Une équipe de la Tufts University dit avoir mis au point une approche d’IA neuro-symbolique capable de réduire jusqu’à 99% l’énergie nécessaire à l’entraînement, avec un test où le temps est passé de 36 heures à 34 minutes. Le résultat s’inscrit dans un contexte de hausse rapide de la consommation électrique liée aux modèles d’intelligence artificielle et aux centres de données, un sujet devenu central pour les chercheurs comme pour les autorités énergétiques.
Selon des estimations relayées par les chercheurs, les data centers et systèmes d’IA ont consommé aux États-Unis environ 415 térawattheures d’électricité en 2024, un niveau présenté comme supérieur à la consommation annuelle du Royaume-Uni. La part de ces infrastructures dépasserait 10% de la production nationale. L’Agence internationale de l’énergie anticipe une hausse marquée d’ici 2030, ce qui pousse les laboratoires à chercher des gains d’efficacité sans réduire les performances.
Le travail est associé à Matthias Scheutz et à son équipe à la Tufts University School of Engineering. Leur piste consiste à combiner des réseaux neuronaux, performants pour reconnaître des motifs dans de grandes masses de données, avec des règles logiques explicites, proches de raisonnements par étapes. L’objectif affiché est de limiter les essais inutiles durant l’apprentissage, en encadrant la recherche de solutions par des contraintes formelles.
Les chercheurs visent particulièrement des systèmes destinés à la robotique et à l’interaction humain-machine. Ils s’appuient sur des Visual-Language-Action models (modèles vision-langage-action), une famille qui étend les modèles de langage vers la perception visuelle et l’exécution de mouvements. Dans cette approche, des règles générales peuvent guider la compréhension de notions comme la forme d’un objet, son centre de gravité ou les conditions nécessaires pour réaliser une action en sécurité.
Dans une déclaration reprise avec ces travaux, Matthias Scheutz explique que les VLA, comme les grands modèles de langage, reposent largement sur des résultats statistiques tirés de scénarios similaires vus en entraînement, ce qui peut conduire à des erreurs lorsque la situation change. La variante neuro-symbolique applique des règles qui réduisent le périmètre d’exploration pendant l’apprentissage, ce qui accélère l’obtention d’une solution et diminue fortement le coût d’entraînement.
Les expériences décrites s’appuient sur le puzzle du Tour de Hanoï, un problème classique de planification où la solution exige une séquence ordonnée d’actions et le respect de contraintes strictes. Dans ce cadre, l’équipe rapporte une réussite de 95% pour son système, contre 34% pour des modèles plus classiques évalués dans les mêmes conditions. Sur des tâches dites inconnues, l’approche neuro-symbolique atteindrait 78% de réussite, tandis que les systèmes comparés auraient échoué systématiquement.
Au-delà des pourcentages, l’intérêt pratique se situe dans la fiabilité de la planification. Une IA qui devine à partir de corrélations peut produire des actions plausibles mais incorrectes, surtout quand l’environnement change. En ajoutant des règles, le système peut écarter plus tôt des options impossibles, réduire le nombre d’essais, et mieux généraliser à des variantes. Dans des domaines comme la robotique d’assistance, la logistique ou certaines tâches industrielles, une planification plus robuste peut se traduire par moins d’erreurs et moins de cycles d’entraînement.
Ces résultats restent à interpréter avec prudence. Le Tour de Hanoï est un benchmark utile, mais il ne résume pas la complexité d’un monde réel bruyant, partiellement observable et soumis à des contraintes de sécurité. La question clé sera de mesurer si les gains annoncés, jusqu’à 99% d’énergie en moins, se maintiennent sur des tâches plus ouvertes, avec des données plus hétérogènes et des objectifs multiples. Les chercheurs s’inscrivent dans une tendance plus large, celle des modèles hybrides, qui cherchent à marier apprentissage statistique et structures explicites pour réduire les coûts et augmenter la robustesse.
Dans le débat actuel, l’efficacité énergétique devient un critère aussi stratégique que la précision. Les investissements dans les centres de données se multiplient, tandis que les contraintes de réseau, de refroidissement et de disponibilité électrique se durcissent. Si des approches comme l’IA neuro-symbolique permettent de réduire le volume de calcul nécessaire à l’entraînement, elles pourraient contribuer à contenir les dépenses énergétiques, tout en facilitant le déploiement de systèmes plus spécialisés, notamment sur des infrastructures moins massives que celles requises par les très grands modèles généralistes.
Questions fréquentes
- Qu’est-ce qu’une IA neuro-symbolique par rapport à un modèle de langage classique ?
- Une IA neuro-symbolique combine des réseaux neuronaux, efficaces pour apprendre des corrélations à partir de données, avec des règles logiques explicites qui encadrent le raisonnement. L’objectif est de réduire les essais inutiles, d’améliorer la planification et de limiter certaines erreurs liées à une généralisation purement statistique, ce qui peut aussi diminuer le coût énergétique de l’entraînement.
