--- title: "Entités · des esprits et des esprits possibles, classés par preuves · Hypothèse de la simulation" url: https://simulation-hypothesis.com/fr/entities description: "Un guide sourcé des esprits : animaux aux nombres de neurones mesurés, systèmes collectifs et artificiels, et tests publiés de sentience et de conscience." license: https://creativecommons.org/licenses/by/4.0/ credit: "Ross Allan Dahl, Hypothèse de la simulation (simulation-hypothesis.com)" --- # Entités · esprits et esprits possibles, classés par preuves Si le monde est une simulation, les esprits sont peut-être parmi les choses les plus difficiles à calculer qu’il contienne. Ce guide recense les cas connus, des cellules isolées aux humains. Il couvre aussi les systèmes artificiels construits jusqu’ici, et les esprits que des scientifiques et des philosophes ont proposés mais que personne n’a observés. Chaque chiffre a une source et une étiquette de confiance. mesuré est un décompte direct, estimation est calculé à partir d’autres données, et non compté signifie que personne n’a publié de décompte. Savoir si l’un de ces systèmes a des expériences est une question distincte. Les preuves à ce sujet se trouvent sous [critères de sentience](https://simulation-hypothesis.com/fr/entities/sentience) et [indicateurs de conscience](https://simulation-hypothesis.com/fr/entities/indicators). ## Esprits individuels ## Animaux : neurones dans le cortex et dans le cerveau entier Cortex ou pallium Cerveau entier Tous Mammifères Oiseaux Neurones du cortex cérébral (mammifères) ou du pallium (oiseaux), un repère anatomique très utilisé de la capacité cognitive. Échelle logarithmique ; les barres pleines sont des décomptes, les barres hachurées des estimations ou des décomptes contestés (†). Les reptiles et les invertébrés ne sont pas montrés, faute de décompte comparable. 1. Orque † 43,1 milliards 2. Globicéphale noir † 37,2 milliards 3. [Humain](https://simulation-hypothesis.com/fr/entities/human)▲1 16,3 milliards 4. Marsouin commun † 14,9 milliards 5. [Grand dauphin †](https://simulation-hypothesis.com/fr/entities/dolphin) 12,7 milliards 6. Baleine à bec de Cuvier 9,1 milliards 7. Gorille 8,5 milliards 8. Orang-outan 8,5 milliards 9. [Chimpanzé](https://simulation-hypothesis.com/fr/entities/chimp) 7,4 milliards 10. Dauphin commun 6,7 milliards 11. Phoque du Groenland 6,1 milliards 12. [Éléphant d’Afrique](https://simulation-hypothesis.com/fr/entities/elephant)▼1 5,6 milliards 13. Rorqual commun 5,2 milliards 14. Baleine bleue 5,1 milliards 15. Petit rorqual 3,2 milliards Afficher les 88 10^6 10^7 10^8 10^9 10^10 10^11 neurons Afficher les chiffres | # | Animal | Cortex ou pallium | Cerveau entier | | -- | ---------------------------- | ----------------- | --------------- | | 1 | Orque † | 43,1 milliards | | | 2 | Globicéphale noir † | 37,2 milliards | | | 3 | Humain | 16,3 milliards | 86,1 milliards | | 4 | Marsouin commun † | 14,9 milliards | | | 5 | Grand dauphin † | 12,7 milliards | | | 6 | Baleine à bec de Cuvier | 9,1 milliards | | | 7 | Gorille | 8,5 milliards | | | 8 | Orang-outan | 8,5 milliards | | | 9 | Chimpanzé | 7,4 milliards | | | 10 | Dauphin commun | 6,7 milliards | | | 11 | Phoque du Groenland | 6,1 milliards | | | 12 | Éléphant d’Afrique | 5,6 milliards | 257 milliards | | 13 | Rorqual commun | 5,2 milliards | | | 14 | Baleine bleue | 5,1 milliards | | | 15 | Petit rorqual | 3,2 milliards | 57,4 milliards | | 16 | Babouin olive | 2,88 milliards | 10,95 milliards | | 17 | Béluga | 2,7 milliards | | | 18 | Cachalot nain | 2,02 milliards | | | 19 | Ara bleu et jaune | 1,92 milliard | 3,14 milliards | | 20 | Macaque rhésus | 1,71 milliard | 6,39 milliards | | 21 | Girafe | 1,67 milliard | 11,21 milliards | | 22 | Saïmiri | 1,34 milliard | 3,25 milliards | | 23 | Grand-duc d’Europe | 1,33 milliard | 1,9 milliard | | 24 | Kéa | 1,28 milliard | 2,15 milliards | | 25 | Harfang des neiges | 1,27 milliard | 1,81 milliard | | 26 | Grand corbeau | 1,2 milliard | 2,17 milliards | | 27 | Chouette hulotte | 1,15 milliard | 1,58 milliard | | 28 | Capucin | 1,14 milliard | 3,69 milliards | | 29 | Cacatoès à huppe jaune | 1,14 milliard | 2,12 milliards | | 30 | Perroquet gris du Gabon | 850 millions | 1,57 milliard | | 31 | Corbeau freux | 820 millions | 1,51 milliard | | 32 | Grand koudou | 793,07 millions | 6,09 milliards | | 33 | Hibou moyen-duc | 673 millions | 991,31 millions | | 34 | Cacatoès de Goffin | 599 millions | 1,16 milliard | | 35 | Lion | 545,24 millions | 4,67 milliards | | 36 | Pygargue à queue blanche | 542,93 millions | 1,65 milliard | | 37 | Geai des chênes | 529 millions | 1,09 milliard | | 38 | Chien domestique | 526 millions | | | 39 | Hyène rayée | 495,28 millions | 3,88 milliards | | 40 | Choucas des tours | 492 millions | 967,99 millions | | 41 | Autruche d’Afrique | 479,41 millions | 1,63 milliard | | 42 | Pie bavarde | 443 millions | 897,27 millions | | 43 | Faucon sacre | 442,95 millions | 1,2 milliard | | 44 | Émeu | 439 millions | 1,34 milliard | | 45 | Raton laveur | 437,94 millions | 2,15 milliards | | 46 | Effraie des clochers | 437 millions | 689,54 millions | | 47 | Chevêche d’Athéna | 400,82 millions | 585,92 millions | | 48 | Urubu noir | 398,9 millions | 1,01 milliard | | 49 | Chevêchette d’Europe | 364 millions | 533,26 millions | | 50 | Buse variable | 351,7 millions | 1 milliard | | 51 | Nandou d’Amérique | 330,34 millions | 1,03 milliard | | 52 | Cygne tuberculé | 323,66 millions | 1 milliard | | 53 | Cochon domestique | 293 millions | 2,22 milliards | | 54 | Oie cendrée | 258,65 millions | 738,23 millions | | 55 | Ours brun | 250,97 millions | 9,59 milliards | | 56 | Chat domestique | 250 millions | 1,22 milliard | | 57 | Ouistiti commun | 245 millions | 638 millions | | 58 | Faucon crécerelle | 237,9 millions | 624,58 millions | | 59 | Sarcelle d’hiver | 167,29 millions | 375,41 millions | | 60 | Perruche ondulée | 149 millions | 321,82 millions | | 61 | Bernache à cou roux | 148,62 millions | 482,71 millions | | 62 | Canard branchu | 138,21 millions | 305,82 millions | | 63 | Faucon pygmée | 131,9 millions | 350,37 millions | | 64 | Sarcelle marbrée | 130,14 millions | 386,92 millions | | 65 | Paon bleu | 129,62 millions | 570,93 millions | | 66 | Hocco à pierre jaune | 124,62 millions | 652,99 millions | | 67 | Goura de Victoria | 118,45 millions | 578,7 millions | | 68 | Canard colvert | 112,26 millions | 367,47 millions | | 69 | Dindon sauvage | 105,65 millions | 492,87 millions | | 70 | Épervier d’Europe | 87,83 millions | 401,75 millions | | 71 | Faisan vénéré | 80,69 millions | 387,17 millions | | 72 | Pigeon biset | 72 millions | 310 millions | | 73 | Lapin de garenne | 71,5 millions | 513 millions | | 74 | Coq bankiva | 60,7 millions | 220,84 millions | | 75 | Tinamou du Chili | 59,13 millions | 241,37 millions | | 76 | Diamant mandarin | 55,2 millions | 135,98 millions | | 77 | Tinamou élégant à crête | 51,38 millions | 217,77 millions | | 78 | Pigeon ramier | 51,33 millions | 258,68 millions | | 79 | Tinamou à crête du Quebracho | 48,29 millions | 235,67 millions | | 80 | Tourterelle rieuse | 40 millions | 139,27 millions | | 81 | Colin de Virginie | 39,11 millions | 148,4 millions | | 82 | Perdrix grise | 36,88 millions | 170,29 millions | | 83 | Rat | 31 millions | 200 millions | | 84 | Caille des blés | 22,57 millions | 117,76 millions | | 85 | Caille de Chine | 20,52 millions | 80,48 millions | | 86 | Géopélie diamant | 18,21 millions | 87,88 millions | | 87 | Souris | 13,7 millions | 70,9 millions | | 88 | Rat-taupe nu | 5,31 millions | 33,62 millions | ## Systèmes d’IA : paramètres contre synapses Tous les paramètres Utilisés par jeton All Langue Multimodal Vision Autres (parole, biologie, jeux, robotique…) Paramètres entraînables (poids des connexions), sur une échelle logarithmique : tous les modèles notables de la base d’Epoch AI avec un nombre de paramètres (consultée 3 octobre 2026). Les barres pleines sont des nombres qu’Epoch juge fiables ; les barres hachurées sont des nombres qu’il juge probables ou spéculatifs. Les barres marquées \* sont des estimations pour des modèles fermés dont les développeurs ne publient pas la taille, compilées 2 octobre 2026 à partir d’analyses de tiers ; la moustache montre la fourchette de l’estimation. Gemini 3 et suivants : aucune estimation publiée. Les lignes creuses sont des nombres de synapses : un paramètre est plus proche d’une synapse que d’un neurone. 1. Néocortex humain 1.6 × 10¹⁴ 2. GPT-5.5 (OpenAI, 2026) \* \~4.7 × 10¹² 3. Claude Fable 5 (Anthropic, 2026) \* \~3.5 × 10¹² 4. Grok 3 (xAI, 2025) \~3 × 10¹² 5. Grok 4 (xAI, 2025) \~3 × 10¹² 6. Gemini 2.5 Pro (Google, 2025) \* \~3 × 10¹² 7. Kimi K3 (Moonshot, 2026) \~2.8 × 10¹² 8. Qwen 3.8 Max (Alibaba, 2026) 2.4 × 10¹² 9. Qwen3.8-2.4T-A95B (Alibaba, 2026) 2.4 × 10¹² 10. Grok 4.7 (xAI, 2026) \* \~2.1 × 10¹² 11. Llama 4 Behemoth (Meta AI, 2025) \~2 × 10¹² 12. GPT-4 (OpenAI, 2023) \~1.8 × 10¹² 13. DeepSeek-V4-Pro (DeepSeek, 2026) \~1.6 × 10¹² 14. LongCat-2.0 (Meituan Inc, 2026) \~1.6 × 10¹² 15. Switch (Google, 2021) 1.6 × 10¹² 16. GLaM (Google, 2021) 1.2 × 10¹² 17. PanGu-Σ (Huawei Noah’s Ark Lab, 2023) 1.1 × 10¹² 18. Kimi K2.5 (Moonshot, 2026) \~1 × 10¹² 19. Composer 2 (Cursor, 2026) 1 × 10¹² 20. Kimi K2.6 (Moonshot, 2026) 1 × 10¹² 21. Composer 2.5 (Cursor, 2026) \~1 × 10¹² 22. MiMo-V2-Pro (Xiaomi Corp, 2026) 1 × 10¹² 23. MiMo-V2.5-Pro (Xiaomi Corp, 2026) \~1 × 10¹² 24. M6-T (Alibaba, 2021) \~1 × 10¹² 25. Kimi K2 (Moonshot, 2025) 1 × 10¹² 26. Qwen3-Max (Alibaba, 2025) \~1 × 10¹² 27. Ling-1T (Ant Group, 2025) 1 × 10¹² 28. Kimi K2 Thinking (Moonshot, 2025) \~1 × 10¹² 29. Inkling (Thinking Machines, 2026) \~9.8 × 10¹¹ 30. Tencent Hy4 preview (Tencent, 2026) \~7.7 × 10¹¹ 31. GLM-5.1 (Z.ai (Zhipu AI), 2026) 7.5 × 10¹¹ 32. K-EXAONE 2.0 (LG AI Research, 2026) 7.5 × 10¹¹ 33. DeepSeek V4.1 Flash (DeepSeek, 2026) \~7.5 × 10¹¹ 34. GLM-5 (Z.ai (Zhipu AI), 2026) \~7.4 × 10¹¹ 35. GLM-5.3 (Z.ai (Zhipu AI), 2026) 7.4 × 10¹¹ 36. A.X K2 (SK Telecom, 2026) 6.9 × 10¹¹ 37. DeepSeekMath-V2 (DeepSeek, 2025) 6.8 × 10¹¹ 38. Mistral Large 3 (Mistral AI, 2025) 6.8 × 10¹¹ 39. DeepSeek-V3 (DeepSeek, 2024) 6.7 × 10¹¹ 40. DeepSeek-R1 (DeepSeek, 2025) 6.7 × 10¹¹ Afficher les 725 10^4 10^6 10^8 10^10 10^12 10^14 paramètres ou synapses Afficher les chiffres | # | Système | Tous les paramètres | Utilisés par jeton | Année | Type | | --- | ----------------------------------------------------------------------------------------------------- | ------------------- | ------------------ | ----- | ------------------------------------------- | | 1 | Néocortex humain | 1.6 × 10¹⁴ | 1.6 × 10¹⁴ | | synapses | | 2 | GPT-5.5 (OpenAI, 2026) \* | \~4.7 × 10¹² | | 2026 | estimation | | 3 | Claude Fable 5 (Anthropic, 2026) \* | \~3.5 × 10¹² | | 2026 | estimation | | 4 | Grok 3 (xAI, 2025) | \~3 × 10¹² | | 2025 | estimation | | 5 | Grok 4 (xAI, 2025) | \~3 × 10¹² | | 2025 | estimation | | 6 | Gemini 2.5 Pro (Google, 2025) \* | \~3 × 10¹² | | 2025 | estimation | | 7 | Kimi K3 (Moonshot, 2026) | \~2.8 × 10¹² | | 2026 | estimation | | 8 | Qwen 3.8 Max (Alibaba, 2026) | 2.4 × 10¹² | 2.4 × 10¹² | 2026 | architecture non précisée | | 9 | Qwen3.8-2.4T-A95B (Alibaba, 2026) | 2.4 × 10¹² | 9.5 × 10¹⁰ | 2026 | mélange d’experts | | 10 | Grok 4.7 (xAI, 2026) \* | \~2.1 × 10¹² | | 2026 | estimation | | 11 | Llama 4 Behemoth (Meta AI, 2025) | \~2 × 10¹² | | 2025 | estimation | | 12 | GPT-4 (OpenAI, 2023) | \~1.8 × 10¹² | | 2023 | estimation | | 13 | DeepSeek-V4-Pro (DeepSeek, 2026) | \~1.6 × 10¹² | | 2026 | estimation | | 14 | LongCat-2.0 (Meituan Inc, 2026) | \~1.6 × 10¹² | | 2026 | estimation | | 15 | Switch (Google, 2021) | 1.6 × 10¹² | 1.6 × 10¹² | 2021 | mélange d’experts (nombre actif non publié) | | 16 | GLaM (Google, 2021) | 1.2 × 10¹² | 1.2 × 10¹² | 2021 | mélange d’experts (nombre actif non publié) | | 17 | PanGu-Σ (Huawei Noah’s Ark Lab, 2023) | 1.1 × 10¹² | 1.1 × 10¹² | 2023 | mélange d’experts (nombre actif non publié) | | 18 | Kimi K2.5 (Moonshot, 2026) | \~1 × 10¹² | | 2026 | estimation | | 19 | Composer 2 (Cursor, 2026) | 1 × 10¹² | 1 × 10¹² | 2026 | mélange d’experts (nombre actif non publié) | | 20 | Kimi K2.6 (Moonshot, 2026) | 1 × 10¹² | 1 × 10¹² | 2026 | mélange d’experts (nombre actif non publié) | | 21 | Composer 2.5 (Cursor, 2026) | \~1 × 10¹² | | 2026 | estimation | | 22 | MiMo-V2-Pro (Xiaomi Corp, 2026) | 1 × 10¹² | 1 × 10¹² | 2026 | architecture non précisée | | 23 | MiMo-V2.5-Pro (Xiaomi Corp, 2026) | \~1 × 10¹² | | 2026 | estimation | | 24 | M6-T (Alibaba, 2021) | \~1 × 10¹² | | 2021 | estimation | | 25 | Kimi K2 (Moonshot, 2025) | 1 × 10¹² | 1 × 10¹² | 2025 | mélange d’experts (nombre actif non publié) | | 26 | Qwen3-Max (Alibaba, 2025) | \~1 × 10¹² | | 2025 | estimation | | 27 | Ling-1T (Ant Group, 2025) | 1 × 10¹² | 5 × 10¹⁰ | 2025 | mélange d’experts | | 28 | Kimi K2 Thinking (Moonshot, 2025) | \~1 × 10¹² | | 2025 | estimation | | 29 | Inkling (Thinking Machines, 2026) | \~9.8 × 10¹¹ | | 2026 | estimation | | 30 | Tencent Hy4 preview (Tencent, 2026) | \~7.7 × 10¹¹ | | 2026 | estimation | | 31 | GLM-5.1 (Z.ai (Zhipu AI), 2026) | 7.5 × 10¹¹ | 7.5 × 10¹¹ | 2026 | mélange d’experts (nombre actif non publié) | | 32 | K-EXAONE 2.0 (LG AI Research, 2026) | 7.5 × 10¹¹ | 7.5 × 10¹¹ | 2026 | mélange d’experts (nombre actif non publié) | | 33 | DeepSeek V4.1 Flash (DeepSeek, 2026) | \~7.5 × 10¹¹ | | 2026 | estimation | | 34 | GLM-5 (Z.ai (Zhipu AI), 2026) | \~7.4 × 10¹¹ | | 2026 | estimation | | 35 | GLM-5.3 (Z.ai (Zhipu AI), 2026) | 7.4 × 10¹¹ | 4 × 10¹⁰ | 2026 | mélange d’experts | | 36 | A.X K2 (SK Telecom, 2026) | 6.9 × 10¹¹ | 6.9 × 10¹¹ | 2026 | mélange d’experts (nombre actif non publié) | | 37 | DeepSeekMath-V2 (DeepSeek, 2025) | 6.8 × 10¹¹ | 6.8 × 10¹¹ | 2025 | mélange d’experts (nombre actif non publié) | | 38 | Mistral Large 3 (Mistral AI, 2025) | 6.8 × 10¹¹ | 4.1 × 10¹⁰ | 2025 | mélange d’experts | | 39 | DeepSeek-V3 (DeepSeek, 2024) | 6.7 × 10¹¹ | 3.7 × 10¹⁰ | 2024 | mélange d’experts | | 40 | DeepSeek-R1 (DeepSeek, 2025) | 6.7 × 10¹¹ | 3.7 × 10¹⁰ | 2025 | mélange d’experts | | 41 | SenseChat 5.5 (SenseTime, 2024) | 6 × 10¹¹ | 6 × 10¹¹ | 2024 | architecture non précisée | | 42 | Step 5 Preview (StepFun, 2026) | \~6 × 10¹¹ | | 2026 | estimation | | 43 | PaLM-E (Google, 2023) | \~5.6 × 10¹¹ | | 2023 | estimation | | 44 | Hunyuan-TurboS (Tencent, 2025) | 5.6 × 10¹¹ | 5.6 × 10¹¹ | 2025 | mélange d’experts (nombre actif non publié) | | 45 | LongCat-Flash (Meituan Inc, 2025) | \~5.6 × 10¹¹ | | 2025 | estimation | | 46 | Nemotron 3 Ultra (Nvidia, 2026) | \~5.5 × 10¹¹ | | 2026 | estimation | | 47 | PaLM (Google Research, 2022) | 5.4 × 10¹¹ | 5.4 × 10¹¹ | 2022 | dense | | 48 | Minerva (Google, 2022) | 5.4 × 10¹¹ | 5.4 × 10¹¹ | 2022 | dense | | 49 | U-PaLM (Google, 2022) | 5.4 × 10¹¹ | 5.4 × 10¹¹ | 2022 | dense | | 50 | LMSI-Palm (Google, 2022) | 5.4 × 10¹¹ | 5.4 × 10¹¹ | 2022 | dense | | 51 | Flan-PaLM 540B (Google, 2022) | 5.4 × 10¹¹ | 5.4 × 10¹¹ | 2022 | dense | | 52 | Megatron-Turing NLG 530B (Microsoft, 2021) | 5.3 × 10¹¹ | 5.3 × 10¹¹ | 2021 | dense | | 53 | MegaScale (ByteDance, 2024) | \~5.3 × 10¹¹ | | 2024 | estimation | | 54 | A.X K1 (SK Telecom, 2025) | 5.2 × 10¹¹ | 5.2 × 10¹¹ | 2025 | mélange d’experts (nombre actif non publié) | | 55 | Doubao-pro (ByteDance, 2024) | \~5 × 10¹¹ | | 2024 | estimation | | 56 | Grok 4.20 (xAI, 2026) | \~5 × 10¹¹ | | 2026 | estimation | | 57 | Qwen3-Coder-480B-A35B (Alibaba, 2025) | 4.8 × 10¹¹ | 3.5 × 10¹⁰ | 2025 | mélange d’experts | | 58 | MiniMax-M3 (MiniMax, 2026) | 4.3 × 10¹¹ | 2.2 × 10¹⁰ | 2026 | mélange d’experts | | 59 | ERNIE-4.5-VL-424B-A47B (Baidu, 2025) | 4.2 × 10¹¹ | 4.7 × 10¹⁰ | 2025 | mélange d’experts | | 60 | Llama 3.1-405B (Meta AI, 2024) | 4 × 10¹¹ | 4 × 10¹¹ | 2024 | dense | | 61 | Llama 4 Maverick (Meta AI, 2025) | \~4 × 10¹¹ | | 2025 | estimation | | 62 | Jamba 1.5-Large (AI21 Labs, 2024) | 4 × 10¹¹ | 4 × 10¹¹ | 2024 | mélange d’experts (nombre actif non publié) | | 63 | Qwen3.5 397B-A17B (Alibaba, 2026) | \~4 × 10¹¹ | | 2026 | estimation | | 64 | Hunyuan-Large (Tencent, 2024) | 3.9 × 10¹¹ | 3.9 × 10¹¹ | 2024 | mélange d’experts (nombre actif non publié) | | 65 | GLM-4.7 (Z.ai (Zhipu AI), 2025) | \~3.6 × 10¹¹ | | 2025 | estimation | | 66 | GLM-4.6 (Z.ai (Zhipu AI), 2025) | \~3.6 × 10¹¹ | | 2025 | estimation | | 67 | GLM-4.5 (Z.ai (Zhipu AI), 2025) | 3.5 × 10¹¹ | 3.2 × 10¹⁰ | 2025 | mélange d’experts | | 68 | PaLM 2 (Google, 2023) | \~3.4 × 10¹¹ | | 2023 | estimation | | 69 | Med-PaLM 2 (Google Research, 2023) | \~3.4 × 10¹¹ | | 2023 | estimation | | 70 | Nemotron-4 340B (Nvidia, 2024) | 3.4 × 10¹¹ | 3.4 × 10¹¹ | 2024 | dense | | 71 | GLM-5.3-Flash (Z.ai (Zhipu AI), 2026) | \~3.2 × 10¹¹ | | 2026 | estimation | | 72 | Grok-1 (xAI, 2023) | \~3.1 × 10¹¹ | | 2023 | estimation | | 73 | Motif-3 (Motif Technologies, 2026) | 3.1 × 10¹¹ | 3.1 × 10¹¹ | 2026 | mélange d’experts (nombre actif non publié) | | 74 | SB-LM (Google, 2007) | \~3 × 10¹¹ | | 2007 | estimation | | 75 | Tencent Hy3 preview (Tencent, 2026) | 3 × 10¹¹ | 3 × 10¹¹ | 2026 | mélange d’experts (nombre actif non publié) | | 76 | Tencent Hy3 (Tencent, 2026) | 3 × 10¹¹ | 3 × 10¹¹ | 2026 | mélange d’experts (nombre actif non publié) | | 77 | DeepSeek-V4-Flash (DeepSeek, 2026) | \~2.8 × 10¹¹ | | 2026 | estimation | | 78 | Gopher (DeepMind, 2021) | 2.8 × 10¹¹ | 2.8 × 10¹¹ | 2021 | dense | | 79 | TML-Interaction-Small (Thinking Machines, 2026) | 2.8 × 10¹¹ | 2.8 × 10¹¹ | 2026 | mélange d’experts (nombre actif non publié) | | 80 | ST-MoE (Google, 2022) | \~2.7 × 10¹¹ | | 2022 | estimation | | 81 | ERNIE 3.0 Titan (Baidu, 2021) | 2.6 × 10¹¹ | 2.6 × 10¹¹ | 2021 | dense | | 82 | Solar Open2 250B (Upstage, 2026) | \~2.5 × 10¹¹ | | 2026 | estimation | | 83 | Aramco Metabrain AI (Saudi Aramco, 2024) | \~2.5 × 10¹¹ | | 2024 | estimation | | 84 | Yuan 1.0 (Inspur, 2021) | 2.5 × 10¹¹ | 2.5 × 10¹¹ | 2021 | architecture non précisée | | 85 | DeepSeek-Coder-V2 236B (DeepSeek, 2024) | 2.4 × 10¹¹ | 2.4 × 10¹¹ | 2024 | mélange d’experts (nombre actif non publié) | | 86 | DeepSeek-V2.5 (DeepSeek, 2024) | 2.4 × 10¹¹ | 2.4 × 10¹¹ | 2024 | mélange d’experts (nombre actif non publié) | | 87 | K-EXAONE (LG AI Research, 2025) | 2.4 × 10¹¹ | 2.4 × 10¹¹ | 2025 | architecture non précisée | | 88 | Qwen3-235B-A22B (Alibaba, 2025) | \~2.4 × 10¹¹ | | 2025 | estimation | | 89 | Qwen3-235B-A22B-Thinking (Alibaba, 2025) | \~2.4 × 10¹¹ | | 2025 | estimation | | 90 | P1-235B-A22B (Shanghai AI Lab, 2025) | \~2.4 × 10¹¹ | | 2025 | estimation | | 91 | Seed-1.6-Thinking (ByteDance, 2025) | 2.3 × 10¹¹ | 2.3 × 10¹¹ | 2025 | mélange d’experts (nombre actif non publié) | | 92 | MiniMax-M2 (MiniMax, 2025) | 2.3 × 10¹¹ | 1 × 10¹⁰ | 2025 | mélange d’experts | | 93 | MiniMax-M2.1 (MiniMax, 2025) | 2.3 × 10¹¹ | 2.3 × 10¹¹ | 2025 | mélange d’experts (nombre actif non publié) | | 94 | HyperCLOVA 204B (NAVER, 2021) | \~2 × 10¹¹ | | 2021 | estimation | | 95 | Amazon Titan (Amazon, 2023) | \~2 × 10¹¹ | | 2023 | estimation | | 96 | Falcon-180B (Technology Innovation Institute, 2023) | 1.8 × 10¹¹ | 1.8 × 10¹¹ | 2023 | dense | | 97 | Jurassic-1-Jumbo (AI21 Labs, 2021) | 1.8 × 10¹¹ | 1.8 × 10¹¹ | 2021 | architecture non précisée | | 98 | BLOOM-176B (Hugging Face, 2022) | 1.8 × 10¹¹ | 1.8 × 10¹¹ | 2022 | dense | | 99 | BLUUMI (Université de Turku, 2023) | \~1.8 × 10¹¹ | | 2023 | estimation | | 100 | InstructGPT 175B (OpenAI, 2022) | 1.8 × 10¹¹ | 1.8 × 10¹¹ | 2022 | dense | | 101 | OPT-175B (Meta AI, 2022) | 1.8 × 10¹¹ | 1.8 × 10¹¹ | 2022 | dense | | 102 | BlenderBot 3 (Université McGill, 2022) | \~1.8 × 10¹¹ | | 2022 | estimation | | 103 | GPT-3 175B (OpenAI, 2020) | 1.7 × 10¹¹ | 1.7 × 10¹¹ | 2020 | dense | | 104 | Palmyra X 004 (Writer, 2024) | \~1.5 × 10¹¹ | | 2024 | estimation | | 105 | FLAN 137B (Google Research, 2021) | 1.4 × 10¹¹ | 1.4 × 10¹¹ | 2021 | architecture non précisée | | 106 | LaMDA (Google, 2022) | 1.4 × 10¹¹ | 1.4 × 10¹¹ | 2022 | architecture non précisée | | 107 | MEB (Microsoft, 2021) | 1.4 × 10¹¹ | 1.4 × 10¹¹ | 2021 | architecture non précisée | | 108 | Pangu Ultra (Huawei, 2025) | 1.4 × 10¹¹ | 1.4 × 10¹¹ | 2025 | architecture non précisée | | 109 | DBRX (Databricks, 2024) | 1.3 × 10¹¹ | 1.3 × 10¹¹ | 2024 | mélange d’experts (nombre actif non publié) | | 110 | GLM-130B (Université Tsinghua, 2022) | 1.3 × 10¹¹ | 1.3 × 10¹¹ | 2022 | dense | | 111 | Pixtral Large (Mistral AI, 2024) | 1.2 × 10¹¹ | 1.2 × 10¹¹ | 2024 | architecture non précisée | | 112 | Mistral Large 2 (Mistral AI, 2024) | \~1.2 × 10¹¹ | | 2024 | estimation | | 113 | Qwen3.5-122B-A10B (Alibaba, 2026) | \~1.2 × 10¹¹ | | 2026 | estimation | | 114 | Galactica (Meta AI, 2022) | \~1.2 × 10¹¹ | | 2022 | estimation | | 115 | Nemotron 3 Super (Nvidia, 2026) | \~1.2 × 10¹¹ | | 2026 | estimation | | 116 | gpt-oss-120b (OpenAI, 2025) | 1.2 × 10¹¹ | 5.1 × 10⁹ | 2025 | mélange d’experts | | 117 | Telechat2-115B (China Telecom, 2024) | 1.1 × 10¹¹ | 1.1 × 10¹¹ | 2024 | architecture non précisée | | 118 | Kaiju Large (Character.ai, 2025) | \~1.1 × 10¹¹ | | 2025 | estimation | | 119 | Llama 4 Scout (Meta AI, 2025) | \~1.1 × 10¹¹ | | 2025 | estimation | | 120 | InternLM (Shanghai AI Lab, 2023) | 1 × 10¹¹ | 1 × 10¹¹ | 2023 | dense | | 121 | Solar Open 100B (Upstage, 2025) | 1 × 10¹¹ | 1 × 10¹¹ | 2025 | architecture non précisée | | 122 | DLRM-2020 (Facebook AI, 2019) | 1 × 10¹¹ | 1 × 10¹¹ | 2019 | dense | | 123 | xTrimoPGLM -100B (Université Tsinghua, 2023) | 1 × 10¹¹ | 1 × 10¹¹ | 2023 | architecture non précisée | | 124 | Yi-Large (01.AI, 2024) | \~1 × 10¹¹ | | 2024 | estimation | | 125 | VAETKI (NC AI, 2025) | 1 × 10¹¹ | 1 × 10¹¹ | 2025 | mélange d’experts (nombre actif non publié) | | 126 | ESM3 (EvolutionaryScale, 2024) | 9.8 × 10¹⁰ | 9.8 × 10¹⁰ | 2024 | architecture non précisée | | 127 | Néocortex de souris | 8.1 × 10¹⁰ | 8.1 × 10¹⁰ | | synapses | | 128 | Flamingo (DeepMind, 2022) | 8 × 10¹⁰ | 8 × 10¹⁰ | 2022 | dense | | 129 | Qwen3-Coder-Next (Alibaba, 2026) | \~8 × 10¹⁰ | | 2026 | estimation | | 130 | Qwen2-72B (Alibaba, 2024) | 7.3 × 10¹⁰ | 7.3 × 10¹⁰ | 2024 | dense | | 131 | Qwen2.5-72B (Alibaba, 2024) | 7.3 × 10¹⁰ | 7.3 × 10¹⁰ | 2024 | dense | | 132 | Qwen2.5 Instruct (Alibaba, 2024) | 7.3 × 10¹⁰ | 7.3 × 10¹⁰ | 2024 | dense | | 133 | Qwen-72B (Alibaba, 2023) | 7.2 × 10¹⁰ | 7.2 × 10¹⁰ | 2023 | dense | | 134 | Palmyra X 003 (Writer, 2024) | \~7.2 × 10¹⁰ | | 2024 | estimation | | 135 | Qwen1.5-72B (Alibaba, 2024) | 7.2 × 10¹⁰ | 7.2 × 10¹⁰ | 2024 | dense | | 136 | LLaVA-OV-72B (ByteDance, 2024) | 7.2 × 10¹⁰ | 7.2 × 10¹⁰ | 2024 | dense | | 137 | NVLM-X 72B (Nvidia, 2024) | \~7.2 × 10¹⁰ | | 2024 | estimation | | 138 | NVLM-H 72B (Nvidia, 2024) | \~7.2 × 10¹⁰ | | 2024 | estimation | | 139 | NVLM-D 72B (Nvidia, 2024) | 7.2 × 10¹⁰ | 7.2 × 10¹⁰ | 2024 | architecture non précisée | | 140 | MindLink-72B (Kunlun Inc., 2025) | 7.2 × 10¹⁰ | 7.2 × 10¹⁰ | 2025 | architecture non précisée | | 141 | Chinchilla (DeepMind, 2022) | 7 × 10¹⁰ | 7 × 10¹⁰ | 2022 | dense | | 142 | Llama 2-70B (Meta AI, 2023) | 7 × 10¹⁰ | 7 × 10¹⁰ | 2023 | dense | | 143 | PPLX-70B-Online (Perplexity, 2023) | \~7 × 10¹⁰ | | 2023 | estimation | | 144 | Llama 3-70B (Meta AI, 2024) | 7 × 10¹⁰ | 7 × 10¹⁰ | 2024 | dense | | 145 | ALLaM adapted 70B (Saudi Data and Artificial Intelligence Authority, 2024) | 7 × 10¹⁰ | 7 × 10¹⁰ | 2024 | architecture non précisée | | 146 | Llama 3.3 70B (Meta AI, 2024) | 7 × 10¹⁰ | 7 × 10¹⁰ | 2024 | dense | | 147 | Reka Core (Reka AI, 2024) | \~6.7 × 10¹⁰ | | 2024 | estimation | | 148 | LLaMA-65B (Meta AI, 2023) | 6.5 × 10¹⁰ | 6.5 × 10¹⁰ | 2023 | dense | | 149 | SNM-skip (Google, 2014) | \~6.2 × 10¹⁰ | | 2014 | estimation | | 150 | PaLI-X (Google Research, 2023) | \~5.5 × 10¹⁰ | | 2023 | estimation | | 151 | RT-2 (Google DeepMind, 2023) | 5.5 × 10¹⁰ | 5.5 × 10¹⁰ | 2023 | architecture non précisée | | 152 | RT-2-X (Google DeepMind, 2023) | 5.5 × 10¹⁰ | 5.5 × 10¹⁰ | 2023 | architecture non précisée | | 153 | NLLB (Meta AI, 2022) | 5.5 × 10¹⁰ | 5.5 × 10¹⁰ | 2022 | dense | | 154 | BloombergGPT (Bloomberg, 2023) | 5.1 × 10¹⁰ | 5.1 × 10¹⁰ | 2023 | dense | | 155 | M4-50B (Google, 2019) | 5 × 10¹⁰ | 5 × 10¹⁰ | 2019 | mélange d’experts (nombre actif non publié) | | 156 | Mixtral 8x7B (Mistral AI, 2023) | \~4.7 × 10¹⁰ | | 2023 | estimation | | 157 | AlphaCode (DeepMind, 2022) | 4.1 × 10¹⁰ | 4.1 × 10¹⁰ | 2022 | architecture non précisée | | 158 | Falcon-40B (Technology Innovation Institute, 2023) | 4 × 10¹⁰ | 4 × 10¹⁰ | 2023 | dense | | 159 | Qwen3-Omni-30B-A3B (Alibaba, 2025) | 3.5 × 10¹⁰ | 3 × 10⁹ | 2025 | mélange d’experts | | 160 | Yi-34B (01.AI, 2023) | 3.4 × 10¹⁰ | 3.4 × 10¹⁰ | 2023 | dense | | 161 | Cambrian-1-34B (Université de New York (NYU), 2024) | 3.4 × 10¹⁰ | 3.4 × 10¹⁰ | 2024 | architecture non précisée | | 162 | Oryx 34B (Université Tsinghua, 2024) | 3.4 × 10¹⁰ | 3.4 × 10¹⁰ | 2024 | architecture non précisée | | 163 | Kaiju Medium (Character.ai, 2025) | \~3.4 × 10¹⁰ | | 2025 | estimation | | 164 | EXAONE 4.5 (LG AI Research, 2026) | 3.3 × 10¹⁰ | 3.3 × 10¹⁰ | 2026 | architecture non précisée | | 165 | Qwen2.5-32B (Alibaba, 2024) | 3.3 × 10¹⁰ | 3.3 × 10¹⁰ | 2024 | dense | | 166 | QwQ-32B (Alibaba, 2025) | \~3.3 × 10¹⁰ | | 2025 | estimation | | 167 | EXAONE 3.5 32B (LG AI Research, 2024) | 3.2 × 10¹⁰ | 3.2 × 10¹⁰ | 2024 | architecture non précisée | | 168 | EXAONE Deep 32B (LG AI Research, 2025) | 3.2 × 10¹⁰ | 3.2 × 10¹⁰ | 2025 | architecture non précisée | | 169 | EXAONE 4.0 (LG AI Research, 2025) | 3.2 × 10¹⁰ | 3.2 × 10¹⁰ | 2025 | architecture non précisée | | 170 | Olmo 3 (Allen Institute for AI, 2025) | 3.2 × 10¹⁰ | 3.2 × 10¹⁰ | 2025 | architecture non précisée | | 171 | HyperCLOVA X SEED 32B Think (NAVER, 2025) | 3.2 × 10¹⁰ | 3.2 × 10¹⁰ | 2025 | architecture non précisée | | 172 | Nemotron 3-Nano-30B-A3B (Nvidia, 2025) | \~3.2 × 10¹⁰ | | 2025 | estimation | | 173 | Tongyi DeepResearch (Alibaba, 2025) | 3 × 10¹⁰ | 3 × 10¹⁰ | 2025 | architecture non précisée | | 174 | MM1-30B (Apple, 2024) | \~3 × 10¹⁰ | | 2024 | estimation | | 175 | Movie Gen Video (Meta AI, 2024) | 3 × 10¹⁰ | 3 × 10¹⁰ | 2024 | architecture non précisée | | 176 | AgentFounder-30B (Alibaba, 2025) | 3 × 10¹⁰ | 3 × 10¹⁰ | 2025 | architecture non précisée | | 177 | PLUG (Alibaba, 2021) | 2.7 × 10¹⁰ | 2.7 × 10¹⁰ | 2021 | architecture non précisée | | 178 | Qwen Image (Alibaba, 2025) | 2.7 × 10¹⁰ | 2.7 × 10¹⁰ | 2025 | architecture non précisée | | 179 | GenSLM (Université de Chicago, 2022) | 2.5 × 10¹⁰ | 2.5 × 10¹⁰ | 2022 | architecture non précisée | | 180 | ViT-22B (Google, 2023) | 2.2 × 10¹⁰ | 2.2 × 10¹⁰ | 2023 | architecture non précisée | | 181 | KN-LM (Google, 2007) | \~2.1 × 10¹⁰ | | 2007 | estimation | | 182 | gpt-oss-20b (OpenAI, 2025) | 2.1 × 10¹⁰ | 2.1 × 10¹⁰ | 2025 | mélange d’experts (nombre actif non publié) | | 183 | RNN for 1B words (Google, 2013) | \~2 × 10¹⁰ | | 2013 | estimation | | 184 | GPT-NeoX-20B (EleutherAI, 2022) | 2 × 10¹⁰ | 2 × 10¹⁰ | 2022 | dense | | 185 | UL2 (Google Research, 2022) | 2 × 10¹⁰ | 2 × 10¹⁰ | 2022 | architecture non précisée | | 186 | Parti (Google Research, 2022) | 2 × 10¹⁰ | 2 × 10¹⁰ | 2022 | architecture non précisée | | 187 | GPT-3.5 Turbo (OpenAI, 2023) | \~2 × 10¹⁰ | | 2023 | estimation | | 188 | GPT-3.5 Turbo Instruct (OpenAI, 2023) | \~2 × 10¹⁰ | | 2023 | estimation | | 189 | SPHINX (Shanghai AI Lab, 2023) | \~2 × 10¹⁰ | | 2023 | estimation | | 190 | AlexaTM 20B (Amazon, 2022) | 2 × 10¹⁰ | 2 × 10¹⁰ | 2022 | architecture non précisée | | 191 | CogAgent (Université Tsinghua, 2023) | \~1.8 × 10¹⁰ | | 2023 | estimation | | 192 | Turing-NLG (Microsoft, 2020) | \~1.7 × 10¹⁰ | | 2020 | estimation | | 193 | CogVLM-17B (Université Tsinghua, 2023) | 1.7 × 10¹⁰ | 1.7 × 10¹⁰ | 2023 | architecture non précisée | | 194 | PaLI (Google, 2022) | \~1.7 × 10¹⁰ | | 2022 | estimation | | 195 | CodeT5+ (Salesforce, 2023) | 1.6 × 10¹⁰ | 1.6 × 10¹⁰ | 2023 | architecture non précisée | | 196 | StarCoder (Hugging Face, 2023) | 1.6 × 10¹⁰ | 1.6 × 10¹⁰ | 2023 | dense | | 197 | ESM2-15B (Meta AI, 2022) | 1.5 × 10¹⁰ | 1.5 × 10¹⁰ | 2022 | architecture non précisée | | 198 | FunSearch (Google DeepMind, 2023) | \~1.5 × 10¹⁰ | | 2023 | estimation | | 199 | NVILA 15B (Nvidia, 2024) | 1.5 × 10¹⁰ | 1.5 × 10¹⁰ | 2024 | architecture non précisée | | 200 | nekomata-14b (rinna, 2023) | 1.4 × 10¹⁰ | 1.4 × 10¹⁰ | 2023 | architecture non précisée | | 201 | VILA1.5-13B (Nvidia, 2024) | 1.3 × 10¹⁰ | 1.3 × 10¹⁰ | 2024 | architecture non précisée | | 202 | VILA-13B (Nvidia, 2023) | 1.3 × 10¹⁰ | 1.3 × 10¹⁰ | 2023 | architecture non précisée | | 203 | mT5-XXL (Google, 2020) | 1.3 × 10¹⁰ | 1.3 × 10¹⁰ | 2020 | dense | | 204 | mT0-13B (Hugging Face, 2022) | 1.3 × 10¹⁰ | 1.3 × 10¹⁰ | 2022 | architecture non précisée | | 205 | LLaVA (Université du Wisconsin à Madison, 2023) | 1.3 × 10¹⁰ | 1.3 × 10¹⁰ | 2023 | dense | | 206 | InstructBLIP (Salesforce Research, 2023) | 1.3 × 10¹⁰ | 1.3 × 10¹⁰ | 2023 | architecture non précisée | | 207 | Jais (Cerebras Systems, 2023) | 1.3 × 10¹⁰ | 1.3 × 10¹⁰ | 2023 | architecture non précisée | | 208 | FinGPT-13B (Université de Californie à Los Angeles (UCLA), 2023) | \~1.3 × 10¹⁰ | | 2023 | estimation | | 209 | Ferret (Université Columbia, 2023) | 1.3 × 10¹⁰ | 1.3 × 10¹⁰ | 2023 | architecture non précisée | | 210 | Skywork-13B (Kunlun Inc., 2023) | 1.3 × 10¹⁰ | 1.3 × 10¹⁰ | 2023 | architecture non précisée | | 211 | LLaVA 1.5 (Université du Wisconsin à Madison, 2023) | 1.3 × 10¹⁰ | 1.3 × 10¹⁰ | 2023 | dense | | 212 | Volcano 13B (Université de Corée, 2023) | \~1.3 × 10¹⁰ | | 2023 | estimation | | 213 | Aya (Cohere Labs (anciennement Cohere for AI), 2024) | \~1.3 × 10¹⁰ | | 2024 | estimation | | 214 | Kaiju Small (Character.ai, 2025) | \~1.3 × 10¹⁰ | | 2025 | estimation | | 215 | ByT5-XXL (Google, 2021) | \~1.3 × 10¹⁰ | | 2021 | estimation | | 216 | CoRe (Université Tsinghua, 2023) | \~1.2 × 10¹⁰ | | 2023 | estimation | | 217 | DALL-E (OpenAI, 2021) | \~1.2 × 10¹⁰ | | 2021 | estimation | | 218 | Codex (OpenAI, 2021) | \~1.2 × 10¹⁰ | | 2021 | estimation | | 219 | T5-11B (Google, 2019) | 1.1 × 10¹⁰ | 1.1 × 10¹⁰ | 2019 | dense | | 220 | UnifiedQA (Allen Institute for AI, 2020) | 1.1 × 10¹⁰ | 1.1 × 10¹⁰ | 2020 | dense | | 221 | Unicorn (Allen Institute for AI, 2021) | 1.1 × 10¹⁰ | 1.1 × 10¹⁰ | 2021 | architecture non précisée | | 222 | PLATO-XL (Baidu, 2021) | 1.1 × 10¹⁰ | 1.1 × 10¹⁰ | 2021 | architecture non précisée | | 223 | CoEdiT-xxl (Université du Minnesota, 2023) | \~1.1 × 10¹⁰ | | 2023 | estimation | | 224 | GQA-8-XXL (Google Research, 2023) | 1.1 × 10¹⁰ | 1.1 × 10¹⁰ | 2023 | architecture non précisée | | 225 | XLMR-XXL (Facebook AI Research, 2021) | 1.1 × 10¹⁰ | 1.1 × 10¹⁰ | 2021 | architecture non précisée | | 226 | Llama 3.2 11B (Meta AI, 2024) | 1.1 × 10¹⁰ | 1.1 × 10¹⁰ | 2024 | dense | | 227 | ERNIE 3.0 (Baidu, 2021) | 1 × 10¹⁰ | 1 × 10¹⁰ | 2021 | dense | | 228 | ERNIE-ViLG (Baidu, 2021) | \~1 × 10¹⁰ | | 2021 | estimation | | 229 | Qwen-VL (Alibaba, 2023) | \~9.6 × 10⁹ | | 2023 | estimation | | 230 | Generative BST (Facebook AI Research, 2021) | 9.4 × 10⁹ | 9.4 × 10⁹ | 2021 | architecture non précisée | | 231 | Sparse all-MLP (Meta AI, 2022) | 9.4 × 10⁹ | 9.4 × 10⁹ | 2022 | mélange d’experts (nombre actif non publié) | | 232 | CogVideo (Université Tsinghua, 2022) | \~9.4 × 10⁹ | | 2022 | estimation | | 233 | eDiff-I (Nvidia, 2022) | \~9.1 × 10⁹ | | 2022 | estimation | | 234 | Eagle 2 (Nvidia, 2025) | 8.9 × 10⁹ | 8.9 × 10⁹ | 2025 | architecture non précisée | | 235 | MoE-Multi (Université Jagellonne, 2017) | 8.7 × 10⁹ | 8.7 × 10⁹ | 2017 | mélange d’experts (nombre actif non publié) | | 236 | Qwen-Audio-Chat (Alibaba, 2023) | \~8.5 × 10⁹ | | 2023 | estimation | | 237 | Megatron-LM (Nvidia, 2019) | \~8.3 × 10⁹ | | 2019 | estimation | | 238 | BigSSL (Google, 2021) | \~8 × 10⁹ | | 2021 | estimation | | 239 | Nemotron-3-8B (Nvidia, 2023) | 8 × 10⁹ | 8 × 10⁹ | 2023 | architecture non précisée | | 240 | Stable Diffusion 3 (Stability AI, 2024) | 8 × 10⁹ | 8 × 10⁹ | 2024 | dense | | 241 | Qwen3 Embedding (Alibaba, 2025) | 8 × 10⁹ | 8 × 10⁹ | 2025 | mélange d’experts (nombre actif non publié) | | 242 | Imagen (Google Brain, 2022) | \~7.8 × 10⁹ | | 2022 | estimation | | 243 | XGLM-7.5B (Meta AI, 2021) | 7.5 × 10⁹ | 7.5 × 10⁹ | 2021 | architecture non précisée | | 244 | RETRO-7B (DeepMind, 2022) | 7.5 × 10⁹ | 7.5 × 10⁹ | 2022 | architecture non précisée | | 245 | OpenVLA (Université de Stanford, 2024) | 7.2 × 10⁹ | 7.2 × 10⁹ | 2024 | architecture non précisée | | 246 | mPLUG-Owl2 (Alibaba, 2023) | \~7.1 × 10⁹ | | 2023 | estimation | | 247 | Goat-7B (Université nationale de Singapour, 2023) | \~7 × 10⁹ | | 2023 | estimation | | 248 | Llama 2-7B (Meta AI, 2023) | 7 × 10⁹ | 7 × 10⁹ | 2023 | dense | | 249 | Llama Guard (Meta AI, 2023) | 7 × 10⁹ | 7 × 10⁹ | 2023 | dense | | 250 | Qwen-VL-Max (Alibaba, 2024) | 7 × 10⁹ | 7 × 10⁹ | 2024 | dense | | 251 | Mathstral (Mistral AI, 2024) | 7 × 10⁹ | 7 × 10⁹ | 2024 | architecture non précisée | | 252 | Apollo 7B (Meta AI, 2024) | 7 × 10⁹ | 7 × 10⁹ | 2024 | architecture non précisée | | 253 | Eurus-2-7B-PRIME (Université Tsinghua, 2025) | \~7 × 10⁹ | | 2025 | estimation | | 254 | INTELLECT-MATH (Prime Intellect, 2025) | 7 × 10⁹ | 7 × 10⁹ | 2025 | architecture non précisée | | 255 | Incoder-6.7B (Facebook AI Research, 2023) | 6.7 × 10⁹ | 6.7 × 10⁹ | 2023 | architecture non précisée | | 256 | ProGen2-xlarge (Salesforce Research, 2022) | 6.4 × 10⁹ | 6.4 × 10⁹ | 2022 | architecture non précisée | | 257 | GPipe (Google, 2018) | \~6 × 10⁹ | | 2018 | estimation | | 258 | InstructGPT 6B (OpenAI, 2022) | 6 × 10⁹ | 6 × 10⁹ | 2022 | dense | | 259 | Vega v2 (Université de Wuhan, 2022) | 6 × 10⁹ | 6 × 10⁹ | 2022 | architecture non précisée | | 260 | ChatGLM3-6B (Z.ai (Zhipu AI), 2023) | \~6 × 10⁹ | | 2023 | estimation | | 261 | MolmoAct 2 (Allen Institute for AI, 2026) | \~5.5 × 10⁹ | | 2026 | estimation | | 262 | T-NLRv5 XXL (Microsoft, 2021) | 5.4 × 10⁹ | 5.4 × 10⁹ | 2021 | architecture non précisée | | 263 | π0.6 (Physical Intelligence, 2025) | 5.3 × 10⁹ | 5.3 × 10⁹ | 2025 | mélange d’experts (nombre actif non publié) | | 264 | PaLI-3 (Google DeepMind, 2023) | 5 × 10⁹ | 5 × 10⁹ | 2023 | architecture non précisée | | 265 | Mesh-TensorFlow Transformer 4.9B (Google Brain, 2018) | 4.9 × 10⁹ | 4.9 × 10⁹ | 2018 | dense | | 266 | W.A.L.T (Université de Stanford, 2023) | 4.7 × 10⁹ | 4.7 × 10⁹ | 2023 | architecture non précisée | | 267 | CogView (Université Tsinghua, 2021) | \~4 × 10⁹ | | 2021 | estimation | | 268 | Make-A-Scene (Meta AI, 2022) | \~4 × 10⁹ | | 2022 | estimation | | 269 | ONE-PEACE (Alibaba, 2023) | \~4 × 10⁹ | | 2023 | estimation | | 270 | Megatron-BERT (Nvidia, 2019) | 3.9 × 10⁹ | 3.9 × 10⁹ | 2019 | dense | | 271 | DALL·E 2 (OpenAI, 2022) | \~3.5 × 10⁹ | | 2022 | estimation | | 272 | Stable Diffusion XL (Stability AI, 2023) | \~3.4 × 10⁹ | | 2023 | estimation | | 273 | MusicGen (Meta AI, 2023) | \~3.4 × 10⁹ | | 2023 | estimation | | 274 | Gemini Nano-2 (Google DeepMind, 2023) | 3.3 × 10⁹ | 3.3 × 10⁹ | 2023 | architecture non précisée | | 275 | Zidong Taichu (Académie chinoise des sciences, 2021) | 3.2 × 10⁹ | 3.2 × 10⁹ | 2021 | architecture non précisée | | 276 | DeepNet (Microsoft Research, 2022) | 3.2 × 10⁹ | 3.2 × 10⁹ | 2022 | architecture non précisée | | 277 | MS-ensemble-speech-recognition (Microsoft, 2016) | \~3.2 × 10⁹ | | 2016 | estimation | | 278 | BASIC-L (Google, 2021) | \~3.1 × 10⁹ | | 2021 | estimation | | 279 | BASIC-L + Lion (Google, 2023) | 3.1 × 10⁹ | 3.1 × 10⁹ | 2023 | architecture non précisée | | 280 | LEP-AD (Université des sciences et technologies Roi Abdallah (KAUST), 2023) | 3 × 10⁹ | 3 × 10⁹ | 2023 | architecture non précisée | | 281 | ViT-G/14 (Google Research, 2021) | 3 × 10⁹ | 3 × 10⁹ | 2021 | architecture non précisée | | 282 | ProtT5-XL-U50 (Université technique de Munich, 2021) | 3 × 10⁹ | 3 × 10⁹ | 2021 | architecture non précisée | | 283 | Swin Transformer V2 (Microsoft Research Asia, 2021) | 3 × 10⁹ | 3 × 10⁹ | 2021 | architecture non précisée | | 284 | LongT5 (Google Research, 2021) | 3 × 10⁹ | 3 × 10⁹ | 2021 | architecture non précisée | | 285 | ReALM (Apple, 2024) | 3 × 10⁹ | 3 × 10⁹ | 2024 | architecture non précisée | | 286 | Mesh-TensorFlow Transformer 2.9B (Google Brain, 2018) | \~2.9 × 10⁹ | | 2018 | estimation | | 287 | T5-3B (Google, 2019) | 2.8 × 10⁹ | 2.8 × 10⁹ | 2019 | dense | | 288 | DPO on Pythia-2.8B (Université de Stanford, 2023) | 2.8 × 10⁹ | 2.8 × 10⁹ | 2023 | dense | | 289 | AFM-on-device (Apple, 2024) | 2.7 × 10⁹ | 2.7 × 10⁹ | 2024 | architecture non précisée | | 290 | PolyCoder (Université Carnegie Mellon (CMU), 2022) | \~2.7 × 10⁹ | | 2022 | estimation | | 291 | Hybrid H3-2.7B (Université de Stanford, 2022) | \~2.7 × 10⁹ | | 2022 | estimation | | 292 | GPT3-2.7B (Université de Stanford, 2023) | 2.7 × 10⁹ | 2.7 × 10⁹ | 2023 | architecture non précisée | | 293 | Meena (Google Brain, 2020) | 2.6 × 10⁹ | 2.6 × 10⁹ | 2020 | dense | | 294 | CPM-Large (Université Tsinghua, 2020) | 2.6 × 10⁹ | 2.6 × 10⁹ | 2020 | dense | | 295 | Nucleotide Transformer (Nvidia, 2023) | \~2.5 × 10⁹ | | 2023 | estimation | | 296 | Fugatto 1 (Nvidia, 2024) | 2.5 × 10⁹ | 2.5 × 10⁹ | 2024 | architecture non précisée | | 297 | CoAtNet (Google, 2021) | 2.4 × 10⁹ | 2.4 × 10⁹ | 2021 | architecture non précisée | | 298 | GShard (Google, 2020) | 2.3 × 10⁹ | 2.3 × 10⁹ | 2020 | dense | | 299 | SeamlessM4T (Facebook, 2023) | 2.3 × 10⁹ | 2.3 × 10⁹ | 2023 | architecture non précisée | | 300 | Turing ULRv5 (Microsoft, 2021) | 2.2 × 10⁹ | 2.2 × 10⁹ | 2021 | architecture non précisée | | 301 | CoCa (Google Research, 2022) | 2.1 × 10⁹ | 2.1 × 10⁹ | 2022 | architecture non précisée | | 302 | MuseNet (OpenAI, 2019) | \~2 × 10⁹ | | 2019 | estimation | | 303 | Infinity (ByteDance, 2024) | 2 × 10⁹ | 2 × 10⁹ | 2024 | architecture non précisée | | 304 | Seq2Seq LSTM (Google, 2014) | 1.9 × 10⁹ | 1.9 × 10⁹ | 2014 | dense | | 305 | BEIT-3 (Microsoft, 2022) | \~1.9 × 10⁹ | | 2022 | estimation | | 306 | Ankh\_large (Université technique de Munich, 2023) | 1.9 × 10⁹ | 1.9 × 10⁹ | 2023 | architecture non précisée | | 307 | ViT-G/14 (Google Brain, 2021) | 1.8 × 10⁹ | 1.8 × 10⁹ | 2021 | architecture non précisée | | 308 | ViT-G (Université de Washington, 2022) | 1.8 × 10⁹ | 1.8 × 10⁹ | 2022 | architecture non précisée | | 309 | Phenaki (University College de Londres (UCL), 2022) | \~1.8 × 10⁹ | | 2022 | estimation | | 310 | Gemini Nano-1 (Google DeepMind, 2023) | 1.8 × 10⁹ | 1.8 × 10⁹ | 2023 | architecture non précisée | | 311 | DistBelief Vision (Google, 2012) | \~1.7 × 10⁹ | | 2012 | estimation | | 312 | Whisper (OpenAI, 2022) | \~1.6 × 10⁹ | | 2022 | estimation | | 313 | GPT-2 (OpenAI, 2019) | \~1.5 × 10⁹ | | 2019 | estimation | | 314 | DeBERTa (Microsoft, 2021) | 1.5 × 10⁹ | 1.5 × 10⁹ | 2021 | architecture non précisée | | 315 | AR-LDM (Alibaba, 2022) | 1.5 × 10⁹ | 1.5 × 10⁹ | 2022 | architecture non précisée | | 316 | AudioLM (Google Research, 2023) | \~1.5 × 10⁹ | | 2023 | estimation | | 317 | BLIP-2 (Salesforce Research, 2023) | 1.5 × 10⁹ | 1.5 × 10⁹ | 2023 | architecture non précisée | | 318 | LDM-1.45B (Université de Heidelberg, 2021) | 1.4 × 10⁹ | 1.4 × 10⁹ | 2021 | architecture non précisée | | 319 | Stable Diffusion (Runway, 2022) | 1.4 × 10⁹ | 1.4 × 10⁹ | 2022 | dense | | 320 | SEER (Facebook AI Research, 2021) | 1.3 × 10⁹ | 1.3 × 10⁹ | 2021 | architecture non précisée | | 321 | InstructGPT 1.3B (OpenAI, 2022) | 1.3 × 10⁹ | 1.3 × 10⁹ | 2022 | dense | | 322 | Megatron-LM (Nvidia, 2019) | 1.2 × 10⁹ | 1.2 × 10⁹ | 2019 | dense | | 323 | RDT-1B (Université Tsinghua, 2024) | \~1.2 × 10⁹ | | 2024 | estimation | | 324 | Gato (DeepMind, 2022) | 1.2 × 10⁹ | 1.2 × 10⁹ | 2022 | architecture non précisée | | 325 | DINOv2 (Facebook AI Research, 2023) | 1.1 × 10⁹ | 1.1 × 10⁹ | 2023 | architecture non précisée | | 326 | Diffusion Renderer (Nvidia, 2025) | 1.1 × 10⁹ | 1.1 × 10⁹ | 2025 | architecture non précisée | | 327 | InternImage (Shanghai AI Lab, 2022) | 1.1 × 10⁹ | 1.1 × 10⁹ | 2022 | architecture non précisée | | 328 | EVA-01 (Académie d’intelligence artificielle de Pékin / BAAI, 2022) | 1 × 10⁹ | 1 × 10⁹ | 2022 | architecture non précisée | | 329 | Unsupervised High-level Feature Learner (Google, 2012) | \~1 × 10⁹ | | 2012 | estimation | | 330 | Conformer + Wav2vec 2.0 + Noisy Student (Google, 2020) | 1 × 10⁹ | 1 × 10⁹ | 2020 | dense | | 331 | HuBERT (Facebook AI Research, 2021) | \~1 × 10⁹ | | 2021 | estimation | | 332 | W2v-BERT (Google Brain, 2021) | 1 × 10⁹ | 1 × 10⁹ | 2021 | dense | | 333 | AudioGen (Meta AI, 2023) | \~1 × 10⁹ | | 2023 | estimation | | 334 | VideoMAE V2 (Université de Nankin, 2023) | 1 × 10⁹ | 1 × 10⁹ | 2023 | architecture non précisée | | 335 | TransE (Université de technologie de Compiègne – CNRS, 2013) | \~9.4 × 10⁸ | | 2013 | estimation | | 336 | ImageBind (Meta AI, 2023) | \~9.3 × 10⁸ | | 2023 | estimation | | 337 | Big Transfer (Google Brain, 2019) | \~9.3 × 10⁸ | | 2019 | estimation | | 338 | Florence (Microsoft, 2021) | 8.9 × 10⁸ | 8.9 × 10⁸ | 2021 | architecture non précisée | | 339 | NÜWA (Microsoft Research, 2021) | 8.7 × 10⁸ | 8.7 × 10⁸ | 2021 | architecture non précisée | | 340 | MusicLM (Google, 2023) | 8.6 × 10⁸ | 8.6 × 10⁸ | 2023 | architecture non précisée | | 341 | ResNeXt-101 32x48d (Facebook, 2018) | 8.3 × 10⁸ | 8.3 × 10⁸ | 2018 | dense | | 342 | FixRes ResNeXt-101 WSL (Facebook AI, 2019) | \~8.3 × 10⁸ | | 2019 | estimation | | 343 | ALIGN (Google Research, 2021) | 8.2 × 10⁸ | 8.2 × 10⁸ | 2021 | architecture non précisée | | 344 | Statement Curriculum Learning (OpenAI, 2022) | \~7.7 × 10⁸ | | 2022 | estimation | | 345 | CodeT5-large (Salesforce, 2022) | \~7.7 × 10⁸ | | 2022 | estimation | | 346 | DITTO (Université Tsinghua, 2022) | 7.5 × 10⁸ | 7.5 × 10⁸ | 2022 | architecture non précisée | | 347 | FGN (Google DeepMind, 2025) | 7.2 × 10⁸ | 7.2 × 10⁸ | 2025 | architecture non précisée | | 348 | data2vec (Meta AI, 2022) | \~7.1 × 10⁸ | | 2022 | estimation | | 349 | Tranception (Université d’Oxford, 2022) | 7 × 10⁸ | 7 × 10⁸ | 2022 | architecture non précisée | | 350 | Word2Vec (Google, 2013) | \~6.9 × 10⁸ | | 2013 | estimation | | 351 | DiT-XL/2 (Université de New York (NYU), 2023) | 6.8 × 10⁸ | 6.8 × 10⁸ | 2023 | architecture non précisée | | 352 | DiT-XL/2 + CADS (ETH Zurich, 2023) | \~6.8 × 10⁸ | | 2023 | estimation | | 353 | OmegaPLM (Massachusetts Institute of Technology (MIT), 2022) | 6.7 × 10⁸ | 6.7 × 10⁸ | 2022 | architecture non précisée | | 354 | XLM (Facebook, 2019) | \~6.7 × 10⁸ | | 2019 | estimation | | 355 | ESM1b (Facebook AI Research, 2020) | 6.5 × 10⁸ | 6.5 × 10⁸ | 2020 | dense | | 356 | Segment Anything Model (Meta AI, 2023) | 6.4 × 10⁸ | 6.4 × 10⁸ | 2023 | architecture non précisée | | 357 | ViT-Huge/14 (Google Brain, 2020) | 6.3 × 10⁸ | 6.3 × 10⁸ | 2020 | dense | | 358 | Masked Autoencoders ViT-H (Facebook AI Research, 2021) | \~6.3 × 10⁸ | | 2021 | estimation | | 359 | Retrieval-Augmented Generator (Facebook, 2020) | 6.3 × 10⁸ | 6.3 × 10⁸ | 2020 | dense | | 360 | DLDL (Université d’Oxford, 2016) | \~5.6 × 10⁸ | | 2016 | estimation | | 361 | ADM (OpenAI, 2021) | 5.6 × 10⁸ | 5.6 × 10⁸ | 2021 | architecture non précisée | | 362 | TrOCR (Université de Beihang, 2021) | 5.6 × 10⁸ | 5.6 × 10⁸ | 2021 | architecture non précisée | | 363 | XLM-RoBERTa (Facebook AI, 2019) | 5.5 × 10⁸ | 5.5 × 10⁸ | 2019 | dense | | 364 | LUKE (Université de Washington, 2020) | \~4.8 × 10⁸ | | 2020 | estimation | | 365 | EfficientNet-L2 (Google, 2019) | \~4.8 × 10⁸ | | 2019 | estimation | | 366 | Noisy Student (Université Carnegie Mellon (CMU), 2019) | 4.8 × 10⁸ | 4.8 × 10⁸ | 2019 | dense | | 367 | Meta Pseudo Labels (Google Brain, 2021) | \~4.8 × 10⁸ | | 2021 | estimation | | 368 | EMDR (Mila - Quebec AI (à l’origine Institut de Montréal pour les algorithmes d’apprentissage), 2021) | 4.4 × 10⁸ | 4.4 × 10⁸ | 2021 | architecture non précisée | | 369 | NMT Transformer 437M (Google, 2019) | 4.4 × 10⁸ | 4.4 × 10⁸ | 2019 | dense | | 370 | Adaptive Inputs + LayerDrop (Facebook AI Research, 2019) | 4.2 × 10⁸ | 4.2 × 10⁸ | 2019 | dense | | 371 | ProtBERT-BFD (Université technique de Munich, 2021) | 4.2 × 10⁸ | 4.2 × 10⁸ | 2021 | architecture non précisée | | 372 | OntoProtein (Université du Zhejiang (ZJU), 2022) | \~4.2 × 10⁸ | | 2022 | estimation | | 373 | DeBERTaV3large + KEAR (Microsoft, 2022) | 4.2 × 10⁸ | 4.2 × 10⁸ | 2022 | architecture non précisée | | 374 | BART-large (Facebook AI, 2019) | \~4.1 × 10⁸ | | 2019 | estimation | | 375 | SigLIP 400M (Google DeepMind, 2023) | 4 × 10⁸ | 4 × 10⁸ | 2023 | architecture non précisée | | 376 | BERT-Large-CAS (Amazon, 2019) | \~4 × 10⁸ | | 2019 | estimation | | 377 | MoCo (Facebook AI, 2019) | \~3.8 × 10⁸ | | 2019 | estimation | | 378 | SimCLR (Google Brain, 2020) | \~3.8 × 10⁸ | | 2020 | estimation | | 379 | CLIP (OpenAI, 