On a longtemps résumé le neurone à un interrupteur : allumé ou éteint, on se trompait lourdement.
Le 7 juillet 2026, une équipe de l’Université hébraïque de Jérusalem et de l’Université libre d’Amsterdam a publié dans la revue Proceedings of the National Academy of Sciences (PNAS) un résultat qui bouscule l’image classique de la cellule nerveuse.
Menés par les professeurs Idan Segev et Michael London, avec les doctorants Ido Aizenbud et Daniela Yoeli, ces travaux montrent qu’un seul neurone du cortex humain calcule à lui seul autant qu’un réseau de neurones artificiel profond (le type de programme qui fait tourner l’intelligence artificielle d’aujourd’hui).
Autrement dit, la puissance du cerveau ne tiendrait pas seulement à son nombre de cellules, mais aussi à ce que chacune sait faire dans son coin !
Lire aussi :
- Une percée scientifique : le vortion, un nouvel état magnétique qui imite les synapses du cerveau
- Nos cerveaux grossissent et c’est une très bonne nouvelle d’après cette étude
Un seul neurone du cortex humain calcule à lui seul autant qu’un réseau de neurones artificiel profond
Dès 1943, deux chercheurs, Warren McCulloch et Walter Pitts, proposent une version épurée du neurone : une cellule qui récolte les signaux de ses voisines, les additionne, puis émet une impulsion si le total dépasse un certain seuil.
En dessous, silence. Au-dessus, décharge. Zéro ou un, comme un transistor.
Cette caricature a eu une descendance considérable. C’est elle qui a inspiré le perceptron des années 1950, puis les neurones artificiels empilés par milliards dans les réseaux qui alimentent aujourd’hui la reconnaissance d’images ou les grands modèles de langage. Pratique, cette image d’un neurone simple additionneur.
Un peu trop, justement, quand on regarde la cellule du cortex humain de plus près.
Mesurer la puissance d’une cellule, mode d’emploi
Comment chiffrer ce que « calcule » un neurone ? Sa taille ou sa forme ne disent rien de sa puissance de traitement. L’équipe a donc fabriqué un sosie numérique de la cellule. L’idée est de partir d’un modèle biophysique très détaillé d’un neurone réel, de lui injecter des signaux d’entrée, de noter sa réponse avant de demander à un réseau de neurones artificiel de reproduire fidèlement cette relation entrée-sortie, milliseconde par milliseconde.
Le verdict, on s’en doute, tient dans la difficulté de l’imitation. Un neurone rudimentaire se laisse copier par un petit réseau. Une cellule plus sophistiquée exige un réseau bien plus profond, avec de nombreuses couches empilées, avant que la copie ne colle au modèle. Plus le sosie doit être compliqué, plus le neurone d’origine est puissant. Les chercheurs ont transformé cette idée en une véritable toise, baptisée « indice de complexité fonctionnelle ». Une première version, publiée en 2021, avait déjà réservé une surprise : imiter un simple neurone de cortex de rat réclamait un réseau de cinq à huit couches, là où le manuel scolaire en promettait une seule.
| Ce qu’on regarde | Le neurone « interrupteur » (vision classique) | Le neurone réel (étude 2026) |
|---|---|---|
| Rôle de la cellule | Additionner les signaux reçus et décider oui ou non | Combiner les signaux par des traitements internes élaborés |
| Traitement des entrées | Une simple somme | Une analyse des combinaisons de signaux |
| Équivalent informatique | Une porte logique, un seul étage | Un réseau profond de plusieurs couches |
| Rôle des dendrites | De simples câbles collecteurs, passifs | Une arborescence active qui participe au calcul |
| Écart entre espèces | Peu pris en compte | Net : le neurone humain dépasse celui du rat |
L’humain sort du lot
En appliquant sa toise aux neurones pyramidaux du cortex, ceux qu’on trouve dans la couche externe du cerveau chargée de la pensée avancée, l’équipe a comparé l’humain au rat et la conclusion a été que les neurones humains réclament systématiquement des réseaux plus élaborés pour être imités.
Cette différence vient principalement de deux traits :
- Le premier, ce sont les dendrites, des ramifications qui font office d’antennes et captent les signaux de milliers de cellules voisines ; chez l’humain, elles forment une arborescence particulièrement touffue.
- Le second tient aux propriétés électriques singulières de ces cellules.
Ensemble, ces caractéristiques permettent au neurone de ne pas se contenter d’empiler ses entrées, mais d’analyser leurs combinaisons : quel signal est arrivé ? où sur l’arbre dendritique ? dans quel ordre ?
De quoi, en principe, trancher des distinctions fines, comme séparer un chat d’un chien dans un flot d’informations visuelles. Loin d’être de simples fils passifs, les dendrites calculent.
Repenser d’où vient notre intelligence
Pendant des décennies, on a expliqué la puissance du cerveau par deux chiffres : quelque 86 milliards de neurones, reliés par un nombre astronomique de connexions. L’étude ajoute une troisième dimension, plus intime : la finesse de traitement logée à l’intérieur de chaque cellule. Une partie du calcul se joue avant même que l’information ne circule dans le grand réseau.
Si chaque unité fait davantage, le cortex gagne en capacité avant même de mobiliser ses circuits. Nos aptitudes les plus humaines (le langage, les mathématiques, l’imagination, l’invention) pourraient devoir autant à la qualité de chaque brique qu’à leur nombre.
Et l’intelligence artificielle dans tout ça ?
L’ironie de l’histoire est savoureuse. Il aura fallu un réseau de neurones profond, produit phare de l’intelligence artificielle, pour révéler que chacun de nos neurones est lui-même une sorte de réseau profond. Les systèmes d’IA actuels reposent sur des neurones artificiels volontairement grossiers, empilés en très grand nombre. L’équipe israélo-néerlandaise suggère une autre voie : moins d’unités, mais chacune bien plus riche, plus proche de la cellule vivante.
Reste à savoir ce que vaudrait un tel pari. Des machines plus sobres, plus fidèles au cerveau, plus performantes ? Personne ne le sait encore.
Ce qui est acquis, c’est que le petit point noir des schémas de manuel vient de se révéler être un ordinateur à part entière… et nous commençons tout juste à en lire la fiche technique !
Sources :
- Proceedings of the National Academy of Sciences, Dendritic morphology and synaptic nonlinearities enhance functional complexity in human cortical neurons (7 juillet 2026)
https://www.pnas.org/doi/10.1073/pnas.2533168123
Article original présentant l’indice de complexité fonctionnelle et l’écart mesuré entre neurones humains et neurones de rat. - American Friends of the Hebrew University, The Secret of Human Intelligence May Lie in the Power of a Single Brain Cell (20 juillet 2026)
The Secret of Human Intelligence May Lie in the Power of a Single Brain Cell
Communiqué de l’Université hébraïque détaillant la méthode et les déclarations d’Idan Segev. - Neuron, Single cortical neurons as deep artificial neural networks (2021)
https://doi.org/10.1016/j.neuron.2021.07.002
Travail fondateur de l’équipe, à l’origine du chiffre de cinq à huit couches pour imiter un neurone cortical de rat.
Image de mise en avant : illustration de neurones dans le cerveau créant de nouvelles connexions et renforçant celles existantes
