Cerveau, Conscience & IA
De la dynamique neuronale aux grands modèles de raisonnement artificiel. Explorer la conscience, la plasticité cérébrale, l'optogénétique et l'ingénierie des agents LLM.
-
BrainFacts
Ressource de référence de la Society for Neuroscience pour comprendre le fonctionnement du cerveau humain. -
Walter Freeman
Conférence majeure du Pr. Walter Freeman sur la neurodynamique, le chaos déterministe et la perception cérébrale. -
Stanislas Dehaene
Synthèse interactive des travaux de Stanislas Dehaene au Collège de France : conscience, lecture et mécanismes d'apprentissage. -
Les Fonctions du Cerveau - Guide Complet
Dossier interactif sur les théories quantiques de la conscience, des microtubules (Penrose-Hameroff) et du fonctionnement cérébral. -
L'Engramme & la Microglie
Application didactique et interactive réalisée par Marc Frenkel : synthèse sur l'engramme mnémonique et la sculpture par les microglies, avec simulateur de réseau neural en temps réel, quiz et fiches mémos. -
optogénétique
Contrôler l’activité de cellules grâce à la lumière : c’est le principe de l’optogénétique, une technique qui associe génie génétique et optique. Elle consiste à introduire dans des cellules un gène leur permettant de produire une protéine sensible à la lumière. Un éclairage adapté permet ensuite d’activer cette protéine et ainsi de moduler l’activité des cellules ciblées. -
cerveau drosophile
33 ans de travail humain ont été consacrés à cartographier un cerveau plus petit qu’une graine de pavot. C’est tout ce qu’il contient, chacun de ses 139 255 neurones. 1 femelle drosophile 7 050 couches, 21 millions de clichés. -
cerveau Proust
-
gemini
Assistant multimodal de Google connecté au web pour le texte, le code et l'analyse d'images. -
claude
Assistant IA conversationnel avancé d'Anthropic, réputé pour son raisonnement et l'analyse de code. -
aistudio
outil de développement Google Gemini -
Karpathy
In this video: the problem with RAG, the idea of the LLM Wiki, how to implement it, and its limitations. -
Gemma 4
LLM -
google IA school
Generative AI -
langextract
-
Evan Otero on X: "If you're a Google AI Pro or Ultra subscriber, don't forget to redeem your monthly Gemini API credits. They can be redeemed with any model and can be used with an api key, whether that's in your code, Antigravity CLI, or any third-party harnesses. Learn more about how to redeem… / X
Evan Otero@EvanOteroIf you're a Google AI Pro or Ultra subscriber, don't forget to redeem your monthly Gemini API credits. They can be redeemed with any model and can be used with an api key, whether that's in your code, Antigravity CLI, or any third-party harnesses. Learn more about how to redeem them below: ai.dev/learn/use-goog…Use your Google AI plan credits in AI StudioFrom aistudio.google.com9:16 PM · Oct 8, 2026·38.4KViews4546713870Lurul@CyberVu2r0n1hThis is way too complicated. Appreciate the credits but I'm not going through all this to redeem them. Make it easy like Anthropic. Gemini app. Settings. Usage limits. Redeem. Thank you1333.3KZ@Z244375971hwhy do we nee to redeem, just auto reddeem it151.1KMatin hoseini@Matin207771hSorry I'm canceling my subscription because of no pro model4445 -
robots chinois et japonais
En Chine, les robots humanoïdes font déjà partie de la vie quotidienne. -
alibaba
Framework open source d'Alibaba pour créer des agents IA capables d'interagir avec les interfaces web. -
learn-guide/5-day-genai
Guide intensif de 5 jours par Kaggle pour maîtriser l'IA générative et les LLMs. -
transe
Documentaire et étude scientifique sur les états modifiés de conscience et la transe cognitive. -
IA CHU MONTPELLIER
Présentation des applications de l'intelligence artificielle en milieu hospitalier et diagnostic clinique. -
Tchernobyl
Conversation et synthèse partagée via Google Gemini sur la thématique du nucléaire. -
pneus
Discussion et conseils partagés via Google Gemini concernant les pneus. -
Maxime
Discussion et synthèse partagée via Google Gemini sur les neurosciences / le cerveau. -
Harness Engineering
Discussion et ingénierie de prompts partagées via Google Gemini (Harness Engineering). -
Apertus
Interface de chat officielle de Public AI pour les modèles souverains open-source Apertus (Swiss AI Initiative - EPFL / ETH Zurich). -
Gemini — L'Engramme & la Microglie
Échange approfondi avec Gemini sur les neurosciences de la mémoire : l'engramme synaptique (Semon, Tonegawa), l'élagage par les cellules microgliales (C1q/CD47) et l'oubli actif. -
aistudio video