2021) | 3.7 × 10⁸ | 3.7 × 10⁸ | 2021 | architecture non précisée | | 380 | RoBERTa Large (Facebook, 2019) | 3.5 × 10⁸ | 3.5 × 10⁸ | 2019 | dense | | 381 | AbLang (Université d’Oxford, 2022) | 3.5 × 10⁸ | 3.5 × 10⁸ | 2022 | architecture non précisée | | 382 | GPT-2 Medium (Université de Stanford, 2022) | 3.5 × 10⁸ | 3.5 × 10⁸ | 2022 | dense | | 383 | VALL-E (Microsoft, 2023) | \~3.5 × 10⁸ | | 2023 | estimation | | 384 | BERT-Large (Google, 2018) | 3.4 × 10⁸ | 3.4 × 10⁸ | 2018 | dense | | 385 | XLNet (Université Carnegie Mellon (CMU), 2019) | 3.4 × 10⁸ | 3.4 × 10⁸ | 2019 | dense | | 386 | ERNIE-GEN (Baidu, 2020) | \~3.4 × 10⁸ | | 2020 | estimation | | 387 | CamemBERT (Facebook, 2019) | 3.4 × 10⁸ | 3.4 × 10⁸ | 2019 | dense | | 388 | ELECTRA (Université de Stanford, 2020) | \~3.4 × 10⁸ | | 2020 | estimation | | 389 | German ELECTRA Large (deepset, 2020) | 3.4 × 10⁸ | 3.4 × 10⁸ | 2020 | dense | | 390 | ALM 1.0 (Académie d’intelligence artificielle de Pékin / BAAI, 2022) | \~3.4 × 10⁸ | | 2022 | estimation | | 391 | MT-DNN (Microsoft, 2019) | 3.3 × 10⁸ | 3.3 × 10⁸ | 2019 | dense | | 392 | Fusion in Encoder (Samsung, 2022) | \~3.3 × 10⁸ | | 2022 | estimation | | 393 | wave2vec 2.0 LARGE (Facebook, 2020) | 3.2 × 10⁸ | 3.2 × 10⁸ | 2020 | dense | | 394 | CPC v2 (DeepMind, 2019) | \~3 × 10⁸ | | 2019 | estimation | | 395 | Transformer - LibriVox + Decoding/Rescoring (Facebook, 2019) | 3 × 10⁸ | 3 × 10⁸ | 2019 | dense | | 396 | DDPM-IP (Université d’Utrecht, 2023) | \~3 × 10⁸ | | 2023 | estimation | | 397 | GNMT (Google, 2016) | \~2.8 × 10⁸ | | 2016 | estimation | | 398 | base LM+GNN+kNN (Shannon.AI, 2021) | 2.7 × 10⁸ | 2.7 × 10⁸ | 2021 | architecture non précisée | | 399 | YOLO (Université de Washington, 2015) | \~2.7 × 10⁸ | | 2015 | estimation | | 400 | Transformer-XL (Université Carnegie Mellon (CMU), 2019) | \~2.6 × 10⁸ | | 2019 | estimation | | 401 | Transformer-XL + RMS dynamic eval (Université d’Édimbourg, 2019) | 2.6 × 10⁸ | 2.6 × 10⁸ | 2019 | dense | | 402 | Transformer-XL Large + Phrase Induction (Massachusetts Institute of Technology (MIT), 2019) | \~2.6 × 10⁸ | | 2019 | estimation | | 403 | Segatron-XL large, M=384 + HCP (Microsoft Research, 2022) | 2.6 × 10⁸ | 2.6 × 10⁸ | 2022 | architecture non précisée | | 404 | Denoising Diffusion Probabilistic Models (Université de Californie (UC) à Berkeley, 2021) | 2.6 × 10⁸ | 2.6 × 10⁸ | 2021 | architecture non précisée | | 405 | Pangu-Weather (Huawei, 2023) | 2.6 × 10⁸ | 2.6 × 10⁸ | 2023 | architecture non précisée | | 406 | SPN (Google Brain, 2018) | 2.5 × 10⁸ | 2.5 × 10⁸ | 2018 | dense | | 407 | S4 (Université de Stanford, 2021) | \~2.5 × 10⁸ | | 2021 | estimation | | 408 | Base LM + kNN LM + Continuous Cache (Université de Stanford, 2019) | \~2.5 × 10⁸ | | 2019 | estimation | | 409 | ERNIE-Doc (Baidu, 2020) | 2.5 × 10⁸ | 2.5 × 10⁸ | 2020 | dense | | 410 | Adaptive Input Transformer + RD (Microsoft Research Asia, 2021) | \~2.5 × 10⁸ | | 2021 | estimation | | 411 | Transformer (Adaptive Input Embeddings) WT103 (Facebook AI Research, 2018) | 2.5 × 10⁸ | 2.5 × 10⁸ | 2018 | dense | | 412 | TaLK Convolution (Université Carleton, 2020) | \~2.4 × 10⁸ | | 2020 | estimation | | 413 | ALBERT-xxlarge (Toyota Technological Institute at Chicago, 2020) | \~2.4 × 10⁸ | | 2020 | estimation | | 414 | SRU++ Large (ASAPP, 2021) | 2.3 × 10⁸ | 2.3 × 10⁸ | 2021 | architecture non précisée | | 415 | GR-2 (ByteDance, 2024) | 2.3 × 10⁸ | 2.3 × 10⁸ | 2024 | architecture non précisée | | 416 | MaskGIT (Google Research, 2022) | 2.3 × 10⁸ | 2.3 × 10⁸ | 2022 | architecture non précisée | | 417 | MetNet (Google, 2020) | \~2.3 × 10⁸ | | 2020 | estimation | | 418 | FFN SwiGLU (Google, 2020) | 2.2 × 10⁸ | 2.2 × 10⁸ | 2020 | dense | | 419 | CodeT5-base (Salesforce, 2021) | \~2.2 × 10⁸ | | 2021 | estimation | | 420 | Transformer (Google Research, 2017) | 2.1 × 10⁸ | 2.1 × 10⁸ | 2017 | dense | | 421 | Sandwich Transformer (Allen Institute for AI, 2019) | \~2.1 × 10⁸ | | 2019 | estimation | | 422 | EfficientNetV2-XL (Google, 2021) | 2.1 × 10⁸ | 2.1 × 10⁸ | 2021 | architecture non précisée | | 423 | Word2Vec (Google, 2013) | \~2.1 × 10⁸ | | 2013 | estimation | | 424 | Multilingual DNN (Google, 2013) | 2.1 × 10⁸ | 2.1 × 10⁸ | 2013 | dense | | 425 | DreamerV3 (DeepMind, 2023) | \~2 × 10⁸ | | 2023 | estimation | | 426 | DL scaling speech (Baidu, 2017) | \~1.9 × 10⁸ | | 2017 | estimation | | 427 | ResNeXt-101 Billion-scale (Facebook AI, 2019) | \~1.9 × 10⁸ | | 2019 | estimation | | 428 | (NTT Communication Science Laboratories, 2018) | 1.9 × 10⁸ | 1.9 × 10⁸ | 2018 | dense | | 429 | TrellisNet (Université Carnegie Mellon (CMU), 2018) | 1.8 × 10⁸ | 1.8 × 10⁸ | 2018 | dense | | 430 | DL scaling LM (Baidu, 2017) | \~1.8 × 10⁸ | | 2017 | estimation | | 431 | EXAONE Path 2.0 (LG AI Research, 2025) | 1.8 × 10⁸ | 1.8 × 10⁸ | 2025 | architecture non précisée | | 432 | OpenAI Five Rerun (OpenAI, 2019) | 1.6 × 10⁸ | 1.6 × 10⁸ | 2019 | dense | | 433 | OpenAI Five (OpenAI, 2019) | 1.6 × 10⁸ | 1.6 × 10⁸ | 2019 | dense | | 434 | 4 layer QRNN (Salesforce Research, 2018) | \~1.5 × 10⁸ | | 2018 | estimation | | 435 | TransformerXL + spectrum control (Université de Californie à Los Angeles (UCLA), 2020) | \~1.5 × 10⁸ | | 2020 | estimation | | 436 | AlphaGeometry (Google DeepMind, 2024) | 1.5 × 10⁸ | 1.5 × 10⁸ | 2024 | architecture non précisée | | 437 | PermuteFormer (Université de Pékin, 2021) | \~1.5 × 10⁸ | | 2021 | estimation | | 438 | Fragment embedding (Université de Stanford, 2014) | \~1.4 × 10⁸ | | 2014 | estimation | | 439 | OverFeat (Université de New York (NYU), 2013) | 1.4 × 10⁸ | 1.4 × 10⁸ | 2013 | dense | | 440 | VGG19 (Université d’Oxford, 2014) | \~1.4 × 10⁸ | | 2014 | estimation | | 441 | LRCN (UT Austin, 2014) | \~1.4 × 10⁸ | | 2014 | estimation | | 442 | Transformer-XL DeFINE (Université de Washington, 2019) | \~1.4 × 10⁸ | | 2019 | estimation | | 443 | Deep Autoencoders (Université de Toronto, 2011) | 1.4 × 10⁸ | 1.4 × 10⁸ | 2011 | dense | | 444 | AlphaStar (DeepMind, 2019) | 1.4 × 10⁸ | 1.4 × 10⁸ | 2019 | dense | | 445 | VGG16 (Université d’Oxford, 2014) | 1.4 × 10⁸ | 1.4 × 10⁸ | 2014 | dense | | 446 | VGG-Face (Université d’Oxford, 2015) | 1.4 × 10⁸ | 1.4 × 10⁸ | 2015 | dense | | 447 | SAF R-CNN (Institut de technologie de Pékin, 2015) | \~1.4 × 10⁸ | | 2015 | estimation | | 448 | Template Adaptation (Université d’Oxford, 2016) | \~1.4 × 10⁸ | | 2016 | estimation | | 449 | LRR-4X (UC Irvine, 2016) | \~1.4 × 10⁸ | | 2016 | estimation | | 450 | CMS-RCNN (IEEE, 2016) | \~1.4 × 10⁸ | | 2016 | estimation | | 451 | QRNN (Salesforce Research, 2018) | \~1.4 × 10⁸ | | 2018 | estimation | | 452 | Multiresolution CNN (Google, 2014) | \~1.3 × 10⁸ | | 2014 | estimation | | 453 | FTW (DeepMind, 2018) | \~1.3 × 10⁸ | | 2018 | estimation | | 454 | Feedback Transformer (LORIA, 2020) | \~1.3 × 10⁸ | | 2020 | estimation | | 455 | KEPLER (Université Tsinghua, 2020) | 1.3 × 10⁸ | 1.3 × 10⁸ | 2020 | dense | | 456 | DL scaling Image (Baidu, 2017) | 1.2 × 10⁸ | 1.2 × 10⁸ | 2017 | dense | | 457 | GloVe (Université de Stanford, 2014) | \~1.2 × 10⁸ | | 2014 | estimation | | 458 | Conformer (Google, 2020) | 1.2 × 10⁸ | 1.2 × 10⁸ | 2020 | dense | | 459 | GPT-1 (OpenAI, 2018) | \~1.2 × 10⁸ | | 2018 | estimation | | 460 | ContextNet (Google, 2020) | \~1.1 × 10⁸ | | 2020 | estimation | | 461 | SciBERT (Allen Institute for AI, 2019) | 1.1 × 10⁸ | 1.1 × 10⁸ | 2019 | dense | | 462 | DNABERT (Université Northeastern, 2021) | 1.1 × 10⁸ | 1.1 × 10⁸ | 2021 | architecture non précisée | | 463 | Contriever (Meta AI, 2021) | \~1.1 × 10⁸ | | 2021 | estimation | | 464 | BERT-RBP (Université Waseda, 2022) | 1.1 × 10⁸ | 1.1 × 10⁸ | 2022 | dense | | 465 | RoFormer (Zhuiyi Technology, 2023) | 1.1 × 10⁸ | 1.1 × 10⁸ | 2023 | architecture non précisée | | 466 | LSTM LM (Université RWTH d’Aix-la-Chapelle, 2012) | \~1 × 10⁸ | | 2012 | estimation | | 467 | ReLU-Speech (Google, 2013) | \~1 × 10⁸ | | 2013 | estimation | | 468 | STORM-B/8 (Université de Californie du Sud, 2024) | 1 × 10⁸ | 1 × 10⁸ | 2024 | architecture non précisée | | 469 | Support Vector Machines (AT&T, 1995) | \~1 × 10⁸ | | 1995 | estimation | | 470 | GPU DBNs (Université de Stanford, 2009) | 1 × 10⁸ | 1 × 10⁸ | 2009 | dense | | 471 | MSA Transformer (Facebook AI Research, 2021) | \~1 × 10⁸ | | 2021 | estimation | | 472 | YOLOX-X (Megvii Inc, 2021) | \~9.9 × 10⁷ | | 2021 | estimation | | 473 | DeLighT (Université de Washington, 2020) | \~9.9 × 10⁷ | | 2020 | estimation | | 474 | ELMo (Université de Washington, 2018) | \~9.4 × 10⁷ | | 2018 | estimation | | 475 | AlphaFold 2 (DeepMind, 2020) | \~9.3 × 10⁷ | | 2020 | estimation | | 476 | AlphaMissense (Google DeepMind, 2023) | \~9.3 × 10⁷ | | 2023 | estimation | | 477 | Octo-Base (Université de Californie (UC) à Berkeley, 2024) | 9.3 × 10⁷ | 9.3 × 10⁷ | 2024 | architecture non précisée | | 478 | PolyNet (Université chinoise de Hong Kong (CUHK), 2016) | \~9.2 × 10⁷ | | 2016 | estimation | | 479 | Transformer local-attention (Google Cloud, 2021) | 9 × 10⁷ | 9 × 10⁷ | 2021 | architecture non précisée | | 480 | Transformer + Simple Recurrent Unit (ASAPP, 2018) | 9 × 10⁷ | 9 × 10⁷ | 2018 | dense | | 481 | NASNet-A (Google Brain, 2017) | \~8.9 × 10⁷ | | 2017 | estimation | | 482 | CLIP (OpenAI, 2021) | \~8.9 × 10⁷ | | 2021 | estimation | | 483 | Detic (Meta AI, 2022) | \~8.8 × 10⁷ | | 2022 | estimation | | 484 | MSRA (Microsoft Research, 2015) | 8.7 × 10⁷ | 8.7 × 10⁷ | 2015 | dense | | 485 | BigBiGAN (Google, 2019) | \~8.6 × 10⁷ | | 2019 | estimation | | 486 | ViT-Base/32 (Google Brain, 2020) | \~8.6 × 10⁷ | | 2020 | estimation | | 487 | DeiT-B (Meta AI, 2021) | 8.6 × 10⁷ | 8.6 × 10⁷ | 2021 | architecture non précisée | | 488 | CaLM (Université d’Oxford, 2022) | \~8.6 × 10⁷ | | 2022 | estimation | | 489 | Tensor-Transformer (Université de Californie (UC) à Berkeley, 2020) | 8.5 × 10⁷ | 8.5 × 10⁷ | 2020 | dense | | 490 | ResNeXt-101 (Université de Californie à San Diego, 2016) | 8.3 × 10⁷ | 8.3 × 10⁷ | 2016 | dense | | 491 | RBM Image Classifier (Université de Toronto, 2009) | \~8 × 10⁷ | | 2009 | estimation | | 492 | Routing Transformer (Google Research, 2020) | 8 × 10⁷ | 8 × 10⁷ | 2020 | dense | | 493 | Big-Little Net (IBM, 2018) | \~7.7 × 10⁷ | | 2018 | estimation | | 494 | EfficientDet (Google Brain, 2020) | \~7.7 × 10⁷ | | 2020 | estimation | | 495 | CODEFUSION (Microsoft, 2023) | 7.5 × 10⁷ | 7.5 × 10⁷ | 2023 | architecture non précisée | | 496 | RNN LM (Université Johns Hopkins, 2010) | \~7 × 10⁷ | | 2010 | estimation | | 497 | R-CNN (Université de Californie (UC) à Berkeley, 2013) | \~6.9 × 10⁷ | | 2013 | estimation | | 498 | Variational (Université de Cambridge, 2015) | 6.6 × 10⁷ | 6.6 × 10⁷ | 2015 | dense | | 499 | DistilBERT (Hugging Face, 2019) | 6.6 × 10⁷ | 6.6 × 10⁷ | 2019 | dense | | 500 | Theseus 6/768 (Université de Californie à San Diego, 2020) | 6.6 × 10⁷ | 6.6 × 10⁷ | 2020 | dense | | 501 | ResNet-152 (Microsoft, 2015) | 6 × 10⁷ | 6 × 10⁷ | 2015 | dense | | 502 | AlexNet (Université de Toronto, 2012) | 6 × 10⁷ | 6 × 10⁷ | 2012 | dense | | 503 | DETR (Facebook, 2020) | 6 × 10⁷ | 6 × 10⁷ | 2020 | dense | | 504 | YOLOv3 (Université de Washington, 2018) | \~5.7 × 10⁷ | | 2018 | estimation | | 505 | Inception-ResNet-V2 (Google, 2016) | \~5.6 × 10⁷ | | 2016 | estimation | | 506 | Transformer ELMo (Allen Institute for AI, 2019) | 5.6 × 10⁷ | 5.6 × 10⁷ | 2019 | dense | | 507 | Cerveau de drosophile | 5.5 × 10⁷ | 5.5 × 10⁷ | | synapses | | 508 | NAS with base 8 and shared embeddings (Google Brain, 2016) | 5.4 × 10⁷ | 5.4 × 10⁷ | 2016 | dense | | 509 | RetinaNet-R101 (Facebook AI Research, 2017) | 5.3 × 10⁷ | 5.3 × 10⁷ | 2017 | dense | | 510 | AWD-LSTM+WT+Cache+IOG (NTT Communication Science Laboratories, 2017) | 5.3 × 10⁷ | 5.3 × 10⁷ | 2017 | dense | | 511 | Hierarchical Scene Labeling (Université de New York (NYU), 2013) | 5.2 × 10⁷ | 5.2 × 10⁷ | 2013 | dense | | 512 | VD-LSTM+REAL Large (Salesforce Research, 2016) | 5.1 × 10⁷ | 5.1 × 10⁷ | 2016 | dense | | 513 | YOLOv2 (Université de Washington, 2016) | \~5.1 × 10⁷ | | 2016 | estimation | | 514 | Dropout-LSTM+Noise (Université Columbia, 2018) | \~5.1 × 10⁷ | | 2018 | estimation | | 515 | LSTM + dynamic eval (Université d’Édimbourg, 2017) | \~5 × 10⁷ | | 2017 | estimation | | 516 | Dropout (Université de Toronto, 2012) | \~4.9 × 10⁷ | | 2012 | estimation | | 517 | Dropout: SVHN (Université de Toronto, 2014) | 4.8 × 10⁷ | 4.8 × 10⁷ | 2014 | dense | | 518 | DistBelief Speech (Google, 2012) | \~4.7 × 10⁷ | | 2012 | estimation | | 519 | AlphaGo Zero (DeepMind, 2017) | 4.6 × 10⁷ | 4.6 × 10⁷ | 2017 | dense | | 520 | Fine-tuned-AWD-LSTM-DOC (Samsung R&D Institute Russia, 2018) | 4.6 × 10⁷ | 4.6 × 10⁷ | 2018 | dense | | 521 | CT-MoS (Google, 2020) | 4.5 × 10⁷ | 4.5 × 10⁷ | 2020 | dense | | 522 | JFT (Google Research, 2017) | 4.5 × 10⁷ | 4.5 × 10⁷ | 2017 | dense | | 523 | ResNet-101 (Microsoft, 2015) | 4.5 × 10⁷ | 4.5 × 10⁷ | 2015 | dense | | 524 | HR-ResNet101 (Université Carnegie Mellon (CMU), 2016) | 4.5 × 10⁷ | 4.5 × 10⁷ | 2016 | dense | | 525 | 3DMM-CNN (Université de Californie du Sud, 2016) | 4.5 × 10⁷ | 4.5 × 10⁷ | 2016 | dense | | 526 | LaNet-L (Université Brown, 2019) | 4.4 × 10⁷ | 4.4 × 10⁷ | 2019 | dense | | 527 | ProBERTa (Université de l’Illinois à Urbana-Champaign (UIUC), 2020) | 4.4 × 10⁷ | 4.4 × 10⁷ | 2020 | dense | | 528 | PreTrans-3L-250H (Université de Toronto, 2013) | \~4.3 × 10⁷ | | 2013 | estimation | | 529 | Inceptionv4 (Google, 2016) | \~4.3 × 10⁷ | | 2016 | estimation | | 530 | GL-LWGC-AWD-MoS-LSTM + dynamic evaluation (Université Ben-Gourion du Néguev, 2017) | 3.8 × 10⁷ | 3.8 × 10⁷ | 2017 | dense | | 531 | U-Net (Université de Fribourg-en-Brisgau, 2015) | 3.8 × 10⁷ | 3.8 × 10⁷ | 2015 | dense | | 532 | NASv3 (Google Brain, 2016) | \~3.7 × 10⁷ | | 2016 | estimation | | 533 | MuZero (DeepMind, 2019) | \~3.7 × 10⁷ | | 2019 | estimation | | 534 | AWD-LSTM-MoS + dynamic evaluation (Université Carnegie Mellon (CMU), 2017) | \~3.5 × 10⁷ | | 2017 | estimation | | 535 | AWD-LSTM-MoS+PDR + dynamic evaluation (IBM, 2018) | 3.5 × 10⁷ | 3.5 × 10⁷ | 2018 | dense | | 536 | AWD-LSTM-MoS + dynamic evaluation (Université de Pékin, 2018) | 3.5 × 10⁷ | 3.5 × 10⁷ | 2018 | dense | | 537 | AWD-LSTM + MoS + Partial Shuffled (Université du Texas à Austin, 2019) | 3.5 × 10⁷ | 3.5 × 10⁷ | 2019 | dense | | 538 | Mogrifier (d2, MoS2, MC) + dynamic eval (DeepMind, 2019) | 3.5 × 10⁷ | 3.5 × 10⁷ | 2019 | dense | | 539 | Mogrifier RLSTM (DeepMind, 2022) | 3.5 × 10⁷ | 3.5 × 10⁷ | 2022 | architecture non précisée | | 540 | RT-1 (Google, 2022) | 3.5 × 10⁷ | 3.5 × 10⁷ | 2022 | architecture non précisée | | 541 | DenseNet-264 (Université Tsinghua, 2016) | 3.4 × 10⁷ | 3.4 × 10⁷ | 2016 | dense | | 542 | RetinaNet-R50 (Facebook AI Research, 2017) | \~3.4 × 10⁷ | | 2017 | estimation | | 543 | Fraternal dropout + AWD-LSTM 3-layer (Université Jagellonne, 2017) | \~3.4 × 10⁷ | | 2017 | estimation | | 544 | AWD-LSTM-DRILL + dynamic evaluation† (IDIAP, 