• Vision et objectif
• Un substrat déterministe à portée générale
• Frugalité et activation sélective
• Ce qui est déjà atteint
• Les résultats avec les modèles de langage
• Le rôle des modèles de langage et de l’Atlas
• Les débouchés
• Certification et règlement européen sur l’IA
• Références

Vision et objectif

Je développe un substrat de calcul déterministe, apprenant et évolutif destiné à construire des systèmes d’intelligence artificielle embarqués, sûrs, vérifiables et auditables.

Ma volonté est de créer un modèle dont les propriétés puissent être établies par des preuves, des tests et des traces d’exécution, plutôt que par une simple promesse de fonctionnement. Je suis parti des briques les plus élémentaires : représentation des états, calcul déterministe, neurones, synapses, propagation, plasticité, mémoire et conséquences des actions. Je cherche à assembler progressivement ces composants pour former un système plus riche, sans perdre la possibilité d’examiner chaque étape.

Le développement est consigné au fil du temps : hypothèses, versions, protocoles, résultats positifs, échecs, corrections, limites et décisions de gouvernance. Cette continuité documentaire permet de savoir ce qui a réellement été testé, dans quelles conditions, avec quel résultat et avec quel degré de confiance.

À mesure que l’intelligence artificielle entre dans la vie quotidienne, la robotique, l’industrie, la recherche et l’exploration spatiale, la compréhension, la traçabilité et l’auditabilité deviennent essentielles. Lorsqu’un système agit sur un robot, une machine, un véhicule ou un instrument scientifique, il faut pouvoir examiner ce qu’il a fait, vérifier les éléments qui ont conduit à son action et reproduire son comportement après coup, plutôt que de dépendre d’un fonctionnement entièrement opaque.

Une IA embarquée doit pouvoir fonctionner dans des conditions contraintes, parfois sans connexion réseau, tout en conservant un état cohérent et une mémoire de ses expériences. Dans une installation industrielle, un robot autonome ou une mission spatiale, une erreur ne peut pas être corrigée uniquement par une nouvelle réponse probabiliste : il faut pouvoir localiser la cause, rejouer l’exécution et démontrer qu’une modification améliore réellement le système.

Un substrat déterministe à portée générale

Le projet est neuromorphique par l’une de ses trajectoires de développement. Il permet d’étudier des neurones et des synapses simulés, la propagation des signaux, l’activation et l’inhibition d’unités, la plasticité et la mémoire.

Mais il ne se limite pas à un matériel neuromorphique. Son point de départ est un substrat déterministe capable d’évoluer vers une architecture neuromorphique. Grâce au déterminisme, ses briques peuvent être utilisées dans différents logiciels, matériels et environnements : robotique, industrie, systèmes autonomes, logiciels embarqués, simulation scientifique ou interaction avec des modèles de langage.

Une même exécution doit pouvoir produire le même résultat dans les conditions prévues, au bit près. Les états peuvent être enregistrés, restaurés et rejoués. Cette propriété permet d’examiner une exécution après coup, de comparer deux versions d’un système, de localiser une divergence et de vérifier l’effet réel d’une modification.

Frugalité et activation sélective

La frugalité est une propriété de conception du projet. Une IA embarquée ne devrait pas mobiliser en permanence l’ensemble de son réseau : elle devrait pouvoir activer les neurones, les synapses et les blocs nécessaires à la situation présente, tout en laissant le reste du système au repos.

Les premiers protocoles établissent déjà une activation sparse et bornée : seuls certains neurones et certaines connexions sont sollicités, la propagation est contrôlée et son coût de calcul est suivi à chaque étape. Cette activation sélective vise à limiter le calcul, la mémoire et les ressources matérielles nécessaires à l’exécution.

Ces résultats restent liés aux protocoles testés. Ils ne constituent pas encore une mesure générale de gain énergétique. Ce gain devra être mesuré sur des plateformes réelles.

Ce qui est déjà atteint

Les travaux réalisés ont permis de développer et de tester plusieurs briques :

• un substrat arithmétique déterministe ;
• des circuits de neurones et de synapses simulés ;
• une propagation de signaux dans des réseaux structurés ;
• une activation sparse et bornée, avec une propagation contrôlée et un coût de calcul suivi ;
• des mécanismes de plasticité ;
• une mémoire épisodique capable d’enregistrer, d’indexer et de rejouer des épisodes ;
• des mécanismes de conservation et de restauration d’état ;
• un rejeu bit-exact sur les protocoles vérifiés ;
• des contrôles de continuité et de reprise après interruption ;
• une analyse des conséquences d’une action dans un monde simulé ;
• des outils d’analyse causale et de diagnostic ;
• une représentation d’état interne ;
• des environnements permettant de tester l’apprentissage, la mémoire et l’adaptation ;
• des expériences autour de réseaux dérivés de données de connectome ;
• des tests de certains composants dans des scénarios impliquant des modèles de langage.

