Comment fonctionne l'IA neuro-symbolique – et pourquoi c'est important

Deux cerveaux, une machine

L'intelligence artificielle moderne a une personnalité partagée. D'un côté, on trouve les réseaux neuronaux, de puissants moteurs de reconnaissance de formes qui apprennent à partir de vastes ensembles de données, mais qui ne peuvent pas expliquer leur raisonnement et inventent régulièrement des faits. De l'autre, il y a l'IA symbolique, la logique basée sur des règles qui a dominé le domaine dans les années 1980 : transparente et précise, mais rigide et étroite. L'IA neuro-symbolique fusionne les deux en une seule architecture, et un nombre croissant de recherches suggère que cet hybride pourrait être la clé pour rendre l'IA fiable, efficace et beaucoup plus performante.

Qu'est-ce que l'IA neuro-symbolique ?

Essentiellement, un système neuro-symbolique comporte trois couches. Une couche de perception neuronale traite les données brutes et non structurées (images, audio, texte) à l'aide de l'apprentissage profond pour détecter les motifs et les caractéristiques. Une couche de raisonnement symbolique applique la logique formelle, les graphes de connaissances et les règles explicites pour interpréter ce que la couche neuronale a trouvé. Une couche d'intégration relie les deux, faisant circuler l'information dans les deux sens afin que la reconnaissance des formes et le raisonnement logique se renforcent mutuellement.

Considérez cela comme la différence entre un enfant qui peut reconnaître un chat sur une photo (neuronal) et un autre qui sait également que les chats sont des mammifères, que les mammifères sont des animaux à sang chaud et que les animaux à sang chaud ont besoin de nourriture (symbolique). L'enfant neuro-symbolique peut à la fois voir et raisonner.

Pourquoi cela résout-il le problème des hallucinations ?

Les grands modèles de langage comme ChatGPT génèrent du texte en se basant sur la probabilité statistique, et non sur la compréhension. C'est pourquoi ils produisent parfois des absurdités qui semblent convaincantes, ce qu'on appelle des hallucinations. Artur Garcez, professeur d'informatique à City St George's, Université de Londres, affirme que l'IA neuro-symbolique est « la solution à l'incapacité des grands modèles de langage à cesser d'halluciner », car les contraintes symboliques obligent les sorties à suivre des règles logiques vérifiables plutôt qu'une simple probabilité.

Le Forum économique mondial a souligné que les systèmes neuro-symboliques ne produisent « aucune hallucination » et offrent une prise de décision « totalement transparente et vérifiable », des qualités essentielles pour les domaines à enjeux élevés comme la santé, la finance et le droit.

Un avantage énergétique de 100x

Une équipe de recherche dirigée par Matthias Scheutz à l'Université Tufts a récemment démontré l'efficacité de cette approche. En testant des modèles neuro-symboliques de vision-langage-action (VLA) – des systèmes robotiques qui combinent l'entrée de la caméra et les instructions de langage pour effectuer des tâches physiques – l'équipe a rapporté des résultats spectaculaires :

• 95 % de précision sur une tâche standard de la Tour de Hanoï, contre 34 % pour un modèle VLA conventionnel
• 78 % de réussite sur une variante plus difficile et inédite du puzzle, tandis que les modèles standard ont obtenu 0 %
• Formation terminée en 34 minutes au lieu de plus de 36 heures
• Utilisation d'environ 1 % de l'énergie de formation et 5 % de l'énergie d'exécution par rapport aux approches standard

« Un VLA neuro-symbolique peut appliquer des règles qui limitent la quantité d'essais et d'erreurs pendant l'apprentissage », a expliqué Scheutz. Les résultats, publiés sur arXiv, seront présentés à IEEE ICRA 2026 à Vienne.

Applications concrètes aujourd'hui

Les principes neuro-symboliques sous-tendent déjà plusieurs systèmes d'IA de premier plan. AlphaFold de Google DeepMind, qui prédit les structures des protéines pour la découverte de médicaments, combine des modèles neuronaux appris avec des contraintes biochimiques. L'assistant d'achat d'Amazon, Rufus, utilise de grands modèles de langage contraints par des couches symboliques liées aux catalogues de produits et à la logique de tarification pour empêcher les allégations de produits fabriquées.

IBM Research, en collaboration avec le MIT par le biais du Watson AI Lab, qualifie l'IA neuro-symbolique de « voie vers l'intelligence artificielle générale » et l'a appliquée à des domaines allant de la découverte de médicaments contre la COVID-19 au raisonnement abstrait de type test de QI.

La voie à suivre

À mesure que les systèmes d'IA s'implantent dans la médecine, les véhicules autonomes et les infrastructures critiques, la demande d'explicabilité et de fiabilité ne fera que croître. Les réseaux neuronaux purs évoluent de manière impressionnante, mais restent opaques ; les systèmes symboliques purs sont transparents, mais fragiles. L'IA neuro-symbolique offre une voie médiane : des machines capables d'apprendre à partir de données réelles désordonnées et de raisonner sur ce qu'elles ont appris, en utilisant une fraction de l'énergie. Qu'elle représente la « troisième vague » de l'IA ou simplement une correction nécessaire, l'approche hybride passe rapidement des laboratoires de recherche aux systèmes de production dans le monde entier.