Vidéo YouTube par Yassine Sdiri : Comprendre le NOUVEAU Google AI Studio en 20 Minutes -
aistudio vidéos en français
vidéos en français sur Google aistudio -
amour
La comparaison entre l'amour et l'inconscient est non seulement pertinente, mais elle constitue un pont majeur entre la psychanalyse, les neurosciences et la biologie de l'évolution. -
Gemini Text to Speech
Synthèse de la parole -
Marie & Chat
-
crédits mensuels Google Cloud
Utilisateurs Google AI Pro et Ultra : n'oubliez pas de réclamer vos crédits mensuels Google Cloud. Pro : 10 $/mois Ultra : 100 $/mois Google vient de publier un guide officiel étape par étape. En savoir plus sur la façon de les réclamer ci-dessous : -
GitHub - trymirai/uzu: A high-performance inference engine for AI models · GitHub
Skip to content You signed in with another tab or window. Reload to refresh your session. You signed out in another tab or window. Reload to refresh your session. You switched accounts on another tab or window. Reload to refresh your session. Dismiss alert {{ message }} mainBranchesTagsGo to fileCodeOpen more actions menuLatest commit History856 Commits856 CommitsFolders and filesNameNameLast commit messageLast commit date.cargo.cargo .config.config .github.github .helix.helix .vscode.vscode .zed.zed appsapps cratescrates docsdocs scriptsscripts toolstools .clang-format.clang-format .envrc.envrc .gitignore.gitignore Cargo.lockCargo.lock Cargo.tomlCargo.toml LICENSELICENSE Package.swiftPackage.swift README.mdREADME.md clippy.tomlclippy.toml deny.tomldeny.toml flake.lockflake.lock flake.nixflake.nix rust-analyzer.tomlrust-analyzer.toml rust-toolchain.tomlrust-toolchain.toml rustfmt.tomlrustfmt.toml View all filesRepository files navigation uzu A high-performance inference engine for AI models. It allows you to deploy AI directly in your app with zero latency, full data privacy, and no inference costs. Key features: Simple, high-level API Unified model configurations, making it easy to add support for new models Traceable computations to ensure correctness against the source-of-truth implementation Utilizes unified memory on Apple devices Broad model support Quick Start RustAdd the dependency: [dependencies] uzu = { git = "https://github.com/trymirai/uzu", branch = "main", package = "uzu" } Run the code below: use std::io::{self, Write}; use uzu::{ engine::{Engine, EngineConfig}, types::session::chat::{ChatConfig, ChatMessage, ChatReplyConfig}, }; #[tokio::main] async fn main() -> Result<(), Box<dyn std::error::Error>> { let engine_config = EngineConfig::default(); let engine = Engine::new(engine_config).await?; let model = engine.model("alibaba:qwen3.5:0.8b:mirai:mirai-m:4".to_string()).await?.ok_or("Model not found")?; let downloader = engine.download(&model).await?; while let Some(update) = downloader.next().await { print!("\r\u{001B}[2KDownload progress: {:.2}%", update.progress() * 100.0); io::stdout().flush()?; } println!(); let session = engine.chat(model, ChatConfig::default()).await?; let messages = vec![ ChatMessage::system().with_text("You are a helpful assistant".to_string()), ChatMessage::user().with_text("Tell me a short, funny story about a robot".to_string()), ]; let replies = session.reply(messages, ChatReplyConfig::default()).await?; if let Some(reply) = replies.last() { println!("Reasoning: {}", reply.message.reasoning().unwrap_or_default()); println!("Text: {}", reply.message.text().unwrap_or_default()); } Ok(()) } PythonAdd the dependency: uv add uzu==0.6.2 Run the code below: import asyncio from uzu import ChatConfig, ChatMessage, ChatReplyConfig, Engine, EngineConfig async def main() -> None: engine_config = EngineConfig.create() engine = await Engine.create(engine_config) model = await engine.model("alibaba:qwen3.5:0.8b:mirai:mirai-m:4") if model is None: return async for update in (await engine.download(model)).iterator(): print(f"\rDownload progress: {update.progress:.2%}", end="", flush=True) print() session = await engine.chat(model, ChatConfig.create()) messages = [ ChatMessage.system().with_text("You are a helpful assistant"), ChatMessage.user().with_text("Tell me a short, funny story about a robot"), ] replies = await session.reply(messages, ChatReplyConfig.create()) if not replies: return message = replies[-1].message print(f"Reasoning: {message.reasoning}") print(f"Text: {message.text}") if __name__ == "__main__": asyncio.run(main()) SwiftAdd the dependency: dependencies: [ .package(url: "https://github.com/trymirai/uzu.git", from: "0.6.2") ] Run the code below: import Foundation import Uzu public func runQuickStart() async throws { let engineConfig = EngineConfig.create() let engine = try await Engine.create(config: engineConfig) guard let model = try await engine.model(identifier: "alibaba:qwen3.5:0.8b:mirai:mirai-m:4") else { return } for try await update in try await engine.download(model: model).iterator() { print(String(format: "\r\u{001B}[2KDownload progress: %.2f%%", update.progress() * 100), terminator: "") fflush(stdout) } print() let session = try await engine.chat(model: model, config: .create()) let messages = [ ChatMessage.system().withText(text: "You are a helpful assistant"), ChatMessage.user().withText(text: "Tell me a short, funny story about a robot") ] let reply = try await session.reply(input: messages, config: .create()) guard let message = reply.last?.message else { return } print("Reasoning: \(message.reasoning() ?? "empty")") print("Text: \(message.text() ?? "empty")") } TypeScriptAdd the dependency: pnpm add @trymirai/uzu@0.6.2 Run the code below: import { ChatConfig, ChatMessage, ChatReplyConfig, Engine, EngineConfig } from '@trymirai/uzu'; async function main() { let engin -
plasticité cérébrale
La découverte de la plasticité cérébrale n'est pas attribuable à une seule personne, mais résulte d'une évolution conceptuelle et expérimentale s'étalant sur plus d'un siècle. L'idée que le cerveau adulte est fixe et immuable a longtemps dominé, avant d'être progressivement réfutée par plusieurs scientifiques. 🧠 Les pionniers et leurs découvertes · Michele Vicenzo Malacarne (1793) : Ce anatomiste italien est l'un des premiers à fournir des preuves expérimentales. Il a entraîné des animaux pendant des années, puis les a disséqués. Il a découvert que le cervelet des animaux entraînés était substantiellement plus grand que celui des animaux non entraînés. · William James (1890) : Ce psychologue et philosophe américain est souvent crédité pour avoir introduit le concept dans le domaine de la psychologie. Dans son ouvrage The Principles of Psychology, il a proposé que la matière nerveuse possède un "degré extraordinaire de plasticité", liant ce concept à la formation des habitudes. · Santiago Ramón y Cajal (fin XIXe - début XXe) : Ce neuroscientifique espagnol, pionnier de la "doctrine du neurone", a initialement décrit la plasticité au XIXe siècle. Cependant, ses travaux ultérieurs ont contribué à l'idée que les chemins nerveux chez l'adulte sont fixes et immuables, une position qui a longtemps freiné l'acceptation de la plasticité adulte. · Ernesto Lugaro (1906) : Ce psychiatre italien est considéré comme le responsable de l'introduction du terme "plasticité" dans les neurosciences. · Adolf Meyer (début XXe) : Ce psychiatre suisse-américain a été l'un des premiers champions de l'idée que le système nerveux pouvait changer tout au long de la vie adulte. Il a intégré le concept de plasticité de William James dans un cadre clinique pour la psychiatrie. · Donald Hebb (1949) : Ce psychologue canadien a proposé une théorie fondamentale sur le mécanisme de la plasticité synaptique. Sa célèbre règle, souvent résumée par "Cells that fire together, wire together", a expliqué comment les connexions entre neurones se renforcent avec l'usage. · Michael Merzenich (à partir de 1968) : Ce neuroscientifique américain est souvent qualifié de pionnier de la plasticité cérébrale. Ses expériences sur des singes ont démontré de manière convaincante que le cortex adulte pouvait se réorganiser en réponse à des changements d'input sensoriel. Ses travaux ont joué un rôle crucial pour convaincre la communauté scientifique, dans les années 1980, que le cerveau adulte est bien plastique. 💡 Comment ces découvertes ont-elles été faites ? Les méthodes ont évolué avec la technologie : · Expériences anatomiques : Malacarne a comparé des cerveaux d'animaux entraînés et non entraînés pour observer des différences structurelles. · Observations cliniques et théorisation : James et Meyer ont formulé des hypothèses à partir d'observations sur le comportement et la psychiatrie. · Expérimentations électrophysiologiques : Merzenich a utilisé des microélectrodes pour cartographier les zones du cerveau responsables de la sensation dans la main des singes. Après avoir sectionné un nerf, il a observé que la carte cérébrale se réorganisait pour s'adapter au nouvel input. · Imagerie cérébrale non invasive : Depuis les années 1990, des techniques comme l'IRM fonctionnelle (IRMf) ont permis d'observer la plasticité chez l'humain vivant en temps réel, confirmant que ces processus sont bien à l'œuvre tout au long de la vie. En résumé, la plasticité cérébrale est le fruit d'un long processus collectif. Si William James en a posé l'idée, Michael Merzenich en a été l'un des principaux artisans expérimentaux, tandis que des figures comme Malacarne, Hebb et Meyer ont apporté des pièces essentielles à ce puzzle. Si vous souhaitez approfondir un aspect particulier, comme les mécanismes de la plasticité synaptique ou les applications thérapeutiques, n'hésitez pas à me le faire savoir. -
