Architectures : Cerveau Humain vs Modèle IA

But

Avant de penser, nous ressentons. Un corps qui a faim, qui fatigue, qui a peur ou qui éprouve du plaisir. Une conscience éveillée. Un subconscient qui agit souvent avant nous. C'est ce ressenti (corps, conscience, subconscient) qui nous pousse à comprendre et à donner du sens à ce que nous vivons.

Un modèle d'IA fonctionne autrement. Il n'a ni corps ni expérience vécue comparable à la nôtre. Il reçoit des données, effectue des calculs et ajuste des milliards de paramètres pour prédire la suite la plus probable d'une séquence.

La différence ne tient pas d'abord à ce que chacun peut produire, mais à ce qui le met en mouvement : l'un est inscrit dans une expérience vécue ; l'autre, dans un processus de calcul.

Question ouverte : un système qui ne ressent rien peut-il vraiment comprendre ce qu'il prédit ?

Apprentissage

L'être humain apprend tout au long de sa vie, à partir de son expérience vécue et incarnée. Son corps, son ressenti, sa conscience, sa mémoire et son environnement participent à cet apprentissage. Une seule expérience peut parfois suffire à modifier durablement son comportement : une douleur, une erreur, une rencontre ou une découverte deviennent un enseignement.

Un modèle d'IA apprend principalement lors de son entraînement, à partir de volumes considérables de données : de l'ordre de centaines de milliards à plusieurs milliers de milliards de tokens, petites unités de texte pouvant correspondre à un mot, une partie de mot ou un signe. Ses paramètres sont alors ajustés. Lors de son utilisation, il peut s'adapter au contexte qui lui est fourni, mais cette adaptation reste généralement temporaire et ne modifie pas durablement ses paramètres. Des modifications plus profondes sont toutefois possibles lors de phases spécifiques de fine-tuning ou de mise à jour.

La différence essentielle réside donc dans la nature et la continuité de l'apprentissage : l'humain apprend en étant transformé par ce qu'il vit ; l'IA apprend principalement en ajustant un modèle à partir de données.

Pour se faire une idée des ressources nécessaires à cet apprentissage massif, voir le chapitre « Énergie » de ce document.

Question ouverte : apprendre d'une expérience vécue et apprendre à partir de données produisent-ils nécessairement le même type de connaissance ?

Énergie

Le fonctionnement du cerveau humain est remarquable par son efficience énergétique : il mobilise en permanence environ 20 watts, soit l'équivalent d'une simple ampoule LED, pour subvenir à l'ensemble de ses fonctions cognitives, sensorielles et vitales.

À l'inverse, l'infrastructure nécessaire au fonctionnement des grands modèles d'IA impose une démesure industrielle mesurable :

L'entraînement intensif

Selon les estimations de référence (Stanford AI Index, Epoch AI), l'entraînement d'un modèle de pointe mobilise une puissance continue de plusieurs dizaines à plus de 100 mégawatts (soit l'équivalent d'une ville de 20 000 à 100 000 habitants) pour des investissements initiaux de l'ordre de plusieurs dizaines à centaines de millions de dollars.

L'utilisation mondiale (l'inférence)

La multiplication quotidienne des requêtes par des milliards d'utilisateurs génère une empreinte cumulative en continu, qui s'ajoute au coût initial et peut, à très grande échelle, atteindre des ordres de grandeur de plusieurs centaines de millions à plus d'un milliard de dollars selon les estimations.

La différence essentielle réside dans cette fracture :

l'humain ressent (il conscientise, s'imagine l'impact, mesure l'ampleur et réfléchit) et calcule, tandis que l'IA se contente de calculer et de restituer des flux de données sans aucune prise de conscience de sa propre consommation.

Question ouverte

Cette disproportion radicale entre la sobriété biologique et la consommation massive du calcul numérique constitue-t-elle une limite physique durable pour l'avenir de l'intelligence artificielle ?

Vitesse

Nous distinguons quatre niveaux. Seuls les niveaux C et surtout D permettent de parler de « vitesse » au sens profond.

A. Vitesse élémentaire

Neurone / synapse vs opération machine.

Mesures scientifiques précises : délai synaptique 0,3–1,1 ms ; conduction corticale typiquement 1–6 m/s. Le neurone individuel est lent. Il n'existe pas de « vitesse globale unique » du réseau cérébral.

