En mars 2026, une boîte de Petri contenant 200 000 cellules cérébrales humaines a appris à jouer à Doom[s]. La startup australienne Cortical Labs avait déjà appris à des cellules similaires à jouer à Pong en 2022, et nomme désormais sa création « le premier ordinateur biologique déployable par code au monde ». Le CL1 de Cortical utilise des neurones cultivés en laboratoire sur une puce plutôt qu’un organoïde 3D, mais il partage les ambitions du calcul par organoïdes cérébraux : l’effort pour utiliser des neurones vivants comme matériel informatique. Cette technologie promet des machines qui apprennent plus vite et consomment bien moins d’énergie que le silicium. Mais avant de se réjouir, cinq obstacles majeurs séparent les curiosités neurales d’aujourd’hui des superordinateurs biologiques de demain.
Pourquoi le calcul par organoïdes cérébraux est important
Le cerveau humain fonctionne avec environ 20 watts de puissance tout en rivalisant avec la capacité de calcul du supercalculateur Frontier, qui consomme 21 mégawatts[s]. C’est un écart d’efficacité d’un million. L’entraînement de GPT-3 a nécessité environ 1 300 mégawattheures d’électricité, soit de quoi alimenter 800 foyers européens pendant un an[s]. Si l’on pouvait exploiter ne serait-ce qu’une fraction de l’efficacité des neurones biologiques, le bilan environnemental de l’intelligence artificielle changerait radicalement.
Les organoïdes cérébraux sont de minuscules amas tridimensionnels de neurones humains cultivés à partir de cellules souches. Les chercheurs extraient des cellules sanguines, les reprogramment en cellules souches, puis les orientent pour qu’elles deviennent des neurones[s]. Placés sur des puces dotées d’électrodes, ces neurones peuvent envoyer et recevoir des signaux électriques, créant une interface primitive entre biologie et machine. Les cellules s’adaptent. Elles apprennent. Et contrairement aux algorithmes, elles le font avec remarquablement peu de données d’entraînement.
Obstacle 1 : la question de la conscience
Quand Cortical Labs a publié son article sur Pong, les chercheurs ont employé le mot « sentience » dans le titre. La réaction a été immédiate : 30 chercheurs ont soutenu que le terme n’était « pas justifié par les données présentées »[s]. Le débat n’est pas seulement sémantique. Si le calcul par organoïdes cérébraux produit des systèmes capables de souffrir, les enjeux éthiques changent entièrement.
Le philosophe Matthew Owen soutient qu’il faut s’inquiéter davantage de la conscience des organoïdes que de celle de l’IA, car les organoïdes partagent bien plus avec les cerveaux humains que les réseaux de neurones artificiels[s]. Il pense toutefois que les organoïdes actuels apprennent « de la même manière que les algorithmes apprennent, ou comme on pourrait dire que les plantes apprennent dans le sens où elles s’adaptent à leur environnement », sans conscience moralement significative. Le problème est qu’il n’existe aucun test reconnu pour déterminer où l’adaptation se termine et où l’expérience commence.
Obstacle 2 : ils ne vivent pas assez longtemps
Les organoïdes cérébraux survivent 100 jours à 15 mois en laboratoire, selon les méthodes de maintenance[s]. Sans vaisseaux sanguins pour apporter oxygène et nutriments, ils finissent par mourir. Les supercalculateurs modernes durent des années. Une plateforme informatique dont les composants ne durent que quelques mois à un an nécessite une maintenance et un remplacement constants, posant des défis pratiques évidents pour toute application sérieuse.
Obstacle 3 : aucun organoïde ne ressemble à un autre
Chaque organoïde se développe différemment. Les cultures de cellules souches s’auto-organisent, ce qui signifie que les chercheurs ne peuvent pas contrôler précisément l’architecture neurale qui en résulte. Cette variabilité rend les expériences reproductibles difficiles et le déploiement à grande échelle encore plus compliqué. Les puces en silicium sont fabriquées selon des spécifications identiques ; les neurones, non.
Obstacle 4 : on ne peut pas leur dire ce qu’ils doivent faire
Le neuroscientifique computationnel Tony Zador l’a formulé sans détour lors d’une conférence Asilomar en 2025 : « Les amener à se câbler pour faire ce qu’on veut qu’ils fassent dépasse complètement ce qu’on pourrait même concevoir en ce moment. Le problème, c’est qu’on ne comprend toujours pas quels neurones sont importants et comment former des modèles de calcul avec eux »[s]. Les centres de données exécutent des instructions humaines. Les circuits neuraux font ce pour quoi l’évolution les a câblés. Combler cet écart reste un problème non résolu.