Ces travaux ont déjà permis d’établir plusieurs propriétés sur des protocoles précis : des calculs peuvent être reproduits au bit près, des états peuvent être repris après interruption, des circuits peuvent apprendre des tâches simples et certaines exécutions peuvent être auditées après coup.

Des vérifications croisées ont également été réalisées sur les implémentations et les empreintes d’exécution. Les résultats disponibles montrent une concordance exacte sur les protocoles testés, avec 672 codes identiques et 48 empreintes par pas identiques dans l’un des contrôles de vérification croisée.

Ces résultats ne signifient pas que l’intelligence générale est atteinte. Ils établissent des fondations techniques et expérimentales : calcul vérifiable, état persistant, apprentissage local, plasticité, mémoire, activation contrôlée et exécution rejouable.

La prochaine étape essentielle consiste à démontrer que la mémoire et les conséquences d’une expérience modifient réellement une décision ultérieure dans le chemin nominal complet. Cette propriété devra être mesurée avec des expériences contrôlées et des ablations, afin de distinguer une simple trace enregistrée d’une mémoire qui agit véritablement sur le comportement.

Les résultats avec les modèles de langage

Les expériences menées avec des modèles de langage ont déjà produit de très bons résultats dans plusieurs défis publics et travaux de recherche. Ces résultats sont vérifiables par des tiers à partir de classements, de listes officielles, de dépôts publics, de certificats et de calculs reproductibles.

Ils montrent qu’une approche combinant modèles probabilistes, recherche structurée, exploration, mémoire et vérification déterministe peut produire des solutions contrôlables dans des domaines variés. Les résultats ne reposent pas uniquement sur une affirmation interne du système : ils sont confrontés à des vérificateurs, à des plateformes publiques ou à des critères indépendants.

Ces expériences ne constituent pas encore une preuve d’intelligence générale et ne signifient pas qu’un modèle de langage comprend parfaitement son propre fonctionnement. Elles montrent cependant que les briques développées peuvent être utilisées efficacement dans l’environnement d’un modèle probabiliste et produire des résultats qui résistent à une vérification extérieure.

Cette validation publique m’encourage à poursuivre la recherche sur l’articulation entre modèles probabilistes et substrat déterministe.

Le rôle des modèles de langage et de l’Atlas

Les modèles de langage constituent une ligne de recherche parallèle. Ils peuvent proposer une intention, une hypothèse, une interprétation ou une action, mais ils ne fournissent pas nécessairement à eux seuls une mémoire causale persistante, une plasticité locale, une représentation explicitement vérifiable ou un rejeu exact de leur exécution interne.

Je teste donc certaines briques du projet dans des scénarios impliquant des modèles probabilistes. La question n’est pas de demander au modèle de langage d’expliquer parfaitement son propre fonctionnement. La question est de savoir si un substrat distinct peut recevoir une proposition probabiliste, l’exécuter dans un cadre contrôlé, observer sa conséquence, conserver cette expérience et comparer les décisions suivantes.

Les challenges et l’Atlas s’inscrivent dans cette recherche. Ils permettent d’explorer comment un système peut sélectionner ce qu’il observe, cartographier les problèmes rencontrés et construire progressivement une représentation exploitable du monde qu’il explore.

Les débouchés

Une telle architecture pourrait fournir une base à plusieurs types de systèmes :

• robotique autonome ;
• machines industrielles ;
• systèmes embarqués hors ligne ;
• véhicules et drones ;
• robots d’assistance ;
• simulation scientifique ;
• logiciels autonomes ;
• systèmes de sécurité ;
• interaction contrôlée avec des modèles de langage ;
• systèmes industriels critiques ;
• architectures évolutives ;
• exploration spatiale.

Dans tous ces domaines, l’enjeu est le même : ne pas seulement produire une réponse, mais pouvoir établir comment le système a agi, dans quelles conditions, avec quel état interne et avec quelles conséquences.

Le projet vise ainsi une intelligence artificielle qui ne soit pas seulement capable de produire une réponse, mais capable de fonctionner dans la durée, d’apprendre de son environnement, de conserver une continuité et de rendre son comportement examinable.

