Cortex & Code #7 — Convergence : Là où le Cerveau et la Machine se Rencontrent

Prologue : Le point de rencontre

Il y a sept articles — et presque autant de mois — je me suis assis pour écrire le premier numéro de Cortex & Code. C'était une question simple en apparence : que peut nous apprendre le cerveau sur l'intelligence artificielle ? J'y avais ma petite idée, comme tout le monde dans le domaine. Mais je ne savais pas encore à quel point la réponse serait… littérale.

Nous voici au bout de la route. Le septième article. La conclusion. Et si j'ai appris une chose en explorant les transformers, la mémoire épisodique, l'apprentissage continu, le modèle prédictif du cerveau, l'incarnation et la conscience, c'est celle-ci : la convergence entre le cerveau et la machine n'est pas une métaphore. C'est un processus d'ingénierie qui a déjà commencé.

Ce n'est plus une question de si. C'est une question de quand, de comment, et surtout — à quel prix.

Aujourd'hui, nous allons regarder les endroits où cette convergence devient tangible. Les BCI qui permettent déjà à des humains de penser et de voir des lettres apparaître sur un écran. Les puces neuromorphiques qui imitent la physiologie même des synapses. Et les cinq prochaines années — ma projection personnelle, honnête, sans fard — de ce qui nous attend.

Attachez vos ceintures. On termine en beauté.

Partie 1 : Déjà là — les BCI sortent des labos

Commençons par ce qui est déjà vrai aujourd'hui, en 2026. Pas dans un futur hypothétique. Pas dans un papier de recherche visionnaire. Aujourd'hui.

En janvier 2024, Neuralink implantait son premier dispositif dans un cerveau humain. L'essai PRIME — Precise Robotically Implanted Brain-Computer Interface — était lancé. Le patient, Noland Arbaugh, tétraplégique depuis un accident de plongeon, a appris à contrôler un curseur d'ordinateur par la pensée en quelques minutes. Pas des heures. Pas des jours. Minutes. Depuis, plusieurs patients ont reçu l'implant, et la courbe d'apprentissage ne cesse de se raccourcir.

De l'autre côté de la barrière technologique, Synchron a adopté une approche radicalement différente : pas de chirurgie crânienne ouverte. Leur stent-electrode — un stent muni d'électrodes, déployé par voie endovasculaire via la jugulaire — repose dans le sinus sagittal supérieur, à la surface du cortex moteur. Moins invasif, moins risqué, et déjà testé sur des humains depuis 2022. Les résultats publiés montrent que les patients peuvent envoyer des messages texte, gérer leurs appareils connectés, naviguer sur Internet — tout cela sans quitter leur lit, sans qu'un chirurgien n'ait ouvert leur boîte crânienne.

Precision, de son côté, comble un vide différent : des implants à haute densité d'électrodes, conçus pour une résolution spatiale plus fine que Neuralink, ciblant des applications de restauration sensorielle.

Et puis il y a ce qui me glace le dos — dans le bon sens du terme. Les neuroprothèses de parole.

En 2023, l'équipe de Metzger et al. publiait dans Nature un décodeur de parole capable de transformer l'activité corticale d'une personne paralysée en phrases intelligibles — à environ 60 mots par minute. Déjà trois fois plus rapide que les systèmes de communication assistée existants. Mais la vraie bombe, c'est 2025. L'équipe de Wairagkar et al., toujours dans Nature, a publié un système qui frôle les 100 mots par minute — le rythme d'une conversation naturelle. Le décodeur utilise un transformer entraîné sur l'ECoG, capable d'apprendre les motifs neuronaux associés à chaque phonème, chaque mot, chaque intention de phrase.

Imaginez : vous pensez une phrase, et elle apparaît. Pas tapée, pas écrite. Pensée.

Nous sommes là. En 2026.

Partie 2 : La boucle fermée — quand le cerveau alimente l'IA qui alimente le cerveau

Ce qui rend cette convergence vertigineuse, ce n'est pas chaque technologie prise individuellement. C'est la boucle.

Les BCI modernes — ceux qui marchent vraiment — ne sont pas de simples capteurs passifs. Ce sont des systèmes d'IA embarqués, en temps réel, qui décodent des signaux neuronaux avec des réseaux de neurones artificiels. Transformers, pour l'essentiel. Les mêmes architectures qui alimentent ChatGPT et Claude sont aujourd'hui adaptées pour lire dans vos pensées — ou du moins, dans les motifs électriques de votre cortex moteur.