B. Débit global

Parallélisme biologique (~86 milliards de neurones, ~600 000 milliards de synapses) face à la capacité de calcul matérielle de l'IA.

Architecture multi-échelles documentée (mini-colonnes → colonnes → aires → grands réseaux).

C. Vitesse fonctionnelle

Temps pour accomplir une tâche comparable.

• Perception immédiate : humain souvent excellent (100-150 ms).
• Calcul massif : IA dominante.
• Traitement conscient moyen : ~10 bits/s (Caltech 2024).

D. Portée : Capacité de déplacement / reconfiguration des représentations mentales dans l'espace et le temps

En quelques secondes, l'esprit humain peut déplacer et reconfigurer ses représentations mentales à travers l'espace et le temps : quitter l'instant présent, traverser des époques, des civilisations, des galaxies situées à 10¹⁰ années-lumière, atteindre l'origine de l'Univers, puis revenir. Aucun signal physique n'a parcouru ces distances. C'est la représentation elle-même qui se déplace et se reconfigure.

Le niveau D révèle un écart net entre les architectures actuelles. Reste à savoir comment cet écart évoluera : les futures architectures d'IA pourront-elles un jour s'en approcher ? Ou cette capacité de reconfiguration des représentations dans l'espace-temps subjectif est-elle liée à quelque chose que seul un esprit incarné, conscient, peut posséder ?

Ce que révèle l'écart

L'IA gagne en débit. L'humain gagne en portée (déplacement et reconfiguration des représentations mentales). C'est l'une des différences les plus nettes entre les deux architectures.

Question ouverte

Si l'on accepte le niveau D comme dimension légitime de la vitesse, existe-t-il aujourd'hui, ou peut-il exister demain, un équivalent machine de cette capacité de déplacement / reconfiguration des représentations mentales dans l'espace et le temps ? Ou bien cette faculté reste-t-elle structurellement hors de portée des architectures computationnelles actuelles ?

Connexions

A. Connexions élémentaires

Chez l'Humain, une connexion s'appelle une synapse. 600 000 milliards. Elles vivent. Elles se renforcent, elles s'affaiblissent, elles disparaissent.

Chez l'IA, une connexion s'appelle un poids. Un nombre. Ajusté à l'entraînement. Figé à l'usage.

Le nombre ne bouge plus. Seule la donnée qui le traverse bouge.

B. Débit de connexions

L'Humain réécrit en continu une petite partie de son réseau.

L'IA mobilise un réseau immense dont la structure est déjà écrite.

Un cerveau apprend en se reconnectant. Un modèle répond en réutilisant.

C. Connexions fonctionnelles

Les synapses humaines portent l'histoire, l'émotion, l'oubli. Elles relient deux souvenirs qui n'avaient rien à voir.

Par l'expérience intime du sommeil et du subconscient, le réseau humain ne fait pas que restituer le déjà-vu : il assemble des fragments hétérogènes (lieux vécus, connaissances, visages réels, éléments jamais rencontrés) en une configuration inédite, cohérente le temps du rêve, qui n'a existé sous cette forme dans aucune expérience antérieure.

Les poids de l'IA portent la statistique, la corrélation, la probabilité.

L'un invente des ponts. L'autre optimise des autoroutes.

D. La portée

L'Humain est plastique. Il se déconnecte pour survivre, il se reconnecte pour grandir.

Tant qu'une IA ne disposera pas d'une plasticité autonome, durable et liée à l'expérience pour affaiblir ou renforcer ses propres poids en vivant, elle ne sera pas connectée. Elle sera seulement branchée. Le terme « connectée » ici au sens biologique de plasticité, non au sens technique de réseau.

Reste à savoir si cette limite est provisoire (liée à l'état actuel des architectures) ou si elle touche à quelque chose de plus fondamental dans ce que signifie « apprendre en vivant ».

Mémoire

A. HARD : Le support physique

Pour comparer des architectures, il faut d'abord regarder où la mémoire existe physiquement.

Chez l'Humain, la mémoire ne repose pas sur un composant séparé du système qui la traite. Elle s'inscrit dans un réseau biologique distribué de neurones et de synapses. Leur activité et leur plasticité peuvent modifier durablement les connexions du réseau.