L’intelligence artificielle générale constitue l’horizon de cette recherche, pas un résultat déjà revendiqué. Le travail actuel consiste à établir, étape par étape, si un système peut être apprenant, persistant, modulaire, adaptatif, frugal, utilisable hors ligne et auditable, sans que son architecture interne doive être entièrement rendue publique.

Certification et règlement européen sur l’IA

Certifier a ici un sens précis : établir par le calcul, avec un certificat que n’importe qui peut revérifier, qu’un résultat est exact, ou qu’un réseau réduit en précision et installé sur une puce prend les mêmes décisions que le modèle validé. Chaque décision se rejoue à l’identique, donc s’examine après coup.

Cela rejoint ce que demandent les régulateurs. Le règlement européen sur l’IA (règlement (UE) 2024/1689, « AI Act », texte officiel) prévoit que les systèmes d’IA à haut risque permettent l’enregistrement automatique des événements, ou journaux, tout au long de leur vie (article 12), qu’ils disposent d’une documentation technique (article 11) et qu’ils puissent être supervisés par des personnes (article 14). Selon le calendrier modifié en 2026, ces obligations s’appliquent à partir du 2 décembre 2027 aux systèmes à haut risque autonomes et du 2 août 2028 à ceux qui sont intégrés à des produits réglementés. Dans l’aéronautique, l’EASA demande déjà de vérifier que la réduction de précision d’un réseau n’en change pas les décisions. Mon IA est conçue pour produire de telles traces, rejouables au bit près. Je ne revendique aucune conformité à ces textes : c’est une direction de travail, et une certification officielle relève d’organismes habilités.

Références

1. J.-R. Denoual, A Normative Arithmetic Substrate for Bit-Exact Spiking Neural Networks (ArithSpec), Zenodo, 2026. DOI 10.5281/zenodo.20723008
2. J.-R. Denoual, Per-Tick Certification of Spike-Exact Fixed-Point Spiking Neural Networks, Zenodo, 2026. DOI 10.5281/zenodo.21749446
3. J.-R. Denoual, Internal Margins Collapse, Decision Margins Grow: Why Trained Spiking Networks Tolerate Low Precision, Zenodo, 2026. DOI 10.5281/zenodo.21750036
4. J.-R. Denoual, Rate-Level Robustness in Deterministic Spiking Networks: When Spike-Train Fidelity Overstates Observed Functional Fragility, Zenodo, 2026. DOI 10.5281/zenodo.21750042
5. J.-R. Denoual, Rate-Level Robustness under Quantization in Connectome-Instantiated LIF Models, Zenodo, 2026. DOI 10.5281/zenodo.21750053
6. S. Dorkenwald et al., « Neuronal wiring diagram of an adult brain », Nature 634, 2024 ; P. Schlegel et al., « Whole-brain annotation and multi-connectome cell typing of Drosophila », Nature 634, 2024 ; données FlyWire, version 783, utilisées à des fins de recherche selon leurs conditions d’utilisation. codex.flywire.ai (consulté le 07/10/2026)
7. E. Specht, table Packomania « csqv ». packomania.com (consulté le 04/10/2026)
8. Agence spatiale européenne, défi SpOC 4, plateforme ESA Optimize. github.com/esa/SpOC4 (consulté le 04/10/2026)
9. FlyWire Codex, défi Max Quasi-Cliques. codex.flywire.ai (consulté le 07/10/2026)
10. IBM Research, Ponder This, septembre 2026. research.ibm.com (consulté le 11/10/2026)
11. EASA, Artificial Intelligence Concept Paper, Issue 02, mars 2024. easa.europa.eu (consulté le 03/10/2026)
12. E. Friedman, Packing Center, cercles dans un cercle et dans un rectangle. erich-friedman.github.io (consulté le 11/10/2026)
13. Agence spatiale européenne, défi SpOC 4, Luna Tomato Logistics, plateforme ESA Optimize. optimize.esa.int (consulté le 11/10/2026)
14. FlyWire Codex, défis Minimum Feedback Arc Set et Visual Columns. codex.flywire.ai/app/mfas_challenge ; codex.flywire.ai/app/visual_columns_challenge (consultés le 07/10/2026)
15. Règlement (UE) 2024/1689 du Parlement européen et du Conseil du 13 juin 2024 établissant des règles harmonisées concernant l’intelligence artificielle, articles 11, 12 et 14. eur-lex.europa.eu (consulté le 14/10/2026)