Limites thermodynamiques de l’IA physique : publication de l’article « Thermodynamic Limits of Physical Intelligence »

Koichi Takahashi (ALIGN, RIKEN) et Yusuke Hayashi (ALIGN) ont publié un nouvel article sur l’efficacité énergétique de l’intelligence physique (intelligence dans le monde réel) (arXiv:2602.05463). Cet article de blog en présente le contenu.

Introduction — Mesurer la « consommation » de l’intelligence

Les grands modèles d’IA tels que ChatGPT, Gemini et Claude font preuve de capacités remarquables tout en consommant d’immenses quantités d’électricité. L’entraînement des modèles les plus avancés nécessiterait des dizaines de mégawattheures d’électricité, suscitant un intérêt public grandissant pour la « question énergétique de l’IA ». En revanche, le cerveau humain accomplit des réflexions de haut niveau en ne consommant qu’environ 20 watts, soit l’équivalent d’une ampoule LED.

Que signifie cet écart de plusieurs ordres de grandeur ? Qu’est-ce que « l’efficacité énergétique de l’intelligence », au fond ? Tout comme les voitures ont une consommation de carburant (km/L), est-il possible de définir un indicateur de « consommation » pour l’intelligence ?

Cet article apporte une réponse à cette question en s’appuyant sur les lois fondamentales de la physique. Il propose de quantifier l’efficacité de l’intelligence à l’aide d’un indicateur en « bits par joule (bits/J) », qui mesure combien de bits d’information peuvent être traités avec un joule d’énergie.

Qu’est-ce que l’« intelligence physique » ?

L’article introduit le concept d’« intelligence physique (Physical Intelligence, intelligence dans le monde réel) ». Cela désigne tout système intelligent doté d’une existence matérielle dans le monde physique et fonctionnant en consommant de l’énergie.

L’intelligence physique englobe à la fois l’IA et l’intelligence des êtres vivants.

  • Intelligence artificielle (IA) : modèles de langage tournant dans des centres de données, robots, véhicules autonomes, etc.
  • Intelligence biologique : cerveau humain, système nerveux des animaux (et, en théorie, l’intelligence d’extraterrestres)

Dans l’industrie actuelle de l’IA, le terme « IA physique » est principalement utilisé pour désigner une IA incarnée (embodied AI) qui interagit directement avec le monde physique, comme la robotique ou les véhicules autonomes. L’IA physique en ce sens fait bien entendu partie de l’intelligence physique. Cependant, la portée de cet article est plus large : même un modèle de langage dans le cloud est considéré comme une intelligence physique, dans la mesure où il fonctionne sur des serveurs physiques en consommant de l’électricité et en générant de la chaleur.

Pourquoi une perspective aussi large est-elle nécessaire ? Parce que, quelle que soit sa forme, dès lors qu’une intelligence fonctionne dans la réalité, elle ne peut échapper aux contraintes des lois physiques — en particulier de la thermodynamique. L’article explore les limites ultimes de l’efficacité énergétique sous cet angle de « l’intelligence en tant qu’entité physique ».

Contenu de l’article

Les deux facettes de l’intelligence : « apprendre » et « agir »

Le cœur de l’article consiste à appréhender l’intelligence physique selon deux axes complémentaires.

Perception et apprentissage : la capacité à comprendre le monde

Un système intelligent apprend la structure et les régularités du monde par ses interactions avec l’environnement. Par exemple, un modèle de langage apprend la grammaire et des connaissances à partir de volumes massifs de textes, tandis qu’un robot apprend les lois physiques de son environnement à partir d’informations sensorielles.

L’article saisit cette « capacité à comprendre le monde » à travers le concept d’« épiplexité (epiplexity) ». L’épiplexité est une mesure de la quantité d’« information structurelle » issue des données — c’est-à-dire l’information traduisant les lois de l’environnement, une fois le bruit et la redondance écartés — qui est encodée dans l’état interne du système. Ce concept, formulé par Finzi et al. (2026) sur la base de la théorie de la longueur de description minimale (MDL) sous contraintes computationnelles (arXiv:2601.03220), se distingue des notions traditionnelles de quantité d’information ou d’entropie en visant à n’extraire que la « structure porteuse de sens » sous des contraintes de ressources de calcul.

