Gemini 1.0 : Google mise sur une IA nativement multimodale

Le 6 décembre 2023, Google vient de lever le voile sur Gemini 1.0, présenté comme son modèle le plus vaste et le plus ambitieux à ce jour. La particularité annoncée ne tient pas seulement à sa taille, mais à sa conception : là où la plupart des systèmes actuels ont d'abord appris à lire du texte, puis ont reçu la vision comme une greffe, Gemini a été, selon les mots de Google, « conçu dès le départ pour être multimodal ». Autrement dit, texte, code, image, son et vidéo ne sont pas des entrées ajoutées après coup, mais des matériaux appris ensemble, dans un même mouvement. Cet article revient sur ce moment précis : ce que Gemini 1.0 est réellement, le contexte qui l'a fait naître, ce qu'il pourrait faire bouger, et les perspectives qu'il ouvre.

L'idée qu'un assistant puisse à la fois écouter une consigne parlée, examiner une photographie et raisonner sur un extrait de code s'installe peu à peu dans le débat public. Cette montée en évidence masque, comme souvent, un basculement de méthode. Jusqu'à cette annonce de décembre 2023, la multimodalité relève le plus souvent d'un assemblage : un modèle de texte auquel on adjoint un module de vision. Gemini propose une autre voie, celle d'un système pensé d'emblée pour croiser les modalités. Comprendre ce choix éclaire la trajectoire que le domaine pourrait suivre.

Un mot de méthode avant d'entrer dans le détail, car cette histoire comporte un épisode qui appelle une lecture posée. Autour du lancement de Gemini a circulé une vidéo de démonstration spectaculaire, dont il est vite apparu qu'elle avait été montée et mise en scène. Ce point sera dit clairement et sans détour, parce qu'il fait partie de l'histoire et parce que la rigueur l'exige. Les dates, les tailles de modèle, les scores et les citations rapportés ici proviennent de l'annonce officielle de Google, du rapport technique publié par Google DeepMind, de la presse technologique reconnue et des pages de référence encyclopédiques. Ce qui est établi sera présenté comme tel ; ce qui relève de la nuance sera signalé comme tel.

Ce que c'était : une famille de modèles multimodale par conception

Le 6 décembre 2023, Sundar Pichai, directeur général de Google, et Demis Hassabis, à la tête de Google DeepMind, annonçaient conjointement Gemini 1.0. La présentation insistait sur un mot : multimodal. Google le formulait ainsi dans son billet d'annonce : le modèle avait été « conçu dès le départ pour être multimodal », capable de « généraliser et de comprendre, manipuler et combiner sans couture différents types d'information, dont le texte, le code, l'audio, l'image et la vidéo ». Cette phrase résume l'intention technique du projet.

La distinction peut sembler subtile ; elle est structurante. Beaucoup de systèmes antérieurs traitaient l'image en la convertissant d'abord vers une représentation compatible avec un modèle de texte, comme si l'on faisait dialoguer deux spécialistes par l'intermédiaire d'un traducteur. Gemini, lui, avait été pré-entraîné dès l'origine sur plusieurs modalités à la fois. L'ambition affichée : que la compréhension du son, de l'image ou de la vidéo ne soit pas un ajout tardif, mais une compétence native, apprise dans le même geste que le langage.

À gauche, un modèle de texte auquel on ajoute des modules spécialisés via un traducteur. À droite, un système unique où texte, image, audio, vidéo et code entrent directement et sont appris ensemble dès l'entraînement.

Trois tailles pour trois usages

Gemini 1.0 ne se présentait pas comme un modèle unique, mais comme une famille déclinée en trois formats, pensés pour des contextes d'exécution différents. Google les décrivait de la manière suivante :

Gemini Ultra — « notre modèle le plus grand et le plus capable pour les tâches très complexes », destiné aux usages les plus exigeants en raisonnement.
Gemini Pro — « notre meilleur modèle pour passer à l'échelle sur un large éventail de tâches », taillé pour un déploiement large et polyvalent.
Gemini Nano — « notre modèle le plus efficient pour les tâches sur l'appareil », conçu pour fonctionner directement sur un téléphone, sans dépendre du réseau.

Cette gradation répondait à une intuition simple : toutes les tâches ne réclament pas la même puissance. Résumer une note vocale sur un smartphone n'exige pas la même artillerie qu'un raisonnement scientifique en plusieurs étapes. En proposant d'emblée trois échelles, Google reconnaissait que l'utilité d'un modèle tient autant à son adéquation au contexte qu'à sa performance brute. Nano, en particulier, incarnait un pari sur l'exécution locale : faire tourner une intelligence artificielle capable sur l'appareil lui-même, au plus près de l'utilisateur.

