💻 informatique

Oncomorphic computing: a bioinspired paradigm for decentralized adaptation across software and hardware

Cet article introduit l'« informatique oncomorphique », un paradigme bioinspiré qui détourne les principes de survie du cancer — tels que le comportement décentralisé, la plasticité phénotypique et le recrutement de ressources — pour créer une intelligence machine résiliente, capable de s'adapter et de se restructurer de manière autonome à travers le logiciel et le matériel dans des environnements bruyants, endommagés ou à ressources limitées.

Auteurs originaux : Rosalia Moreddu, Philip Greulich, Christian Baumgartner, Francesca Borghi, Michael Levin

Publié 2026-10-29

📖 8 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Rosalia Moreddu, Philip Greulich, Christian Baumgartner, Francesca Borghi, Michael Levin

Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez une machine qui ne se brise pas lorsque des pièces tombent en panne, mais qui apprend plutôt à vivre avec les dommages, en modifiant ses objectifs et en réorganisant ses propres fonctions pour continuer à fonctionner. C'est le défi central auquel est confrontée la prochaine génération de systèmes autonomes, des engins spatiaux voyageant dans l'espace profond aux implants médicaux à l'intérieur du corps humain. L'intelligence artificielle actuelle est incroyablement puissante, mais elle repose sur un fondement de stabilité : une alimentation fiable, une communication constante et un matériel qui ne se dégrade pas. Lorsque ces conditions disparaissent, comme c'est souvent le cas dans les environnements extrêmes ou lors d'un suivi biologique à long terme, les systèmes standards ont tendance à s'effondrer. Ils sont conçus pour être parfaits, et quand ils ne le sont plus, ils s'arrêtent. Pour résoudre ce problème, les chercheurs se tournent vers une source improbable pour trouver un modèle : la biologie du cancer. Si le cancer est une maladie de croissance incontrôlée, il représente également une classe de maître en matière de survie décentralisée. Les tumeurs persistent sans cerveau central, s'adaptent à la famine et réorganisent leur structure interne lorsque des parties sont détruites. En étudiant comment les cellules cancéreuses survivent et prospèrent dans des conditions hostiles, une équipe de scientifiques a proposé une nouvelle façon de concevoir des machines capables de faire de même.

Les chercheurs, un groupe d'experts issus d'universités du Royaume-Uni, d'Autriche, d'Italie et des États-Unis, ont introduit un concept qu'ils appellent « l'informatique oncomorphique » (oncomorphic computing). Il ne s'agit pas d'un appareil unique ou d'un type spécifique de logiciel, mais d'une nouvelle philosophie pour construire des systèmes intelligents. L'idée centrale est de cesser de traiter les machines comme des structures rigides qui doivent être réparées ou remplacées lorsqu'elles tombent en panne. Au lieu de cela, ils proposent de concevoir des systèmes où chaque petite partie, qu'il s'agisse d'un programme logiciel, d'un capteur ou d'une articulation de robot, agit comme un agent indépendant. Ces agents surveillent constamment leur propre santé et leur environnement local. Si une partie du système est endommagée ou manque d'énergie, les agents n'attendent pas qu'un ordinateur central émette une correction. Ils négocient avec leurs voisins, partageant les ressources et déplaçant les responsabilités. Si un agent ne peut plus accomplir sa tâche, il peut la transmettre à un voisin plus sain, ou l'ensemble du système peut simplement décider d'abandonner une fonction moins importante pour économiser l'énergie pour les plus critiques.

L'article soutient que cette approche est nécessaire car l'avenir de l'autonomie se situe dans des lieux imprévisibles. Un rover sur Mars ne peut pas attendre des instructions de la Terre si une éruption solaire perturbe sa communication. Un essaim de robots dans une zone de catastrophe ne peut pas compter sur un serveur central si le réseau est fragmenté. Un modèle numérique d'une tumeur de patient doit pouvoir s'adapter à mesure que la maladie évolue, même si les données entrantes sont incomplètes ou bruitées. Dans ces scénarios, l'objectif n'est pas d'être parfaitement précis à chaque instant, mais de rester utile le plus longtemps possible. Les auteurs suggèrent qu'en empruntant les principes de la biologie du cancer — tels que la capacité des cellules à changer d'identité, à recruter des ressources auprès de leurs voisines et à migrer des fonctions vers des zones plus sûres — les ingénieurs peuvent construire des machines résilientes par conception.

