ARC Prize 2026 : Comment Neuraxon fait évoluer les cerveaux IA sans GPU

L’équipe scientifique de Qubic ne conçoit pas à la main les cerveaux de ses agents Neuraxon : elle laisse l’évolution les rechercher. Pour ARC-AGI-3, le benchmark interactif du ARC Prize 2026, l’équipe a testé plus de 110 configurations et des millions de cerveaux évolués sur environ 500 cœurs CPU, sans GPU et sans modèle pré-entraîné, selon Neuraxon Intelligence Academy Vol. 14. Son meilleur score hors ligne a atteint 0,38, et sa dernière soumission Kaggle a obtenu 0,41. Ce guide explique comment fonctionne la recherche d’architecture neuronale évolutive, comment les cerveaux Neuraxon jouent à ARC-AGI-3, ce que les expériences ont révélé, ce que Neuraxon 3.0 cherchera ensuite, et comment télécharger le code et le jeu de données de 603 054 lignes qui l’accompagne.

Qu’est-ce que la recherche d’architecture neuronale ?

La recherche d’architecture neuronale est la conception automatisée de la structure d’un réseau neuronal : combien d’unités il a, comment elles se connectent, et quelles règles les mettent à jour. L’entraînement ajuste la force des connexions dans une conception fixe ; le NAS décide de la conception elle-même. L’enquête de référence du domaine, par Elsken, Metzen et Hutter (JMLR, 2019), décompose chaque méthode NAS en trois parties.

1. Un espace de recherche : l’ensemble des architectures que la méthode est autorisée à considérer.
2. Une stratégie de recherche : la manière dont elle explore cet espace.
3. Une estimation de performance : la façon dont elle décide quel candidat est meilleur, sans entraîner complètement chacun.

Pensez-y comme à la différence entre apprendre à cuisiner et concevoir la cuisine. L’entraînement apprend au réseau à cuisiner correctement ; le NAS décide où placer le four, l’évier et le plan de travail.

Quatre stratégies, quatre profils de coûts

Quatre familles de stratégies de recherche dominent la littérature, comme résumé dans notre introduction à la recherche d’architecture neuronale. Leur facture en calcul diffère par ordres de grandeur.

Le NAS est déjà dans votre poche. Google l’a utilisé pour concevoir MobileNetV3, le réseau d’image derrière de nombreuses fonctionnalités d’appareil photo de téléphone, parce qu’un téléphone a besoin d’un modèle qui soit précis, petit et rapide à la fois. L’évolution a aussi trouvé des améliorations pour le Transformer lui-même dans The Evolved Transformer (So, Liang et Le, 2019).

Le NAS n’est pas de l’optimisation d’hyperparamètres

Changer un taux d’apprentissage ou la taille d’un lot est une optimisation d’hyperparamètres : cela affine la façon dont un réseau donné apprend. Le NAS change le type de réseau que c’est. La distinction est importante car la même règle s’applique aux deux : une méthode de recherche ne mérite son calcul que si elle bat la recherche aléatoire avec le même budget, comme Bergstra et Bengio l’ont montré pour les hyperparamètres en 2012.

Pourquoi utiliser l’évolution pour concevoir un cerveau ?

Parce que c’est ainsi que la nature l’a fait. Chez les animaux, l’apprentissage ajuste la force des synapses pendant une vie, tandis que l’architecture du cerveau est façonnée sur des générations par l’évolution. Dans un article de 2019 dans Nature Communications, le neuroscientifique Anthony Zador a qualifié cela de « goulot d’étranglement génomique » : un génome est bien trop petit pour spécifier chaque synapse, donc l’évolution encode une recette compacte pour le câblage et l’apprentissage, pas le réseau fini.

Un résultat plus ancien va dans le même sens. En 1987, Hinton et Nowlan ont montré dans une simulation que l’apprentissage peut guider l’évolution : les individus capables d’apprendre trouvent des bonnes solutions plus rapidement, et l’évolution sélectionne ensuite cette capacité à apprendre. C’est ce qu’on appelle l’effet Baldwin.