La hauteur décroissante des encadrés symbolise la gradation de puissance. Ultra vise les tâches de raisonnement les plus exigeantes ; Nano tient dans un smartphone.

Un socle d'entraînement à grande échelle

Sur le plan de l'infrastructure, Google indiquait avoir entraîné Gemini sur ses propres processeurs spécialisés, les TPU des générations v4 et v5e — des puces conçues pour l'apprentissage automatique à très grande échelle. À l'occasion de l'annonce, l'entreprise dévoilait également une nouvelle génération, le Cloud TPU v5p, présenté comme son système le plus performant et le plus extensible pour ce type de calcul. Ce détail n'est pas anecdotique : la capacité à concevoir ses propres puces d'entraînement constituait, pour Google, un levier d'autonomie face à un secteur où l'accès au calcul devenait un facteur déterminant.

Des résultats annoncés sur les tests de référence

Pour situer les capacités de Gemini Ultra, Google a publié une série de résultats sur les tests académiques usuels, ces batteries d'épreuves qui servent à comparer les modèles entre eux. Le chiffre le plus commenté concernait le MMLU, un examen couvrant cinquante-sept disciplines, des mathématiques au droit en passant par la médecine. Sur ce test, Gemini Ultra atteignait, selon Google, un score de 90,0 %, devenant « le premier modèle à surpasser les experts humains » sur cette épreuve, dont le seuil de référence humain était fixé à 89,8 %.

Gemini est le résultat d'efforts collaboratifs de grande ampleur menés à travers Google. Conçu dès le départ pour être multimodal, il peut généraliser et comprendre, manipuler et combiner sans couture différents types d'information, dont le texte, le code, l'audio, l'image et la vidéo.
— Google, annonce de Gemini, 6 décembre 2023

Ce résultat de 90,0 % mérite une lecture attentive, et c'est le rôle de cette chronique que de l'apporter. Le score dépassait celui de l'état de l'art d'alors — GPT-4, à 86,4 % sur le même test — et franchissait pour la première fois la barre du niveau d'expert humain retenu par les auteurs du benchmark. Google précisait que Gemini Ultra dépassait l'état de l'art sur 30 des 32 tests académiques les plus utilisés. Sur le versant multimodal, le modèle obtenait un score de 59,4 % sur le MMMU, un test plus récent évaluant le raisonnement conjoint sur le texte et l'image dans des domaines variés.

À retenir. Avec 90,0 % au MMLU, Gemini Ultra devenait le premier modèle à franchir le seuil de référence humain (89,8 %) sur ce test — dépassant GPT-4 (86,4 %). Mais ce score reposait sur une technique de sollicitation élaborée (raisonnement sur plusieurs pistes avant de répondre). Comparé à GPT-4 à protocole identique, l'écart se resserrait. Un benchmark mesure une performance sur un format précis : il n'est pas un brevet de compétence professionnelle.

Ce que ces chiffres disent, et ce qu'ils ne disent pas

Un test de référence mesure une performance sur un format donné, dans des conditions définies. Il ne garantit pas qu'un modèle « comprend » une discipline comme le ferait un praticien formé. La leçon vaut pour tous les systèmes, et elle est au cœur de la manière dont ce média lit les mesures : un score élevé sur le MMLU signale une capacité réelle à traiter des questions d'examen à choix multiples, non un brevet de compétence professionnelle. Google elle-même invitait à la mesure sur ce point, en rappelant que la méthode de calcul des scores influait sur les résultats et en documentant les protocoles employés.

Il faut aussi noter une asymétrie de comparaison souvent relevée par la suite. Le score de 90,0 % de Gemini Ultra reposait sur une technique de sollicitation élaborée, où le modèle était invité à raisonner sur plusieurs pistes avant de trancher. Comparé à GPT-4 dans des conditions strictement identiques, l'écart se resserrait. Ce genre de précision ne retire rien à la performance ; il rappelle simplement qu'un chiffre isolé se lit toujours avec son protocole. La valeur d'un test tient à ce qu'il compare des choses comparables, et c'est cette exigence qui rend les benchmarks utiles plutôt que décoratifs.