Pour rendre cette idée concrète, les chercheurs ont créé un cadre mathématique décrivant comment ces systèmes devraient se comporter. Ils imaginent un réseau d'agents, chacun doté de sa propre mémoire, de sa propre puissance et de sa propre capacité de traitement. Dans un état sain, ces agents travaillent ensemble pour maximiser la performance. Mais quand le stress survient, le système change. Des agents endommagés peuvent être isolés pour éviter qu'ils ne propagent des erreurs, tandis que les agents sains absorbent leurs tâches. Le système ne cherche pas à réparer immédiatement la partie défectueuse ; au lieu de cela, il se réorganise autour du dommage, préservant les objectifs de la mission les plus importants. C'est un changement par rapport à la pensée traditionnelle, où l'on attend d'une machine qu'elle exécute un programme spécifique exactement tel qu'il est écrit. Dans cette nouvelle vision, la machine est un réseau vivant qui négocie sa propre survie, décidant constamment quelles fonctions valent la peine d'être conservées et lesquelles peuvent être abandonnées.

L'article explore comment ce concept pourrait être appliqué dans différents domaines. En logiciel, il suggère de décomposer les grands modèles d'intelligence artificielle en modules plus petits et indépendants capables de s'adapter aux défaillances locales. Si une partie du cerveau d'un robot échoue, le reste du système peut réassigner les tâches pour maintenir le mouvement du robot. En matériel, l'idée pointe vers de nouveaux types de puces informatiques capables de se recâbler lorsqu'une partie est endommagée, de la même manière qu'une tumeur réorganise son apport sanguin. Les chercheurs examinent également le côté biologique de l'équation, suggérant que ce même cadre pourrait aider les scientifiques à mieux comprendre le cancer lui-même. En traitant une tumeur comme un système informatique décentralisé, ils peuvent simuler la façon dont elle s'adapte aux médicaments et au stress, ce qui pourrait mener à de meilleurs traitements.

L'une des applications les plus frappantes évoquées concerne le domaine de la médecine numérique. Les auteurs proposent d'utiliser cette approche pour créer des « jumeaux numériques » de tumeurs humaines. Il s'agirait de modèles informatiques imitant le comportement du cancer d'un patient spécifique, composés de milliers d'agents virtuels représentant des cellules individuelles. À mesure que de nouvelles données arrivent du patient, le modèle se met à jour, apprenant comment la tumeur est susceptible d'évoluer. Parce que le modèle est construit sur les mêmes principes d'adaptation que la tumeur réelle, il pourrait prédire comment la maladie répondra à différents traitements, même face à l'incertitude. Cela pourrait aider les médecins à choisir des thérapies plus susceptibles de fonctionner, non pas sur la base du patient moyen, mais sur la base du comportement chaotique et unique de la maladie de cet individu spécifique.

Les chercheurs précisent avec prudence qu'il s'agit d'une proposition pour une nouvelle façon de penser, et non d'un produit fini. Ils reconnaissent que la construction de tels systèmes est difficile. Cela nécessite de trouver un équilibre entre le coût énergétique de l'adaptation constante et le besoin de stabilité. Si un système dépense trop d'énergie à se réorganiser, il pourrait manquer de puissance avant d'avoir pu accomplir sa tâche. Il existe également des préoccupations de sécurité. Une machine capable de modifier sa propre structure et ses propres objectifs doit être soigneusement contrôlée pour s'assurer qu'elle ne prenne pas de décisions dangereuses. L'article suggère que ces systèmes ont besoin de couches de sécurité intégrées capables d'outrepasser le processus adaptatif si les choses vont trop loin, garantissant que la machine ne perde jamais de vue sa mission fondamentale.

