Analyse : le « full-stack » de Google, du TPU au produit final, comme thèse d'investissement

Commençons par poser une limite, parce qu'elle tient tout le reste : ce texte est une lecture, pas un conseil. Nous n'y recommandons l'achat ou la vente d'aucune action, et rien de ce qui suit ne constitue une recommandation d'investissement. Ce que nous appelons ici « thèse d'investissement » désigne une grille d'analyse — une manière d'expliquer pourquoi la position de Google dans l'intelligence artificielle se comprend mieux quand on la regarde comme une chaîne complète, du silicium jusqu'au produit entre les mains de l'utilisateur, plutôt qu'à travers un seul étage isolé. Les faits mobilisés — puces, dates, modèles, produits — sont vérifiés et sourcés en fin d'article. L'interprétation stratégique qu'on en tire est signalée comme telle, à chaque fois.

La distinction n'est pas un ornement. Quand on parle d'un acteur de la taille d'Alphabet, la tentation est grande de transformer une addition de faits impressionnants en prophétie. Nous voulons faire l'inverse : décrire une architecture industrielle réelle, expliquer la logique qui la relie, et laisser au lecteur le soin de juger ce que cela vaut. Chaque chiffre cité renvoie à une source publique. Chaque phrase qui relève de la lecture — « on peut lire », « cela suggère », « une interprétation possible » — est marquée comme une hypothèse, jamais comme une certitude.

Pourquoi Google comme cas d'étude ? Parce que peu d'acteurs occupent autant d'étages à la fois. La plupart des laboratoires d'IA louent leur puissance de calcul, conçoivent leurs modèles, et distribuent via des interfaces web ou des interfaces de programmation. Google, lui, dessine ses propres processeurs d'accélération, entraîne ses modèles dessus, et les diffuse à travers des produits que des milliards de personnes utilisent déjà. Cette continuité — de la gravure du silicium à la barre de recherche — est le fait central. C'est aussi ce que son dirigeant met désormais en avant comme sa principale singularité.

Le constat : une chaîne qui commence au silicium

Posons d'abord le socle vérifiable, celui qui ne relève d'aucune interprétation. L'histoire du calcul maison chez Google remonte à une décision prise autour de 2013-2014. Selon les récits repris par la presse technique, les équipes avaient fait une projection simple : si chaque utilisateur d'Android se mettait à utiliser la nouvelle recherche vocale ne serait-ce que trois minutes par jour, l'entreprise aurait dû doubler sa capacité de centres de données pour absorber la charge. Ce calcul a servi de déclencheur au développement d'un processeur spécialisé.

Ce processeur, le Tensor Processing Unit — l'unité de traitement tensoriel, ou TPU —, est entré en service interne en 2015 et a été dévoilé publiquement en 2016, lors de la conférence des développeurs de l'entreprise. La première génération est un circuit relativement modeste au regard des standards actuels : un moteur de multiplication matricielle en 8 bits, gravé en 28 nanomètres, cadencé à 700 mégahertz, avec une enveloppe thermique de l'ordre de 28 à 40 watts. On l'a notamment associé au système AlphaGo, qui a marqué les esprits en battant les meilleurs joueurs de go. Retenons ce point de départ : dès l'origine, la puce n'a pas été achetée sur étagère, elle a été dessinée pour un besoin interne précis.

Un élément est souvent négligé dans ce récit : Google n'a pas conçu ces puces seul. Le fabricant de semi-conducteurs Broadcom est présenté comme un partenaire de longue date, associé au programme depuis ses débuts. La répartition des rôles rapportée par la presse spécialisée est instructive : Google assure la conception amont — l'architecture et la description logique du circuit — tandis que Broadcom prend en charge une partie du travail physique en aval, apporte des briques technologiques comme les interfaces à haut débit, et pilote la fabrication chez un fondeur tiers, en l'occurrence le taïwanais TSMC. Cette co-conception court, selon Broadcom, sur sept générations de TPU. Le « maison » n'est donc pas une autarcie totale : c'est une maîtrise de l'architecture, adossée à des partenaires industriels pour la réalisation.

Vers 2013, une projection interne aurait montré que trois minutes de recherche vocale par utilisateur et par jour suffiraient à imposer un doublement des centres de données. De ce constat est née la volonté de dessiner une puce plutôt que d'en acheter.