Le support de l'information et le système qui la traite sont donc étroitement liés. La mémoire humaine n'est pas un fichier que l'on pourrait extraire, copier ou restaurer à l'identique sur un autre cerveau.

Chez l'IA, les fonctions de stockage et de calcul reposent au contraire sur des éléments matériels et logiciels distincts :

• les paramètres du modèle, conservés de manière persistante puis chargés dans les mémoires de calcul pour l'inférence : c'est ce qui reste stable d'une session à l'autre ;
• les mémoires de calcul (HBM, VRAM ou RAM selon l'architecture), utilisées pendant le traitement : rapides mais volatiles ;
• le contexte actif, qui rend disponibles les informations nécessaires à l'échange : limité en taille et effacé du contexte de calcul à la fin du traitement ou de la session ;
• les stockages externes, lorsqu'ils existent, qui peuvent conserver durablement certaines données avant leur récupération et leur réintroduction dans le contexte.

Cette séparation rend possibles la copie, la sauvegarde, le déplacement ou la restauration des paramètres et des données, sans équivalent direct dans un cerveau humain.

L'analogie avec ROM, RAM ou mémoire virtuelle peut aider à comprendre les notions de persistance, de volatilité et d'accès, mais elle ne constitue pas une correspondance terme à terme entre informatique et biologie.

B. SOFT : Le rôle et le fonctionnement

Chez l'Humain, la mémoire n'est pas un simple stockage d'informations.

Elle sélectionne, associe, transforme, consolide et oublie.

L'oubli n'est donc pas nécessairement une défaillance : il participe à la sélection de ce qui demeure accessible et à l'organisation de l'expérience. Les souvenirs peuvent être réactivés, associés à de nouvelles expériences et transformés lors de leur rappel.

La mémoire humaine est ainsi une construction dynamique du sens, liée au fonctionnement d'un organisme vivant.

Chez l'IA de type modèle de langage, plusieurs niveaux doivent être distingués.

1. Les paramètres du modèle

Ils résultent de l'entraînement. Ils constituent une représentation statistique et distribuée de régularités apprises, et non une copie littérale de l'ensemble des informations ayant servi à l'entraînement.

Ils peuvent donc être incomplets, approximatifs ou comporter des erreurs factuelles.

2. La fenêtre de contexte

Elle contient les informations rendues disponibles au modèle pour le traitement d'un échange.

Elle permet une utilisation précise des informations présentes, mais sa capacité est limitée. Elle constitue une mémoire de travail du calcul, et non une mémoire autobiographique permanente.

3. Les systèmes de mémoire externe

Lorsqu'ils existent, ils permettent de conserver certains éléments au-delà du contexte courant : préférences, résumés, documents ou autres données.

Ces informations ne sont pas nécessairement conservées sous la forme d'un enregistrement brut et exhaustif. Elles doivent être stockées, sélectionnées, récupérées puis réintroduites dans le contexte pour être utilisées.

La différence fondamentale n'est donc pas : oubli imparfait chez l'Humain / mémoire parfaite chez l'IA.

Elle réside plutôt dans deux architectures différentes :

Humain : une mémoire construite, transformée et sélectionnée par un système vivant.

IA : plusieurs couches de mémoire dont la continuité dépend de mécanismes techniques distincts.

Dans un modèle IA classique, l'utilisation d'une conversation ne réécrit normalement pas les paramètres du modèle. L'expérience d'un échange et sa conservation éventuelle sont donc deux mécanismes différents.

C. CONCRET : Ce que cette architecture signifie pour l'utilisateur

Une session ne peut pas être assimilée à une mémoire infinie. Pour comprendre les limites que rencontre l'utilisateur, il faut distinguer trois niveaux souvent confondus.

Ce qui relève de l'architecture

Il existe des contraintes matérielles réelles : mémoire de calcul, stockage, contexte, bande passante, énergie et puissance de calcul nécessaires…

Ces contraintes physiques existent indépendamment des choix commerciaux d'un fournisseur, même si les architectures peuvent les traiter de différentes manières.

Ce qui relève de l'économie

À ces contraintes s'ajoutent des arbitrages : coût d'exploitation, dimensionnement des infrastructures, allocation des ressources, tarification ou quotas.