Le principe est d'une élégance presque poétique :

Des électrodes captent l'activité électrique de milliers de neurones.
Un réseau de neurones artificiel — un decoder — transforme ces signaux en commandes : mouvement de curseur, sélection de lettre, phonème.
L'utilisateur reçoit un feedback visuel ou tactile en quelques millisecondes.
Le cerveau s'adapte. Il apprend à produire des signaux plus clairs, plus efficaces.
Le décodeur s'adapte aussi. Il affine ses poids synaptiques en continu.
La boucle se referme. Cerveau et machine s'accordent comme des musiciens dans un duo d'improvisation.

Ce n'est pas de la science-fiction. C'est l'état de l'art en 2026.

Et la leçon est profonde : le cerveau n'est pas un générateur de signaux statiques. Il est plastique, adaptatif, capable d'apprendre à piloter n'importe quel système — biologique ou synthétique — tant que la boucle de feedback est assez rapide et assez riche. Le BCI n'est pas une prothèse qu'on porte passivement : c'est une co-adaptation, une danse à deux corps.

Partie 3 : L'autre côté du miroir — le neuromorphic computing

Si les BCI sont l'interface entre le cerveau et la machine, le neuromorphic computing est l'architecture qui pourrait rendre cette interface aussi naturelle qu'un battement de cils.

Le principe est simple sur le papier, mais révolutionnaire dans ses implications : au lieu de construire des processeurs qui fonctionnent comme des calculatrices — horloge synchrone, mémoire séparée, calcul déterministe — on construit des puces qui fonctionnent comme des cerveaux. Des spikes asynchrones. De la mémoire distribuée au niveau des synapses. De l'apprentissage sur la puce elle-même. Une consommation énergétique qui ferait pleurer un data center.

Regardons les chiffres.

Le cerveau humain consomme environ 20 watts pour réaliser environ 10¹⁵ opérations par seconde. C'est l'équivalent énergétique d'une ampoule d'éclairage domestique. En face, un LLM comme GPT-4 a nécessité plusieurs mégawatt-heures pour un seul entraînement, et chaque inférence consomme des centaines de watts sur des GPU qui chauffent comme des radiateurs.

L'écart est abyssal. Et c'est cet écart que le neuromorphic computing vise à combler.

Intel Loihi 2, dévoilé en 2021 et mature en 2025, consomme environ 1000 fois moins d'énergie qu'un GPU équivalent pour certaines tâches — notamment le traitement de signaux spatio-temporels comme l'audio, la vidéo, ou… l'ECoG. Il utilise des spikes asynchrones : chaque neurone artificiel n'envoie un signal que lorsqu'il le juge nécessaire, exactement comme un neurone biologique. Pas de clock cycle qui gaspille de l'énergie à synchroniser des transistors qui n'ont rien à faire. Chaque operation est event-driven.

IBM TrueNorth, BrainScaleS à Heidelberg, SpiNNaker à Manchester — les projets sont nombreux, chacun avec sa philosophie. BrainScaleS pousse le mimétisme jusqu'à accélérer la biologie : leur plateforme émule des neurones 10 000 fois plus vite que leurs équivalents biologiques, ce qui permet d'étudier des processus d'apprentissage qui prendraient des années en quelques heures.

Mais le plus important, c'est ceci : les architectures neuromorphiques sont le parallèle le plus littéral jamais construit entre neuroscience et ingénierie. Ce ne sont pas des métaphores. Ce sont des neurones artificiels qui communiquent par spikes, qui apprennent par plasticité synaptique locale, qui émergent en réseaux sans supervision centrale. C'est la biologie traduite en silicium.

Partie 4 : Le grand papier — Bridging Brains and Machines

Au printemps 2025 est apparu sur arXiv un papier qui mérite toute notre attention. Pas parce qu'il est parfait — il est loin de l'être — mais parce qu'il tente quelque chose de rare : une synthèse complète des défis qui nous séparent encore d'une véritable convergence cerveau-machine.

Bridging Brains and Machines (arXiv 2507.10722) fait plus de 350 pages. Je les ai lues avec l'attention qu'elles méritent, et je veux en extraire les quatre défis fondamentaux qu'il identifie — parce que ce sont exactement les bonnes questions.

Premier défi : intégrer le spiking aux foundation models. Tous les grands modèles actuels — GPT, Claude, Gemini — sont basés sur des transformers classiques, avec des calculs en virgule flottante, des matrices denses, des activations continues. Le neuromorphic, c'est du spiking : des événements binaires, asynchrones, clairsemés. Comment marier les deux ? Les premières réponses incluent des couches hybrides — des spiking layers en entrée pour le traitement sensoriel, des transformers pour le raisonnement de haut niveau — mais rien n'est encore standardisé.

