## Des cellules cérébrales humaines sur une puce jouent à Doom : qu'est-ce que ça change vraiment ? En mars 2026, la startup australienne Cortical Labs a publié une vidéo qui a fait le tour du monde tech : 200 000 neurones humains vivants, cultivés sur une micropuce appelée "multi-electrode array" (réseau multi-électrodes), étaient en train de jouer à Doom. Pas de simuler Doom. Pas de le calculer. De le jouer, en temps réel, avec apprentissage. Ce n'est pas un gadget de communication. C'est une démonstration scientifique qui ouvre un débat fondamental sur ce que "calculer" veut dire, et sur les limites du silicium que nous utilisons aujourd'hui pour faire tourner nos intelligences artificielles. Pour bien comprendre ce qui se passe ici, il faut revenir au commencement. En 2021, Cortical Labs avait déjà créé DishBrain, un prototype utilisant environ 800 000 cellules nerveuses humaines connectées à une puce capable d'interpréter et de diriger l'activité électrique. À l'époque, après 18 mois de travail, ils avaient réussi à faire jouer ces neurones à Pong, le jeu de tennis de table pixelisé des années 70. C'était déjà renversant. Mais Doom, c'est une autre dimension. ## Comment des neurones sans yeux peuvent-ils "voir" un jeu vidéo ? C'est là que ça devient fascinant. Les neurones du CL1 n'ont aucun organe sensoriel. Ils ne voient rien au sens classique du terme. Pour leur faire percevoir les données visuelles du jeu, les ingénieurs de Cortical Labs ont dû inventer une nouvelle forme de langage : transformer chaque information visuelle de Doom en patterns de stimulation électrique envoyés directement aux cellules. Quand un ennemi apparaît sur la gauche de l'écran, des électrodes précises stimulent la partie gauche du réseau neuronal. Les cellules réagissent à cette stimulation en générant leur propre activité électrique, qui est ensuite décodée en commandes dans le jeu. Si les neurones déclenchent un certain schéma de décharge, le personnage tire. Un autre schéma, il se déplace. Ce système fonctionne comme une boucle fermée de rétroaction, ce qu'on appelle en anglais un "closed feedback loop". Aucune règle n'a été programmée : les réponses ont émergé organiquement, par plasticité synaptique, exactement comme notre cerveau apprend à faire du vélo ou à reconnaître un visage. Ce qui rend ce résultat encore plus surprenant, c'est que la solution technique pour connecter Doom aux neurones a été développée en une seule semaine par Sean Cole, un développeur indépendant sans expérience en biologie computationnelle, grâce à la nouvelle interface Python du CL1. ## DishBrain vs CL1 vs IA classique : que dit vraiment la comparaison ? | Critère | DishBrain (2021) | CL1 / Doom (2026) | Deep RL classique (silicium) | |---|---|---|---| | Nombre de neurones | ~800 000 | ~200 000 | N/A (paramètres logiciels) | | Jeu maîtrisé | Pong (2D) | Doom (3D, ennemis, armes) | Pong, Doom, jeux complexes | | Temps d'apprentissage Pong | ~5 minutes | Non testé | ~90 minutes | | Complexité de l'interface | Propriétaire | Programmable en Python | Standard (PyTorch, TF…) | | Consommation énergétique | Très faible | Très faible | Très élevée (GPU, TPU) | | Apprentissage vs règles | Émergent | Émergent | Backpropagation | | Niveau de jeu actuel | Basique | Débutant (amélioration rapide) | Expert (après entraînement) | Ce tableau dit quelque chose d'important : le CL1 est encore très loin d'une IA de jeu vidéo classique en termes de performance brute. Mais il apprend plus vite que les systèmes de deep reinforcement learning (apprentissage par renforcement profond) sur une base complexité-pour-complexité. En 2022, DishBrain avait appris Pong en environ 5 minutes, contre 90 minutes pour un algorithme de deep RL classique. Le CL1 suit une trajectoire similaire avec Doom, malgré la complexité incomparablement supérieure du jeu.  ## Pourquoi Doom et pas un autre jeu ? La méthode derrière le mème "Can it run Doom ?" est l'une des blagues les plus célèbres de la culture tech. Des enthousiastes ont réussi à faire tourner Doom sur des calculatrices, des tracteurs, des distributeurs automatiques de billets, des bactéries intestinales, et même sur un test de grossesse. Mais pour Cortical Labs, ce choix n'est pas une simple posture marketing. Doom représente un saut qualitatif énorme par rapport à Pong : environnement en 3D, ennemis qui se déplacent, armes à gérer, navigation dans des labyrinthes. C'est ce que le Dr Brett Kagan, directeur scientifique de Cortical Labs, appelle un passage vers une "information landscape" (un paysage informationnel) réellement dynamique et incertain. Pour passer de Pong à Doom, Cortical Labs a d'ailleurs dû développer le concept de "Cortical Cloud", une infrastructure