Des chercheurs de la Tufts University School of Engineering ont développé une architecture d’IA hybride combinant réseaux de neurones et raisonnement symbolique, capable d’accomplir des tâches complexes en consommant 100 fois moins d’énergie que les systèmes classiques.

La consommation énergétique des systèmes d’intelligence artificielle est l’un des enjeux les plus brûlants du secteur. Les grands modèles de langage et les systèmes de vision-action (VLA) nécessitent des quantités d’électricité considérables pour s’entraîner et fonctionner au quotidien. Une équipe de Tufts University, dans une étude déposée sur arXiv en février 2026, propose une alternative radicalement plus sobre.

Leur approche, dite neuro-symbolique, marie deux paradigmes longtemps considérés comme incompatibles : les réseaux de neurones profonds (efficaces pour reconnaître des structures complexes dans les données) et le raisonnement symbolique (la capacité à appliquer des règles logiques structurées, comme le ferait un humain face à un problème). En les combinant, les chercheurs obtiennent un système capable de raisonner avec efficacité, sans recourir à la force brute computationnelle.

Les résultats sont frappants. L’entraînement du modèle neuro-symbolique n’a requis que 1 % de l’énergie d’un VLA standard, et seulement 5 % lors de l’exécution. Le temps d’apprentissage est passé de plus de 36 heures à tout juste 34 minutes. Sur le problème de référence choisi par les auteurs (la Tour de Hanoï), le système atteint un taux de réussite de 95 %, contre 34 % pour les approches traditionnelles. Face à une version inédite du puzzle, il maintient 78 % de succès quand les VLA classiques échouent à 0 %.

Ces travaux, intitulés « The Price Is Not Right », ouvrent une piste prometteuse pour développer des IA moins énergivores sans sacrifier la performance — un enjeu crucial à l’heure où les data centers d’IA engloutissent des volumes d’électricité toujours plus importants et où la pression réglementaire sur l’empreinte carbone du numérique s’intensifie en Europe.