Pour donner une vue d'ensemble, Google avait publié les résultats de Gemini Ultra sur plusieurs familles de tests, en les mettant en regard de l'état de l'art d'alors. Au-delà du MMLU, le modèle était évalué sur des épreuves de raisonnement, de mathématiques, de code et de compréhension multimodale. Le tableau ci-dessous rassemble quelques repères tels que rapportés par le laboratoire, à lire comme des résultats annoncés dans les conditions qu'il a définies, non comme des vérités absolues.

Test (résultats annoncés par Google)	Gemini Ultra	Ce que le test évalue
MMLU	90,0 %	Connaissances sur 57 disciplines (droit, médecine, mathématiques…)
MMMU	59,4 %	Raisonnement conjoint texte et image, plusieurs domaines
GSM8K	94,4 %	Problèmes de mathématiques de niveau scolaire
HumanEval	74,4 %	Génération de code à partir d'une consigne
Tests académiques dépassés	30 sur 32	Part des grands tests où Ultra devançait l'état de l'art

Sources : annonce Gemini (Google, 6 décembre 2023) et rapport technique de Google DeepMind. Résultats tels que rapportés par Google, sur des protocoles définis par le laboratoire.

Ce panorama appelle une remarque de fond, propre à cette chronique. Un chiffre élevé sur une épreuve de mathématiques scolaires ne signifie pas qu'un modèle raisonne comme un mathématicien ; il indique qu'il résout un type de problème formaté d'une certaine manière. De même, un score sur un test de génération de code mesure la capacité à produire de courtes fonctions correctes, non à mener un projet logiciel de bout en bout. Ces nuances ne diminuent pas la valeur des résultats de Gemini Ultra, qui étaient réels et remarquables pour l'époque. Elles invitent seulement à lire chaque score pour ce qu'il est : un repère sur une compétence précise, non une note globale d'intelligence. C'est cette lecture décomposée qui permet de suivre les progrès réels sans se laisser porter par un seul nombre spectaculaire.

Le contexte : une réorganisation interne et une course engagée

Gemini 1.0 n'est pas né dans le vide. Son annonce s'inscrit dans une séquence dense, marquée par une réorganisation majeure au sein de Google et par une compétition qui s'était brusquement intensifiée. Pour saisir la portée du moment, il faut le replacer dans son fil.

La fusion de Google Brain et de DeepMind

Le 20 avril 2023, Alphabet — la maison mère de Google — annonçait la réunion de ses deux grands laboratoires d'intelligence artificielle, Google Brain et DeepMind, au sein d'une entité unique baptisée Google DeepMind, placée sous la direction de Demis Hassabis. Jusque-là, ces deux équipes menaient des recherches en partie parallèles : DeepMind, connue pour ses travaux sur l'apprentissage par renforcement et pour des systèmes comme AlphaGo, et Google Brain, à l'origine de nombreuses avancées fondatrices, dont l'architecture Transformer qui sous-tend l'essentiel des grands modèles de langage actuels.

Cette fusion n'était pas un simple ajustement d'organigramme. Elle visait à concentrer les talents, les ressources de calcul et les méthodes au service d'un objectif commun. Gemini fut le premier grand projet issu de cette réunion des forces, ce qui explique la charge symbolique dont il était investi : il devait démontrer que le rassemblement des deux laboratoires produisait des résultats à la hauteur des attentes. Demis Hassabis a d'ailleurs raconté par la suite que la fusion avait poussé l'ensemble à retrouver une cadence de travail proche de celle d'une jeune entreprise, en combinant la culture de recherche de DeepMind et les moyens de calcul hérités de Brain.

Une réponse attendue à GPT-4

L'autre élément de contexte tient à la compétition. Un an plus tôt, fin novembre 2022, le lancement de ChatGPT avait révélé au grand public la puissance des assistants conversationnels. En mars 2023, OpenAI avait franchi une nouvelle marche avec GPT-4, capable de lire du texte et des images, et devenu la référence à battre. Google, longtemps perçu comme le pionnier de la recherche en intelligence artificielle, se trouvait dans une position inhabituelle : celle de devoir prouver qu'il pouvait rivaliser sur le terrain des modèles génératifs grand public.

Gemini arrivait donc chargé d'une double attente. Il devait, d'une part, égaler ou dépasser GPT-4 sur les mesures de référence — ce que Google mit en avant avec le score du MMLU. Il devait, d'autre part, incarner une approche distinctive, un angle propre à Google. Cet angle fut la multimodalité native. Là où les concurrents avaient d'abord bâti des modèles de texte, Google revendiquait un système pensé pour les modalités multiples dès sa conception. C'était une manière de ne pas seulement rattraper, mais de proposer une différence de nature, pas seulement de degré.

