Dans un sous-sol de l’université de Moscou, une machine tournait depuis 1958 sans compter ni en 0 ni en 1 : soixante ans plus tard, son principe revient pour l’intelligence artificielle

Dans les couloirs silencieux de l’université d’État de Moscou, à la fin des années 1950, des étudiants descendaient vers un laboratoire où le froid semblait s’accrocher aux murs. Derrière une porte banale, une machine occupait l’espace, avec ses armoires métalliques, ses voyants et son bourdonnement régulier. Elle s’appelait Setun. Elle ne raisonnait pas comme les ordinateurs que nous utilisons aujourd’hui : au lieu des deux chiffres familiers, 0 et 1, elle travaillait avec trois états, -1, 0 et +1. À l’époque, cette drôle d’idée soviétique paraissait presque marginale face à la montée du binaire. Pourtant, son principe refait surface dans les laboratoires d’intelligence artificielle, là où chaque watt consommé compte. Une vieille intuition pourrait bien avoir trouvé son heure.

Setun, l’ordinateur qui refusait le tout-binaire

Nous connaissons tous ce moment où un objet ancien semble soudain plus moderne que prévu : un appareil photo argentique, une vieille carte routière, un tourne-disque. Setun provoque un peu cette sensation. Conçue sous la direction de l’ingénieur Nikolaï Brountsov à l’université de Moscou, cette machine utilisait le ternaire équilibré, un système où les nombres reposent sur -1, 0 et +1. Là où le binaire empile des 0 et des 1, le ternaire offre une troisième voie. Une nuance, en quelque sorte. Et dans le calcul, cette nuance change beaucoup de choses.

Le premier prototype de Setun a vu le jour en 1958, puis une version produite en petite série a été construite à partir de 1959. Selon les archives et récits historiques, une cinquantaine d’exemplaires environ auraient été fabriqués. Ils ont servi dans des universités, des centres de recherche et certaines structures industrielles soviétiques. La machine n’était pas un gadget de laboratoire : elle pouvait exécuter des calculs scientifiques et piloter des tâches concrètes. Son rythme était modeste vu d’aujourd’hui, mais son idée, elle, était audacieuse.

Le choix du ternaire n’avait rien d’un caprice intellectuel. Avec trois symboles, on représente certaines valeurs plus compactement, et le signe négatif devient naturel grâce au -1. Les ingénieurs de Setun utilisaient notamment des composants magnétiques capables de prendre trois états stables. *Une machine n’a pas besoin de penser comme un interrupteur pour calculer juste.* Le monde industriel avait déjà choisi le binaire, plus simple à fabriquer et à standardiser ; Setun est donc restée une remarquable exception, presque une bifurcation oubliée de l’histoire informatique.

Pourquoi cette idée revient dans les réseaux d’intelligence artificielle

Pour comprendre le retour du ternaire, il faut regarder une scène très actuelle : un serveur qui entraîne un modèle d’IA toute la nuit, ventilateurs lancés à plein régime, consommation électrique qui grimpe, cartes graphiques sous pression. Les modèles modernes manipulent des milliards de paramètres, souvent codés avec une grande précision. Or cette précision coûte cher en mémoire, en calcul et en énergie. Une méthode concrète consiste à réduire les poids d’un réseau neuronal à trois valeurs : -1, 0 et +1. Le modèle devient plus léger, parfois radicalement.

Les chercheurs parlent alors de réseaux ternaires ou de poids ternaires. L’idée paraît brutale : remplacer des nombres très précis par seulement trois possibilités. Pourtant, après une phase d’entraînement adaptée, certains modèles gardent des performances utiles pour des tâches ciblées. Soyons honnêtes : personne ne fait vraiment cela tous les jours sur son téléphone. Mais pour les entreprises qui font tourner des millions de requêtes, chaque opération évitée peut représenter une économie massive. Les puces peuvent aussi travailler plus vite avec des additions simples qu’avec de longues multiplications en virgule flottante.

Une erreur fréquente consiste à croire que l’IA ternaire signifie une IA moins intelligente. Ce n’est pas si simple. La perte de précision existe, surtout sur les tâches fines ou les modèles mal préparés, mais elle peut être compensée par de meilleures méthodes d’entraînement, des architectures adaptées ou une précision conservée à certains endroits stratégiques. Le bon réflexe n’est pas de tout réduire aveuglément : il faut tester le modèle sur son usage réel. Une IA destinée à classer des images simples n’a pas les mêmes besoins qu’un système médical ou qu’un outil de traduction exigeant.

La leçon discrète laissée par une machine soviétique

Setun ne revient pas telle quelle dans les centres de données. Personne ne réinstalle ses imposantes armoires métalliques dans les sous-sols des géants du numérique. Ce qui revient, c’est une logique : parfois, réduire le nombre d’états et accepter une approximation contrôlée permet de faire mieux avec moins. Les équipes qui explorent les modèles ternaires cherchent une IA plus sobre, capable de fonctionner sur des appareils embarqués, des téléphones, des capteurs ou des serveurs moins gourmands. Cette piste mérite d’être regardée sans fascination excessive, ni ironie facile.

Le mot « ternaire » peut sembler lointain, réservé aux ingénieurs et aux tableaux remplis de symboles. Pourtant, son enjeu nous touche déjà. Quand une application répond instantanément sans vider la batterie, quand un objet connecté analyse localement une image au lieu d’envoyer des données vers un serveur, une optimisation de ce type peut être en jeu. Les contraintes matérielles reviennent toujours à la table, même à l’ère des intelligences artificielles géantes. Le progrès ne consiste pas seulement à ajouter des couches, des milliards de paramètres et des machines.

Donald Knuth, figure majeure de l’informatique théorique, a résumé l’élégance de cette piste par une formule souvent reprise :

« La notation ternaire équilibrée est peut-être le système de numération le plus élégant de tous. »

• 1958 : le prototype Setun apparaît à l’université de Moscou.
• Trois états : -1, 0 et +1 remplacent le duo binaire traditionnel.
• IA actuelle : les poids ternaires visent à réduire mémoire, énergie et temps de calcul.

Ce rapprochement ne prouve pas que les ingénieurs soviétiques avaient prévu ChatGPT ou les modèles génératifs. Il rappelle simplement qu’une idée mise de côté peut attendre des décennies avant de rencontrer le bon problème technique.

Maëlle Rousselot-Laborde

Architecte d’intérieur passionnée par l’habitat durable, j’accompagne vos projets déco, rénovation et cuisine responsable avec enthousiasme et proximité.