2019) | \~3.4 × 10⁷ | | 2019 | estimation | | 545 | AWD-LSTM - 3-layer LSTM (Salesforce Research, 2017) | 3.3 × 10⁷ | 3.3 × 10⁷ | 2017 | dense | | 546 | TCAN (Université de Nankin, 2020) | 3.3 × 10⁷ | 3.3 × 10⁷ | 2020 | dense | | 547 | MMLSTM (Université des postes et télécommunications de Pékin, 2019) | \~3.2 × 10⁷ | | 2019 | estimation | | 548 | Paragraph Vector (Google, 2014) | 3.2 × 10⁷ | 3.2 × 10⁷ | 2014 | dense | | 549 | aLSTM (Université de Manchester, 2018) | 3.2 × 10⁷ | 3.2 × 10⁷ | 2018 | dense | | 550 | StyleGAN2 (Nvidia, 2019) | 3 × 10⁷ | 3 × 10⁷ | 2019 | dense | | 551 | UDSMProt (Institut Fraunhofer Heinrich Hertz, 2019) | \~2.8 × 10⁷ | | 2019 | estimation | | 552 | SENet (Académie chinoise des sciences, 2017) | \~2.8 × 10⁷ | | 2017 | estimation | | 553 | Perceiver IO (DeepMind, 2020) | 2.8 × 10⁷ | 2.8 × 10⁷ | 2020 | dense | | 554 | Fractional Max-Pooling (Université de Warwick, 2014) | \~2.7 × 10⁷ | | 2014 | estimation | | 555 | Hierarchical Reasoning Model (Sapient Intelligence, 2025) | 2.7 × 10⁷ | 2.7 × 10⁷ | 2025 | architecture non précisée | | 556 | RNN-WER (DeepMind, 2014) | \~2.6 × 10⁷ | | 2014 | estimation | | 557 | StyleGAN (Nvidia, 2018) | 2.6 × 10⁷ | 2.6 × 10⁷ | 2018 | dense | | 558 | PyramidNet (Institut supérieur coréen des sciences et technologies (KAIST), 2017) | \~2.6 × 10⁷ | | 2017 | estimation | | 559 | ResNeXt-50 (Université de Californie à San Diego, 2016) | \~2.5 × 10⁷ | | 2016 | estimation | | 560 | AWD-LSTM (DeepMind, 2017) | 2.4 × 10⁷ | 2.4 × 10⁷ | 2017 | dense | | 561 | Inception v3 (Google, 2015) | \~2.4 × 10⁷ | | 2015 | estimation | | 562 | Mamba-24M (Université Carnegie Mellon (CMU), 2023) | 2.3 × 10⁷ | 2.3 × 10⁷ | 2023 | architecture non précisée | | 563 | WeNet (Amazon, 2019) | \~2.3 × 10⁷ | | 2019 | estimation | | 564 | EN^2AS with performance reward (Institut de technologie de Pékin, 2019) | \~2.3 × 10⁷ | | 2019 | estimation | | 565 | NAS+ESS (Université Northeastern (Chine), 2020) | 2.3 × 10⁷ | 2.3 × 10⁷ | 2020 | dense | | 566 | Xception (Google, 2016) | 2.3 × 10⁷ | 2.3 × 10⁷ | 2016 | dense | | 567 | MetaMimic (Google, 2018) | \~2.2 × 10⁷ | | 2018 | estimation | | 568 | MMLSTM (Université des postes et télécommunications de Pékin, 2019) | \~2.1 × 10⁷ | | 2019 | estimation | | 569 | Pointer Sentinel-LSTM (MetaMind Inc, 2016) | 2.1 × 10⁷ | 2.1 × 10⁷ | 2016 | dense | | 570 | DiffDock (Massachusetts Institute of Technology (MIT), 2022) | \~2 × 10⁷ | | 2022 | estimation | | 571 | EI-REHN-1000D (Institut supérieur coréen des sciences et technologies (KAIST), 2017) | 1.9 × 10⁷ | 1.9 × 10⁷ | 2017 | dense | | 572 | TC-DNN-BLSTM-DNN (Université Carnegie Mellon (CMU), 2015) | 1.8 × 10⁷ | 1.8 × 10⁷ | 2015 | dense | | 573 | OR-WideResNet (Université Duke, 2017) | 1.8 × 10⁷ | 1.8 × 10⁷ | 2017 | dense | | 574 | BP-DBN (Université de Toronto, 2009) | 1.8 × 10⁷ | 1.8 × 10⁷ | 2009 | dense | | 575 | ALBERT (Toyota Technological Institute at Chicago, 2019) | 1.8 × 10⁷ | 1.8 × 10⁷ | 2019 | dense | | 576 | MedBERT (Peng Cheng Laboratory, 2021) | \~1.7 × 10⁷ | | 2021 | estimation | | 577 | LCNP NORB (, 2009) | 1.7 × 10⁷ | 1.7 × 10⁷ | 2009 | dense | | 578 | LF-MMI (Université Johns Hopkins, 2016) | 1.7 × 10⁷ | 1.7 × 10⁷ | 2016 | dense | | 579 | AlphaFold (DeepMind, 2020) | \~1.6 × 10⁷ | | 2020 | estimation | | 580 | GNoME for crystal discovery (Google DeepMind, 2023) | \~1.6 × 10⁷ | | 2023 | estimation | | 581 | ReLU (Université de Toronto, 2010) | \~1.6 × 10⁷ | | 2010 | estimation | | 582 | ProteinBERT (Université hébraïque de Jérusalem, 2022) | 1.6 × 10⁷ | 1.6 × 10⁷ | 2022 | architecture non précisée | | 583 | Eve (Faculté de médecine de Harvard, 2021) | \~1.5 × 10⁷ | | 2021 | estimation | | 584 | LCNP LabelMe (Université de Bonn, 2009) | 1.4 × 10⁷ | 1.4 × 10⁷ | 2009 | dense | | 585 | BatchNorm (Google, 2015) | 1.4 × 10⁷ | 1.4 × 10⁷ | 2015 | dense | | 586 | Fold2Seq (IBM, 2021) | \~1.2 × 10⁷ | | 2021 | estimation | | 587 | NPLM (Université de Montréal, 2003) | 1.2 × 10⁷ | 1.2 × 10⁷ | 2003 | dense | | 588 | LCNP MNIST (, 2009) | 1.2 × 10⁷ | 1.2 × 10⁷ | 2009 | dense | | 589 | ISS (Université Duke, 2017) | 1.1 × 10⁷ | 1.1 × 10⁷ | 2017 | dense | | 590 | ResNet-1001 (Microsoft, 2016) | \~1 × 10⁷ | | 2016 | estimation | | 591 | RNN+LDA+KN5+cache (Microsoft, 2012) | \~9 × 10⁶ | | 2012 | estimation | | 592 | Gated HORNN (Université York, 2016) | \~9 × 10⁶ | | 2016 | estimation | | 593 | AlphaGo Fan (DeepMind, 2015) | \~8.2 × 10⁶ | | 2015 | estimation | | 594 | genCNN + dyn eval (Académie chinoise des sciences, 2015) | \~8 × 10⁶ | | 2015 | estimation | | 595 | Once for All (MIT-IBM Watson AI Lab, 2020) | 7.7 × 10⁶ | 7.7 × 10⁶ | 2020 | dense | | 596 | Multi-cell LSTM (Université d’Hyderabad, 2018) | \~7.2 × 10⁶ | | 2018 | estimation | | 597 | Feedforward NN (Université de Montréal, 2010) | 7.1 × 10⁶ | 7.1 × 10⁶ | 2010 | dense | | 598 | True-Regularization+Finetune+Dynamic-Eval (Mobvoi, 2019) | 7 × 10⁶ | 7 × 10⁶ | 2019 | dense | | 599 | Neural LM (Université de Montréal, 2000) | 6.9 × 10⁶ | 6.9 × 10⁶ | 2000 | dense | | 600 | GoogLeNet / InceptionV1 (Google, 2014) | 6.8 × 10⁶ | 6.8 × 10⁶ | 2014 | dense | | 601 | HyenaDNA (Université de Stanford, 2023) | 6.6 × 10⁶ | 6.6 × 10⁶ | 2023 | architecture non précisée | | 602 | Dropout (Université de Toronto, 2012) | 5.6 × 10⁶ | 5.6 × 10⁶ | 2012 | dense | | 603 | SimpleNet (Sensifai, 2016) | 5.5 × 10⁶ | 5.5 × 10⁶ | 2016 | dense | | 604 | AlphaX-1 (Facebook AI Research, 2019) | 5.4 × 10⁶ | 5.4 × 10⁶ | 2019 | dense | | 605 | 3DDFA (Académie chinoise des sciences, 2015) | 5.4 × 10⁶ | 5.4 × 10⁶ | 2015 | dense | | 606 | Deep CNN + COTS (IEEE, 2015) | 5 × 10⁶ | 5 × 10⁶ | 2015 | dense | | 607 | DCNN (Université du Maryland, 2015) | 5 × 10⁶ | 5 × 10⁶ | 2015 | dense | | 608 | NLP from scratch (NEC Laboratories, 2011) | \~5 × 10⁶ | | 2011 | estimation | | 609 | SPN-4+KN5 (Université de technologie et de design de Singapour, 2014) | \~5 × 10⁶ | | 2014 | estimation | | 610 | 6-Act Tether (Facebook AI Research, 2021) | 5 × 10⁶ | 5 × 10⁶ | 2021 | architecture non précisée | | 611 | High Performance CNN (IDSIA, 2011) | \~4.9 × 10⁶ | | 2011 | estimation | | 612 | MobileNet (Google, 2017) | \~4.2 × 10⁶ | | 2017 | estimation | | 613 | NPLM (Université de Montréal, 2003) | 4.1 × 10⁶ | 4.1 × 10⁶ | 2003 | dense | | 614 | LMICA (, 2004) | 4.1 × 10⁶ | 4.1 × 10⁶ | 2004 | dense | | 615 | PoE MNIST (University College de Londres (UCL), 2000) | 3.9 × 10⁶ | 3.9 × 10⁶ | 2000 | dense | | 616 | Dimensionality Reduction (Université de Toronto, 2006) | \~3.8 × 10⁶ | | 2006 | estimation | | 617 | GOAT (DeepMind, 2021) | \~3.5 × 10⁶ | | 2021 | estimation | | 618 | MobileNetV2 (Google, 2018) | \~3.4 × 10⁶ | | 2018 | estimation | | 619 | Big-Little Net (IBM, 2018) | \~3.3 × 10⁶ | | 2018 | estimation | | 620 | DLWP (Université de Washington, 2021) | 2.7 × 10⁶ | 2.7 × 10⁶ | 2021 | architecture non précisée | | 621 | BIDAF (Université de Washington, 2016) | 2.6 × 10⁶ | 2.6 × 10⁶ | 2016 | dense | | 622 | DeepStack (Université de l’Alberta, 2017) | \~2.5 × 10⁶ | | 2017 | estimation | | 623 | KataGo (Jane Street, 2019) | \~2.5 × 10⁶ | | 2019 | estimation | | 624 | ShuffleNet v1 (Megvii Inc, 2017) | \~2.4 × 10⁶ | | 2017 | estimation | | 625 | ADAM (Université d’Amsterdam, 2014) | 2.4 × 10⁶ | 2.4 × 10⁶ | 2014 | dense | | 626 | StyleGAN3-T (Nvidia, 2021) | 2.2 × 10⁶ | 2.2 × 10⁶ | 2021 | architecture non précisée | | 627 | LSTM+NeuralCache (KU Leuven, 2018) | \~2.1 × 10⁶ | | 2018 | estimation | | 628 | HLBL (Université de Toronto, 2008) | 1.8 × 10⁶ | 1.8 × 10⁶ | 2008 | dense | | 629 | ResNet-110 (Microsoft, 2015) | \~1.7 × 10⁶ | | 2015 | estimation | | 630 | Dueling DQN (Google DeepMind, 2016) | 1.7 × 10⁶ | 1.7 × 10⁶ | 2016 | dense | | 631 | DQN-2015 (Google, 2015) | \~1.7 × 10⁶ | | 2015 | estimation | | 632 | Rational DQN Average (TU Darmstadt, 2021) | \~1.7 × 10⁶ | | 2021 | estimation | | 633 | IBM-5 (IBM, 1993) | \~1.7 × 10⁶ | | 1993 | estimation | | 634 | Deep Belief Nets (Université de Toronto, 2006) | \~1.6 × 10⁶ | | 2006 | estimation | | 635 | IMPALA (DeepMind, 2018) | 1.6 × 10⁶ | 1.6 × 10⁶ | 2018 | dense | | 636 | StyleGAN3-R (Nvidia, 2021) | 1.6 × 10⁶ | 1.6 × 10⁶ | 2021 | architecture non précisée | | 637 | Deep Multitask NLP Network (NEC Laboratories, 2008) | \~1.5 × 10⁶ | | 2008 | estimation | | 638 | Double DQN (Google DeepMind, 2016) | 1.5 × 10⁶ | 1.5 × 10⁶ | 2016 | dense | | 639 | CNN committee (IDSIA, 2011) | \~1.4 × 10⁶ | | 2011 | estimation | | 640 | SqueezeNet (DeepScale, 2016) | \~1.2 × 10⁶ | | 2016 | estimation | | 641 | Neocognitron (NHK Broadcasting Science Research Laboratories, 1980) | 1.1 × 10⁶ | 1.1 × 10⁶ | 1980 | dense | | 642 | CURL (Université de Californie (UC) à Berkeley, 2020) | \~9.1 × 10⁵ | | 2020 | estimation | | 643 | DQN (DeepMind, 2013) | 8.4 × 10⁵ | 8.4 × 10⁵ | 2013 | dense | | 644 | EnhanceNet (Institut Max Planck pour les systèmes intelligents, 2016) | 8.1 × 10⁵ | 8.1 × 10⁵ | 2016 | dense | | 645 | Image generation (Université d’Amsterdam, 2013) | 7.8 × 10⁵ | 7.8 × 10⁵ | 2013 | dense | | 646 | Hanabi 4 player (DeepMind, 2019) | 7.6 × 10⁵ | 7.6 × 10⁵ | 2019 | dense | | 647 | TA-CNN (Université chinoise de Hong Kong (CUHK), 2014) | \~7.1 × 10⁵ | | 2014 | estimation | | 648 | Robot Parkour (Institut Shanghai Qi Zhi, 2023) | 5 × 10⁵ | 5 × 10⁵ | 2023 | architecture non précisée | | 649 | LISSOM (Université du Texas à Austin, 1995) | \~4.3 × 10⁵ | | 1995 | estimation | | 650 | SPIDER2 (Université Griffith, 2016) | \~4.1 × 10⁵ | | 2016 | estimation | | 651 | Mixture of linear models (, 1994) | \~3.8 × 10⁵ | | 1994 | estimation | | 652 | NPD (IEEE, 2014) | 3.1 × 10⁵ | 3.1 × 10⁵ | 2014 | dense | | 653 | Pooling CNN (Université de Bonn, 2010) | 2.9 × 10⁵ | 2.9 × 10⁵ | 2010 | dense | | 654 | Pooling CNN (Université de Bonn, 2010) | 2.7 × 10⁵ | 2.7 × 10⁵ | 2010 | dense | | 655 | Two Stage Feature Extraction (Université de New York (NYU), 2009) | 2.6 × 10⁵ | 2.6 × 10⁵ | 2009 | dense | | 656 | Vector Space Model (Université de Stanford, 2011) | 2.5 × 10⁵ | 2.5 × 10⁵ | 2011 | dense | | 657 | HyperNEAT (Université du Texas à Austin, 2014) | \~2.4 × 10⁵ | | 2014 | estimation | | 658 | DNN EM segmentation (IDSIA, 2012) | 2.2 × 10⁵ | 2.2 × 10⁵ | 2012 | dense | | 659 | Predictive Coding NN (Université technique de Munich, 1994) | 2.1 × 10⁵ | 2.1 × 10⁵ | 1994 | dense | | 660 | Table Tennis Agent (Google DeepMind, 2024) | \~1.9 × 10⁵ | | 2024 | estimation | | 661 | CNN Committee (IDSIA, 2011) | \~1.3 × 10⁵ | | 2011 | estimation | | 662 | CNN Committee (IDSIA, 2011) | \~1.2 × 10⁵ | | 2011 | estimation | | 663 | RECONTRA-uncategorized (, 1999) | \~1.1 × 10⁵ | | 1999 | estimation | | 664 | BLSTM for handwriting (Université de Berne, 2007) | \~1 × 10⁵ | | 2007 | estimation | | 665 | SVM-CNN (Université de New York (NYU), 2006) | 9.1 × 10⁴ | 9.1 × 10⁴ | 2006 | dense | | 666 | Invariant CNN (Université de New York (NYU), 2004) | 9.1 × 10⁴ | 9.1 × 10⁴ | 2004 | dense | | 667 | SexNet compression (, 1990) | 7.3 × 10⁴ | 7.3 × 10⁴ | 1990 | dense | | 668 | NeuroChess (, 1994) | \~7.2 × 10⁴ | | 1994 | estimation | | 669 | RECONTRA-categorized (, 1999) | \~6.7 × 10⁴ | | 1999 | estimation | | 670 | LeNet-5 (AT&T, 1998) | 6 × 10⁴ | 6 × 10⁴ | 1998 | dense | | 671 | Swift (Intel Labs, 2023) | \~5.7 × 10⁴ | | 2023 | estimation | | 672 | TCN (Université Carnegie Mellon (CMU), 2018) | 4.2 × 10⁴ | 4.2 × 10⁴ | 2018 | dense | | 673 | TRPO (Université de Californie (UC) à Berkeley, 2015) | 3.4 × 10⁴ | 3.4 × 10⁴ | 2015 | dense | | 674 | SOM-CNN (, 1997) | 3.2 × 10⁴ | 3.2 × 10⁴ | 1997 | dense | | 675 | NETtalk reimplementation (Université d’État de l’Oregon, 1990) | 2.7 × 10⁴ | 2.7 × 10⁴ | 1990 | dense | | 676 | TD-Gammon (IBM, 1992) | \~2.5 × 10⁴ | | 1992 | estimation | | 677 | Cognitron (Biological Cybernetics, 1975) | 2.2 × 10⁴ | 2.2 × 10⁴ | 1975 | dense | | 678 | NetTalk (Université de Princeton, 1987) | 1.9 × 10⁴ | 1.9 × 10⁴ | 1987 | dense | | 679 | CFSS (SenseTime, 2015) | \~1.7 × 10⁴ | | 2015 | estimation | | 680 | MUSIC perceptron (, 1996) | 1.4 × 10⁴ | 1.4 × 10⁴ | 1996 | dense | | 681 | AdaRNN (Université de Beihang, 2014) | 1.3 × 10⁴ | 1.3 × 10⁴ | 2014 | dense | | 682 | Bidirectional RNN (Advanced Telecommunications Research Institute, 1997) | \~1.3 × 10⁴ | | 1997 | estimation | | 683 | Decision tree (Mitsubishi Electric Research Labs, 2001) | \~1.2 × 10⁴ | | 2001 | estimation | | 684 | LSTM (Université technique de Munich, 1997) | 1.1 × 10⁴ | 1.1 × 10⁴ | 1997 | dense | | 685 | MLN-ASR (Université McGill, 1988) | 1 × 10⁴ | 1 × 10⁴ | 1988 | dense | | 686 | Hopfield network (Institut de technologie de Californie, 1982) | \~9.9 × 10³ | | 1982 | estimation | | 687 | Zip CNN (AT&T, 1989) | 9.8 × 10³ | 9.8 × 10³ | 1989 | dense | | 688 | Hierarchical Cognitron (NHK Broadcasting Science Research Laboratories, 1984) | \~9.3 × 10³ | | 1984 | estimation | | 689 | Weight Decay (, 1991) | 8.4 × 10³ | 8.4 × 10³ | 1991 | dense | | 690 | Deep Blue (IBM, 1997) | \~8 × 10³ | | 1997 | estimation | | 691 | Nématode (C. elegans) | 7 × 10³ | 7 × 10³ | | synapses | | 692 | System 11 (Université Carnegie Mellon (CMU), 1996) | 6.5 × 10³ | 6.5 × 10³ | 1996 | dense | | 693 | ACF-WIDER (Académie chinoise des sciences, 2014) | 6.1 × 10³ | 6.1 × 10³ | 2014 | dense | | 694 | RankNet (Microsoft Research, 2005) | 5.7 × 10³ | 5.7 × 10³ | 2005 | dense | | 695 | ANN Eye Tracker (, 1993) | 5.6 × 10³ | 5.6 × 10³ | 1993 | dense | | 696 | JPMAX (, 1994) | \~4.4 × 10³ | | 1994 | estimation | | 697 | Kohonen network (Université de technologie d’Helsinki, 1981) | \~4.1 × 10³ | | 1981 | estimation | | 698 | Speaker-independent vowel classification (Université de Washington, 1989) | 3 × 10³ | 3 × 10³ | 1989 | dense | | 699 | Pattern recognition and reading by machine (Sandia Corporation, 1959) | \~2.6 × 10³ | | 1959 | estimation | | 700 | Handwritten digit recognition network (AT&T, 1989) | 2.6 × 10³ | 2.6 × 10³ | 1989 | dense | | 701 | Boosting (Bell Laboratories, 1992) | \~2.6 × 10³ | | 1992 | estimation | | 702 | Decision tree adaline (Université médicale et dentaire de Tokyo, 1969) | 2.5 × 10³ | 2.5 × 10³ | 1969 | dense | | 703 | LTE speaker verification system (IBM, 1966) | \~2.1 × 10³ | | 1966 | estimation | | 704 | Ceramic-MLP (Sapienza Université de Rome, 1994) | \~1.9 × 10³ | | 1994 | estimation | | 705 | SexNet classification (, 1990) | \~1.6 × 10³ | | 1990 | estimation | | 706 | RAAM (, 1990) | 1.5 × 10³ | 1.5 × 10³ | 1990 | dense | | 707 | Super-vector coding (Université de l’Illinois à Urbana-Champaign (UIUC), 2010) | \~1 × 10³ | | 2010 | estimation | | 708 | Perceptron Mark I (Cornell Aeronautical Laboratory, 1957) | \~1 × 10³ | | 1957 | estimation | | 709 | Perceptron (Cornell Aeronautical Laboratory, 1960) | \~1 × 10³ | | 1960 | estimation | | 710 | Translation-invariant MLP (Université Carnegie Mellon (CMU), 1987) | 8.2 × 10² | 8.2 × 10² | 1987 | mélange d’experts (nombre actif non publié) | | 711 | Truck backer-upper (Université de Stanford, 