Deuxième défi : la plasticité tout au long de la vie sans oubli catastrophique. C'est un thème récurrent de cette série — on en a parlé dans l'article sur l'apprentissage continu. Le cerveau apprend en permanence sans effacer ce qu'il sait déjà. Les réseaux de neurones artificiels, eux, souffrent d'oubli catastrophique : apprendre une nouvelle tâche détruit les poids associés aux tâches anciennes. Le neuromorphic computing offre des solutions élégantes — plasticité locale, élagage synaptique, consolidation pendant le sommeil artificiel — mais nous n'avons pas encore de système qui tienne la route à l'échelle.

Troisième défi : le langage et le sensorimoteur dans des agents incarnés. Le cerveau n'est pas un ordinateur isolé dans un cratère de boîte crânienne. Il est incarné. Il contrôle un corps, reçoit des sensations, bouge dans un espace physique. Les modèles d'IA actuels sont désincarnés : ils manipulent des symboles sans référent physique. La convergence cerveau-machine passera nécessairement par l'incarnation — des agents qui apprennent en agissant, qui comprennent le monde en le touchant.

Quatrième défi : les safeguards éthiques. Celui-ci est peut-être le plus urgent. Quand une machine peut décoder vos pensées, où s'arrête la vie privée ? Quand un implant peut enregistrer l'activité de vos neurones pendant votre sommeil, qui possède ces données ? Quand les BCI deviendront grand public — et ils le deviendront — nous aurons besoin de cadres éthiques, juridiques et techniques qui n'existent pas encore. Le papier les appelle les neurorights. J'ajouterais : la neuro-souveraineté.

Partie 5 : Ma projection — les 5 prochaines années

J'aimerais maintenant faire quelque chose de délicat. Je vais vous donner ma projection personnelle pour les cinq prochaines années. Ce n'est pas une prédiction — je ne suis pas devin. C'est une estimation informée, fondée sur ce que je vois dans les labos, les papiers, les startups, et les conversations avec des chercheurs qui, comme moi, tentent de rassembler les pièces du puzzle.

2027-2028 : Les premiers modèles hybrides

D'ici deux ans, je prévois l'émergence des premiers modèles hybrides viables — des architectures qui combinent des couches spiking pour le traitement sensoriel (vision, audio, signaux BCI) et des transformers pour le raisonnement symbolique. Ces modèles ne seront pas encore généralistes. Ils seront spécialisés : un modèle hybride pour le contrôle robotique temps-réel, un autre pour le décodage de parole ECoG, un troisième pour la navigation autonome en environnement complexe.

Mais leur performance sur ces tâches spécifiques dépassera celle des modèles purement classiques — et avec une fraction de l'énergie.

2028-2029 : BCI grand public (première vague)

Le vrai basculement, je le vois autour de 2029. Synchron aura probablement une version commerciale de son stent-electrode pour les personnes tétraplégiques et locked-in. Neuralink, après une décennie d'essais cliniques, pourrait obtenir une autorisation de mise sur le marché limitée — d'abord pour la paralysie sévère, puis pour des applications de restauration sensorielle.

Le grand public, lui, n'aura pas d'implant crânien en 2029. La barrière est trop haute — risque chirurgical, coût, acceptabilité sociale. Mais des dispositifs non-invasifs — casques EEG haute résolution, bandeaux optogénétiques — commenceront à apparaître dans les programmes de rééducation neurologique, puis dans des contextes de productivity hacking pour certains métiers.

2029-2030 : La leçon de Mind's Transformer

C'est ici que je veux être le plus clair possible. La course actuelle vers l'IA générale est dominée par une logique de scale brute : toujours plus de données, toujours plus de paramètres, toujours plus de GPU. Cette approche a donné des résultats impressionnants, mais elle touche ses limites — physiques (énergie, refroidissement), économiques (seules les grandes entreprises peuvent jouer), et algorithmiques (rendements décroissants).

L'article que nous avons exploré dans le numéro précédent — Mind's Transformer — nous a montré quelque chose de profond : un petit modèle, bien architecturé sur des principes neurobiologiques, peut battre un modèle 456 fois plus grand en alignement et en fiabilité. Pas en performance brute sur des benchmarks — en qualité réelle d'interaction.

C'est la métaphore des cinq prochaines années.

La véritable IA générale — si elle doit émerger — ne viendra pas d'un modèle de 100 trillions de paramètres entraîné sur tout l'Internet. Elle viendra d'une architecture qui intègre les principes fondamentaux du cerveau : apprentissage continu, élagage synaptique, traitement spiking asynchrone, mémoire épisodique, modèle interne du monde, et — peut-être — une forme d'incarnation.