Sept générations, une trajectoire lisible

De 2015 à aujourd'hui, la lignée s'est étoffée génération après génération, chacune ajoutant une capacité manquante. Sans entrer dans le détail exhaustif, la trajectoire publique est nette : les premières générations visaient surtout l'inférence, puis l'entraînement à grande échelle est devenu la cible, avec l'ajout de mémoire partagée, de refroidissement liquide pour encaisser des puissances plus élevées, et de topologies d'interconnexion permettant de relier un très grand nombre de puces entre elles. La sixième génération, baptisée Trillium, a été présentée en 2024 comme une étape d'efficacité — Google avançait un gain de performance par puce et une meilleure efficacité énergétique par rapport à la génération précédente.

Le détail de cette progression éclaire une intention. La deuxième génération, apparue en 2017, a ouvert la porte à l'entraînement à grande échelle, là où la première se limitait au service des modèles. La troisième a introduit le refroidissement liquide, une réponse directe à la montée en puissance thermique des puces. La quatrième a adopté une topologie d'interconnexion en tore tridimensionnel, qui améliore nettement la mise en réseau de milliers de puces travaillant sur un même calcul. Chaque itération, autrement dit, ne cherchait pas la performance brute pour elle-même : elle levait un obstacle concret rencontré à l'étage supérieur, celui des modèles. C'est la marque d'une conception guidée par l'usage réel, et non par une course aux chiffres.

Ce point mérite d'être souligné, car il distingue une puce maison d'une puce achetée. Un processeur générique doit satisfaire une multitude de clients aux besoins divergents ; il est, par construction, un compromis. Une puce dessinée pour ses propres modèles peut, elle, se permettre d'être spécialisée — d'abandonner ce qui ne sert pas, de renforcer ce qui compte. Les analyses techniques du secteur relèvent d'ailleurs que la mémoire embarquée et la bande passante des dernières générations de TPU ont été dimensionnées en gardant à l'esprit les modèles de très grande taille et les architectures dites à mélange d'experts, précisément le type de modèles que Google fait tourner. Le silicium épouse la forme du logiciel qu'il doit servir.

La septième génération, nommée Ironwood, mérite qu'on s'y arrête, car elle affiche une intention explicite. Google la décrit comme sa première puce « pensée pour l'âge de l'inférence » — c'est-à-dire pour le service massif de modèles déjà entraînés, autant que pour l'entraînement lui-même. Les caractéristiques publiées sont considérables : une configuration complète peut réunir 9 216 puces au sein d'un même ensemble, pour une puissance de calcul annoncée à 42,5 exaflops, chaque puce affichant un pic de 4 614 téraflops et 192 gigaoctets de mémoire à haute bande passante. L'entreprise propose aussi une déclinaison plus petite, à 256 puces, pour des besoins plus modestes. Ces nombres, aussi vertigineux soient-ils, ont une fonction dans notre propos : ils montrent qu'à l'étage du matériel, Google ne se contente pas de suivre, il fixe lui-même le pas.

Du silicium au modèle : Gemini

L'étage suivant est celui des modèles. La famille Gemini a été annoncée lors de la conférence des développeurs de mai 2023, puis lancée le 6 décembre 2023 en trois tailles : Ultra pour les tâches les plus lourdes, Pro pour un large éventail d'usages, et Nano pour l'exécution directement sur l'appareil. Le point qui nous intéresse ici est technique et documenté : ce premier Gemini a été entraîné sur l'infrastructure interne de Google, en s'appuyant sur les TPU de générations v4 et v5e. Autrement dit, le modèle a été façonné sur le silicium que l'entreprise avait elle-même dessiné.

Cette continuité s'est renforcée avec la génération suivante. Google a indiqué que Gemini 2.0, présenté fin 2024, avait été entraîné et servi à 100 % sur ses propres TPU, notamment la génération Trillium. Le fait est important parce qu'il matérialise le lien : ce n'est pas seulement que Google possède des puces et, par ailleurs, des modèles ; c'est que ses modèles de pointe naissent et fonctionnent sur ses propres puces, sans passer par le circuit d'approvisionnement en processeurs graphiques que la plupart des autres laboratoires doivent emprunter.

Le premier Gemini a été entraîné sur les TPU v4 et v5e ; la génération suivante a été, selon Google, entraînée et servie intégralement sur ses propres puces. Le modèle et le silicium sont dessinés dans la même maison.

