avons vu des progrès incroyables dans de nombreux domaines que l’IA a alimentés. L’analyse avancée, la formation sur les réseaux neuronaux et d’autres domaines connexes (où de gros morceaux de données sont utilisés pour trouver des modèles, apprendre des règles, puis les appliquer) ont été d’énormes bienfaiteurs des approches d’IA existantes.

Dans le même temps, si nous examinons une application telle que la conduite autonome, il semble de plus en plus clair que le simple fait de pousser de plus en plus de données dans des algorithmes qui sont de plus en plus perfectionnés, mais toujours défectueux, les modèles ML ne fonctionnent pas vraiment. Nous étions encore à des années de la véritable autonomie de niveau 5 et, étant donné le nombre d’accidents et même de décès auxquels des efforts tels que Teslas AutoPilot ont conduit, il est probablement temps d’envisager une autre approche.

De même, bien que nous soyons encore à l’aube de l’ère de la robotique personnelle, il est facile d’imaginer comment les similitudes conceptuelles entre les voitures autonomes et les robots conduiront à des problèmes conceptuellement similaires dans ce nouveau domaine. Le problème, en fin de compte, est qu’il n’y a tout simplement aucun moyen d’intégrer chaque scénario potentiel dans un modèle de formation à l’IA et de créer une réponse prédéterminée sur la façon de réagir pour une situation donnée. Le hasard et les surprises inattendues sont tout simplement trop puissants.

Ce qu’il faut, c’est un type d’informatique qui puisse vraiment penser et apprendre par lui-même, puis adapter son apprentissage à ces scénarios inattendus. Aussi fou et potentiellement controversé que cela puisse paraître, c’est essentiellement ce que les chercheurs dans le domaine de l’informatique neuromorphique tentent de faire. L’idée de base est de reproduire la structure et la fonction de l’appareil de calcul/de pensée le plus adaptable que nous connaissions du cerveau humain sous forme numérique. Suivant les principes de la biologie de base, les puces neuromorphiques tentent de recréer une série de neurones connectés à l’aide de synapses numériques qui envoient des impulsions électriques entre eux, tout comme le font les cerveaux biologiques.

C’est un domaine de recherche universitaire qui existe depuis quelques décennies maintenant, mais ce n’est que récemment qu’il a commencé à faire de réels progrès et à attirer plus d’attention. En fait, enfouie dans la vague d’annonces de l’industrie technologique qui ont été faites au cours des dernières semaines, se trouvait la nouvelle qu’Intel avait sorti la deuxième génération de sa puce neuromorphique, nommée Loihi 2, ainsi qu’un nouveau cadre logiciel open source pour celui-ci qui ils ont surnommé Lava.

Pour définir des attentes réalistes autour de tout cela, Loihi 2 ne sera pas disponible dans le commerce, c’est ce qu’on appelle une puce de recherche et la dernière version offre 1 million de neurones, loin des 100 milliards environ trouvés dans un cerveau humain. Pourtant, c’est un projet extrêmement impressionnant et ambitieux qui offre 10 fois les performances, 15 fois la densité de son prédécesseur de l’ère 2018 (il repose sur la nouvelle technologie de processus de fabrication de puces Intel 4 de l’entreprise) et une efficacité énergétique améliorée. De plus, il fournit également des moyens meilleurs (et plus faciles) d’interconnecter son architecture unique avec d’autres puces plus traditionnelles.

Intel a clairement beaucoup appris du premier Loihi, et l’une des plus grandes réalisations a été que le développement de logiciels pour cette architecture radicalement nouvelle est extrêmement difficile. En conséquence, un autre élément essentiel de l’actualité de l’entreprise a été le lancement de Lava, un cadre logiciel open source et un ensemble d’outils pouvant être utilisés pour écrire des applications pour Loihi. La société propose également des outils capables de simuler son fonctionnement sur des CPU et GPU traditionnels afin que les développeurs puissent créer du code sans avoir accès aux puces.

Ce qui est particulièrement fascinant dans le fonctionnement des puces neuromorphiques, c’est que, malgré le fait qu’elles fonctionnent d’une manière radicalement différente à la fois de l’informatique CPU traditionnelle et des modèles informatiques parallèles de type GPU, elles peuvent être utilisées pour atteindre certains des mêmes objectifs. En d’autres termes, les puces neuromorphiques comme Loihi 2 peuvent fournir les résultats souhaités pour lesquels l’IA traditionnelle vise, mais d’une manière beaucoup plus rapide, plus économe en énergie et moins gourmande en données. Grâce à une série de pics basés sur des événements qui se produisent de manière asynchrone et déclenchent une réponse des neurones numériques de diverses manières, tout comme un cerveau humain fonctionne (par rapport au traitement synchrone et structuré des CPU et des GPU), une puce neuromorphique peut essentiellement apprendre des choses à la volée. En conséquence, il est parfaitement adapté aux appareils qui doivent réagir à de nouveaux stimuli en temps réel.

Ces capacités sont la raison pour laquelle ces puces sont si attrayantes pour ceux qui conçoivent et construisent des robots et des systèmes de type robotique, ce que sont essentiellement les voitures autonomes. L’essentiel est qu’il pourrait falloir des puces neuromorphiques disponibles dans le commerce pour alimenter le type de voitures autonomes et de robots personnels de nos rêves inspirés de la science-fiction.

Bien sûr, l’informatique neuromorphique n’est pas la seule nouvelle approche pour faire avancer le monde de la technologie. Il y a aussi beaucoup de travail en cours dans le monde plus largement discuté de l’informatique quantique. Comme l’informatique quantique, le fonctionnement interne de l’informatique neuromorphique est extraordinairement complexe et, pour l’instant, principalement considéré comme des projets de recherche pour les laboratoires de R&D d’entreprise et la recherche universitaire. Contrairement au quantum, cependant, l’informatique neuromorphique ne nécessite pas les défis physiques extrêmes (températures proches du zéro absolu) et les exigences de puissance que le quantum fait actuellement. En fait, l’un des nombreux aspects attrayants des architectures neuromorphiques est qu’elles sont conçues pour une consommation extrêmement faible, ce qui les rend adaptées à une variété d’applications mobiles ou autres alimentées par batterie (comme les voitures autonomes et les robots).

Malgré les progrès récents, il est important de se rappeler que l’application commerciale des puces neuromorphiques est encore loin de plusieurs années. Cependant, il est difficile de ne pas être excité et intrigué par une technologie qui a le potentiel de rendre les appareils alimentés par l’IA vraiment intelligents, au lieu d’être simplement très bien formés. La distinction peut sembler subtile, mais en fin de compte, c’est ce genre de nouvelle intelligence dont nous avons probablement besoin pour que certaines des prochaines grandes choses se produisent vraiment d’une manière que nous pouvons tous apprécier et imaginer.