Les grands modèles de langage ont pris la route opposée. Le Transformer est une architecture conçue à la main qui ne change pas durant l’usage du modèle, et seule une petite partie a été automatiquement recherchée. Neuraxon mise sur le fait que l’intelligence générale nécessite les deux niveaux : l’évolution pour choisir l’architecture, et l’apprentissage pendant chaque vie. La méthode de longue date pour faire évoluer la structure des réseaux est NEAT, par Stanley et Miikkulainen (2002), qui fait croître des topologies de simples à complexes.

Qu’est-ce que Neuraxon ?

Neuraxon est une unité de calcul inspirée du cerveau développée par les conseillers scientifiques de Qubic David Vivancos et José Sánchez, publiée en open source sur GitHub. Là où un neurone artificiel classique produit un nombre à chaque étape, un neurone Neuraxon fonctionne en temps continu et prend l’un des trois états : excitateur (+1), neutre (0) ou inhibiteur (-1), une idée explorée dans Au-delà du binaire : la dynamique ternaire comme modèle d’intelligence vivante.

Chaque synapse porte trois poids qui changent à différentes vitesses (rapide, lente et méta), et les synapses peuvent se former, s’effondrer ou se reconnecter. Quatre neuromodulateurs simulés (dopamine, sérotonine, acétylcholine et noradrénaline) agissent via neuf sous-types de récepteurs, comme décrit dans notre volume sur la neuromodulation. Des cellules de type astrocyte régulent la plasticité, un mécanisme couvert dans Astrocytes et IA inspirée du cerveau, et quatre boucles homéostatiques maintiennent l’activité dans une plage saine.

Cette richesse est précisément la raison pour laquelle la recherche d’architecture importe ici. Un cerveau Neuraxon a des dizaines de choix structurels qu’aucun concepteur ne peut bien fixer à la main. L’évolution, via le cadre Aigarth de Qubic, est l’outil qui les explore.

Qu’est-ce que ARC-AGI-3, et pourquoi est-ce si difficile pour l’IA ?

ARC-AGI-3 est le premier benchmark interactif de la série ARC, lancé le 25 mars 2026 par la ARC Prize Foundation. Il s’agit d’un ensemble de jeux au tour par tour dans lesquels personne n’explique les règles : le joueur voit une grille de couleurs, agit, et doit comprendre ce que signifie gagner. Le Vol. 14 compte 25 jeux de développement publics et 55 jeux d’évaluation cachés. Au lancement, les humains ont obtenu 100 % et l’IA de pointe 0,51 %. Nous avons expliqué pourquoi ce type de test est important dans Comment mesurons-nous l’intelligence d’une machine ?

Le score récompense l’efficacité, pas seulement le succès. Pour chaque niveau, la méthodologie officielle divise le nombre d’actions nécessaires pour un humain par celui nécessaire pour l’IA, puis élève le résultat au carré : un agent qui prend dix fois plus d’actions qu’un humain obtient 1 % à ce niveau. Les niveaux ultérieurs pèsent plus, et le score final fait la moyenne de tous les jeux.

Les règles du concours élèvent encore la barre. Le ARC Prize 2026 offre 2 millions de dollars de prix répartis dans ses trois pistes, selon la page officielle de la compétition. L’évaluation Kaggle se déroule sans accès Internet, les systèmes basés sur API comme GPT ou Claude sont interdits, et les principaux participants doivent publier leur solution en open source pour être éligibles. Chaque participation doit apporter sa propre intelligence dans une salle scellée.

Comment Neuraxon joue-t-il à ARC-AGI-3 ?

Un cerveau Neuraxon reçoit la grille en nombres, choisit des actions, et continue d’apprendre pendant le jeu via la plasticité. La recherche d’architecture neuronale intervient avant que le jeu ne commence : elle définit la construction du cerveau, à savoir quelles régions de l’écran il observe, comment les couleurs sont mappées aux entrées, comment il équilibre exploration et exploitation, et jusqu’où ses clics peuvent atteindre.

