Écrit par l'équipe scientifique Qubic
Comment un neurone fonctionne-t-il au fil du temps ?
Les neurones biologiques ne fonctionnent pas comme un interrupteur de lumière de chambre qui est allumé. Ils sont un système dynamique continu. L'état neuronal évolue constamment, même en l'absence de stimuli externes.
Comment un neurone fonctionne-t-il au fil du temps ?
Fondamentalement, en déplaçant des charges électriques (ions) à l'intérieur ou à l'extérieur de sa membrane, c'est-à-dire en modifiant son potentiel électrique. Les ions entrent ou sortent (principalement le sodium et le potassium) par les différentes portes du neurone avec une certaine intensité, modifiant le potentiel. Il existe certaines portes, appelées portes de fuite, où les ions entrent et sortent en permanence.
Le temps est implicite. Le potentiel électrique change constamment, au fil du temps.
Le changement du potentiel électrique d'un neurone au fil du temps dépend de :
Le courant externe appliqué + l'équilibre entre les flux d'ions sodium (qui l'augmentent) et d'ions potassium (qui le diminuent) à travers les portes qui s'ouvrent et se ferment.
Ne paniquez pas avec le graphique. Des charges électriques positives et négatives (ions) circulent à travers les portes provoquant une dépolarisation (donc le courant se déplace jusqu'à la fin du neurone) ou une hyperpolarisation (donc il revient à un état neutre).
Le potentiel (V) change au fil du temps, c'est-à-dire mathématiquement, dV/dt, comme une fonction de la somme des portes d'entrée et de sortie.
C'est le modèle fondamental de la neuroscience computationnelle, qui exprime que l'état du neurone dépend à la fois des signaux actuels et de son histoire immédiate. Il n'y a pas de « réinitialisation » entre les événements, puisque chaque stimulus tombe sur un système qui fonctionne toujours.
Passons maintenant à Neuraxon, qui est un modèle bio-inspiré.
Nous voulons qu'il soit vivant, un tissu intelligent. Il ne peut pas avoir des états discrets, mais des états continus.
Dans Neuraxon, au lieu de portes ioniques qui s'ouvrent et se ferment et déplacent des charges avec une certaine intensité, changeant de tension, nous avons des poids synaptiques dynamiques. Mais l'équation du modèle maintient une similitude claire et directe avec le neurone biologique.
Que signifie cela ?
Au lieu de V, la tension dans le neurone biologique, l'état de Neuraxon, est s. Et il change aussi au fil du temps, donc ds/dt est une fonction des poids et des activations et de l'état précédent.
Contrairement à un modèle d'IA classique, où les poids synaptiques d'un réseau représentent des sorties stéréotypées à une entrée, dans Neuraxon, les poids ne sont pas statiques.
Imaginez, par exemple, un mécanisme de réponse automatique pour une « boîte de réception d'e-mails ».
Dans l'IA classique, la règle ne s'ajuste pas ou ne change pas au fil du temps ou du contexte.
Dans Neuraxon, il est tenu compte de si l'« entrée email » vient de la même personne (ce qui pourrait indiquer une urgence) ou si elle arrive un week-end (ce qui peut générer une sortie sans réponse). En d'autres termes, la règle reste, mais quand et comment la réponse est donnée est modulé.
Les LLM calculent-ils le temps ?
Les grands modèles linguistiques semblent montrer une compréhension profonde dans de nombreux contextes, mais ils fonctionnent selon une logique différente des systèmes biologiques (Vaswany, 2017). Ils ne fonctionnent pas sur la base d'une dynamique temporelle interne, d'un « changement de potentiel » ou de « poids synaptiques » qui modulent la réponse, mais traitent plutôt des séquences discrètes.
Dans les LLM, « le temps » n'existe pas, ce qui rend difficile pour eux de simuler un comportement biologique (tel que l'intelligence). Les LLM savent faire la distinction entre quel mot vient avant et quel mot vient après, mais ils ne confèrent pas une expérience de durée ou de persistance. L'ordre remplace le temps.
Contrairement à Neuraxon, ils ne possèdent pas de rythmes internes qui accélèrent ou ralentissent, ni ne montrent d'habituation progressive aux stimuli répétés, ni ne peuvent anticiper dynamiquement en fonction d'un état interne qui change au fil du temps.
Le calcul du modèle LLM serait quelque chose comme :
sortie = Fθ(entrée)
les résultats sont des solutions fixes d'une fonction (combinaison) d'entrées.
Il n'y a pas d'état en fonction du temps. Ce sont des données qui forment d'énormes matrices et changent leur valeur à travers une fonction spécifique, qui, comme dans l'exemple cité, restreint les possibilités : entrée email → réponse automatique.
Pour conclure. La distance entre des modèles bio-inspirés tels que Neuraxon et des modèles linguistiques de grande taille ne devrait pas être expliquée en termes de puissance de calcul ou de volume de données. Il y a une différence plus profonde.
Le cerveau est, en lui-même, un système temporel continu. Son fonctionnement est défini par des dynamiques qui se déroulent au fil du temps, par des états qui évoluent, se dégradent et se réorganisent en permanence, même en l'absence de stimuli externes (Deco et al., 2009; Northoff, 2018).
Neuraxon se positionne délibérément dans cette même logique. Il n'essaie pas d'imiter 1 à 1 la complexité biophysique du cerveau, mais il incorpore explicitement le temps comme variable computationnelle. Son état interne évolue continuellement, porte le passé et module le présent, permettant l'adaptation sans avoir besoin d'une réinitialisation.
Les LLM, en revanche, fonctionnent très différemment. Ils manipulent des symboles ordonnés dans des séquences discrètes sans leurs propres dynamiques temporelles. Il n'y a pas de temps, seulement de l'ordre. Il n'y a pas d'adaptation, seulement des réponses pré-définies.
Tant que le temps ne fait pas partie de l'état gouvernant le calcul, les LLM peuvent être efficaces, mais ils ne seront guère autonomes dans un sens fort.
L'intelligence artificielle future vise à opérer dans des environnements dynamiques. C'est la raison pour laquelle Neuraxon inclut le temps comme variable fondamentale.
Un tissu d'intelligence vivant…
Comment cela se rapporte-t-il à Qubic?
Qubic fournit l'environnement de calcul continu et avec état nécessaire pour une intelligence consciente du temps.
C'est le substrat naturel sur lequel des modèles comme Neuraxon - adaptatifs, persistants et jamais « réinitialisés » - peuvent exister et évoluer.
Addenda
Jetez un coup d'œil aux équations. Ne paniquez pas !
1 Neurone biologique, V potentiel, « somme des flux de portes entrants et sortants »
2 Équation du modèle Neuraxon - similitude claire et directe avec le neurone biologique.
s état, wi & f(si) poids synaptiques dynamiques
3 Équation du modèle LLM. Les entrées (ordonnées dans une matrice) créent des sorties matricielles via une fonction fixe
p (xn+1 | x₁, …, xn) = softmax (Fθ (x₁, …, xn) )
Références
Deco, G., Jirsa, V. K., Robinson, P. A., Breakspear, M., & Friston, K. J. (2009). Le cerveau dynamique. PLoS Computational Biology, 5(8), e1000092.
Northoff, G. (2018). Le cerveau spontané. MIT Press.
Vaswani, A., et al. (2017). L'attention est tout ce dont vous avez besoin. NeurIPS.
Vivancos, D., & Sanchez, J. (2025). Neuraxon : Un nouveau plan de croissance neuronale et de computation. Qubic Science.
rint. Qubic Science.