dédiée à l'entraînement de tâches plus complexes sur les neurones biologiques. Cela signifie que le passage à l'échelle est déjà pensé. Et que Doom n'est qu'une étape intermédiaire, un point de contrôle, avant des applications beaucoup plus ambitieuses. Il convient de noter que techniquement, les cellules jouaient à Freedoom, une version open source basée sur le moteur de Doom, et non au jeu original d'id Software, dont les ressources graphiques restent sous copyright. ## Le "wetware" peut-il un jour rivaliser avec le silicium ? "Wetware" (matériel humide) est le terme utilisé pour désigner les systèmes informatiques basés sur des cellules biologiques vivantes, par opposition au "hardware" (silicium) et au "software" (logiciel). La question n'est plus théorique : est-ce que le wetware peut tenir la comparaison ? La réponse honnête est : pas encore, mais les signaux sont sérieux. Le cerveau humain contient entre 86 et 100 milliards de neurones. Les 200 000 utilisés par le CL1 représentent donc 0,0002% de cette capacité. Et pourtant, ce minuscule fragment de tissu neuronal apprend à naviguer dans un environnement en 3D avec des ennemis, ce qui est très significatif. Les avantages réels du wetware sont d'ordre énergétique et adaptatif : les neurones biologiques consomment une énergie infime par rapport à un GPU, et leur plasticité synaptique leur permet d'adapter leur structure en réponse à l'expérience, sans qu'on ait besoin de programmer cette adaptation explicitement. Les limites sont tout aussi réelles : les organoides cérébraux sont fragiles, difficiles à standardiser, et leur durée de vie est limitée. Aucun ingénieur sérieux ne prédit encore un remplacement du silicium à court terme. > *"This was a major milestone, because it demonstrated adaptive, real-time goal-directed learning."* > — Brett Kagan, Chief Scientific Officer, Cortical Labs (mars 2026) ## Quelles applications concrètes au-delà du jeu vidéo ? Cortical Labs a déjà annoncé que leurs prochaines cibles sont les bras robotiques et des tâches logicielles complexes. L'idée est d'exploiter la capacité unique des réseaux neuronaux biologiques à gérer l'incertitude et les données en temps réel, deux domaines où les IA classiques peinent encore malgré leurs performances spectaculaires. Un bras prothétique contrôlé par un réseau de neurones cultivés pourrait théoriquement s'adapter de façon beaucoup plus intuitive aux retours sensoriels qu'un système programmé. Pour les professionnels qui travaillent sur l'IA et l'automatisation, comprendre où se situe cette révolution est fondamental. Ce n'est pas une question de science-fiction : c'est une bifurcation technologique qui se joue maintenant, et qui redéfinit les frontières entre intelligence artificielle et intelligence biologique. Les architectures que nous connaissons (transformers, réseaux convolutifs, backpropagation) ne sont pas les seules voies possibles vers l'intelligence. Pour ceux qui veulent comprendre comment concevoir les systèmes IA de demain, de l'agent autonome au système hybride, la formation [AI Engineer](https://www.travelearn.fr/formation/ai-engineer) de TraveLearn offre les bases techniques pour naviguer dans cet écosystème en mutation rapide, comprendre les paradigmes d'apprentissage, et anticiper les prochaines ruptures. ## Ce que cette expérience dit de nous, et de nos machines Ce qui frappe dans l'expérience CL1, c'est moins la performance en jeu vidéo que ce qu'elle révèle sur la nature même de l'apprentissage. Aucun code n'a dit à ces neurones "tire quand tu vois un ennemi". Les connexions synaptiques qui mènent aux bons comportements se sont renforcées d'elles-mêmes, exactement comme le cerveau d'un enfant qui apprend à attraper une balle. Ce processus n'a rien à voir avec la backpropagation ou le gradient descent des réseaux de neurones artificiels. C'est quelque chose de fondamentalement différent, et potentiellement complémentaire. Nous sommes encore dans les toutes premières pages de ce chapitre. Les cellules jouent "comme un débutant qui n'a jamais vu un ordinateur, et honnêtement, c'est normal, ils n'en ont jamais vu un", comme le résumait l'équipe Cortical Labs avec un brin d'humour. Mais ce débutant apprend. Et cette fois, il est fait de chair. --- *Sources : [Popular Science](https://www.popsci.com/technology/human-brain-cell-computer-plays-doom/), [Interesting Engineering](https://interestingengineering.com/science/biological-computer-with-human-neurons-play-doom), [Tom's Hardware](https://www.tomshardware.com/tech-industry/artificial-intelligence/200-000-living-human-neurons-on-a-microchip-demonstrated-playing-doom-cortical-labs-cl1-video-shows-the-gameplay-and-explains-how-the-neurons-learn-the-game)*