Malgré ces défis, les récompenses potentielles sont significatives. L'article suggère qu'en embrassant la nature désordonnée et décentralisée de la survie biologique, nous pouvons construire des machines bien plus robustes que tout ce que nous possédons aujourd'hui. Ces systèmes ne feraient pas que survivre aux dommages ; ils les utiliseraient comme un signal pour se réorganiser et poursuivre leur travail. Qu'il s'agisse d'un robot explorant une grotte, d'un capteur surveillant le cœur d'un patient ou d'un ordinateur modélisant une maladie complexe, l'objectif est le même : créer une intelligence capable de perdurer. Les auteurs pensent que ce changement de perspective, passant de la construction de machines parfaites à celle de machines résilientes, est essentiel pour l'avenir de la technologie. Ils ne proposent pas seulement un nouvel algorithme ou une nouvelle puce ; ils proposent une nouvelle façon de concevoir ce que signifie pour une machine être vivante, adaptable et utile dans un monde en constante mutation.

Le passage de cette idée à la réalité prendra du temps. Les chercheurs esquissent une voie à suivre, commençant par des simulations et des tests à petite échelle, progressant vers un matériel plus complexe, pour atteindre finalement des applications robotiques et biologiques à grande échelle. Ils voient un futur où la frontière entre logiciel et matériel s'estompe, où la structure physique d'une machine est aussi adaptable que son code. Dans ce futur, une machine qui perd une pièce ne s'arrête pas ; elle devient simplement un type différent de machine, capable de faire ce qui importe le plus. C'est la promesse de l'informatique oncomorphique : une vision d'une technologie qui ne craint pas l'échec, mais qui apprend de lui, tout comme la vie l'a fait pendant des milliards d'années.

Résumé Technique : L'Informatique Oncomorphique

1. Énoncé du Problème

L'intelligence artificielle et les systèmes autonomes contemporains sont principalement conçus pour des environnements stables et riches en ressources, caractérisés par un matériel fiable, une communication constante et une énergie abondante. Cependant, les applications critiques — telles que l'exploration spatiale profonde, les dispositifs médicaux implantables, les réseaux de capteurs distribués et les essaims robotiques — opèrent dans des conditions de bruit, de dommages, de pénurie et d'imprévisibilité. Dans ces environaux, les approches classiques de tolérance aux pannes (redondance, retour en arrière, correction d'erreurs) échouent souvent car elles supposent que les défaillances sont connues, isolables ou récupérables via des mécanismes prédéfinis. Lorsque la dégradation est soudaine, que les ressources sont compétitives et que la communication est retardée, les systèmes existants peinent à maintenir la fiabilité et la longévité. Le défi fondamental consiste à concevoir une intelligence machine capable de préserver une fonction utile et la viabilité de la mission lorsque le substrat computationnel lui-même est en train de faillir, plutôt que de simplement corriger des erreurs au sein d'un cadre stable.

2. Méthodologie et Cadre de Travail

Le document propose l'Informatique Oncomorphique, un paradigme bioinspiré qui abstrait les principes de survie de la biologie cancéreuse (spécifiquement la décentralisation, la plasticité phénotypique, la spécialisation hétérogène et le recrutement de ressources) et les réadapte pour la conception de logiciels et de matériel.

2.1 Formalisation de Haut Niveau

Le paradigme est formalisé comme un problème de contrôle décentralisé contraint sur un graphe variant dans le temps $G(t) = (V, E(t))$ , où les sommets représentent des agents locaux (processus logiciels, tuiles matérielles, capteurs ou cellules) et les arêtes représentent des voies dynamiques.