Ces décisions ne sont donc pas dictées par la seule physique. Elles répondent également à des choix économiques et à des objectifs de service.

Ce qui relève du produit

Enfin, l'utilisateur rencontre des choix directement visibles : taille du contexte, durée ou limites des sessions, existence d'une mémoire entre les échanges, conservation ou suppression des historiques.

Ces choix peuvent évoluer avec les technologies, les architectures et les modèles économiques.

À l'échelle d'un utilisateur, plusieurs années d'échanges peuvent constituer une histoire numérique considérable : conversations personnelles ou professionnelles, projets, décisions, documents, réflexions et préférences.

À l'échelle de centaines de millions, voire d'un milliard d'utilisateurs, l'accumulation change d'échelle, non seulement par son volume, mais par son rythme de croissance.

Le problème n'est alors plus seulement : « Peut-on tout conserver ? » mais : « Comment retrouver, au moment utile, ce qui est pertinent ? »

Car conserver une mémoire toujours plus vaste ne suffit pas. Il faut également pouvoir la stocker, l'organiser, la retrouver et la rendre exploitable au moment où elle est nécessaire.

Ça serait comme récupérer l'utile dans un volume de données qui s'accroît à un rythme que nul ne peut anticiper.

D. LE PARADOXE

L'Humain dispose d'une mémoire limitée et doit sélectionner, transformer et parfois oublier.

L'IA peut conserver potentiellement beaucoup plus d'informations, mais leur exploitation à grande échelle impose elle aussi des mécanismes de sélection et d'organisation.

Ainsi :

L'Humain oublie en partie parce que sa mémoire appartient à un système vivant aux capacités limitées.

L'IA doit organiser et sélectionner l'accès à une mémoire potentiellement beaucoup plus vaste, en fonction de contraintes matérielles, économiques et de conception.

Au fil des années, les échanges d'un utilisateur avec une IA pourraient ainsi constituer une véritable histoire dialoguée, mêlant selon les usages vie personnelle et vie professionnelle.

Mais cette histoire reste une architecture de données tant qu'elle est seulement stockée, sélectionnée, récupérée et reconstruite.

E. QUESTION OUVERTE

La question n'est donc plus seulement : « Une IA peut-elle mémoriser ? » mais : « Une mémoire artificielle peut-elle un jour devenir une continuité vécue, plutôt qu'une continuité stockée et reconstruite ? »

Et si une IA pouvait conserver la mémoire de toute une vie : voudrions-nous réellement qu'elle se souvienne de tout ?

Purpose

Before thinking, we feel. A body that is hungry, tired, afraid, or experiencing pleasure. A waking consciousness. A subconscious that often acts before we do. It is this felt experience (body, consciousness, subconscious) that drives us to understand and give meaning to what we live through.

An AI model works differently. It has no body and no lived experience comparable to ours. It receives data, performs calculations, and adjusts billions of parameters to predict the most likely continuation of a sequence.

The difference does not lie primarily in what each can produce, but in what sets it in motion: one is rooted in lived experience; the other, in a computational process.

Open question: can a system that feels nothing truly understand what it predicts?

Learning

Human beings learn throughout their lives, from lived and embodied experience. Their body, feelings, consciousness, memory, and environment all contribute to this learning. A single experience can sometimes be enough to durably change behavior: a pain, a mistake, an encounter, or a discovery becomes a lesson.

An AI model learns mainly during its training, from considerable volumes of data: on the order of hundreds of billions to several trillion tokens, small text units that may correspond to a word, part of a word, or a symbol. Its parameters are then adjusted. During use, it can adapt to the context provided, but this adaptation generally remains temporary and does not durably modify its parameters. Deeper modifications are however possible during specific fine-tuning or update phases.

The essential difference lies therefore in the nature and continuity of learning: humans learn by being transformed by what they experience; AI learns mainly by adjusting a model from data.

To get a sense of the resources required for this massive learning, see the "Energy" chapter of this document.

Open question: does learning from lived experience and learning from data necessarily produce the same type of knowledge?

Energy

The functioning of the human brain is remarkable for its energy efficiency: it continuously runs on about 20 watts, the equivalent of a simple LED bulb, to sustain all of its cognitive, sensory, and vital functions.