L’équipe a posé une règle de base, selon le Vol. 14 : étudier les jeux publics, les parties humaines et les analyses pour choisir l’espace de recherche est légitime ; fournir cette information à l’agent pendant le jeu ne l’est pas.

Un protocole évolutif en trois phases

L’échelle était importante : plus de 110 configurations de recherche et des millions de cerveaux évolués, exécutés sur environ 500 cœurs CPU sans GPU. Le meilleur score sur la version hors ligne de Kaggle a atteint 0,38, selon le Vol. 14, et la dernière soumission de l’équipe à la compétition Kaggle a obtenu 0,41, un nouveau record personnel, selon l’équipe scientifique de Qubic. Les inscriptions ont fermé le 2 novembre 2026, et la ARC Prize Foundation annoncera les résultats le 4 décembre.

Comment interpréter le 0,41

Le chiffre a besoin de contexte. Les premiers participants à la compétition enveloppent des modèles de langage open-weight de 27 à 31 milliards de paramètres dans des cadres d’agents, selon une analyse d’octobre 2026 par Metir AI, et obtiennent des scores bien plus élevés. Les cerveaux Neuraxon commencent sans connaissance préentraînée du langage ou des images et tournent sur des processeurs ordinaires. Le score mesure jusqu’où l’évolution seule peut emmener un petit cerveau qui doit découvrir chaque jeu à zéro, pas comment il se classe face à des systèmes disposant de milliards de paramètres de connaissance préalable.

L’équipe est honnête sur ce que les meilleures entrées font mieux : elles prédisent ce qui changera à l’écran avant d’agir, et elles apprennent de leurs erreurs. Le Vol. 14 indique que cette direction est maintenant celle prise par Neuraxon.

Qu’ont révélé les expériences ARC-AGI-3 ?

Le Vol. 14 est inhabituellement transparent sur ce qui a mal tourné, et chaque échec correspond à un piège classique de la recherche d’architecture neuronale.

1. La malédiction du gagnant. Un groupe de cerveaux a réussi un jeu sur chaque graine utilisée pour les sélectionner, et aucun des nouvelles graines. Choisir le meilleur parmi de nombreux candidats sur les mêmes données utilisées pour les classer gonfle le score du gagnant par chance, comme l’ont montré Cawley et Talbot (2010). C’est l’étudiant qui a mémorisé les réponses de l’examen de l’année dernière.
2. Succès sans apprentissage. Dans des jeux simples, une politique fixe plus un peu d’exploration peuvent réussir un niveau sans comprendre les règles. Les succès se concentraient aussi dans quelques jeux, presque toujours au premier niveau.
3. Pas de preuve d’apprentissage. Un score élevé ne montre pas qu’un cerveau a appris quoi que ce soit pendant le jeu.

« Le NAS sélectionne le résultat final et ne nous dit pas s’il y a apprentissage à l’intérieur. »

Équipe scientifique Qubic, Neuraxon Intelligence Academy Vol. 14, 4 novembre 2026

L’équipe a transformé ces leçons en trois règles : sélectionner sur certaines graines et rapporter sur d’autres ; garder certains jeux publics hors de la recherche entièrement ; et toujours soustraire une ligne de base d’action aléatoire sur le même budget. Cette dernière règle résonne avec Li et Talwalkar (2020), qui ont trouvé la recherche aléatoire comme un concurrent étonnamment fort en NAS.

Qu’est-ce que Neuraxon 3.0 ?

Neuraxon 3.0 est la prochaine version du cerveau, conçue pour combler le fossé qu’ARC-AGI-3 a exposé : les cerveaux actuels explorent et s’adaptent dans un jeu, mais ne fixent pas d’objectifs ni n’enchaînent d’actions pour les atteindre, selon le Vol. 14. La question de recherche change donc. Ce n’est plus « quel réseau gagne ? » mais « quels mécanismes et constantes de temps un cerveau a-t-il besoin pour apprendre dans un nouvel environnement ? »

Le design ajoute cinq mécanismes, chacun fonctionnant à une échelle de temps différente.

