NEUROBUS : une IA embarquée qui consomme très peu d’énergie

Pouvez-vous vous présenter en quelques mots ?

Florian Corgnou : Je m’appelle Florian Corgnou, fondateur et CEO de Neurobus, une start-up deeptech que j’ai créée en 2023, entre Paris et Toulouse. Diplômé d’HEC, j’ai fondé une première entreprise dans le secteur du logiciel financier avant de rejoindre le siège européen de Tesla aux Pays-Bas. J’y ai travaillé sur des problématiques d’innovation et de stratégie produit.

Avec Neurobus, je me consacre à une mission : concevoir des systèmes embarqués d’intelligence artificielle neuromorphique, une technologie bio-inspirée qui réinvente la façon dont les machines perçoivent et interagissent avec leur environnement. Cette approche radicalement sobre et efficiente de l’IA ouvre des perspectives inédites pour les applications critiques dans la défense, le spatial, et la robotique autonome.

Notre conviction, c’est que l’autonomie embarquée ne peut émerger qu’en conciliant performance, sobriété énergétique et intelligence contextuelle, même dans les environnements les plus contraints, comme l’espace, les drones légers ou les missions en zones isolées.

Qu’est-ce qui rend votre entreprise innovante ?

F.C. : Neurobus se distingue par l’intégration de technologies neuromorphiques, c’est-à-dire une IA capable de fonctionner en temps réel avec une consommation énergétique ultra-faible, à l’image du cerveau humain.

Nous combinons des caméras événementielles[1] avec des processeurs neuromorphiques pour traiter directement à la source des signaux complexes, sans avoir besoin d’envoyer toutes les données dans le cloud.

Ce changement de paradigme permet une autonomie décisionnelle embarquée inédite, essentielle dans les applications critiques comme la détection de missiles ou la surveillance orbitale.

Vous avez choisi une IA sobre, adaptée aux contraintes de son environnement. Pourquoi ce choix et en quoi cela change-t-il la façon de concevoir vos solutions ?

F.C. : L’IA traditionnelle, basée sur le deep learning [2], est gourmande en calcul, en données et en énergie. Or, les matériels que nous équipons — satellites, micro-drones, robots en autonomie complète — évoluent dans des environnements où ces ressources sont rares, voire absentes.

Nous avons donc adopté une IA frugale, conçue dès le départ pour fonctionner avec peu : peu de données (grâce aux caméras événementielles), peu d’énergie (grâce aux puces neuromorphiques), et peu de mémoire.

Cela nous force à repenser toute la chaîne de conception : du matériel jusqu’aux algorithmes, en passant par le système d’exploitation embarqué que nous développons en interne, le NeurOS.

Quel est le plus gros défi auquel vous avez dû faire face au cours du montage de votre projet ?

F.C. : L’un des plus grands défis a été de convaincre nos premiers partenaires et financeurs que notre technologie, bien qu’encore émergente, pouvait surpasser les approches conventionnelles.

Cela impliquait de créer de la confiance sans produit final, de prouver la valeur de notre approche avec des démonstrateurs très en amont, et de naviguer dans des écosystèmes exigeants comme le spatial ou la défense, où la crédibilité technologique et la propriété intellectuelle sont clés.

Votre prise en compte de la propriété industrielle a-t-elle été naturelle ? Quel rôle a joué l’INPI ?

F.C. : Dès le début, nous avons compris que la propriété industrielle serait un levier stratégique essentiel pour valoriser notre R&D et protéger notre avantage technologique.

Cela a été naturel, car notre innovation se situe à l’intersection du hardware, du software et des algorithmes.

L’INPI nous a accompagnés dans cette démarche, en nous aidant à structurer notre propriété industrielle — brevets, marques, enveloppes Soleau… — et à mieux comprendre les enjeux liés à la valorisation de l’innovation dans un contexte européen.
 

[1] Afin d’éviter des opérations inutilement coûteuses en temps comme en énergie, ce type de caméra n’enregistre une donnée qu’en cas de changement de luminosité. 

[2] Le Deep learning est un type d'apprentissage automatique, utilisé dans le cadre de l’élaboration d’intelligence artificielle, basé sur des réseaux neuronaux artificiels, c’est-à-dire des algorithmes reproduisant le fonctionnement du cerveau humain pour apprendre à partir de grandes quantités de données.