1989) | 8.1 × 10² | 8.1 × 10² | 1989 | dense | | 712 | Siamese-TDNN (Bell Laboratories, 1993) | \~7.4 × 10² | | 1993 | estimation | | 713 | MLP with back-propagation (Université de Californie à San Diego, 1986) | 7.2 × 10² | 7.2 × 10² | 1986 | dense | | 714 | Prédiction du mécanisme des médicaments anticancéreux (Institut national du cancer, 1992) | \~5.9 × 10² | | 1992 | estimation | | 715 | Distributed representation NN (Université Carnegie Mellon (CMU), 1986) | 4.3 × 10² | 4.3 × 10² | 1986 | dense | | 716 | Piecewise linear model (Université du Kansas, 1973) | 3.6 × 10² | 3.6 × 10² | 1973 | dense | | 717 | ASE+ACE (Université du Massachusetts à Amherst, 1983) | \~3.2 × 10² | | 1983 | estimation | | 718 | LSTM with forget gates (IDSIA, 1999) | \~2.8 × 10² | | 1999 | estimation | | 719 | Self Organizing System (Massachusetts Institute of Technology (MIT), 1955) | \~2.3 × 10² | | 1955 | estimation | | 720 | Theseus (Bell Laboratories, 1950) | 4 × 10¹ | 4 × 10¹ | 1950 | dense | | 721 | SNARC (Université Harvard, 1952) | \~4 × 10¹ | | 1952 | estimation | | 722 | Bankruptcy-NN (, 1990) | 3.6 × 10¹ | 3.6 × 10¹ | 1990 | dense | | 723 | GNN (Université de Sienne, 2008) | 3 × 10¹ | 3 × 10¹ | 2008 | dense | | 724 | ADALINE (Université de Stanford, 1960) | 1.7 × 10¹ | 1.7 × 10¹ | 1960 | dense | | 725 | Samuel Neural Checkers (IBM, 1959) | \~1.6 × 10¹ | | 1959 | estimation | ## Collectifs Ces graphiques classent les sociétés animales, les religions, les États, les partis et les entreprises de deux façons. L’une est par nombre de membres. L’autre est par équivalents-neurones, qui pondèrent chaque membre selon la part de son temps d’éveil que dirigent les instructions du groupe. Les codes religieux, les lois, les règlements de parti et les descriptions de poste comptent tous de la même façon. Ce sont tous des ensembles d’instructions, nous les mesurons donc selon la même règle. [Comment le temps dirigé est estimé](https://simulation-hypothesis.com/fr/entities/control). ## Sociétés animales : neurones dans l’activité de groupe coordonnée Neurones du groupe En activité de groupe Membres d’un groupe typique × neurones du cortex ou du pallium de chaque membre (cerveau entier pour les insectes), sur une échelle logarithmique. Les barres hachurées utilisent une taille de groupe estimée ou le nombre de neurones d’une espèce proche. 1. Communauté de chimpanzés▲1 7.4 × 10¹¹ 2. Colonie de fourmis coupe-feuilles▼1 6.3 × 10¹¹ 3. Communauté de bonobos▲2 4.4 × 10¹¹ 4. Campement hadza (humains, pour l’échelle) 4.1 × 10¹¹ 5. Groupe d’orques de Bigg▼2 2.6 × 10¹¹ 6. Matriligne d’orques résidentes 2.4 × 10¹¹ 7. Troupe de babouins 8.6 × 10¹⁰ 8. Alliance de grands dauphins▲1 7.6 × 10¹⁰ 9. Unité sociale de cachalots▲1 6.4 × 10¹⁰ 10. Colonie d’abeilles▼2 5.8 × 10¹⁰ 11. Famille d’éléphants 5.6 × 10¹⁰ 12. Troupe de geais des pinèdes 5.3 × 10¹⁰ 13. Clan de hyènes tachetées 2.2 × 10¹⁰ 14. Meute de lycaons 7.2 × 10⁹ 15. Meute de loups 4.2 × 10⁹ 16. Groupe de suricates 1.7 × 10⁹ 17. Colonie de rats-taupes nus 4.1 × 10⁸ 10^8 10^9 10^10 10^11 10^12 neurons Afficher les chiffres | # | Groupe | Neurones du groupe | En activité de groupe | Membres | Part dirigée | Types de cris | | -- | ----------------------------------------- | ------------------ | --------------------- | ------------ | ------------ | ------------- | | 1 | Communauté de chimpanzés | 7.4 × 10¹¹ | 2.5 × 10¹¹ | 100 | 34% | — | | 2 | Colonie de fourmis coupe-feuilles | 6.3 × 10¹¹ | 5 × 10¹¹ | 2,5 millions | 80% | — | | 3 | Communauté de bonobos | 4.4 × 10¹¹ | 1.9 × 10¹¹ | 59 | 43% | — | | 4 | Campement hadza (humains, pour l’échelle) | 4.1 × 10¹¹ | 2.1 × 10¹¹ | 25 | 53% | — | | 5 | Groupe d’orques de Bigg | 2.6 × 10¹¹ | 2.4 × 10¹¹ | 6 | 91% | — | | 6 | Matriligne d’orques résidentes | 2.4 × 10¹¹ | 1.7 × 10¹¹ | 6 | 70% | 11 | | 7 | Troupe de babouins | 8.6 × 10¹⁰ | 5.2 × 10¹⁰ | 30 | 60% | 9 | | 8 | Alliance de grands dauphins | 7.6 × 10¹⁰ | 4.2 × 10¹⁰ | 6 | 55% | — | | 9 | Unité sociale de cachalots | 6.4 × 10¹⁰ | 4.1 × 10¹⁰ | 8 | 65% | — | | 10 | Colonie d’abeilles | 5.8 × 10¹⁰ | 4.9 × 10¹⁰ | 60,000 | 85% | — | | 11 | Famille d’éléphants | 5.6 × 10¹⁰ | 3.2 × 10¹⁰ | 10 | 57% | — | | 12 | Troupe de geais des pinèdes | 5.3 × 10¹⁰ | 3.2 × 10¹⁰ | 100 | 60% | — | | 13 | Clan de hyènes tachetées | 2.2 × 10¹⁰ | 6.7 × 10⁹ | 45 | 30% | 11 | | 14 | Meute de lycaons | 7.2 × 10⁹ | 4.8 × 10⁹ | 14 | 67% | 11 | | 15 | Meute de loups | 4.2 × 10⁹ | 2.6 × 10⁹ | 8 | 63% | — | | 16 | Groupe de suricates | 1.7 × 10⁹ | 1 × 10⁹ | 15 | 57% | 12 | | 17 | Colonie de rats-taupes nus | 4.1 × 10⁸ | 2.9 × 10⁸ | 78 | 70% | — | [Comment les groupes sont notés](https://simulation-hypothesis.com/fr/entities/control). ## Religions : fidèles, et neurones suivant leurs instructions Membres Suivant ses instructions Religions entières Branches et mouvements Adeptes, sur une échelle logarithmique. Les branches et mouvements sont présentés à part des religions qui les contiennent. Les barres pleines sont des décomptes ; les barres hachurées sont des estimations. 1. Christianisme▲1 2,27 milliards 2. Islam▼1 2,02 milliards 3. Hindouisme 1,18 milliard 4. Religions populaires 400 millions 5. Bouddhisme 324,19 millions 6. Religions traditionnelles africaines▲1 98,73 millions 7. Shinto▲1 87,92 millions 8. Sikhisme▲1 25 millions 9. Judaïsme▼3 14,78 millions 10. Taoïsme▲1 8 millions 11. Foi bahá’íe▲1 8 millions 12. Falun Gong▲1 7 millions 13. Jaïnisme▼3 4,45 millions 14. Spiritisme 3,8 millions 15. Cao Đài 2,5 millions 16. Tenrikyo 1,12 million 17. Brahma Kumaris 1 million 10^5 10^6 10^7 10^8 10^9 10^10 membres Afficher les chiffres | # | Religion | Membres | Suivant ses instructions | Part dirigée | Heures par semaine | | -- | ------------------------------------ | --------------- | ------------------------ | --------------------- | ------------------ | | 1 | Christianisme | 2,27 milliards | 1.7 × 10¹⁸ | 0.88% | 0.9 h | | 2 | Islam | 2,02 milliards | 8.9 × 10¹⁸ | 5.1% | 5.4 h | | 3 | Hindouisme | 1,18 milliard | 1.6 × 10¹⁸ | 1.6% | 1.6 h | | 4 | Religions populaires | 400 millions | 2 × 10¹⁷ | 0.59% (approximation) | 0.6 h | | 5 | Bouddhisme | 324,19 millions | 7.5 × 10¹⁶ | 0.27% | 0.3 h | | 6 | Religions traditionnelles africaines | 98,73 millions | 5 × 10¹⁶ | 0.59% (approximation) | 0.6 h | | 7 | Shinto | 87,92 millions | 4.5 × 10¹⁶ | 0.59% (approximation) | 0.6 h | | 8 | Sikhisme | 25 millions | 3.7 × 10¹⁶ | 1.7% | 1.8 h | | 9 | Judaïsme | 14,78 millions | 5.3 × 10¹⁶ | 4.2% | 4.4 h | | 10 | Taoïsme | 8 millions | 4.1 × 10¹⁵ | 0.59% (approximation) | 0.6 h | | 11 | Foi bahá’íe | 8 millions | 4.1 × 10¹⁵ | 0.59% (approximation) | 0.6 h | | 12 | Falun Gong | 7 millions | 3.6 × 10¹⁵ | 0.59% (approximation) | 0.6 h | | 13 | Jaïnisme | 4,45 millions | 1.8 × 10¹⁶ | 4.6% | 4.8 h | | 14 | Spiritisme | 3,8 millions | 1.9 × 10¹⁵ | 0.59% (approximation) | 0.6 h | | 15 | Cao Đài | 2,5 millions | 1.3 × 10¹⁵ | 0.59% (approximation) | 0.6 h | | 16 | Tenrikyo | 1,12 million | 5.7 × 10¹⁴ | 0.59% (approximation) | 0.6 h | | 17 | Brahma Kumaris | 1 million | 5.1 × 10¹⁴ | 0.59% (approximation) | 0.6 h | [Chaque pratique, part et source](https://simulation-hypothesis.com/fr/entities/control). ## États : résidents, et neurones suivant leurs instructions Habitants Suivant ses instructions Tous Afrique subsaharienne Amérique du Nord Amérique latine et Caraïbes Asie de l’Est et Pacifique Asie du Sud Europe et Asie centrale Moyen-Orient, Afrique du Nord, Afghanistan et Pakistan Population, sur une échelle logarithmique. Les barres pleines sont des décomptes ; les barres hachurées sont des estimations. 1. Inde▲1 1,46 milliard 2. Chine▼1 1,41 milliard 3. États-Unis 341,78 millions 4. Indonésie 285,72 millions 5. Pakistan▲5 255,22 millions 6. Nigéria▲1 237,53 millions 7. Brésil▼2 212,81 millions 8. Bangladesh▲5 175,69 millions 9. Russie▼3 143,51 millions 10. Éthiopie▲7 135,47 millions 11. Mexique▼2 131,95 millions 12. Japon▲11 123,37 millions 13. Égypte▼2 118,37 millions 14. Philippines 116,79 millions 15. RD Congo▼3 112,83 millions Afficher les 196 10^4 10^6 10^8 10^10 habitants Afficher les chiffres | # | État | Habitants | Suivant ses instructions | Part dirigée | Heures par semaine | | --- | ------------------------------- | --------------- | ------------------------ | ------------ | ------------------ | | 1 | Inde | 1,46 milliard | 2.5 × 10¹⁸ | 2% | 2.1 h | | 2 | Chine | 1,41 milliard | 5 × 10¹⁸ | 4.1% | 4.3 h | | 3 | États-Unis | 341,78 millions | 1.6 × 10¹⁸ | 5.6% | 5.8 h | | 4 | Indonésie | 285,72 millions | 1 × 10¹⁸ | 4.2% | 4.4 h | | 5 | Pakistan | 255,22 millions | 5.7 × 10¹⁷ | 2.6% | 2.7 h | | 6 | Nigéria | 237,53 millions | 6.6 × 10¹⁷ | 3.2% | 3.4 h | | 7 | Brésil | 212,81 millions | 8.7 × 10¹⁷ | 4.8% | 5 h | | 8 | Bangladesh | 175,69 millions | 4.6 × 10¹⁷ | 3% | 3.1 h | | 9 | Russie | 143,51 millions | 7.5 × 10¹⁷ | 6.1% | 6.4 h | | 10 | Éthiopie | 135,47 millions | 3.9 × 10¹⁷ | 3.4% | 3.5 h | | 11 | Mexique | 131,95 millions | 5.9 × 10¹⁷ | 5.2% | 5.5 h | | 12 | Japon | 123,37 millions | 2.8 × 10¹⁷ | 2.7% | 2.8 h | | 13 | Égypte | 118,37 millions | 5.5 × 10¹⁷ | 5.4% | 5.7 h | | 14 | Philippines | 116,79 millions | 4.4 × 10¹⁷ | 4.4% | 4.6 h | | 15 | RD Congo | 112,83 millions | 4.7 × 10¹⁷ | 4.8% | 5.1 h | | 16 | Vietnam | 101,6 millions | 4.2 × 10¹⁷ | 4.8% | 5 h | | 17 | Iran | 92,42 millions | 3.5 × 10¹⁷ | 4.3% | 4.6 h | | 18 | Turquie | 85,88 millions | 4.3 × 10¹⁷ | 5.8% | 6 h | | 19 | Allemagne | 83,49 millions | 2.9 × 10¹⁷ | 4% | 4.2 h | | 20 | Thaïlande | 71,62 millions | 2.4 × 10¹⁷ | 3.9% | 4.1 h | | 21 | Tanzanie | 70,55 millions | 2.2 × 10¹⁷ | 3.6% | 3.8 h | | 22 | Royaume-Uni | 69,49 millions | 2.8 × 10¹⁷ | 4.6% | 4.8 h | | 23 | France | 68,72 millions | 3.1 × 10¹⁷ | 5.3% | 5.5 h | | 24 | Afrique du Sud | 64,75 millions | 2.9 × 10¹⁷ | 5.1% | 5.4 h | | 25 | Italie | 58,92 millions | 2.1 × 10¹⁷ | 4.2% | 4.4 h | | 26 | Kenya | 57,53 millions | 2.3 × 10¹⁷ | 4.7% | 5 h | | 27 | Myanmar | 54,85 millions | 1.9 × 10¹⁷ | 4% | 4.2 h | | 28 | Colombie | 53,43 millions | 1.7 × 10¹⁷ | 3.7% | 3.9 h | | 29 | Corée du Sud | 51,68 millions | 1.4 × 10¹⁷ | 3% | 3.2 h | | 30 | Soudan | 51,66 millions | 1.5 × 10¹⁷ | 3.4% | 3.6 h | | 31 | Ouganda | 51,38 millions | 1.5 × 10¹⁷ | 3.4% | 3.6 h | | 32 | Espagne | 49,36 millions | 1.8 × 10¹⁷ | 4.2% | 4.3 h | | 33 | Algérie | 47,44 millions | 3.2 × 10¹⁷ | 7.9% | 8.3 h | | 34 | Irak | 47,02 millions | 1.1 × 10¹⁷ | 2.8% | 2.9 h | | 35 | Argentine | 45,85 millions | 1.7 × 10¹⁷ | 4.4% | 4.6 h | | 36 | Afghanistan | 43,84 millions | 1.8 × 10¹⁷ | 4.8% | 5 h | | 37 | Yémen | 41,77 millions | 1.3 × 10¹⁷ | 3.7% | 3.9 h | | 38 | Canada | 41,65 millions | 2 × 10¹⁷ | 5.5% | 5.8 h | | 39 | Angola | 39,04 millions | 1.4 × 10¹⁷ | 4.2% | 4.4 h | | 40 | Ukraine | 38,98 millions | 2.1 × 10¹⁷ | 6.2% | 6.5 h | | 41 | Maroc | 38,43 millions | 1.5 × 10¹⁷ | 4.5% | 4.7 h | | 42 | Ouzbékistan | 37,05 millions | 2 × 10¹⁷ | 6.3% | 6.6 h | | 43 | Arabie saoudite | 36,97 millions | 1.4 × 10¹⁷ | 4.3% | 4.6 h | | 44 | Pologne | 36,44 millions | 2.1 × 10¹⁷ | 6.7% | 7 h | | 45 | Malaisie | 35,98 millions | 1.8 × 10¹⁷ | 5.8% | 6.1 h | | 46 | Mozambique | 35,63 millions | 1.5 × 10¹⁷ | 4.8% | 5.1 h | | 47 | Ghana | 35,06 millions | 1.2 × 10¹⁷ | 3.9% | 4.1 h | | 48 | Pérou | 34,58 millions | 1.4 × 10¹⁷ | 4.8% | 5 h | | 49 | Madagascar | 32,74 millions | 9.4 × 10¹⁶ | 3.3% | 3.5 h | | 50 | Côte d’Ivoire | 32,71 millions | 9.5 × 10¹⁶ | 3.4% | 3.5 h | | 51 | Cameroun | 29,88 millions | 9.8 × 10¹⁶ | 3.8% | 4 h | | 52 | Népal | 29,62 millions | 1.1 × 10¹⁷ | 4.2% | 4.4 h | | 53 | Venezuela | 28,52 millions | 1.5 × 10¹⁷ | 6.1% | 6.4 h | | 54 | Niger | 27,92 millions | 6.4 × 10¹⁶ | 2.6% | 2.8 h | | 55 | Australie | 27,61 millions | 1.1 × 10¹⁷ | 4.7% | 5 h | | 56 | Corée du Nord | 26,57 millions | 6.6 × 10¹⁷ | 29% | 30.1 h | | 57 | Syrie | 25,62 millions | 9.8 × 10¹⁶ | 4.4% | 4.6 h | | 58 | Mali | 25,2 millions | 4.9 × 10¹⁶ | 2.3% | 2.4 h | | 59 | Burkina Faso | 24,07 millions | 5.7 × 10¹⁶ | 2.8% | 2.9 h | | 60 | Taïwan | 23,31 millions | 1 × 10¹⁷ | 5% | 5.3 h | | 61 | Malawi | 22,22 millions | 1 × 10¹⁷ | 5.4% | 5.6 h | | 62 | Zambie | 21,91 millions | 10 × 10¹⁶ | 5.3% | 5.5 h | | 63 | Sri Lanka | 21,76 millions | 1.1 × 10¹⁷ | 6% | 6.3 h | | 64 | Tchad | 21 millions | 4.9 × 10¹⁶ | 2.7% | 2.9 h | | 65 | Kazakhstan | 20,84 millions | 1.4 × 10¹⁷ | 7.6% | 7.9 h | | 66 | Chili | 19,86 millions | 6.2 × 10¹⁶ | 3.6% | 3.8 h | | 67 | Somalie | 19,65 millions | 1.5 × 10¹⁶ | 0.88% | 0.9 h | | 68 | Roumanie | 19,02 millions | 7.5 × 10¹⁶ | 4.6% | 4.8 h | | 69 | Sénégal | 18,93 millions | 5.9 × 10¹⁶ | 3.6% | 3.8 h | | 70 | Guatemala | 18,69 millions | 6 × 10¹⁶ | 3.7% | 3.9 h | | 71 | Équateur | 18,29 millions | 6.6 × 10¹⁶ | 4.2% | 4.4 h | | 72 | Pays-Bas | 18,09 millions | 7.6 × 10¹⁶ | 4.9% | 5.1 h | | 73 | Cambodge | 17,85 millions | 7.4 × 10¹⁶ | 4.8% | 5.1 h | | 74 | Zimbabwe | 16,95 millions | 6.1 × 10¹⁶ | 4.2% | 4.4 h | | 75 | Guinée | 15,1 millions | 3.1 × 10¹⁶ | 2.4% | 2.5 h | | 76 | Bénin | 14,81 millions | 4.4 × 10¹⁶ | 3.4% | 3.6 h | | 77 | Rwanda | 14,57 millions | 7 × 10¹⁶ | 5.6% | 5.8 h | | 78 | Burundi | 14,39 millions | 5.2 × 10¹⁶ | 4.2% | 4.4 h | | 79 | Bolivie | 12,58 millions | 5.8 × 10¹⁶ | 5.4% | 5.6 h | | 80 | Tunisie | 12,35 millions | 6.4 × 10¹⁶ | 6% | 6.3 h | | 81 | Soudan du Sud | 12,19 millions | 4.4 × 10¹⁶ | 4.2% | 4.4 h | | 82 | Belgique | 11,94 millions | 4.5 × 10¹⁶ | 4.3% | 4.5 h | | 83 | Haïti | 11,91 millions | 1.9 × 10¹⁶ | 1.8% | 1.9 h | | 84 | Jordanie | 11,52 millions | 4.9 × 10¹⁶ | 5% | 5.2 h | | 85 | République dominicaine | 11,52 millions | 4.9 × 10¹⁶ | 4.9% | 5.2 h | | 86 | Émirats arabes unis | 11,51 millions | 3.1 × 10¹⁶ | 3.1% | 3.2 h | | 87 | Honduras | 11,01 millions | 3.2 × 10¹⁶ | 3.3% | 3.5 h | | 88 | Cuba | 10,94 millions | 1.6 × 10¹⁷ | 17% | 17.4 h | | 89 | Tchéquie | 10,89 millions | 5.8 × 10¹⁶ | 6.2% | 6.5 h | | 90 | Portugal | 10,8 millions | 5.1 × 10¹⁶ | 5.5% | 5.7 h | | 91 | Tadjikistan | 10,79 millions | 5.3 × 10¹⁶ | 5.7% | 6 h | | 92 | Papouasie-Nouvelle-Guinée | 10,76 millions | 4.3 × 10¹⁶ | 4.6% | 4.8 h | | 93 | Suède | 10,6 millions | 6.8 × 10¹⁶ | 7.5% | 7.8 h | | 94 | Grèce | 10,41 millions | 4.9 × 10¹⁶ | 5.4% | 5.7 h | | 95 | Azerbaïdjan | 10,25 millions | 6.2 × 10¹⁶ | 7% | 7.4 h | | 96 | Israël | 10,12 millions | 6.4 × 10¹⁶ | 7.3% | 7.7 h | | 97 | Hongrie | 9,51 millions | 5.7 × 10¹⁶ | 6.9% | 7.3 h | | 98 | Autriche | 9,21 millions | 2.5 × 10¹⁶ | 3.2% | 3.4 h | | 99 | Suisse | 9,09 millions | 3.9 × 10¹⁶ | 5% | 5.3 h | | 100 | Biélorussie | 9,09 millions | 7.9 × 10¹⁶ | 10% | 10.6 h | | 101 | Sierra Leone | 8,82 millions | 4.9 × 10¹⁶ | 6.5% | 6.8 h | | 102 | Togo | 8,59 millions | 3 × 10¹⁶ | 4% | 4.2 h | | 103 | Laos | 7,87 millions | 3.2 × 10¹⁶ | 4.8% | 5 h | | 104 | Turkménistan | 7,62 millions | 4.2 × 10¹⁶ | 6.5% | 6.8 h | | 105 | Libye | 7,46 millions | 3.9 × 10¹⁶ | 6.1% | 6.4 h | | 106 | Kirghizistan | 7,34 millions | 4.1 × 10¹⁶ | 6.5% | 6.8 h | | 