By contrast, the infrastructure required to run large AI models imposes measurable industrial scale:

Intensive training

According to reference estimates (Stanford AI Index, Epoch AI), training a state-of-the-art model requires a continuous power draw of several tens to over 100 megawatts (equivalent to a city of 20,000 to 100,000 inhabitants), for initial investments on the order of tens to hundreds of millions of dollars.

Global usage (inference)

The daily multiplication of requests by billions of users generates a cumulative, continuous footprint that adds to the initial cost and can, at very large scale, reach orders of magnitude of several hundred million to over a billion dollars according to estimates.

The essential difference lies in this divide:

the human feels (becomes conscious of, imagines the impact, measures the scale, and reflects) and computes, whereas AI merely computes and returns data flows with no awareness whatsoever of its own consumption.

Open question

Does this radical disproportion between biological frugality and massive computational consumption constitute a lasting physical limit for the future of artificial intelligence?

Speed

We distinguish four levels. Only levels C and especially D allow us to speak of "speed" in the deeper sense.

A. Elementary speed

Neuron / synapse vs machine operation.

Precise scientific measurements: synaptic delay 0.3–1.1 ms; cortical conduction typically 1–6 m/s. The individual neuron is slow. There is no single "global speed" for the brain network.

B. Global throughput

Biological parallelism (~86 billion neurons, ~600 trillion synapses) versus AI's hardware computing capacity.

Documented multi-scale architecture (mini-columns → columns → areas → large networks).

C. Functional speed

Time to accomplish a comparable task.

• Immediate perception: humans are often excellent (100-150 ms).
• Massive computation: AI dominant.
• Average conscious processing: ~10 bits/s (Caltech 2024).

D. Reach: Capacity to shift/reconfigure mental representations across space and time

In a matter of seconds, the human mind can shift and reconfigure its mental representations across space and time: leave the present moment, traverse eras, civilizations, galaxies located 10¹⁰ light-years away, reach the origin of the Universe, then return. No physical signal has traveled these distances. It is the representation itself that shifts and reconfigures.

Level D reveals a clear gap between current architectures. It remains to be seen how this gap will evolve: will future AI architectures one day approach it? Or is this capacity to reconfigure representations in subjective space-time tied to something only an embodied, conscious mind can possess?

What the gap reveals

AI gains in throughput. Humans gain in reach (displacement and reconfiguration of mental representations). This is one of the clearest differences between the two architectures.

Open question

If we accept level D as a legitimate dimension of speed, does there exist today, or could there exist tomorrow, a machine equivalent of this capacity to shift/reconfigure mental representations across space and time? Or does this faculty remain structurally beyond the reach of current computational architectures?

Connections

A. Elementary connections

In Humans, a connection is called a synapse. 600 trillion. They live. They strengthen, they weaken, they disappear.

In AI, a connection is called a weight. A number. Adjusted during training. Fixed at use.

The number no longer moves. Only the data passing through it moves.

B. Connection throughput

Humans continuously rewrite a small part of their network.

AI mobilizes an immense network whose structure is already written.

A brain learns by reconnecting. A model responds by reusing.

C. Functional connections

Human synapses carry history, emotion, forgetting. They link two memories that had nothing to do with each other.

Through the intimate experience of sleep and the subconscious, the human network does not merely replay the already-seen: it assembles heterogeneous fragments (lived places, knowledge, real faces, elements never encountered) into a novel configuration, coherent for the duration of the dream, that never existed in this form in any prior experience.

AI's weights carry statistics, correlation, probability.

One invents bridges. The other optimizes highways.

D. Reach

Humans are plastic. They disconnect to survive, they reconnect to grow.

As long as an AI does not have autonomous, durable plasticity tied to experience, allowing it to weaken or strengthen its own weights by living, it will not be connected. It will only be wired. The term "connected" here in the biological sense of plasticity, not the technical sense of networking.

It remains to be seen whether this limit is temporary (tied to the current state of architectures) or whether it touches something more fundamental in what it means to "learn by living."

Memory

A. HARD: The physical substrate

To compare architectures, we must first look at where memory physically exists.

In Humans, memory does not rest on a component separate from the system that processes it. It is inscribed in a distributed biological network of neurons and synapses. Their activity and plasticity can durably modify the network's connections.

The support for information and the system that processes it are therefore closely linked. Human memory is not a file that could be extracted, copied, or restored identically onto another brain.