La transition que nous vivons en ce moment avec l'IA sera la plus profonde de notre vie, bien plus vaste que le passage au mobile ou au web.
— Sundar Pichai, directeur général de Google, 6 décembre 2023

La démonstration : une mise en scène qu'il faut nommer

Aucun récit honnête de Gemini 1.0 ne peut faire l'économie de cet épisode. Il illustre une distinction essentielle, celle qui sépare une capacité réelle de la manière dont on la présente. Le dire clairement, sereinement, sans en faire une affaire morale, relève précisément de la rigueur que cette chronique s'impose.

Ce que montrait la vidéo

Le jour de l'annonce, Google diffusait une vidéo intitulée « Hands-on with Gemini », qui connut une large diffusion. On y voyait, semblait-il, une conversation fluide et en temps réel entre une personne et le modèle : une main dessinait un canard, Gemini le commentait au fil du trait ; on lui présentait des objets, il réagissait à voix haute, avec un naturel confondant ; on jouait à « pierre-feuille-ciseaux », il devinait le jeu. L'ensemble donnait l'impression d'un assistant percevant le monde en direct et répondant instantanément, par la voix, à ce qu'il voyait.

Ce qui s'est réellement passé

Dès le lendemain, des interrogations émergèrent, relayées notamment par la journaliste Parmy Olson pour l'agence Bloomberg. Interrogé, un porte-parole de Google a reconnu que la vidéo n'avait pas été réalisée en temps réel ni à la voix. En réalité, le modèle avait été sollicité à partir d'images fixes extraites de séquences, accompagnées de consignes écrites ; les échanges vocaux entendus dans la vidéo avaient été ajoutés ensuite. La fluidité apparente de la conversation résultait donc d'un montage : les temps de réponse avaient été raccourcis, et les réponses elles-mêmes abrégées.

La description accompagnant la vidéo sur la plateforme de partage comportait bien une mention indiquant que, « pour les besoins de cette démonstration, la latence a été réduite et les sorties de Gemini ont été abrégées ». Mais cet avertissement, discret et absent de la vidéo elle-même, ne suffisait pas à corriger l'impression d'ensemble d'une interaction spontanée et parlée.

La vidéo de démonstration de Google des capacités multimodales de Gemini n'a pas été réalisée en temps réel ni à la voix ; le modèle avait été alimenté avec des images fixes et sollicité par des consignes écrites.
— Synthèse d'après le compte rendu de Parmy Olson (Bloomberg), 7 décembre 2023

La part de vrai qu'il faut rétablir

Il serait injuste, et inexact, de conclure que les capacités montrées étaient fictives. Google DeepMind précisa que les réponses présentées correspondaient à des résultats que le modèle produisait effectivement à partir des consignes et des images qu'on lui soumettait. Autrement dit, Gemini savait bien reconnaître un dessin de canard, commenter une scène ou raisonner sur une suite d'images. Ce qui avait été arrangé, c'était la mise en scène de l'interaction : la vitesse, la voix, l'apparence d'un dialogue continu et immédiat.

La leçon est double. D'un côté, les compétences multimodales de Gemini sont réelles et vérifiables ; l'architecture native tient ses promesses sur le fond. De l'autre, la présentation a exagéré la fluidité de l'expérience, créant un écart entre le ressenti suggéré et l'usage effectif du moment. Cet épisode devrait nourrir une exigence salutaire, qui gagnerait à être partagée dans le secteur : distinguer nettement une capacité brute d'une démonstration soignée, et documenter les conditions d'une démonstration lorsqu'elle a été retouchée. La confiance, en matière d'intelligence artificielle, se construit sur cette clarté.

À retenir. La vidéo « Hands-on with Gemini » n'était ni en temps réel ni à la voix : le modèle traitait des images fixes avec des consignes écrites, et la fluidité parlée fut ajoutée au montage. Mais les capacités démontrées — reconnaissance d'objets, raisonnement sur des séquences d'images — étaient réelles. La leçon tient en une distinction : une capacité brute vérifiable d'un côté, une mise en scène arrangée de l'autre. L'une n'annule pas l'autre.