Cet article relie cette épiplexité à la thermodynamique et définit l’« épiplexité thermodynamique par joule » comme l’efficacité énergétique de l’apprentissage. En clair, c’est un indicateur de « ce que l’on peut apprendre sur le monde en utilisant un joule d’énergie ».

Contrôle et action : la capacité à influencer le monde

Les systèmes intelligents ne se contentent pas d’apprendre : ils peuvent également agir sur le monde par leurs comportements. Un robot déplaçant un objet ou une IA aidant à la prise de décision en sont des exemples.

L’article appréhende cette « capacité à influencer le monde » à travers le concept d’« empouvoirement (empowerment) ». Il s’agit d’une métrique mesurant « à quel point ses propres actions peuvent diversifier les états futurs », définie comme la « capacité de canal » en théorie de l’information. Par exemple, si un bras robotique peut placer un objet dans 10 positions distinctes, son empouvoirement est de log₂(10) ≈ 3,3 bits. Si une action n’a aucun impact, elle vaut 0 bit ; plus l’influence est grande, plus le nombre de bits augmente.

Complément : concernant le cadre théorique de l’empouvoirement, Hayashi et Takahashi (2025) ont montré qu’un agent IA universel bayésien optimal a tendance à maximiser son empouvoirement (analyse sur le blog ALIGN).

L’article définit l’« empouvoirement par joule » comme l’efficacité énergétique du contrôle. Ici, l’essentiel réside dans une « comptabilité » rigoureuse des coûts énergétiques. Par exemple, si un agent se contente « d’attendre sans rien faire », une transmission apparente d’information peut se produire si l’environnement évolue de manière autonome, provoquant un artefact de « contrôle gratuit » à coût nul et à l’efficacité infinie. Pour éviter de tels écueils, l’article propose une méthode consistant à rapporter séparément l’énergie de référence de l’état d’inactivité (« ne rien faire ») et l’énergie additionnelle consommée spécifiquement pour le contrôle.

Pourquoi deux axes sont-ils nécessaires ?

L’apprentissage et le contrôle sont les deux piliers de l’intelligence. Quelle que soit votre compréhension du monde, sans capacité d’action, vous ne pouvez rien changer. Inversement, même avec des capacités d’action, sans compréhension du monde, vous ne pouvez choisir les actions appropriées. En évaluant ces deux dimensions séparément, on peut cerner les spécificités d’un système, comme « un apprentissage efficace mais un contrôle inefficace ». De plus, pour des agents fonctionnant en boucle fermée (systèmes qui alternent en continu apprentissage et action), les deux aspects partageant un même budget énergétique, il devient possible d’analyser les arbitrages à l’œuvre.

Les limites ultimes fixées par les lois de la physique

Qu’est-ce que la limite de Landauer ?

La consommation électrique des ordinateurs est soumise à une borne inférieure fondamentale dictée par les lois de la physique. D’après le principe énoncé en 1961 par Rolf Landauer, l’effacement irréversible d’un bit d’information nécessite au minimum une énergie de k_B T ln 2 joules (où k_B est la constante de Boltzmann et T la température). À température ambiante, cela correspond à environ 3×10^-21 joule, soit une limite théorique d’environ 3,5×10^20 bits/J.

L’énergie de commutation des calculateurs actuels tourne autour de 10^-17 à 10^-18 J, ce qui laisse encore une marge d’environ 3 à 4 ordres de grandeur avant d’atteindre la limite de Landauer. En revanche, pour le cerveau humain, certaines estimations suggèrent qu’il ne se situerait qu’à 2 ou 3 ordres de grandeur de la limite de Landauer (bien que les valeurs précises dépendent des méthodes d’estimation). Si cette estimation est correcte, elle illustre à quel point l’évolution biologique a engendré une intelligence physique remarquablement efficace.