Obstacle 5 : les cadres éthiques sont à la traîne
La plupart des directives de bioéthique traitent les organoïdes comme des outils de recherche, et non comme des composants informatiques[s]. Le Nuffield Council on Bioethics a appelé à de nouveaux critères pour déterminer quels « marqueurs » pourraient indiquer une conscience dans les organoïdes neuraux[s]. Le chercheur de Stanford Sergiu Pasca a averti à Asilomar que « des affirmations trop larges peuvent semer la confusion chez le public et les décideurs quant à ce que ces systèmes font réellement »[s]. Les chercheurs craignent une réaction du public qui déclencherait des réglementations étendues, susceptibles d’entraver les applications médicales légitimes.
La suite
Malgré les obstacles, les investissements continuent. La National Science Foundation a engagé 14 millions de dollars pour sept projets de biocomputing en 2024, demandant à chaque équipe d’établir des cadres pour une recherche sûre, éthique et socialement responsable[s]. La DARPA a également investi des millions[s]. Des entreprises comme Cortical Labs et FinalSpark vendent l’accès à leurs plateformes de calcul biologique.
L’avenir proche impliquera probablement des tests de médicaments et la modélisation des maladies plutôt que le remplacement des centres de données. Le calcul par organoïdes cérébraux pourrait aider les chercheurs à comprendre l’autisme, la maladie d’Alzheimer et l’épilepsie sans recourir aux tests sur les animaux[s]. La grande vision des superordinateurs biologiques reste à des décennies, si elle se concrétise un jour.
En mars 2026, Cortical Labs a démontré leur ordinateur biologique CL1 jouant à Doom avec 200 000 neurones humains cultivés sur un réseau multi-électrodes[s]. Les neurones provenaient de cellules souches pluripotentes induites reprogrammées à partir d’échantillons de sang, puis différenciées en neurones corticaux et déposées sur du silicium doté d’électrodes. Le CL1 est une culture 2D plutôt qu’un organoïde cérébral 3D, mais il se situe au bord visible du biocomputing aux côtés du calcul par organoïdes cérébraux : des réseaux neuraux biologiques interfacés avec des systèmes numériques via une signalisation électrique bidirectionnelle. La promesse technique est substantielle. Les obstacles le sont tout autant.
L’argument de l’efficacité pour le calcul par organoïdes cérébraux
Le supercalculateur Frontier atteint environ 1,1 exaFLOPS à 21 mégawatts. Le cerveau humain opère à peu près au même débit de calcul avec 20 watts[s]. Cet écart d’efficacité d’un million est le moteur de tout le domaine. Kwabena Boahen de Stanford a estimé que répliquer l’efficacité des neurones biologiques en silicium nécessiterait 10 mégawatts pour ce que le cerveau accomplit avec 20 watts[s].
Cette efficacité découle de différences architecturales fondamentales. Les neurones biologiques fonctionnent via un calcul événementiel basé sur des impulsions plutôt qu’un traitement synchronisé en continu par horloge. Ils encodent l’information dans le timing des impulsions, l’amplitude et la forme d’onde plutôt que dans des états binaires[s]. Chaque neurone fonctionne simultanément comme processeur et mémoire, éliminant les goulots d’étranglement de von Neumann. Et surtout, les réseaux neuraux biologiques présentent une plasticité : ils se recâblent physiquement en réponse aux stimuli, permettant l’apprentissage sans rétropropagation à travers des millions de paramètres.
L’avantage en efficacité des données est tout aussi frappant. Les humains maîtrisent les tâches identique/différent avec environ 10 échantillons d’entraînement ; les abeilles en nécessitent environ 100. Les systèmes d’apprentissage automatique en 2018 ne pouvaient toujours pas apprendre ces distinctions avec 10 millions d’échantillons[s]. AlphaGo nécessitait 160 000 parties de données d’entraînement ; un humain jouant cinq heures par jour aurait besoin de 175 ans pour accumuler une expérience équivalente.
Obstacle 1 : conscience phénoménale ou comportement adaptatif
L’article de 2022 de Cortical Labs dans Neuron décrivant des neurones qui « apprenaient » à jouer à Pong incluait « sentience » dans son titre, déclenchant une lettre ouverte de 30 chercheurs soutenant que la terminologie n’était pas justifiée[s]. Le nœud du problème est de distinguer la réponse adaptative de l’expérience phénoménale.