Du modèle au produit : la distribution

Reste l'étage le plus visible pour le grand public : les produits. Et c'est peut-être là que la position de Google est la plus difficile à égaler, non pour des raisons techniques, mais de portée. Les modèles Gemini ne vivent pas seulement dans une application dédiée ; ils irriguent des services déjà installés dans le quotidien de milliards de personnes. Les résumés générés par l'IA dans la recherche — les « AI Overviews » — toucheraient de l'ordre de deux milliards d'utilisateurs par mois. L'application Gemini elle-même aurait franchi le cap des 900 millions d'utilisateurs mensuels actifs, selon les chiffres communiqués par Google lors de la conférence Google I/O de mai 2026 — un ordre de grandeur indicatif, appelé à évoluer rapidement. Et Google avance que l'ensemble de ses produits comptant plus de 500 millions d'utilisateurs s'appuie désormais sur des modèles Gemini.

Ces chiffres de portée doivent être maniés avec la prudence qui s'impose : ils émanent souvent de la communication de l'entreprise ou de synthèses de marché, et les ordres de grandeur peuvent varier d'une source à l'autre. Nous les donnons comme tels, en ordres de grandeur. Mais même en les prenant au bas de la fourchette, ils dessinent une réalité difficile à contester : Google dispose d'un canal de distribution pour l'IA que peu d'acteurs peuvent approcher, parce qu'il est adossé à des produits déjà universellement adoptés — moteur de recherche, messagerie, suite bureautique, système d'exploitation mobile.

La lecture : pourquoi la chaîne entière compte plus que ses maillons

Assemblons maintenant les pièces, et j'insiste : ce qui suit est une lecture, que l'on propose, sans la présenter comme la vérité officielle de l'entreprise. La grille tient en une phrase. Ce qui distingue la position de Google, ce n'est pas d'exceller à un étage — d'autres ont d'excellents modèles, d'autres ont d'excellentes puces, d'autres ont d'excellents produits — mais de tenir les trois étages à la fois, et surtout de pouvoir les faire dialoguer entre eux.

Le dirigeant d'Alphabet, Sundar Pichai, a d'ailleurs formulé publiquement cette idée. Il décrit ce qu'il appelle une « pile d'IA optimisée verticalement » comme un facteur clé de la position de l'entreprise, en soulignant que la maîtrise conjointe du silicium, des modèles, des plateformes et des applications lui donne un avantage que ses rivaux ont du mal à répliquer. C'est un fait — Pichai l'a dit. Que ce soit effectivement un avantage décisif, c'est une lecture, et c'est celle que nous examinons ici.

La co-conception matériel-logiciel comme levier

Le premier ressort de cette lecture est technique. Quand une même organisation dessine à la fois la puce et le modèle qui tournera dessus, elle peut les faire converger. On appelle cela la co-conception : au lieu d'adapter un modèle à un processeur générique conçu pour tout le monde, on peut tailler le processeur pour les opérations que le modèle utilise le plus, et inversement ajuster le modèle aux forces de la puce. Plusieurs analyses sectorielles avancent que cette boucle de rétroaction produit un rapport performance-coût que les fournisseurs dépendant d'un approvisionnement externe en processeurs graphiques ont structurellement du mal à égaler sans rogner leurs marges.

L'argument mérite d'être pris pour ce qu'il est : une hypothèse plausible, appuyée sur une logique industrielle connue, mais qui n'est pas une garantie de supériorité en toute circonstance. La co-conception a un revers — elle immobilise des ressources d'ingénierie considérables, elle enferme dans des choix d'architecture, et elle n'a de valeur que si les volumes suivent. Une interprétation possible, donc : la maîtrise conjointe du matériel et du logiciel offre à Google un levier sur ses coûts et sur ses délais, à condition qu'il continue d'alimenter ce cercle avec des volumes suffisants.

• Coûts. Concevoir sa puce permet, en théorie, d'échapper à la marge d'un fournisseur tiers et d'optimiser le rapport performance-coût sur ses propres charges de travail.
• Délais. Ajuster ensemble la puce et le modèle peut raccourcir le chemin entre une idée d'architecture et sa mise en service à grande échelle.
• Approvisionnement. Dépendre moins du marché des processeurs graphiques, très tendu, réduit l'exposition aux pénuries et aux hausses de prix.
• Contrepartie. Cette maîtrise mobilise une ingénierie lourde, fige des choix d'architecture, et ne se rentabilise qu'à l'échelle.