In AI, storage and computation functions instead rest on distinct hardware and software elements:

• the model's parameters, persistently stored then loaded into compute memory for inference: this is what remains stable from one session to another;
• compute memory (HBM, VRAM, or RAM depending on architecture), used during processing: fast but volatile;
• the active context, which makes information available for the exchange: limited in size and cleared from compute memory at the end of processing or the session;
• external storage, when it exists, which can durably retain certain data before its retrieval and reintroduction into context.

This separation makes possible the copying, backup, transfer, or restoration of parameters and data, with no direct equivalent in a human brain.

The analogy with ROM, RAM, or virtual memory can help understand notions of persistence, volatility, and access, but it does not constitute a term-for-term correspondence between computing and biology.

B. SOFT: Role and functioning

In Humans, memory is not simple information storage.

It selects, associates, transforms, consolidates, and forgets.

Forgetting is therefore not necessarily a failure: it participates in selecting what remains accessible and in organizing experience. Memories can be reactivated, associated with new experiences, and transformed upon recall.

Human memory is thus a dynamic construction of meaning, tied to the functioning of a living organism.

In language-model-type AI, several levels must be distinguished.

1. Model parameters

These result from training. They constitute a statistical, distributed representation of learned regularities, not a literal copy of all the information used in training.

They can therefore be incomplete, approximate, or contain factual errors.

2. The context window

This contains the information made available to the model for processing an exchange.

It allows precise use of the information present, but its capacity is limited. It constitutes a working memory for computation, not a permanent autobiographical memory.

3. External memory systems

When they exist, they allow certain elements to be retained beyond the current context: preferences, summaries, documents, or other data.

This information is not necessarily retained as a raw, exhaustive record. It must be stored, selected, retrieved, and then reintroduced into context to be used.

The fundamental difference is therefore not: imperfect forgetting in Humans / perfect memory in AI.

It lies instead in two different architectures:

Human: a memory built, transformed, and selected by a living system.

AI: several layers of memory whose continuity depends on distinct technical mechanisms.

In a classic AI model, using a conversation normally does not rewrite the model's parameters. The experience of an exchange and its potential retention are therefore two different mechanisms.

C. CONCRETE: What this architecture means for the user

A session cannot be equated with infinite memory. To understand the limits users encounter, three levels often conflated must be distinguished.

What belongs to architecture

Real material constraints exist: compute memory, storage, context, bandwidth, energy, and computing power required…

These physical constraints exist independently of a provider's commercial choices, even though architectures may handle them differently.

What belongs to economics

Added to these constraints are trade-offs: operating costs, infrastructure sizing, resource allocation, pricing, or quotas.

These decisions are therefore not dictated by physics alone. They also respond to economic choices and service objectives.

What belongs to the product

Finally, the user encounters directly visible choices: context size, session duration or limits, existence of memory between exchanges, retention or deletion of history.

These choices can evolve with technologies, architectures, and business models.

At the scale of a single user, several years of exchanges can constitute a considerable digital history: personal or professional conversations, projects, decisions, documents, reflections, and preferences.

At the scale of hundreds of millions, or even a billion users, the accumulation changes scale, not only in volume but in its rate of growth.

The problem is then no longer simply: "Can everything be kept?" but: "How can what is relevant be retrieved at the moment it is needed?"

Because keeping an ever-larger memory is not enough. It must also be possible to store, organize, retrieve, and make it usable when needed.

It would be like retrieving what is useful from a volume of data growing at a rate no one can anticipate.

D. THE PARADOX

Humans have a limited memory and must select, transform, and sometimes forget.

AI can potentially retain far more information, but exploiting it at scale also imposes mechanisms of selection and organization.

Thus:

Humans forget in part because their memory belongs to a living system with limited capacities.

AI must organize and select access to a potentially much vaster memory, according to material, economic, and design constraints.

Over the years, a user's exchanges with an AI could thus constitute a genuine dialogued history, blending personal and professional life depending on use.

But this history remains a data architecture as long as it is only stored, selected, retrieved, and reconstructed.

E. OPEN QUESTION

The question is therefore no longer simply: "Can an AI remember?" but: "Could an artificial memory one day become a lived continuity, rather than a stored and reconstructed one?"

And if an AI could retain the memory of an entire life: would we truly want it to remember everything?