107 | Paraguay | 7,01 millions | 2.9 × 10¹⁶ | 4.8% | 5.1 h | | 108 | Nicaragua | 7,01 millions | 2.8 × 10¹⁶ | 4.6% | 4.8 h | | 109 | Serbie | 6,55 millions | 4.1 × 10¹⁶ | 7.2% | 7.5 h | | 110 | République du Congo | 6,48 millions | 1.7 × 10¹⁶ | 3% | 3.1 h | | 111 | Bulgarie | 6,43 millions | 3.3 × 10¹⁶ | 5.9% | 6.2 h | | 112 | Salvador | 6,37 millions | 3.2 × 10¹⁶ | 5.8% | 6.1 h | | 113 | Singapour | 6,11 millions | 1.9 × 10¹⁶ | 3.6% | 3.7 h | | 114 | Danemark | 6,01 millions | 3.9 × 10¹⁶ | 7.6% | 8 h | | 115 | Liban | 5,85 millions | 1.5 × 10¹⁶ | 3% | 3.1 h | | 116 | Libéria | 5,73 millions | 1.5 × 10¹⁶ | 3.1% | 3.3 h | | 117 | Finlande | 5,65 millions | 3.2 × 10¹⁶ | 6.6% | 6.9 h | | 118 | Norvège | 5,61 millions | 3.7 × 10¹⁶ | 7.6% | 8 h | | 119 | République centrafricaine | 5,51 millions | 1.7 × 10¹⁶ | 3.5% | 3.7 h | | 120 | Oman | 5,49 millions | 2.9 × 10¹⁶ | 6.2% | 6.5 h | | 121 | Irlande | 5,48 millions | 3.4 × 10¹⁶ | 7.2% | 7.6 h | | 122 | Slovaquie | 5,41 millions | 3.1 × 10¹⁶ | 6.7% | 7 h | | 123 | Palestine | 5,41 millions | 2 × 10¹⁶ | 4.3% | 4.5 h | | 124 | Nouvelle-Zélande | 5,32 millions | 2.7 × 10¹⁶ | 5.9% | 6.2 h | | 125 | Mauritanie | 5,32 millions | 2 × 10¹⁶ | 4.3% | 4.5 h | | 126 | Costa Rica | 5,15 millions | 2.6 × 10¹⁶ | 5.9% | 6.2 h | | 127 | Koweït | 4,87 millions | 2.7 × 10¹⁶ | 6.5% | 6.8 h | | 128 | Panama | 4,57 millions | 2.3 × 10¹⁶ | 5.9% | 6.2 h | | 129 | Géorgie | 3,94 millions | 2.1 × 10¹⁶ | 6.1% | 6.4 h | | 130 | Croatie | 3,88 millions | 2.2 × 10¹⁶ | 6.7% | 7 h | | 131 | Érythrée | 3,61 millions | 1.5 × 10¹⁶ | 5% | 5.2 h | | 132 | Mongolie | 3,57 millions | 2.2 × 10¹⁶ | 7% | 7.3 h | | 133 | Uruguay | 3,38 millions | 1.7 × 10¹⁶ | 5.9% | 6.2 h | | 134 | Bosnie-Herzégovine | 3,14 millions | 1.6 × 10¹⁶ | 5.9% | 6.2 h | | 135 | Namibie | 3,09 millions | 1.8 × 10¹⁶ | 6.9% | 7.2 h | | 136 | Arménie | 3,09 millions | 1.7 × 10¹⁶ | 6.5% | 6.8 h | | 137 | Qatar | 2,97 millions | 9.6 × 10¹⁵ | 3.8% | 3.9 h | | 138 | Lituanie | 2,89 millions | 1.8 × 10¹⁶ | 7.4% | 7.7 h | | 139 | Jamaïque | 2,84 millions | 1.2 × 10¹⁶ | 5% | 5.2 h | | 140 | Gambie | 2,82 millions | 1.1 × 10¹⁶ | 4.5% | 4.7 h | | 141 | Gabon | 2,59 millions | 9.9 × 10¹⁵ | 4.4% | 4.6 h | | 142 | Botswana | 2,56 millions | 1.3 × 10¹⁶ | 5.7% | 6 h | | 143 | Lesotho | 2,36 millions | 9.5 × 10¹⁵ | 4.7% | 4.9 h | | 144 | Moldavie | 2,36 millions | 1.5 × 10¹⁶ | 7.3% | 7.6 h | | 145 | Albanie | 2,35 millions | 1.2 × 10¹⁶ | 5.7% | 6 h | | 146 | Guinée-Bissau | 2,25 millions | 5.7 × 10¹⁵ | 2.9% | 3.1 h | | 147 | Slovénie | 2,13 millions | 1.2 × 10¹⁶ | 6.6% | 6.9 h | | 148 | Guinée équatoriale | 1,94 million | 4 × 10¹⁵ | 2.4% | 2.5 h | | 149 | Lettonie | 1,85 million | 1.2 × 10¹⁶ | 7.6% | 7.9 h | | 150 | Macédoine du Nord | 1,82 million | 9.2 × 10¹⁵ | 5.9% | 6.2 h | | 151 | Bahreïn | 1,6 million | 5.9 × 10¹⁵ | 4.3% | 4.5 h | | 152 | Kosovo | 1,58 million | 8 × 10¹⁵ | 5.9% | 6.2 h | | 153 | Timor-Leste | 1,42 million | 8 × 10¹⁵ | 6.6% | 6.9 h | | 154 | Chypre | 1,37 million | 5.5 × 10¹⁵ | 4.7% | 4.9 h | | 155 | Trinité-et-Tobago | 1,37 million | 9.3 × 10¹⁵ | 7.9% | 8.2 h | | 156 | Estonie | 1,37 million | 8.3 × 10¹⁵ | 7% | 7.4 h | | 157 | Eswatini | 1,26 million | 7.5 × 10¹⁵ | 6.9% | 7.2 h | | 158 | Maurice | 1,24 million | 5.1 × 10¹⁵ | 4.8% | 5 h | | 159 | Djibouti | 1,18 million | 4.6 × 10¹⁵ | 4.5% | 4.8 h | | 160 | Fidji | 933,154 | 5.6 × 10¹⁵ | 7% | 7.4 h | | 161 | Comores | 882,847 | 3.5 × 10¹⁵ | 4.6% | 4.8 h | | 162 | Îles Salomon | 838,645 | 3.2 × 10¹⁵ | 4.4% | 4.6 h | | 163 | Guyana | 835,986 | 4.6 × 10¹⁵ | 6.4% | 6.7 h | | 164 | Bhoutan | 796,682 | 5.8 × 10¹⁵ | 8.5% | 8.9 h | | 165 | Luxembourg | 686,970 | 2.4 × 10¹⁵ | 4% | 4.2 h | | 166 | Suriname | 639,850 | 3.7 × 10¹⁵ | 6.7% | 7.1 h | | 167 | Monténégro | 623,129 | 4.3 × 10¹⁵ | 8.1% | 8.5 h | | 168 | Malta | 579,704 | 3.1 × 10¹⁵ | 6.2% | 6.5 h | | 169 | Maldives | 529,676 | 4.7 × 10¹⁵ | 10% | 10.8 h | | 170 | Cap-Vert | 527,326 | 3.3 × 10¹⁵ | 7.2% | 7.6 h | | 171 | Brunei | 466,330 | 3.6 × 10¹⁵ | 8.9% | 9.3 h | | 172 | Belize | 422,924 | 1.1 × 10¹⁵ | 2.9% | 3.1 h | | 173 | Bahamas | 403,033 | 2.2 × 10¹⁵ | 6.4% | 6.7 h | | 174 | Islande | 392,404 | 2.5 × 10¹⁵ | 7.4% | 7.7 h | | 175 | Vanuatu | 335,169 | 2 × 10¹⁵ | 6.9% | 7.3 h | | 176 | Barbade | 282,623 | 1.5 × 10¹⁵ | 6% | 6.3 h | | 177 | Sao Tomé-et-Principe | 240,254 | 1.1 × 10¹⁵ | 5.4% | 5.7 h | | 178 | Samoa | 219,306 | 1.1 × 10¹⁵ | 5.7% | 5.9 h | | 179 | Sainte-Lucie | 180,149 | 9.3 × 10¹⁴ | 6% | 6.3 h | | 180 | Kiribati | 136,488 | 7.6 × 10¹⁴ | 6.4% | 6.7 h | | 181 | Seychelles | 122,730 | 8.9 × 10¹⁴ | 8.4% | 8.8 h | | 182 | Grenade | 117,303 | 7.3 × 10¹⁴ | 7.2% | 7.5 h | | 183 | Micronésie | 113,683 | 5.7 × 10¹⁴ | 5.8% | 6.1 h | | 184 | Tonga | 103,742 | 5.9 × 10¹⁴ | 6.6% | 6.9 h | | 185 | Saint-Vincent-et-les-Grenadines | 99,924 | 4.9 × 10¹⁴ | 5.7% | 5.9 h | | 186 | Antigua-et-Barbuda | 94,209 | 6.5 × 10¹⁴ | 8% | 8.3 h | | 187 | Andorre | 82,904 | 3.9 × 10¹⁴ | 5.5% | 5.8 h | | 188 | Dominique | 65,871 | 2.3 × 10¹⁴ | 4.1% | 4.3 h | | 189 | Saint-Christophe-et-Niévès | 46,922 | 2.1 × 10¹⁴ | 5.2% | 5.5 h | | 190 | Liechtenstein | 41,024 | 2 × 10¹⁴ | 5.7% | 5.9 h | | 191 | Monaco | 38,341 | 2.3 × 10¹⁴ | 6.9% | 7.3 h | | 192 | Îles Marshall | 36,282 | 3.3 × 10¹⁴ | 10% | 10.9 h | | 193 | Saint-Marin | 34,109 | 1.3 × 10¹⁴ | 4.6% | 4.8 h | | 194 | Palaos | 17,663 | 1.6 × 10¹⁴ | 10% | 11 h | | 195 | Nauru | 12,025 | 9.3 × 10¹³ | 9% | 9.4 h | | 196 | Tuvalu | 9,492 | 8 × 10¹³ | 9.8% | 10.2 h | [Ce qui est compté, et ce qui ne l’est pas](https://simulation-hypothesis.com/fr/entities/control). ## Partis politiques : membres, et neurones suivant leurs instructions Membres Suivant ses instructions Membres selon les chiffres du parti, sur une échelle logarithmique. Les barres pleines sont des décomptes ; les barres hachurées sont des estimations ou des déclarations. 1. Parti Bharatiya Janata (Inde)▲1 140 millions 2. Parti communiste chinois▼1 101,29 millions 3. Parti démocrate (États-Unis)▲13 44,9 millions 4. Parti républicain (États-Unis)▲16 38 millions 5. Congrès national indien▼2 26 millions 6. AIADMK (Inde)▼2 20,04 millions 7. DMK (Inde)▼2 20 millions 8. Parti de la prospérité (Éthiopie)▼1 15,7 millions 9. TVK (Inde)▼1 15 millions 10. Chama Cha Mapinduzi (Tanzanie)▼1 13 millions 11. Congrès de tous les progressistes (Nigéria)▼1 12,9 millions 12. AK Parti (Turquie)▼1 11,71 millions 13. Morena (Mexique)▼1 11,63 millions 14. Parti Telugu Desam (Inde)▼1 10,05 millions 15. Parti du peuple cambodgien▼1 7 millions Afficher les 59 10^4 10^5 10^6 10^7 10^8 10^9 membres Afficher les chiffres | # | Parti | Membres | Suivant ses instructions | Part dirigée | Heures par semaine | | -- | ------------------------------------------------------- | --------------- | ------------------------ | --------------------- | ------------------ | | 1 | Parti Bharatiya Janata (Inde) | 140 millions | 6.3 × 10¹⁶ | 0.52% (approximation) | 0.6 h | | 2 | Parti communiste chinois | 101,29 millions | 8.2 × 10¹⁶ | 0.94% | 1 h | | 3 | Parti démocrate (États-Unis) | 44,9 millions | 2.3 × 10¹⁵ | 0.06% | 0.1 h | | 4 | Parti républicain (États-Unis) | 38 millions | 2 × 10¹⁵ | 0.06% | 0.1 h | | 5 | Congrès national indien | 26 millions | 1.2 × 10¹⁶ | 0.52% (approximation) | 0.6 h | | 6 | AIADMK (Inde) | 20,04 millions | 9 × 10¹⁵ | 0.52% (approximation) | 0.6 h | | 7 | DMK (Inde) | 20 millions | 9 × 10¹⁵ | 0.52% (approximation) | 0.6 h | | 8 | Parti de la prospérité (Éthiopie) | 15,7 millions | 7 × 10¹⁵ | 0.52% (approximation) | 0.6 h | | 9 | TVK (Inde) | 15 millions | 6.7 × 10¹⁵ | 0.52% (approximation) | 0.6 h | | 10 | Chama Cha Mapinduzi (Tanzanie) | 13 millions | 5.8 × 10¹⁵ | 0.52% (approximation) | 0.6 h | | 11 | Congrès de tous les progressistes (Nigéria) | 12,9 millions | 5.8 × 10¹⁵ | 0.52% (approximation) | 0.6 h | | 12 | AK Parti (Turquie) | 11,71 millions | 5.2 × 10¹⁵ | 0.52% (approximation) | 0.6 h | | 13 | Morena (Mexique) | 11,63 millions | 5.2 × 10¹⁵ | 0.52% (approximation) | 0.6 h | | 14 | Parti Telugu Desam (Inde) | 10,05 millions | 4.5 × 10¹⁵ | 0.52% (approximation) | 0.6 h | | 15 | Parti du peuple cambodgien | 7 millions | 3.1 × 10¹⁵ | 0.52% (approximation) | 0.6 h | | 16 | Parti du travail de Corée | 6,18 millions | 7.6 × 10¹⁵ | 1.4% | 1.5 h | | 17 | FRELIMO (Mozambique) | 6 millions | 2.7 × 10¹⁵ | 0.52% (approximation) | 0.6 h | | 18 | Parti communiste du Vietnam | 5,6 millions | 2.1 × 10¹⁵ | 0.44% | 0.5 h | | 19 | Parti démocratique de Corée | 5 millions | 2.2 × 10¹⁵ | 0.52% (approximation) | 0.6 h | | 20 | Parti du pouvoir du peuple (Corée du Sud) | 4,44 millions | 2 × 10¹⁵ | 0.52% (approximation) | 0.6 h | | 21 | PSUV (Venezuela) | 4,24 millions | 1.9 × 10¹⁵ | 0.52% (approximation) | 0.6 h | | 22 | ZANU-PF (Zimbabwe) | 4,06 millions | 1.8 × 10¹⁵ | 0.52% (approximation) | 0.6 h | | 23 | UMNO (Malaisie) | 3,25 millions | 1.5 × 10¹⁵ | 0.52% (approximation) | 0.6 h | | 24 | Parti justicialiste (Argentine) | 3,1 millions | 1.4 × 10¹⁵ | 0.52% (approximation) | 0.6 h | | 25 | Parti Colorado (Paraguay) | 3 millions | 1.3 × 10¹⁵ | 0.52% (approximation) | 0.6 h | | 26 | Russie unie | 2,6 millions | 1.2 × 10¹⁵ | 0.52% (approximation) | 0.6 h | | 27 | UzLiDeP (Ouzbékistan) | 2,31 millions | 1 × 10¹⁵ | 0.52% (approximation) | 0.6 h | | 28 | PLD (République dominicaine) | 2,18 millions | 9.7 × 10¹⁴ | 0.52% (approximation) | 0.6 h | | 29 | MDB (Brésil) | 2,02 millions | 9 × 10¹⁴ | 0.52% (approximation) | 0.6 h | | 30 | CHP (Turquie) | 1,88 million | 8.4 × 10¹⁴ | 0.52% (approximation) | 0.6 h | | 31 | Union civique radicale (Argentine) | 1,79 million | 8 × 10¹⁴ | 0.52% (approximation) | 0.6 h | | 32 | Parti des travailleurs, PT (Brésil) | 1,67 million | 7.5 × 10¹⁴ | 0.52% (approximation) | 0.6 h | | 33 | PRM (République dominicaine) | 1,55 million | 6.9 × 10¹⁴ | 0.52% (approximation) | 0.6 h | | 34 | Parti libéral radical authentique (Paraguay) | 1,55 million | 6.9 × 10¹⁴ | 0.52% (approximation) | 0.6 h | | 35 | Partido Federal ng Pilipinas | 1,5 million | 6.7 × 10¹⁴ | 0.52% (approximation) | 0.6 h | | 36 | PAS (Malaisie) | 1,3 million | 5.8 × 10¹⁴ | 0.52% (approximation) | 0.6 h | | 37 | PRD (Brésil) | 1,29 million | 5.8 × 10¹⁴ | 0.52% (approximation) | 0.6 h | | 38 | Progressistas (Brésil) | 1,29 million | 5.8 × 10¹⁴ | 0.52% (approximation) | 0.6 h | | 39 | PSDB (Brésil) | 1,26 million | 5.6 × 10¹⁴ | 0.52% (approximation) | 0.6 h | | 40 | PKR (Malaisie) | 1,15 million | 5.2 × 10¹⁴ | 0.52% (approximation) | 0.6 h | | 41 | Combattants pour la liberté économique (Afrique du Sud) | 1,09 million | 4.9 × 10¹⁴ | 0.52% (approximation) | 0.6 h | | 42 | PDT (Brésil) | 1,07 million | 4.8 × 10¹⁴ | 0.52% (approximation) | 0.6 h | | 43 | União Brasil | 1,07 million | 4.8 × 10¹⁴ | 0.52% (approximation) | 0.6 h | | 44 | CPI(M) (Inde) | 1,02 million | 4.6 × 10¹⁴ | 0.52% (approximation) | 0.6 h | | 45 | Parti libéral-démocrate (Japon) | 1 million | 4.5 × 10¹⁴ | 0.52% (approximation) | 0.6 h | | 46 | FLN (Algérie) | 1 million | 4.5 × 10¹⁴ | 0.52% (approximation) | 0.6 h | | 47 | Parti libéral, PL (Brésil) | 952,881 | 4.3 × 10¹⁴ | 0.52% (approximation) | 0.6 h | | 48 | Parti communiste de Cuba | 700,000 | 2.7 × 10¹⁴ | 0.44% | 0.5 h | | 49 | Congrès national africain | 688,454 | 3.1 × 10¹⁴ | 0.52% (approximation) | 0.6 h | | 50 | Parti conservateur du Canada | 678,708 | 2.7 × 10¹⁴ | 0.46% | 0.5 h | | 51 | CDU (Allemagne) | 364,202 | 1.6 × 10¹⁴ | 0.52% (approximation) | 0.6 h | | 52 | SPD (Allemagne) | 357,116 | 1.6 × 10¹⁴ | 0.52% (approximation) | 0.6 h | | 53 | Parti travailliste (Royaume-Uni) | 333,235 | 1.6 × 10¹⁴ | 0.55% | 0.6 h | | 54 | Parti libéral du Canada | 163,836 | 6.5 × 10¹³ | 0.46% | 0.5 h | | 55 | Les Verts (Allemagne) | 155,296 | 7 × 10¹³ | 0.52% (approximation) | 0.6 h | | 56 | CSU (Allemagne) | 125,153 | 5.6 × 10¹³ | 0.52% (approximation) | 0.6 h | | 57 | Parti conservateur (Royaume-Uni) | 123,000 | 3.7 × 10¹³ | 0.35% | 0.4 h | | 58 | Nouveau Parti démocratique (Canada) | 100,542 | 4 × 10¹³ | 0.46% | 0.5 h | | 59 | AfD (Allemagne) | 51,335 | 2.3 × 10¹³ | 0.52% (approximation) | 0.6 h | [Réunions, enquêtes et sources](https://simulation-hypothesis.com/fr/entities/control). ## Entreprises : employés, et neurones suivant leurs instructions Employés Suivant ses instructions Employés d’après le dernier rapport annuel ou la dernière liste, sur une échelle linéaire. 1. Walmart 2,1 millions 2. Amazon▲1 1,58 million 3. State Grid▼1 1,36 million 4. China National Petroleum 1,03 million 5. JD.com 951,420 6. BYD▲1 869,622 7. Accenture▼1 779,000 8. Allied Universal▲3 770,000 9. China Post Group▼1 719,448 10. Chemins de fer russes (RZD)▲2 677,363 11. Volkswagen Group▲6 662,942 12. Foxconn (Hon Hai)▼2 633,167 13. Schwarz Group▲16 604,000 14. Compass Group▲18 590,000 15. Tata Consultancy Services▼6 584,510 Afficher les 71 0 0.5M 1M 1.5M 2M 2.5M employees Afficher les chiffres | # | Entreprise | Employés | Suivant ses instructions | Heures par semaine | Part dirigée | | -- | ------------------------------------ | ------------ | ------------------------ | --------------------- | ------------ | | 1 | Walmart | 2,1 millions | 6.3 × 10¹⁶ | 36.3 h (États-Unis) | 35% | | 2 | Amazon | 1,58 million | 4.7 × 10¹⁶ | 36.3 h (États-Unis) | 35% | | 3 | State Grid | 1,36 million | 5.5 × 10¹⁶ | 49 h (Chine) | 47% | | 4 | China National Petroleum | 1,03 million | 4.1 × 10¹⁶ | 49 h (Chine) | 47% | | 5 | JD.com | 951,420 | 3.8 × 10¹⁶ | 49 h (Chine) | 47% | | 6 | BYD | 869,622 | 3.5 × 10¹⁶ | 49 h (Chine) | 47% | | 7 | Accenture | 779,000 | 3.7 × 10¹⁶ | 57.58 h (Inde) | 55% | | 8 | Allied Universal | 770,000 | 2.3 × 10¹⁶ | 36.52 h (États-Unis) | 35% | | 9 | China Post Group | 719,448 | 2.9 × 10¹⁶ | 49 h (Chine) | 47% | | 10 | Chemins de fer russes (RZD) | 677,363 | 2.2 × 10¹⁶ | 39.96 h (Russie) | 38% | | 11 | Volkswagen Group | 662,942 | 2 × 10¹⁶ | 35.95 h (Allemagne) | 34% | | 12 | Foxconn (Hon Hai) | 633,167 | 2.5 × 10¹⁶ | 49 h (Chine) | 47% | | 13 | Schwarz Group | 604,000 | 1.6 × 10¹⁶ | 31.49 h (Allemagne) | 30% | | 14 | Compass Group | 590,000 | 1.5 × 10¹⁶ | 31.7 h (États-Unis) | 30% | | 15 | Tata Consultancy Services | 584,510 | 2.8 × 10¹⁶ | 58.23 h (Inde) | 56% | | 16 | DHL Group | 583,998 | 1.7 × 10¹⁶ | 35.81 h (Allemagne) | 34% | | 17 | Sinopec | 513,434 | 2.1 × 10¹⁶ | 49 h (Chine) | 47% | | 18 | Gazprom | 501,000 | 1.7 × 10¹⁶ | 40.47 h (Russie) | 39% | | 19 | FedEx | 474,200 | 1.6 × 10¹⁶ | 39.98 h (États-Unis) | 38% | | 20 | Home Depot | 470,000 | 1.4 × 10¹⁶ | 36.3 h (États-Unis) | 35% | | 21 | China Mobile | 468,496 | 1.9 × 10¹⁶ | 49 h (Chine) | 47% | | 22 | UPS | 460,000 | 1.5 × 10¹⁶ | 39.98 h (États-Unis) | 38% | | 23 | Banque agricole de Chine | 457,835 | 1.8 × 10¹⁶ | 49 h (Chine) | 47% | | 24 | Concentrix | 455,000 | 1.7 × 10¹⁶ | 46.71 h (Philippines) | 45% | | 25 | Teleperformance | 446,716 | 2.2 × 10¹⁶ | 58.89 h (Inde) | 56% | | 26 | Jardine Matheson | 443,000 | 1.5 × 10¹⁶ | 41.93 h (Indonésie) | 40% | | 27 | Sodexo | 426,464 | 1.1 × 10¹⁶ | 31.7 h (États-Unis) | 30% | | 28 | Capgemini | 423,400 | 2 × 10¹⁶ | 58.23 h (Inde) | 56% | | 29 | Reliance Industries | 419,911 | 2.1 × 10¹⁶ | 59.57 h (Inde) | 57% | | 30 | Edeka | 417,500 | 1.1 × 10¹⁶ | 31.49 h (Allemagne) | 30% | | 31 | Luxshare Precision | 416,197 | 1.7 × 10¹⁶ | 49 h (Chine) | 47% | | 32 | Target | 415,000 | 1.2 × 10¹⁶ | 36.3 h (États-Unis) | 35% | | 33 | Marriott International | 414,000 | 1.1 × 10¹⁶ | 31.7 h (États-Unis) | 30% | | 34 | Bosch | 412,400 | 1.2 × 10¹⁶ | 35.95 h (Allemagne) | 34% | | 35 | ICBC | 409,758 | 1.6 × 10¹⁶ | 49 h (Chine) | 47% | | 36 | Kroger | 403,000 | 1.2 × 10¹⁶ | 36.3 h (États-Unis) | 35% | | 37 | China Resources | 397,398 | 1.6 × 10¹⁶ | 49 h (Chine) | 47% | | 38 | Magnit | 394,000 | 1.3 × 10¹⁶ | 39.69 h (Russie) | 38% | | 39 | Toyota | 390,927 | 1.3 × 10¹⁶ | 39.6 h (Japon) | 38% | | 40 | UnitedHealth Group | 390,000 | 1.2 × 10¹⁶ | 36.87 h (États-Unis) | 35% | | 41 | X5 Group | 389,000 | 1.3 × 10¹⁶ | 39.69 h (Russie) | 38% | | 42 | Berkshire Hathaway | 387,800 | 1.2 × 10¹⁶ | 37.75 h (États-Unis) | 36% | | 43 | AVIC | 384,000 | 1.5 × 10¹⁶ | 49 h (Chine) | 47% | | 44 | Ahold Delhaize | 384,000 | 1.1 × 10¹⁶ | 36.3 h (États-Unis) | 35% | | 45 | China Telecom | 381,436 | 1.5 × 10¹⁶ | 49 h (Chine) | 47% | | 46 | Starbucks | 381,000 | 9.9 × 10¹⁵ | 31.7 h (États-Unis) | 30% | | 47 | Rewe Group | 380,000 | 9.8 × 10¹⁵ | 31.49 h (Allemagne) | 30% | | 48 | Banque de construction de Chine | 378,344 | 1.5 × 10¹⁶ | 49 h (Chine) | 47% | | 49 | TJX Companies | 377,000 | 1.1 × 10¹⁶ | 36.3 h (États-Unis) | 35% | | 50 | China State Construction Engineering | 370,272 | 1.5 × 10¹⁶ | 49 h (Chine) | 47% | | 51 | FEMSA | 368,776 | 1.4 × 10¹⁶ | 47.09 h (Mexique) | 45% | | 52 | Japan Post Holdings | 360,000 | 1.2 × 10¹⁶ | 41.6 h (Japon) | 40% | | 53 | Tesco | 354,744 | 9.3 × 10¹⁵ | 31.81 h (Royaume-Uni) | 30% | | 54 | Cognizant | 351,600 | 1.7 × 10¹⁶ | 58.23 h (Inde) | 56% | | 55 | NTT | 344,196 | 1.1 × 10¹⁶ | 40.2 h (Japon) | 38% | | 56 | Costco | 341,000 | 1 × 10¹⁶ | 36.3 h (États-Unis) | 35% | | 57 | Infosys | 328,594 | 1.6 × 10¹⁶ | 58.23 h (Inde) | 56% | | 58 | ISS | 325,000 | 1.6 × 10¹⁶ | 58.89 h (Inde) | 56% | | 59 | Securitas | 322,000 | 9.7 × 10¹⁵ | 36.52 h (États-Unis) | 35% | | 60 | HCA Healthcare | 320,000 | 9.7 × 10¹⁵ | 36.87 h (États-Unis) | 35% | | 61 | Rosneft | 320,000 | 1.1 × 10¹⁶ | 40.47 h (Russie) | 39% | | 62 | JPMorgan Chase | 318,512 | 1.1 × 10¹⁶ | 40.14 h (États-Unis) | 38% | | 63 | Siemens | 318,000 | 9.4 × 10¹⁵ | 35.95 h (Allemagne) | 34% | | 64 | Banque de Chine | 313,746 | 1.3 × 10¹⁶ | 49 h (Chine) | 47% | | 65 | Walgreens Boots Alliance | 312,000 | 9.3 × 10¹⁵ | 36.3 h (États-Unis) | 35% | | 66 | PepsiCo | 306,000 | 1 × 10¹⁶ | 40.7 h (États-Unis) | 39% | | 67 | China Railway Construction (CRCC) | 304,927 | 1.2 × 10¹⁶ | 49 h (Chine) | 47% | | 68 | CHN Energy (China Energy Investment) | 303,418 | 1.2 × 10¹⁶ | 49 h (Chine) | 47% | | 69 | China Railway Group (CREC) | 302,527 | 1.2 × 10¹⁶ | 49 h (Chine) | 47% | | 70 | CK Hutchison | 300,000 | 8.6 × 10¹⁵ | 35.08 h (Royaume-Uni) | 33% | | 71 | CVS Health | 300,000 | 8.9 × 10¹⁵ | 36.3 h (États-Unis) | 35% | [Heures et sources](https://simulation-hypothesis.com/fr/entities/control). ## Animaux et autres organismes Des cellules uniques sans neurones jusqu’au cerveau humain. Les nombres de neurones sont mesurés là où ils existent. ### Pas de neurones * [Escherichia coli](https://simulation-hypothesis.com/fr/entities/ecoli)Escherichia coli 0 mesuré Une cellule unique, sans neurones. Elle s’oriente vers la nourriture et possède une mémoire chimique de quelques secondes. * [Myxomycète](https://simulation-hypothesis.com/fr/entities/physarum)Physarum polycephalum 0 mesuré Une cellule géante unique, sans neurones. Elle résout des labyrinthes et fait croître des réseaux de transport efficaces. * [Sensitive (Mimosa pudica)](https://simulation-hypothesis.com/fr/entities/mimosa)Mimosa pudica 0 mesuré Une plante dont les feuilles se replient au toucher. Une étude a rapporté qu’elle apprend à ignorer les contacts inoffensifs. Une réanalyse ultérieure l’a contesté. * [Éponge](https://simulation-hypothesis.com/fr/entities/sponge)Porifera (p. ex. Amphimedon queenslandica) 0 mesuré Un animal sans neurones ni synapses qui contracte pourtant tout son corps de façon coordonnée. ### Réseaux nerveux, pas de cerveau * [Hydre](https://simulation-hypothesis.com/fr/entities/hydra)Hydra vulgaris environ 3 000 à 5 000 estimation Un petit cnidaire d’eau douce. Il est commandé par un réseau nerveux diffus et n’a pas de cerveau. * [Cuboméduse](https://simulation-hypothesis.com/fr/entities/jellyfish)Tripedalia cystophora Aucun décompte publié Une cuboméduse n’a pas de cerveau central, et pourtant elle a montré un apprentissage associatif. ### Invertébrés dotés d’un cerveau * [Nématode](https://simulation-hypothesis.com/fr/entities/celegans)Caenorhabditis elegans 302 mesuré Un ver d’environ un millimètre, avec exactement 302 neurones. Il fut le premier animal dont le schéma de câblage complet a été cartographié. * [Drosophile](https://simulation-hypothesis.com/fr/entities/drosophila)Drosophila melanogaster 139,255 mesuré Le plus grand schéma complet de câblage cérébral cartographié à ce jour, couvrant environ 139 000 neurones. * [Abeille domestique](https://simulation-hypothesis.com/fr/entities/honeybee)Apis mellifera environ 1 million estimation Environ un million de neurones, et les abeilles peuvent apprendre des concepts abstraits comme « pareil » et « différent ». * [Fourmi (Camponotus / Formica)](https://simulation-hypothesis.com/fr/entities/ant)Camponotus spp. Aucun décompte publié Un petit cerveau qui gère la navigation sur de longues distances en comptant les pas (intégration de trajet) et en retenant des repères. * [Araignée sauteuse Portia](https://simulation-hypothesis.com/fr/entities/portia)Portia fimbriata / labiata Aucun décompte publié Une araignée sauteuse qui planifie ses détours. Elle emprunte des itinéraires qui l’éloignent de sa proie et la cachent à sa vue. * [Crabe vert / écrevisse](https://simulation-hypothesis.com/fr/entities/decapod)Carcinus maenas ; Procambarus / Astacus spp. Aucun décompte publié Crabes et écrevisses. Un examen gouvernemental de 2021 a trouvé de solides preuves que les vrais crabes sont sentients. * [Poulpe commun](https://simulation-hypothesis.com/fr/entities/octopus)Octopus vulgaris 500 millions estimation La plupart de ses neurones sont dans ses bras. Un examen de 2021 a trouvé des preuves très solides qu’il est sentient. ### Poissons et amphibiens * [Poisson-zèbre](https://simulation-hypothesis.com/fr/entities/zebrafish)Danio rerio Aucun décompte publié Un petit poisson très utilisé en neuroscience. Ses neurones n’ont pas été entièrement comptés. Le cerveau adulte compte environ 10 millions de cellules. * [Labre nettoyeur](https://simulation-hypothesis.com/fr/entities/wrasse)Labroides dimidiatus Aucun décompte publié Un poisson de récif qui a réussi une version du test de la marque devant le miroir. On discute de ce que cela montre. * [Grenouille](https://simulation-hypothesis.com/fr/entities/frog)Anoures (p. ex. Xenopus / Rana) Aucun décompte publié La Déclaration de New York de 2024 affirme qu’il existe une possibilité réaliste d’expérience consciente chez les amphibiens. ### Oiseaux * [Pigeon biset](https://simulation-hypothesis.com/fr/entities/pigeon)Columba livia 310 millions mesuré Des centaines de millions de neurones dans un petit cerveau. Les pigeons savent trier des images complexes par catégories. * [Grand corbeau](https://simulation-hypothesis.com/fr/entities/raven)Corvus corax 2,17 milliards mesuré Plus de deux milliards de neurones, très densément regroupés. Les grands corbeaux se souviennent de chacun de leurs rivaux. * [Corbeau de Nouvelle-Calédonie](https://simulation-hypothesis.com/fr/entities/nccrow)Corvus moneduloides Aucun décompte publié Il fabrique des outils à crochet avec des brindilles et du fil de fer. Ses neurones n’ont pas été comptés. * [Perroquet gris du Gabon](https://simulation-hypothesis.com/fr/entities/greyparrot)Psittacus erithacus 1,57 milliard mesuré Environ 1,6 milliard de neurones. Des décennies d’études en laboratoire sur la numérosité et la catégorisation. ### Mammals * [Souris](https://simulation-hypothesis.com/fr/entities/mouse)Mus musculus 70,9 millions mesuré Environ 71 millions de neurones. Les souris montrent des expressions faciales de douleur que l’on peut mesurer. * [Rat](https://simulation-hypothesis.com/fr/entities/rat)Rattus norvegicus 200 millions mesuré Environ 200 millions de neurones. Les rats libèrent leurs compagnons de cage piégés. * [Chat domestique](https://simulation-hypothesis.com/fr/entities/cat)Felis catus 1,22 milliard mesuré Environ 250 millions de neurones dans le cortex cérébral. * [Chien domestique](https://simulation-hypothesis.com/fr/entities/dog)Canis familiaris 1,8 à 2,6 milliards, selon le chien mesuré Jusqu’à environ 600 millions de neurones corticaux, selon le chien. C’est plus que les chats. * [Cochon domestique](https://simulation-hypothesis.com/fr/entities/pig)Sus scrofa domesticus 2,22 milliards mesuré Les cochons apprennent ce que montre un miroir et s’en servent pour trouver de la nourriture. * [Grand dauphin](https://simulation-hypothesis.com/fr/entities/dolphin)Tursiops truncatus Aucun décompte publié Réussit les tests de reconnaissance de soi dans le miroir. Aucun nombre de neurones mesuré n’existe pour le grand dauphin. * [Éléphant d’Afrique](https://simulation-hypothesis.com/fr/entities/elephant)Loxodonta africana 257 milliards mesuré 257 milliards de neurones, trois fois plus qu’un humain, presque tous dans le cervelet. * [Chimpanzé](https://simulation-hypothesis.com/fr/entities/chimp)Pan troglodytes environ 28 milliards (prédits par des lois d’échelle, non comptés) estimation L’un de nos deux plus proches parents vivants (avec le bonobo). Il réussit le test du miroir. * [Humain](https://simulation-hypothesis.com/fr/entities/human)Homo sapiens 86,1 milliards mesuré 86 milliards de neurones, dont 16 milliards dans le cortex cérébral. Nous sommes la seule espèce dont les membres peuvent rendre compte verbalement de leur expérience. ## Systèmes collectifs Des groupes qui prennent des décisions qu’aucun membre ne prend seul. On les étudie comme intelligence collective, pas comme esprits. * [Colonies de fourmis](https://simulation-hypothesis.com/fr/entities/c-ants)Les colonies choisissent le meilleur nid parce que chaque fourmi suit un seuil de quorum. Aucune fourmi ne compare les sites dans leur ensemble. * [Essaims d’abeilles](https://simulation-hypothesis.com/fr/entities/c-bees)Les essaims choisissent la meilleure cavité par une compétition entre éclaireuses et un quorum. Des signaux d’arrêt assurent une inhibition croisée, qui brise les blocages. * [Vols d’étourneaux](https://simulation-hypothesis.com/fr/entities/c-starlings)Chaque oiseau suit un nombre fixe de voisins (environ 6 à 7), et non tous les oiseaux situés à une distance donnée. On parle d’interaction topologique, non métrique. * [Bancs de poissons](https://simulation-hypothesis.com/fr/entities/c-fish)Les bancs décident par des règles de quorum. De grands groupes peuvent percevoir des gradients de l’environnement qu’aucun poisson seul ne peut détecter. ## Systèmes artificiels Types d’intelligence artificielle, classés selon leur fonctionnement. Aucun système actuel n’est considéré comme un candidat sérieux à la conscience. * [Systèmes experts à base de règles](https://simulation-hypothesis.com/fr/entities/ai-expert)Des programmes qui codent le savoir d’un expert du domaine sous forme de règles explicites « si… alors… ». Un moteur d’inférence applique les règles à la suite pour arriver à des conclusions, en général avec une explication de son raisonnement. * [Moteurs de recherche dans l’arbre de jeu (échecs)](https://simulation-hypothesis.com/fr/entities/ai-chess)Des programmes qui énumèrent les suites de coups possibles jusqu’à une profondeur fixe et notent les positions obtenues avec une fonction d’évaluation faite à la main. Ils élaguent les branches qui ne peuvent pas changer le choix (minimax avec élagage alpha-bêta). * [Agents d’apprentissage par renforcement profond](https://simulation-hypothesis.com/fr/entities/ai-drl)Réseaux de neurones entraînés par essais et erreurs à maximiser un signal de récompense. Ils apprennent une politique ou une fonction de valeur en interagissant avec un environnement, souvent simulé, comme un jeu. * [Grands modèles de langage](https://simulation-hypothesis.com/fr/entities/ai-llm)Réseaux de neurones de type transformeur, entraînés à prédire le jeton suivant dans de très grands corpus de textes, puis souvent ajustés à partir de retours humains. * [Robots incarnés](https://simulation-hypothesis.com/fr/entities/ai-robots)Des machines dotées de capteurs et d’actionneurs qui agissent dans le monde physique. Elles utilisent souvent un contrôle réactif en couches plutôt qu’un modèle central du monde : le comportement émerge de la boucle entre le corps et l’environnement. * [Matériel neuromorphique](https://simulation-hypothesis.com/fr/entities/ai-neuromorphic)Des puces dont les circuits imitent les neurones à impulsions et les synapses. Elles fonctionnent par événements et consomment peu, contrairement à une architecture classique processeur et mémoire. ## Esprits hypothétiques Esprits proposés dans la littérature scientifique et philosophique. Personne n’en a observé. * [Émulation de cerveau entier](https://simulation-hypothesis.com/fr/entities/h-wbe)non observé Scanner un cerveau en détail et faire tourner un modèle logiciel de celui-ci. * [Esprits simulés dans des simulations ancestrales](https://simulation-hypothesis.com/fr/entities/h-ancestor)non observé Le trilemme de Bostrom : soit presque aucune civilisation n’atteint un stade posthumain, soit presque aucune ne fait tourner de simulations ancestrales, soit nous vivons presque certainement dans l’une d’elles. * [Cerveaux de Boltzmann](https://simulation-hypothesis.com/fr/entities/h-boltzmann)non observé Observateurs semblables à des cerveaux qui surgissent de rares fluctuations thermiques ou quantiques. * [Téléversement de l’esprit par remplacement graduel](https://simulation-hypothesis.com/fr/entities/h-uploading)non observé Remplacer les neurones un par un par des pièces artificielles fonctionnellement identiques. * [Superintelligence](https://simulation-hypothesis.com/fr/entities/h-superintelligence)non observé Un intellect hypothétique qui dépasse largement la performance humaine dans pratiquement tous les domaines. Le livre de Bostrom analyse les voies qui y mènent (émulation de cerveau entier, cognition biologique, IA), ses formes et les problèmes de contrôle. Version des données 2.0.0\. [Télécharger (JSON)](https://simulation-hypothesis.com/entities/minds.json).