La distribution comme accélérateur silencieux

Le deuxième ressort est commercial, et il est peut-être le plus sous-estimé. Un modèle, aussi bon soit-il, ne vaut que par les mains qui s'en servent. Or Google n'a pas à conquérir un public : il en a déjà un, capté par des produits installés depuis des années. Diffuser un modèle Gemini dans la recherche, la messagerie ou la suite bureautique, c'est le mettre instantanément devant des centaines de millions, voire des milliards d'utilisateurs, sans campagne d'acquisition. Cette portée constitue un avantage qui n'a rien à voir avec la qualité brute du modèle : c'est un avantage de canal.

On peut lire cette distribution comme un accélérateur à double effet. D'un côté, elle génère un usage massif, qui rentabilise l'investissement dans le calcul. De l'autre — et c'est plus subtil —, cet usage produit un signal : les interactions réelles indiquent où les modèles échouent, ce que les gens demandent, comment ils reformulent. Ce retour d'expérience, à cette échelle, est une matière première pour l'amélioration continue. Une interprétation possible : la boucle « produit → usage → amélioration » se referme, et chaque étage nourrit le suivant.

Il faut ici une précaution, importante à l'heure où la protection des données personnelles structure le débat public. Que l'usage produise un signal ne signifie pas que les conversations privées soient librement versées à l'entraînement : les cadres réglementaires, en Europe notamment, encadrent strictement ce que les entreprises peuvent faire des données qu'elles collectent, et les usages diffèrent selon les produits et les consentements. Le signal dont nous parlons est agrégé et statistique — quelles requêtes échouent, quelles fonctions sont adoptées — bien davantage qu'un accès individualisé. La nuance compte : l'avantage de distribution est réel, mais il s'exerce dans un cadre juridique qui en délimite les contours, et le confondre avec une exploitation sans limite serait inexact.

Reste que l'ampleur du canal a une conséquence économique difficile à ignorer. Diffuser un modèle auprès de deux milliards d'utilisateurs de la recherche transforme la nature de la dépense. Un laboratoire spécialiste paie pour acquérir des utilisateurs ; Google, lui, les a déjà, et sa dépense se concentre sur le fait de les servir. Cette asymétrie déplace le centre de gravité des coûts vers le service — vers l'inférence — et éclaire, on va le voir, pourquoi l'étage matériel a récemment pivoté dans cette direction.

Le point de bascule : l'inférence

Un troisième ressort mérite d'être isolé, parce qu'il éclaire pourquoi la stratégie prend tout son sens maintenant. Pendant des années, la course à l'IA s'est jouée sur l'entraînement — construire des modèles toujours plus grands. Mais dès qu'un modèle est déployé auprès de milliards d'utilisateurs, le coût dominant se déplace vers l'inférence : le travail, répété à chaque requête, de faire répondre le modèle. C'est une charge récurrente, directement proportionnelle à l'usage. Et c'est précisément le terrain que Google revendique avec Ironwood, sa puce « pour l'âge de l'inférence ».

La logique se tient : quand on distribue l'IA à l'échelle de la recherche, chaque dixième de centime économisé par requête se multiplie par des milliards. Disposer d'un silicium taillé pour servir les modèles à bas coût, plutôt que loué à prix fort à un fournisseur externe, agit directement sur la marge d'exploitation. On peut donc lire l'arrivée d'Ironwood non comme un simple gain de performance, mais comme l'alignement de l'étage matériel sur la réalité économique de l'étage produit : là où l'argent se dépense vraiment quand des milliards de personnes utilisent un service.

À ce coût de calcul s'ajoute une contrainte que les acteurs du secteur placent désormais au centre de leurs arbitrages : l'énergie. Servir des modèles à très grande échelle consomme une électricité considérable, et l'Agence internationale de l'énergie souligne dans ses travaux la croissance rapide de la demande électrique liée aux centres de données, tirée notamment par l'IA. Dans ce cadre, l'efficacité énergétique d'une puce cesse d'être un détail technique pour devenir un poste économique de premier ordre. Google a mis en avant, pour sa génération Trillium, un gain d'efficacité énergétique par rapport à la précédente ; on peut lire cette insistance comme la reconnaissance d'une évidence : à l'échelle de milliards de requêtes, l'énergie dépensée par réponse pèse autant que le prix de la puce elle-même. Concevoir son silicium, c'est aussi se donner un levier sur cette facture énergétique.