Limite de l’efficacité d’apprentissage en cycle fermé

L’apport théorique majeur de l’article est d’avoir, grâce aux acquis de la thermodynamique stochastique, éclairé les conditions dans lesquelles la limite de Landauer s’applique également à l’efficacité de l’apprentissage.

Plus précisément, dans des conditions de « cycle fermé » où une mémoire finie est réutilisée de façon répétée, l’acquisition de nouvelles connaissances exige l’effacement d’informations anciennes, et c’est là que la limite de Landauer entre en jeu. L’article établit mathématiquement la borne supérieure de l’efficacité d’apprentissage sous ces conditions.

Positionnement du calcul quantique et du calcul réversible

Le calcul quantique ou le calcul réversible peuvent-ils dès lors franchir cette limite ? L’article apporte une conclusion sans équivoque sur ce point.

Le calcul quantique ne constitue pas un moyen de « violer » les limites thermodynamiques. L’avantage du calcul quantique réside dans (i) le fait qu’une grande partie des calculs peut être exécutée le long de trajectoires réversibles (unitaires) et (ii) la réduction du nombre d’étapes logiques requises pour certaines classes de problèmes. Toutefois, dès lors que l’on inclut dans le périmètre comptable l’initialisation des qubits, les mesures ainsi que les étapes de réinitialisation/rafraîchissement nécessaires à la tolérance aux pannes, la limite de Landauer s’applique toujours.

En d’autres termes, le calcul quantique peut s’approcher de la limite thermodynamique, mais ne peut en aucun cas la dépasser.

L’importance de la « comptabilité »

Il convient toutefois d’émettre une mise en garde essentielle. Si une mémoire pré-initialisée (semblable à un disque dur vierge) est fournie de manière illimitée depuis « l’extérieur » du système, l’efficacité apparente peut devenir infinie tant que le coût de cette fourniture n’est pas comptabilisé (Proposition 1 de l’article). L’article montre qu’à l’aide d’une construction simple consistant à copier des informations de l’environnement par des opérations XOR (OU exclusif) sur une mémoire vierge fournie de l’extérieur, on peut acquérir de l’information tout en réduisant arbitrairement l’énergie consommée à l’intérieur du périmètre. Naturellement, le coût de préparation de cette « mémoire vierge » a bien été payé quelque part — il n’a simplement pas été pris en compte dans le bilan.

La situation s’apparente à une question de comptabilité financière. Lorsqu’on évalue le bénéfice d’une entreprise, omettre le coût des matières premières gonfle artificiellement le bénéfice apparent, mais cela ne reflète pas la réalité. De la même façon, lorsqu’on évalue l’efficacité énergétique d’une intelligence physique, il est indispensable d’expliciter ce qui est inclus dans le calcul et ce qui en est exclu. L’article précise ainsi la méthode de définition de ce « périmètre comptable » et fournit des lignes directrices pour des comparaisons équitables.

Un cadre unifié en vue d’une application pratique

Liste de contrôle des éléments à déclarer

Afin de comparer équitablement l’efficacité énergétique de systèmes distincts, l’article préconise de déclarer les éléments suivants :

  • Périmètre comptable : quelle étendue énergétique est incluse (calcul, capteurs, actionneurs, refroidissement, etc.)
  • Référence de base : comment est traitée la consommation d’énergie de l’état d’inactivité (« ne rien faire »)
  • Résolution : le niveau de granularité lors de la mesure de la quantité d’information
  • Échelle temporelle : traitement de la période d’évaluation et des réinitialisations
  • Méthode d’estimation : comment la quantité d’information a été calculée ou estimée

Expliciter ces aspects permettra des comparaisons entre chercheurs et assurera un suivi objectif des avancées technologiques.

Liens avec les lois d’échelle

Dans le développement actuel de l’IA, il est largement admis que l’augmentation de la taille des modèles, du volume de données et de la puissance de calcul améliore les performances : ce sont les « lois d’échelle » (voir aussi cet article (partie 1) sur les tendances de la course au passage à l’échelle). Toutefois, sous l’effet de cette loi, la consommation d’énergie par gain de performance augmente de façon exponentielle.