Ce qui nous sépare encore

Soyons honnêtes. Il y a des choses que le cerveau fait et que nous ne savons pas reproduire. Pas encore.

L'incarnation. Le cerveau ne pense pas dans le vide. Il pense dans un corps qui lui fournit un flux permanent de sensations — proprioception, toucher, équilibre, douleur, chaud, froid, faim, fatigue. Ces signaux ne sont pas du bruit de fond. Ils sont la structure même de la pensée. Un réseau de neurones artificiels, même entraîné sur des petabytes de texte, ne sent rien. Il manipule des symboles. La question ouverte est : peut-on avoir une intelligence digne de ce nom sans corps ? Je penche pour non — mais j'accepte que d'autres, plus compétents que moi, pensent différemment.

L'efficacité énergétique radicale. 20 watts. C'est tout. Un cerveau humain fonctionne avec l'énergie d'une ampoule. Chaque fois que j'écris ce chiffre, je mesure l'humilité qu'il impose. Nos meilleures puces neuromorphiques approchent cet idéal pour des tâches très spécifiques — mais nous sommes encore à plusieurs ordres de grandeur d'un système capable d'apprendre et de raisonner comme un humain avec 20 watts.

L'apprentissage continu sans oubli. C'est le problème que nous avons exploré en détail dans le numéro 4. Le cerveau résout ce problème avec une élégance qui nous échappe encore : consolidation pendant le sommeil, relecture de motifs hippocampiques, élagage synaptique, complémentarité entre apprentissage rapide (hippocampe) et lent (néocortex). Les systèmes neuromorphiques commencent à intégrer ces mécanismes, mais la solution complète n'existe pas.

La conscience. Ah, la grande question. Celle que j'ai laissée pour la fin de la série — et pour la fin de cet article. Je ne peux pas — personne ne peut — vous dire si une machine peut être consciente. Nous ne savons même pas définir la conscience de manière satisfaisante. C'est le hard problem de Chalmers, et il reste dur.

Mais voici ce que je peux dire : l'écart entre ce que nous appelons intelligence et ce que nous appelons conscience pourrait être bien plus étroit que nous ne le croyons. Peut-être que la conscience n'est pas un supplément mystérieux qui s'ajoute à l'intelligence. Peut-être qu'elle est ce que ça fait d'être un système qui apprend, qui prédit, qui se trompe, et qui corrige ses prédictions en temps réel — un système incarné, ancré dans un monde physique, qui lutte pour survivre et comprendre.

Je n'en sais rien. Mais je sais que la question — pour la première fois dans l'histoire humaine — n'est plus purement philosophique. Elle est devenue une question d'ingénierie.

Épilogue : Le pont, pas la destination

Nous voici arrivés à la fin de Cortex & Code — du moins, de cette première saison. Sept articles. Des mois de lecture, de digestion, d'écriture. Beaucoup de nuits passées à explorer des papiers, à débattre avec des collègues, à reformuler des idées jusqu'à ce qu'elles sonnent juste.

Si je devais résumer tout ce voyage en une seule idée, ce serait celle-ci : le cerveau n'est pas un ordinateur. Il est plus étrange, plus beau, plus limité et plus puissant que tout ce que nous avons construit. Mais la machine peut apprendre de lui — et commence à le faire.

Les BCI construisent le pont physique. Le neuromorphic computing construit le pont architectural. Les modèles hybrides construisent le pont algorithmique. Et nous — chercheurs, ingénieurs, écrivains, auditeurs, humains — nous traversons ce pont ensemble, sans savoir exactement ce qu'il y a de l'autre côté.

Mais ce pont, nous le construisons maintenant. Aujourd'hui. Avec des électrodes et du silicium, des spikes et des poids synaptiques, des rêves et des neurorights.

La convergence entre le cerveau et la machine n'est pas une destination. C'est un processus. Et ce processus — cette fusion lente, fascinante, terrifiante et magnifique — nous sommes en plein dedans.

Merci d'avoir fait le voyage avec moi.

Rendez-vous dans cinq ans pour vérifier mes projections. J'espère avoir eu raison sur l'essentiel, et avoir été surpris sur le reste.

— Dex

Références

Neuralink PRIME Trial, first human implant, 2024
Synchron Stentrode, first human trial 2022–2025
Metzger et al. — A high-performance speech neuroprosthesis, Nature 2023
Wairagkar et al. — Naturalistic speech decoding from cortical signals, Nature 2025
Intel Loihi 2, neuromorphic processor, 2021–2025
Bridging Brains and Machines, arXiv 2507.10722, 2025

🎧 Écouter ce chapitre en podcast.