Une interprétation possible, prudente, relie enfin ces fils. Si le coût dominant se déplace vers l'inférence, si l'énergie devient un facteur limitant, et si la maîtrise conjointe de la puce et du modèle permet d'agir sur ces deux postes, alors la position de Google se comprend moins comme une avance ponctuelle que comme une structure de coûts. Ce n'est pas la promesse d'un modèle supérieur à un instant donné ; c'est l'hypothèse d'une capacité à servir l'IA durablement, à grande échelle, sans que chaque requête ne pèse trop lourd. Cette lecture, répétons-le, reste une lecture. Elle a le mérite d'expliquer pourquoi l'entreprise investit autant dans un étage — le silicium — que la plupart de ses rivaux préfèrent externaliser.

Tant que la course portait sur l'entraînement, la question était : qui construit le plus gros modèle ? Dès que l'IA est servie à des milliards d'utilisateurs, la question devient : qui sert chaque réponse au coût le plus bas ? C'est le déplacement que révèle la génération Ironwood.

La mise en perspective : d'autres façons de tenir la chaîne

Cette grille n'aurait pas grand sens sans point de comparaison. Google n'est pas seul, et sa manière de tenir la chaîne n'est qu'une configuration parmi d'autres. Regarder les approches rivales aide à mesurer ce que l'intégration verticale apporte — et ce qu'elle coûte.

Le modèle « spécialiste »

À l'opposé du full-stack, on trouve les laboratoires qui se concentrent sur un seul étage, celui du modèle, et louent tout le reste. Cette approche a une vertu évidente : la concentration. En ne portant ni la charge du silicium ni celle de la distribution grand public, un laboratoire spécialiste peut consacrer l'essentiel de son énergie à la qualité de ses modèles et avancer vite. Sa dépendance à des fournisseurs externes — de puissance de calcul comme de canaux de diffusion — est le prix de cette agilité. C'est un arbitrage différent, pas nécessairement inférieur : tout dépend de ce qu'on cherche à maximiser.

Le modèle « fournisseur d'infrastructure »

Un autre acteur majeur du secteur occupe une position singulière : celle du fournisseur dont les processeurs graphiques équipent presque tout le monde. Sa force est celle d'un standard : ses puces et l'écosystème logiciel qui les entoure sont devenus la référence, ce qui lui confère une position enviable dans la chaîne de valeur. La contrepartie, pour ses clients, est une dépendance — de prix, de disponibilité — à ce fournisseur unique. C'est précisément ce point qui rend l'approche de Google intéressante à comparer : en dessinant ses propres puces, Google cherche moins à concurrencer ce fournisseur sur le marché ouvert qu'à réduire sa propre exposition à lui.

Le signal envoyé par les rivaux qui adoptent le TPU

Un fait récent éclaire la valeur perçue de l'étage matériel de Google, et il est trop parlant pour être passé sous silence. Le laboratoire Anthropic — pourtant concurrent direct de Google sur les modèles — a annoncé un accord d'ampleur avec Google et Broadcom pour sécuriser une capacité de calcul en TPU se comptant en gigawatts, avec une montée en charge à partir de 2027. Les chiffres avancés par la presse (Tom's Hardware, TechCrunch) évoquent une capacité de l'ordre de 3,5 gigawatts supplémentaires — Anthropic elle-même ne chiffre pas précisément l'accord dans sa communication officielle ; il s'agit là encore d'un ordre de grandeur en date d'avril 2026, susceptible d'évoluer. Anthropic conserve par ailleurs une stratégie multi-plateformes, en déployant ses modèles aussi sur d'autres accélérateurs, ce qui limite sa dépendance à un seul fournisseur.

Comment lire ce fait ? Avec prudence, mais il est significatif. Qu'un concurrent choisisse de faire tourner une partie de ses charges sur le silicium de Google suggère que ce silicium a une valeur de marché reconnue au-delà du seul usage interne. Une interprétation possible : l'étage matériel de Google n'est plus seulement un outil captif, il devient un produit que d'autres sont prêts à louer — ce qui, si la tendance se confirme, transformerait un centre de coût en source de revenus. Nous formulons cela comme une hypothèse, car un accord n'est pas une trajectoire, et la diversification revendiquée par Anthropic montre que rien n'est joué.