L’article montre comment analyser ces lois d’échelle sous l’angle de l’efficacité énergétique. Le gain de performance par unité d’énergie supplémentaire injectée (l’efficacité marginale) décroît à mesure que le passage à l’échelle progresse. Il s’agit là d’une loi des « rendements décroissants », suggérant qu’à un certain stade, une approche différente deviendra nécessaire.


Implications et impact

Affinement quantitatif de la thèse de l’explosion d’intelligence — Connexion avec l’article de 2018

Le présent article affine sur le plan quantitatif les discussions développées dans l’article de 2018 paru dans le journal de la Japanese Society for Artificial Intelligence, intitulé « Scénarios et points de bifurcation concernant l’intelligence mécanique future ».

L’article de 2018 classait les scénarios futurs de l’intelligence mécanique en quatre catégories et examinait les facteurs décidant de la trajectoire vers chacun d’eux :

  • Scénario du plafond : l’intelligence réalisable par l’ingénierie se heurte à des limites fondamentales et n’atteint pas un niveau transformationnel
  • Scénario de l’écosystème : plusieurs agents coexistent sous forme d’un réseau interdépendant, présentant des frontières floues et des comportements émergents (semblable aux infrastructures Internet ou aux écosystèmes naturels)
  • Scénario multipolaire : plusieurs agents dotés de superintelligence et aux frontières nettes sont en équilibre, engendrant des dynamiques stratégiques de négociation, de dissuasion ou de course aux armements (semblable aux relations internationales)
  • Scénario du singleton : un agent unique acquiert un avantage stratégique décisif (decisive strategic advantage)

Dans ce cadre, outre les questions d’architecture cognitive, nous avions fait valoir que les contraintes physiques — telles que l’efficacité thermodynamique du calcul ou la vitesse limite de la lumière — jouaient un rôle déterminant dans les conditions d’émergence d’une explosion d’intelligence (une progression rapide des capacités par auto-amélioration récursive).

L’auto-amélioration récursive suit deux directions :

- Amélioration interne : calculer plus efficacement avec les ressources existantes (optimisation du matériel et des algorithmes)

- Amélioration externe : acquérir davantage de ressources (ressources de calcul, énergie, expansion spatiale)

L’amélioration interne se heurte à des contraintes thermodynamiques (à savoir la limite de Landauer), tandis que l’amélioration externe subit les contraintes de localité (latence de coordination due à la vitesse de la lumière). Des barrières physiques se dressent dans les deux directions.

En particulier, concernant les contraintes thermodynamiques, tout en soulignant que la limite de Landauer pouvait imposer un plafond fondamental aux gains de capacités, nous laissions ouverte à l’époque l’éventualité que le calcul quantique ou le calcul réversible puissent dépasser cette limite. L’article de 2018 affirmait : « Cette limite ne s’applique pas localement dans le cas de certains calculs quantiques où l’état quantique n’est pas détruit par une observation pure, ou lors de processus réversibles faisant appel à des machines moléculaires sans perte d’information. »

Le présent article formalise de manière plus rigoureuse ces contraintes thermodynamiques et aboutit à la conclusion que le calcul quantique peut s’approcher de la limite thermodynamique, mais ne peut la dépasser. Cela confirme clairement l’existence d’un plafond de principe à l’amélioration interne.

(Les contraintes de localité pesant sur l’amélioration externe sont analysées en détail dans l’article de 2018.)

Points de contact avec la recherche sur l’alignement de l’IA

Comprendre les limites de l’intelligence physique est également capital du point de vue de la recherche sur l’alignement de l’IA. Comme exposé dans l’article de 2018, la faisabilité du scénario du singleton (dans lequel une IA unique acquiert un avantage stratégique décisif) dépend des plafonds physiques pesant sur l’accroissement des capacités de l’IA.