La recherche porte sur les mécanismes, pas sur les simples nombres de paramètres. Chaque mécanisme a une plage limitée par la physiologie, et chacun peut être désactivé pour mesurer exactement sa contribution.

Un nouveau critère de sélection : la vitesse d’apprentissage

Les cerveaux Neuraxon 3.0 seront récompensés pour la rapidité avec laquelle ils réduisent leur erreur de prédiction par action dans des jeux qu’ils n’ont jamais vus. Sous ce critère, un cerveau qui gagne par chance ne remporte rien. Il cible aussi les deux capacités qui distinguent les meilleures entrées d’ARC-AGI-3 : anticiper ce qui changera à l’écran, et apprendre de ses erreurs.

Garanties écrites avant les données

Le protocole est construit contre les pièges listés ci-dessus, selon le Vol. 14.

• Le design expérimental est fixé avant toute visualisation des données.
• La sélection de l’architecture est scellée par une empreinte digitale numérique (un hash) avant que le jeu de test ne soit généré.
• Chaque recherche est comparée à une recherche aléatoire avec le même budget.
• Les graines sont appariées, les résultats sont corrigés pour comparaisons multiples, et une taille d’effet minimale est déclarée à l’avance.
• Aucune expérience n’est arrêtée prématurément parce que les résultats semblent favorables.
• Les résultats seront publiés lorsque l’ensemble des expériences sera terminé, quelle que soit leur conclusion.

Neuraxon 3.0 est une architecture en conception avec des tests préliminaires, et le Vol. 14 ne donne pas de date de sortie. Au 6 novembre 2026, le dépôt public GitHub va jusqu’à Neuraxon 2.0.

Pourquoi le réseau de Qubic est-il naturellement adapté à la recherche évolutive ?

La recherche évolutive est massivement parallèle par nature : chaque cerveau dans une population peut être évalué indépendamment. Cela correspond à la façon dont fonctionne Qubic. Grâce à la Preuve Utile de Travail, la puissance de calcul qui sécurise le réseau est aussi dirigée vers les tâches d’IA, comme expliqué sur notre page de minage.

La vérification est la deuxième adéquation. Un résultat issu de millions d’évaluations réparties sur de nombreuses machines doit être digne de confiance. Le réseau de Qubic est exploité par 676 Computors qui atteignent un accord via un quorum tolérant aux fautes byzantines, donc un résultat revendiqué peut être vérifié par de multiples parties indépendantes plutôt que pris sur foi. Le protocole scellé et préenregistré de Neuraxon 3.0 est fait pour ce type de vérification. Pour la vision plus large, voir Qu’est-ce que l’AGI ? et le centre scientifique Qubic.

Code Ouvert et Données Ouvertes : Comment explorer Neuraxon soi-même

Tout ce qui est nécessaire pour reproduire ou étendre le travail publié jusqu’à présent est public.

Le démarrage rapide dans le dépôt montre comment construire un réseau, lui fournir des entrées, appliquer la neuromodulation et exécuter une évolution Aigarth en quelques lignes de Python, sans dépendances externes pour le fichier cœur.

Quelles sont les prochaines étapes

Trois jalons encadrent les semaines à venir. Les articles pour la piste papier du ARC Prize 2026 sont attendus pour le 8 novembre, les résultats de la compétition seront annoncés le 4 décembre, et les expériences Neuraxon 3.0 seront publiées une fois terminées, quelle qu’en soit l’issue. La mesure à surveiller n’est pas seulement le classement, mais si les cerveaux évolués commencent à apprendre au sein d’un jeu, ce qui est la capacité qui sépare les meilleures entrées d’aujourd’hui de tout le reste. Pour suivre la série depuis le début, commencez par NIA Vol. 1 : Neuraxon Time.

La Rédaction C.

L'équipe éditoriale de Cointribune unit ses voix pour s’exprimer sur des thématiques propres aux cryptomonnaies, à l'investissement, au métaverse et aux NFT, tout en s’efforçant de répondre au mieux à vos interrogations.