Étage de la chaîne	Ce que Google maîtrise	Repère factuel public
Silicium	TPU conçus en interne (avec Broadcom en aval)	7 générations depuis 2015 ; Ironwood jusqu'à 9 216 puces / pod
Modèle	Famille Gemini, entraînée sur TPU	Gemini 1.0 (déc. 2023) sur TPU v4/v5e ; Gemini 2.0 « 100 % TPU »
Produit	Diffusion via services grand public	AI Overviews ≈ 2 milliards d'utilisateurs/mois (ordre de grandeur)

Ce que l'intégration ne garantit pas

Pour rester honnête, il faut aussi nommer les limites de la grille. Tenir toute la chaîne n'assure pas d'être le meilleur à chaque étage : un modèle rival peut se montrer plus performant sur telle tâche, une puce concurrente peut dominer tel usage. L'intégration verticale immobilise des capitaux et de l'ingénierie considérables ; elle ne se rentabilise qu'à très grande échelle, et elle expose à un risque d'inertie si l'un des étages prend du retard. Enfin, la portée produit soulève ses propres questions — de concentration, de responsabilité éditoriale, d'encadrement réglementaire — qui débordent le cadre de cette analyse mais qu'il serait malhonnête d'ignorer. La chaîne complète est une force ; elle n'est pas une assurance tous risques.

Ce qu'on peut en retenir

Résumons sans surenchère. Le fait établi est une architecture industrielle rare : Google dessine ses processeurs d'accélération, entraîne ses modèles dessus, et les diffuse à travers des produits déjà universellement adoptés. Cette continuité, du silicium au produit, est réelle et documentée. Elle est même désormais revendiquée par la direction de l'entreprise comme sa singularité principale.

La lecture que l'on peut en tirer — et ce n'est qu'une lecture — est que la valeur de cette position ne réside pas dans l'excellence d'un maillon, mais dans la capacité à faire dialoguer les trois : co-concevoir puce et modèle pour agir sur les coûts et les délais, distribuer à grande échelle pour rentabiliser le calcul et récolter un signal d'usage, et aligner le silicium sur la réalité économique de l'inférence quand des milliards de requêtes se succèdent. C'est cette boucle, plus que n'importe quel chiffre isolé, qui donne sa cohérence à la stratégie.

Faut-il en conclure que la partie est jouée ? Certainement pas, et ce serait trahir la nuance qui a guidé tout ce texte. L'intégration verticale a un coût, des angles morts, et des rivaux qui avancent selon d'autres logiques — le spécialiste concentré, le fournisseur d'infrastructure devenu standard — sans qu'aucune de ces voies ne soit intrinsèquement supérieure. Le fait que des concurrents louent aujourd'hui le silicium de Google est un indice de valeur, pas un verdict. La grille de lecture proposée ici éclaire une logique ; elle ne prédit pas un résultat.

Une dernière fois, pour lever toute ambiguïté : rien de ce qui précède ne constitue une recommandation d'achat, de vente ou de conservation d'un quelconque titre. « Thèse d'investissement » désigne, dans ce texte, une manière d'organiser des faits pour comprendre une position industrielle — pas une invitation à agir sur les marchés. Le lecteur qui cherche à décider d'un placement devra se tourner vers d'autres sources, et vers un conseil qualifié. Notre ambition était plus modeste et, nous l'espérons, plus utile : montrer comment une chaîne complète se lit, et pourquoi, dans le cas de Google, elle mérite d'être regardée d'un seul tenant.

Sources

• Google — « Ironwood: The first Google TPU for the age of inference » (spécifications officielles : 9 216 puces, 42,5 exaflops, 192 Go de mémoire)
• Google — « Introducing Gemini: Google's most capable AI model yet » (lancement de Gemini 1.0, déc. 2023)
• Google — « Google introduces Gemini 2.0 » (entraînement et service sur TPU maison)
• Wikipédia — « Tensor Processing Unit » (historique, TPU v1 2015, caractéristiques, générations)
• Wikipédia — « Gemini (language model) » (annonce mai 2023, TPU v4/v5e, familles Ultra/Pro/Nano)
• The Register — « Broadcom helped Google make those TPU chips » (rôle de Broadcom dans la co-conception)
• CNBC — « Google's decade-long bet on custom chips » (pari silicium, sept générations)
• Benzinga — Sundar Pichai sur la « pile d'IA optimisée verticalement »
• Anthropic — accord avec Google et Broadcom pour de la capacité TPU (multi-plateformes, montée en charge dès 2027)
• Tom's Hardware — « Broadcom to supply Anthropic with 3.5 gigawatts of Google TPU capacity from 2027 » (avril 2026)
• Google — « Google I/O 2026: Sundar Pichai's opening keynote » (Gemini app, 900 millions d'utilisateurs mensuels actifs, mai 2026)
• Agence internationale de l'énergie — « Energy and AI » (croissance de la demande électrique des centres de données tirée par l'IA)