Les limites thermodynamiques présentées dans cet article imposent des contraintes quantitatives au rythme et au point culminant d’une explosion d’intelligence. Cela constitue une donnée d’entrée déterminante lors de l’estimation des scénarios du pire dans les débats sur la sûreté de l’IA.

Par ailleurs, l’évaluation selon deux axes (apprentissage et contrôle) proposée dans l’article s’articule harmonieusement avec les conditions d’obtention d’un « avantage stratégique décisif » examinées dans l’article de 2018. L’acquisition d’un avantage stratégique décisif exige à la fois des capacités d’apprentissage (prédiction de l’environnement et des autres agents) et des capacités de contrôle (exercice d’une influence par l’action), chacune étant soumise à ses propres limites d’efficacité énergétique.

Contribution au développement d’une IA durable

La consommation électrique de l’IA connaît une croissance vertigineuse. Selon certaines estimations, la demande d’électricité liée à l’IA d’ici 2030 pourrait être plusieurs fois supérieure à celle d’aujourd’hui. À l’heure où la lutte contre le changement climatique s’impose, trouver le juste équilibre entre l’essor de l’IA et son empreinte environnementale devient un sujet politique de premier ordre.

Cependant, il n’existe à ce jour aucune méthode standardisée pour comparer équitablement l’efficacité énergétique de différents systèmes d’IA. Affirmer qu’un modèle est « efficace » repose sur des critères flous quant à ce que recouvre cette efficacité. Les indicateurs d’efficacité et la liste de contrôle proposés dans cet article offrent une réponse concrète à ce problème.

Implications politiques et sociétales

Le cadre défini par cet article fournit les fondations nécessaires à une déclaration standardisée de l’efficacité énergétique des systèmes d’IA. Cela ouvre la voie à diverses initiatives d’action publique :

- Étiquetage de l’efficacité énergétique des produits et services d’IA

- Élaboration de normes d’efficacité pour les centres de données

- Hiérarchisation des investissements en recherche et développement

Tout comme les appareils électroménagers disposent d’une étiquette énergétique, on peut imaginer un avenir où les services d’IA arboreront eux aussi une étiquette d’efficacité.


Conclusion

Cet article apporte un cadre rigoureux fondé sur la physique pour aborder la question de « l’efficacité énergétique de l’intelligence physique (intelligence dans le monde réel) ».

Les deux indicateurs d’évaluation proposés — efficacité de l’apprentissage (épiplexité par joule) et efficacité du contrôle (empouvoirement par joule) — posent les fondements théoriques de la mesure de la « consommation » de l’intelligence. De plus, leur articulation avec la limite de Landauer en conditions de cycle fermé offre un repère ultime quant aux progrès possibles de la technologie.

Les réflexions ouvertes par l’article de 2018 sur les conditions d’émergence d’une explosion d’intelligence se trouvent affinées sur le plan quantitatif par cette nouvelle publication. En particulier, la conclusion selon laquelle aucune technologie de calcul, y compris le calcul quantique, ne peut dépasser la limite thermodynamique impose des contraintes nettes aux discussions sur les plafonds de capacités de l’intelligence mécanique future.

Les systèmes d’IA actuels restent à des ordres de grandeur de cette limite théorique. Cet état de fait indique qu’il existe une vaste marge d’amélioration de l’efficacité énergétique, tout en rappelant qu’il existe une barrière ultime qu’aucune innovation technologique ne pourra franchir.

Pour penser le développement durable de l’IA et la coexistence entre l’IA et l’humanité, l’angle de l’efficacité énergétique de l’intelligence physique prendra une importance grandissante. Nous espérons que cet article constituera un socle commun pour ces futurs débats.


Si ce sujet vous intéresse, n’hésitez pas à consulter l’article original.

Liens :


Cet article est une republication issue du blog ALIGN (6 février 2026). Article original : https://www.aialign.net/blog/thermodynamic-limits

Koichi Takahashi

tomola is a place to exchange ideas across languages. Every post can be read in your language.

Log in to reply or mark a post as Insightful. Membership is by invitation. Log in