État de l'Agent : Chaque agent $i$ $i$ maintient un vecteur d'état $z_i(t)$ $z_{i} (t)$ comprenant :
- État de la Tâche ( $x_i$ ) : Poids du modèle interne, données mises en cache, ou variables biologiques.
- Santé ( $h_i \in [0,1]$ ) : Une mesure continue de la capacité de l'unité à contribuer à des tâches utiles, évoluant sous l'effet des dommages et du stress.
- Confiance ( $\tau_i \in [0,1]$ ) : Une mesure de la fiabilité de la sortie, distincte de la santé physique.
- Ressources ( $r_i$ ) : Mémoire ( $m$ ), puissance ( $p$ ) et bande passante ( $b$ ) locales allouables.
- Mode ( $\sigma_i$ ) : Un état discret (actif, relais, dormant, migrant) représentant la plasticité phénotypique.
Contrôle Local : Les agents opèrent sous une observabilité partielle, utilisant des observations locales $o_i(t)$ pour sélectionner des actions via une politique $\pi_i$ .
Dynamique d'Adaptation :
- Mise à jour de la Santé : La santé évolue en fonction des dommages accumulés, de la charge induite et du soutien compensatoire des voisins ( $S_i$ ).
- Recrutement de Ressources : Les agents peuvent transférer des ressources ( $T_{ij}$ ) aux voisins, modélisant l'« héritage » de fonction observé dans les systèmes biologiques.
- Viabilité de la Tâche : Le succès du système est mesuré par l'utilité conservée des fonctions critiques ( $V(t)$ ) plutôt que par la précision globale de la tâche. Le système priorise un « noyau de mission protégé », abandonnant les tâches non essentielles pour préserver les plus critiques sous l'effet du stress.
Mécanismes de Sécurité : Le cadre inclut des règles de quarantaine pour isoler les unités à faible intégrité et des conditions de mode sécurisé externes pour prévenir l'auto-modification incontrôlée.

2.2 Comparaison avec les Paradigmes Adjacents

Le document distingue l'informatique oncomorphique de :

L'Informatique Numérique Classique : Déplace l'accent de l'exécution exacte sur un matériel stable vers la préservation de l'utilité de la mission sous la dégradation du substrat.
L'IA Distribuée/Edge : Va au-delà de la coordination basée sur des protocoles pour proposer une évaluation des nœuds sensible à la santé et un héritage fonctionnel lors d'une dégradation progressive.
L'Informatique Neuromorphique : Bien que les systèmes neuromorphiques imitent la dynamique neuronale pour l'efficacité, les systèmes oncomorphiques traitent spécifiquement de la gestion des dommages physiques du substrat et de la rareté des ressources sans contrôle central.
L'Intelligence en Essaim : Contrairement aux essaims homogènes, les agents oncomorphiques possèdent des états internes hétérogènes, entrent en compétition pour les ressources et subissent une différenciation de rôle basée sur la survie plutôt que sur la simple précision de représentation.

3. Contributions Clés et Frontières d'Application

Le document expose comment ce paradigme répond à des goulots d'étranglement spécifiques et s'applique à plusieurs domaines :

3.1 Goulots d'Étranglement de l'Apprentissage Automatique

Surcharge Centralisée : Propose de briser les piles monolithiques en agents interactifs avec des estimations de santé locales, permettant le recrutement de ressources et la simplification des tâches lorsque la communication se dégrade.
Oubli Catastrophique : Traite l'hétérogénéité comme une ressource. Les modules stables préservent les capacités de haute valeur tandis que les modules plastiques absorbent les nouvelles informations, empêchant l'écrasement des fonctions essentielles.
Scalabilité : Remplace le consensus global par une communication déclenchée par des événements et un routage sensible à la santé, permettant aux systèmes de passer en modes de « triage » sous un stress sévère.

3.2 Matériel Adaptatif et Co-conception

Court Terme : Utilise du matériel numérique reconfigurable (ex: FPGA) où la reconfiguration partielle et la gestion sensible aux fautes permettent un remappage gradué et une migration de tâches.
Long Terme : Explore les substrats de calcul memristifs et en mémoire. Ces dispositifs offrent un stockage et un calcul locaux, permettant une adaptation à des échelles spatiales plus fines, bien qu'ils nécessitent de gérer les non-idéalités comme la variabilité et la programmation non linéaire.

