Ton réseau de neurones a 300 millions de paramètres (un ViT-H). La loss est une fonction de ces 300M nombres. Tu veux trouver les valeurs qui minimisent la loss. Tester toutes les combinaisons ? Impossible — même avec 2 valeurs par paramètre, c'est $2^{300{,}000{,}000}$ combinaisons. La descente de gradient est la seule approche viable : à chaque step, tu bouges un peu dans la direction qui fait baisser la loss le plus vite.