Les deux versions sont alignées bloc par bloc, dans l’ordre du texte : titre, l’essentiel, puis paragraphe par paragraphe. Quand la traduction a fusionné ou scindé un paragraphe, la case correspondante reste vide — on ne rapproche jamais deux passages au jugé.
On a bench at the University of Bristol, a few millimetres of human brain tissue, grown from cells in a dish, is now sorting touch signals. A tactile sensor scans a Braille character and turns what it feels into patterns of electrical stimulation. Those pulses travel into the organoid, the tiny lab-grown model of the human forebrain, and come back as a pattern of activity that a conventional learning algorithm then reads as a letter.
Sur une paillasse de l’université de Bristol, quelques millimètres de tissu cérébral humain, cultivé à partir de cellules dans une boîte de Petri, trient désormais des signaux tactiles. Un capteur tactile balaie un caractère braille et transforme ce qu’il perçoit en motifs de stimulation électrique. Ces impulsions gagnent l’organoïde, ce minuscule modèle de prosencéphale humain cultivé en laboratoire, et ressortent sous forme de motif d’activité que un algorithme d’apprentissage classique interprète ensuite comme une lettre.
The figures show how much one piece of tissue can carry. Each organoid, built from around 10,000 nerves and supporting cells, identified the correct letter with 61% accuracy on its own. Combining the responses of three organoids lifted accuracy to 83%, and the combined system held up better when the team added artificial noise. The organoids were never trained to read Braille: they used a fixed encoding of the letters, and the algorithm did the classification. The study shows that living tissue can transform touch information while keeping useful patterns, not that it has learned to read.
Les chiffres montrent ce qu’un seul morceau de tissu peut transmettre. Chaque organoïde, constitué de environ 10 000 neurones et cellules de soutien, identifiait la bonne lettre avec une précision de 61 % à lui seul. La combinaison des réponses de trois organoïdes a porté la précision à 83 %, et le système combiné a mieux tenu lorsque l’équipe a ajouté du bruit artificiel. Les organoïdes n’ont jamais été entraînés à lire le braille : ils utilisaient un codage fixe des lettres, et l’algorithme se chargeait de la classification. L’étude montre que du tissu vivant peut transformer des informations tactiles en conservant des motifs utiles, mais pas qu’il a appris à lire.
The biggest test came from a collaboration between Cortical Labs and Honda Research Institute Europe. Cortical Labs' CL1 biological computers were connected to a virtual agent that had to head toward a simulated odour source, choosing between moving forward, turning left or turning right. The researchers tried about 1,300 configurations of the electrical signals, logging more than 4,000 hours of real-time interaction across dozens of biological units. Only 12 configurations learned consistently across episodes, and under comparable conditions those optimised agents beat conventional reinforcement-learning benchmarks at navigation. The work will be presented at NeurIPS, the machine-learning conference, in Sydney. The method behind it, called an Embodied Neurocomputation Framework, treats the unpredictability of neurons as an engineering problem to be systematically tuned.
Le test le plus ambitieux vient d’une collaboration entre Cortical Labs et Honda Research Institute Europe. Les ordinateurs biologiques CL1 de Cortical Labs étaient reliés à un agent virtuel devant se diriger vers une source d’odeur simulée, en choisissant entre avancer, tourner à gauche ou tourner à droite. Les chercheurs ont testé environ 1 300 configurations de signaux électriques, en enregistrant plus de 4 000 heures d’interaction en temps réel avec des dizaines d’unités biologiques. Seules 12 configurations ont appris de façon constante d’un épisode à l’autre, et, dans des conditions comparables, ces agents optimisés ont battu les référentiels classiques d’apprentissage par renforcement pour la navigation. Ces travaux seront présentés à NeurIPS, la conférence de référence sur l’apprentissage automatique, à Sydney. La méthode sous-jacente, baptisée Embodied Neurocomputation Framework, traite l’imprévisibilité des neurones comme un problème d’ingénierie à régler de façon systématique.
For robots, the most visible step is the dog. Cortical Labs used the firing rate of its cultured neurons to steer a robot dog through a small space. Brett Kagan, the company's co-founder and CEO, puts the gap plainly: robots are now capable at physical control but "still struggle with the higher-order control required to learn quickly or adapt when conditions change." If researchers can reliably harness neurons' efficiency and their capacity to adapt, biological computing could one day be the preferred choice for machines working in unfamiliar conditions far from home. That is a long road: the sources note that keeping the tissue alive remains a challenge, and none of these demonstrations suggests that biological computers will soon run warehouses or drive taxis.
En robotique, l’étape la plus visible est le chien. Cortical Labs a utilisé le taux de décharge de ses neurones en culture pour diriger un robot-chien dans un espace restreint. Brett Kagan, cofondateur et PDG de l’entreprise, résume l’écart sans détour : les robots sont aujourd’hui capables en matière de contrôle physique, mais ils « peinent encore à assurer le contrôle de plus haut niveau nécessaire pour apprendre vite ou s’adapter lorsque les conditions changent ». Si les chercheurs parviennent à exploiter de façon fiable l’efficacité des neurones et leur capacité d’adaptation, l’informatique biologique pourrait un jour devenir le choix privilégié pour les machines évoluant dans des conditions inconnues, loin de chez elles. La route est longue : les sources rappellent que maintenir le tissu en vie reste un défi, et aucune de ces démonstrations ne laisse penser que des ordinateurs biologiques feront bientôt tourner des entrepôts ou conduiront des taxis.