3.3 Biologie Computationnelle et Médecine Numérique

Jumeaux Numériques : Propose de construire des jumeaux tumoraux spécifiques aux patients en tant que populations d'agents cellulaires interactifs. Ces jumeaux assimilent continuellement des données (imagerie, moléculaire) pour mettre à jour les paramètres locaux, prédisant les trajectoires de la maladie et les mécanismes de résistance.
Oncologie Computationnelle : Modélise les tumeurs comme des systèmes adaptatifs distribués où les agents intègrent des états bioélectriques (potentiel de membrane, dynamique du calcium) avec des indices métaboliques et mécaniques pour simuler des états adaptatifs transitoires (ex: tolérance aux médicaments) que les modèles globaux ignorent.
Bioélectronique en Boucle Fermée : Permet des perturbations automatisées déclenchées par l'état dans des systèmes in vitro. Les régions de détection agissent comme des agents locaux qui interviennent (via stimulation ou administration de médicaments) uniquement lorsque la confiance est suffisante, créant une boucle fermée pour la biophysique adaptative.

3.4 Systèmes Robotiques

Exploration Spatiale Profonde : Réorganise le contrôle autour de la viabilité locale, permettant aux rovers de réduire leur ambition de terrain ou de changer de rôle (ex: de l'explorateur au relais) en fonction de l'énergie et de la qualité de la liaison.
Robotique Humanoïde : Implémente une autopréservation graduée où l'autorité de contrôle migre vers les parties du corps les plus compétentes (ex: transférer la charge d'un genou soumis à un stress thermique vers les mains) à mesure que la compétence locale change.
Robotique Souple : Fournit une couche d'arbitrage pour les systèmes où les dommages altèrent simultanément la mécanique et la détection, permettant au système de décider quelles régions sont assez fiables pour gouverner le comportement.
Robotique Chirurgicale : Crée un « champ de confiance vivant » où chaque voie de détection maintient son propre état, allouant l'autorité en fonction de la confiance actuelle plutôt que de la capacité nominale.
Capteurs Portables : Traite la fiabilité comme étant distribuée, négociant la confiance et la densité d'échantillonnage à travers un réseau de capteurs pour maintenir la surveillance physiologique malgré la dérive de l'interface ou les dommages physiques.

4. Résultats et Revendications

Le document ne présente pas de nouvelles données expérimentales mais plutôt un cadre conceptuel et une feuille de route pour l'implémentation.

Contribution Théorique : Il fournit une formalisation mathématique pour un système où la « viabilité » est l'objectif primaire, distinct de l'« exactitude ».
Feuille de Route : Les auteurs proposent un chemin de développement par étapes :
1. Proche terme : Démonstrations logicielles (agents neuronaux, apprentissage continu sensible aux ressources) et inférence distribuée sensible à la santé.
2. Intermédiaire : Liaison des politiques à des substrats adaptatifs (FPGA sensibles aux fautes, accélérateurs hybrides digitaux-en-mémoire) et affinement des formalismes biologiques (jumeaux numériques bayésiens).
3. Long terme : Déploiement incarné dans la robotique, les systèmes chirurgicaux et les dispositifs portables capables d'adaptation structurelle et fonctionnelle autonome.
Métriques : Le document définit des métriques spécifiques pour l'évaluation, notamment l'Utilité de Mission Retenue (RMU), le temps de récupération ( $T_{rec}$ ), le surcoût énergétique d'adaptation ( $\eta_{adapt}$ ) et les comptages d'états dangereux.

5. Signification et Conclusion

Le document affirme que l'informatique oncomorphique représente un changement fondamental dans la conception de l'intelligence machine résiliente. En extrayant les principes de survie décentralisés de la biologie cancéreuse, il offre un cadre pour des systèmes capables de continuer à fonctionner sous l'incertitude, la rareté et la défaillance partielle. Sa signification réside dans le pont jeté entre la dynamique logicielle et la conception de matériel adaptatif, allant au-delà de l'hypothèse d'un substrat stable. Les auteurs soutiennent que cette approche est essentielle pour les futures applications en santé numérique, systèmes autonomes et robotique incarnée, où la capacité de préserver les fonctions critiques par une négociation et une restructuration continues est plus précieuse que le maintien d'une exactitude parfaite dans un environnement défaillant. La réalisation de ce paradigme nécessite de relever les défis liés à la surcharge de calcul, aux non-idéalités matérielles et à la gouvernance éthique des systèmes d'auto-restructuration.