Parsec
Le lien que vous avez partagé pointe vers Parsec, un outil d'optimisation de contexte pour les agents de codage IA, développé par Parseclab. Il est conçu pour réduire les coûts et améliorer la vitesse des agents en supprimant les informations inutiles de leur contexte de travail. 🧠 Comment ça marche ? Parsec s'intercale comme un proxy local entre votre agent (comme Claude Code, Codex ou opencode) et le modèle de langage. Il analyse le contexte accumulé (lectures de fichiers, résultats de recherche, sorties d'outils) et utilise un petit modèle de langage (SLM) pour noter et supprimer les segments peu susceptibles d'être utilisés pour la tâche en cours. 📊 Résultats mesurés Sur un benchmark de 100 tâches SWE-bench Verified, Parsec a démontré des gains significatifs : · Moins cher : −39 % de coût total (89,65 $ contre 147,30 $), soit 1,45 $ par tâche résolue. · Plus rapide : −25 % de temps (10,8 heures contre 14,4 heures). · Plus performant : 62 tâches résolues sur 100, contre 57 sans compression. 🚀 Comment l'utiliser ? Parsec propose plusieurs modes de déploiement : · Pro : Plugin gratuit + proxy local avec le curateur complet via l'API hébergée. · Team (bientôt disponible) : Passerelle hébergée avec vos propres clés API, sans installation locale. · Enterprise : Déploiement dans votre cloud, avec la pile complète et la possibilité d'affiner le modèle sur vos traces internes. Le code et les installateurs sont disponibles sur GitHub. 🔗 À propos des paramètres de l'URL Les paramètres utm_* et twclid présents dans votre lien sont des paramètres de suivi marketing. Ils indiquent que ce lien provient d'une campagne publicitaire sur X (Twitter) : · utm_source=x : source = X (Twitter). · utm_medium=cpl : medium = coût par lead. · utm_campaign=CBOTW12092026... : nom de la campagne. · utm_term=agentswithoutlimits2 : terme de la campagne. · utm_content=image : type de contenu (image). · twclid=... : identifiant de clic Twitter. En résumé, Parsec est un outil spécialisé pour les développeurs utilisant des agents de codage IA, visant à rendre ces agents plus économiques et efficaces en optimisant leur contexte. Si vous avez d'autres questions sur son fonctionnement ou son installation, n'hésitez pas. -
Bienvenue sur Projets IA 👋
Bienvenue sur Projets IA 👋 Moi c'est Anaïs. Ma mission : rendre l'intelligence artificielle compréhensible par tout le monde, sans sacrifier la vraie technique. Ici on explique comment l'IA fonctionne vraiment : LLM, tokens, GPU, transformers, fine tuning, RAG… avec des analogies, zéro jargon, et de la pratique sur Google Colab, Hugging Face et Python. Aucun prérequis : que tu sois simple curieux, en reconversion ou développeur, tu es au bon endroit. Je travaille dans l'informatique depuis 10 ans, sur des projets de transformation pour les entreprises. Aujourd'hui, je mets cette expérience au service d'un objectif : démystifier l'IA. -
deepseek
Modèle de raisonnement IA open-weight ultra-performant pour le code et les mathématiques. Cursor Base URL : https://api.deepseek.com API Key : Votre clé DeepSeek (sk-...) Modèles à ajouter : deepseek-chat (DeepSeek-V3) et deepseek-reasoner (DeepSeek-R1). LM studio Bionic Comment faire : Ouvrez LM Studio. Dans la barre de recherche intégrée (connectée à Hugging Face), cherchez deepseek-r1-distill ou deepseek-coder. Téléchargez une quantification adaptée à la mémoire de votre Mac (par exemple les versions Distill-Qwen en 7B, 8B ou 14B selon votre RAM unifiée). Vous pouvez exécuter le modèle directement dans l'interface ou activer le Local Server (compatible OpenAI sur localhost:1234) pour y connecter d'autres outils. Coût : 100 % Gratuit. Les modèles sont open-weights/open-source et tournent directement sur la puce de votre ordinateur (CPU/GPU/Neural Engine) sans aucun frais d'API. -
Le Doute et le Génie — Carnets d'Épistémologie & Sciences
Le Doute et le Génie : essai, esprit critique, rigueur scientifique et exploration des grandes énigmes de la pensée.