Le philosophe Matthew Owen distingue l’apprentissage fonctionnel de l’apprentissage conscient : les organoïdes apprennent probablement « de la même manière que les algorithmes apprennent, ou comme on pourrait dire que les plantes apprennent dans le sens où elles s’adaptent à leur environnement »[s]. Il note toutefois que les organoïdes partagent bien plus mécaniquement avec les cerveaux humains conscients que les réseaux de neurones artificiels, ce qui rend la question de la conscience plus urgente pour le calcul par organoïdes cérébraux que pour l’IA en silicium.
Le Nuffield Council on Bioethics a identifié le besoin de « marqueurs anatomiques ou fonctionnels » pouvant servir de critères pour attribuer une conscience aux organoïdes neuraux[s]. De tels critères n’existent pas encore. Sans eux, déterminer le statut moral reste impossible, et les cadres éthiques ne peuvent pas spécifier des limites de recherche appropriées.
Obstacle 2 : contraintes liées à la durée de vie biologique
Les organoïdes cérébraux actuels survivent 100 jours à 15 mois selon les conditions de culture et l’application[s]. Le facteur limitant est la nécrose due à une diffusion insuffisante de l’oxygène et des nutriments en l’absence de vascularisation. Cela représente environ 25 % de la durée de vie opérationnelle moyenne d’un supercalculateur au maximum. Si les coûts de génération des organoïdes sont remarquablement faibles (environ 0,36 € par organoïde avec 0,66 € de maintenance annuelle)[s], le remplacement continu crée des complications pratiques et potentiellement éthiques.
Obstacle 3 : auto-organisation stochastique
Les organoïdes cérébraux se développent par auto-organisation des cultures de cellules souches, produisant une variabilité significative dans la composition cellulaire et l’architecture entre les spécimens. Chaque organoïde développe des schémas de connectivité uniques, rendant les expériences reproductibles difficiles et le déploiement à grande échelle impraticable avec les techniques actuelles. La fabrication de silicium atteint une précision à l’échelle nanométrique ; le développement biologique est intrinsèquement stochastique.
Obstacle 4 : le problème de la contrôlabilité
Le neuroscientifique computationnel Tony Zador du Cold Spring Harbor Laboratory a formulé le défi fondamental lors de la conférence Asilomar 2025 : « Les amener à se câbler pour faire ce qu’on veut qu’ils fassent dépasse complètement ce qu’on pourrait même concevoir en ce moment. Le problème, c’est qu’on ne comprend toujours pas quels neurones sont importants et comment former des modèles de calcul avec eux »[s]. Les centres de données exécutent des instructions déterministes ; les circuits neuraux exécutent tout calcul que leur schéma de connectivité permet. Combler cet écart nécessite des avancées en neurosciences qui n’existent pas encore.
Obstacle 5 : vide réglementaire et de gouvernance
Les cadres bioéthiques existants traitent les organoïdes comme des outils de recherche biomédicale, non comme des substrats computationnels[s]. La réunion d’Asilomar de novembre 2025 a cristallisé les craintes que la publicité autour du biocomputing « puisse attirer l’attention d’une manière qui conduise à des lois trop larges susceptibles d’entraver les applications médicales de la recherche sur les organoïdes »[s]. Sergiu Pasca de Stanford a souligné que « l’utilisation de termes précis, qui n’exagèrent ni ne déforment le travail, compte vraiment »[s].
Le programme EFRI BEGIN OI 2024 de la NSF représente un modèle de gouvernance : 14 millions de dollars répartis sur sept projets interdisciplinaires, chacun chargé d’établir des cadres pour une recherche sûre, éthique et socialement responsable[s]. Si cette approche d’éthique intégrée peut s’adapter au développement commercial reste à démontrer.
Trajectoire de recherche actuelle
Les applications à court terme se concentrent sur le criblage toxicologique pharmaceutique et la modélisation des maladies plutôt que sur le calcul à usage général. Les chercheurs de Johns Hopkins envisagent des systèmes à organoïdes qui comparent le développement neural typique avec celui affecté par l’autisme, sans modèles animaux[s]. Cortical Labs offre un accès à distance à leur plateforme de calcul biologique, tandis que FinalSpark propose un accès similaire via leur Neuroplatform.
Thomas Hartung, qui a forgé le terme « intelligence par organoïdes » avec sa collègue Lena Smirnova en 2023, estime qu’il faudra des décennies avant que les systèmes approchent le niveau de calcul d’une souris[s]. Les avantages en efficacité du calcul par organoïdes cérébraux restent théoriquement convaincants ; ses défis techniques restent pratiquement redoutables.