Ce que ça a changé : la multimodalité comme point de départ

Au-delà de la controverse sur la vidéo, l'apport de Gemini 1.0 se mesure à ce qu'il a installé dans le paysage. Trois effets méritent d'être développés : l'affirmation de la multimodalité native comme approche, l'intégration immédiate dans les produits, et le pari de l'exécution sur l'appareil.

La multimodalité native, un choix d'architecture assumé

En revendiquant un modèle conçu d'emblée pour croiser les modalités, Google posait une orientation qui allait devenir un standard. L'idée sous-jacente est intuitive : un système qui apprend le langage, l'image et le son dans un même mouvement pourrait tisser entre eux des liens plus profonds qu'un assemblage de modules spécialisés. Un tel modèle ne se contente pas de décrire une image puis d'en parler ; il raisonne, en principe, sur le texte et l'image conjointement, comme deux faces d'une même compréhension.

Cette approche n'était pas la seule possible, et le débat sur la meilleure voie vers la multimodalité reste ouvert. Mais Gemini a donné du poids à l'option native, en montrant qu'un grand modèle pouvait être entraîné de cette manière à l'échelle industrielle et atteindre les meilleurs scores du moment. Les générations suivantes, chez Google comme ailleurs, ont largement suivi cette direction, faisant de la capacité à manipuler plusieurs types d'information un attendu de base plutôt qu'une option.

Une intégration produit immédiate

Gemini ne fut pas présenté comme une prouesse de laboratoire réservée aux chercheurs, mais comme une technologie destinée à irriguer rapidement les produits de Google. Dès le 6 décembre 2023, l'assistant conversationnel Bard commençait à utiliser une version affinée de Gemini Pro, pour un raisonnement, une planification et une compréhension plus poussés. C'était la manière la plus directe, pour le public, d'éprouver le nouveau modèle.

Google annonçait par ailleurs que Gemini Ultra, la variante la plus puissante, alimenterait un service baptisé Bard Advanced, prévu pour le début de l'année à venir, et serait mise à disposition des développeurs. Cette double perspective — un assistant grand public d'un côté, un accès pour les créateurs d'applications de l'autre — traduisait une volonté de diffusion large. Un modèle enfermé dans une démonstration touche un cercle restreint ; un modèle intégré aux produits et ouvert aux développeurs peut se répandre dans une multitude d'usages.

Le pari de l'exécution locale avec Nano

L'élément le plus original de l'annonce tenait peut-être à Gemini Nano. Cette version, la plus légère, était conçue pour fonctionner directement sur un smartphone, sans passer par des serveurs distants. Le téléphone Pixel 8 Pro de Google fut le premier appareil à l'embarquer, pour des fonctions comme le résumé d'enregistrements vocaux dans l'application dédiée ou des suggestions de réponses dans la messagerie.

Ce choix pointait vers une tendance de fond. Exécuter un modèle sur l'appareil présente des atouts concrets : les données peuvent être traitées localement, sans transiter par le réseau, ce qui sert la confidentialité ; le traitement reste possible hors connexion ; et la latence s'en trouve réduite pour certaines tâches. Nano montrait qu'une part de l'intelligence artificielle pouvait descendre au plus près de l'utilisateur, dans sa poche, plutôt que de résider uniquement dans de grands centres de données. Cette idée d'une intelligence répartie, entre le nuage et l'appareil, s'est depuis affirmée comme un axe de développement à part entière.

À retenir. Gemini Nano sur Pixel 8 Pro illustrait trois avantages concrets de l'exécution locale : confidentialité (les données ne transitent pas par le réseau), fonctionnement hors connexion et latence réduite. L'intelligence ne réside plus uniquement dans le cloud : elle se répartit entre les centres de données et l'appareil de poche.

Les perspectives : une famille qui pourrait mûrir vite

Au moment de son annonce, Gemini 1.0 se présente comme le point de départ d'une trajectoire, plus que comme un aboutissement. La version initiale n'est ni la plus aboutie ni la plus rapide qu'on puisse imaginer ; elle pose des fondations. Ce que Google laisse entendre pour la suite viserait à corriger ses fragilités et à prolonger ses intuitions. Rien n'est encore livré au-delà de cette première version, et il convient de parler ici au conditionnel, à partir de ce que l'entreprise a effectivement annoncé et de ce que la logique du projet suggère.

Des variantes à venir déjà annoncées

Google ne cache pas que Gemini 1.0 n'est qu'une première étape. La variante la plus puissante, Gemini Ultra, n'est d'ailleurs pas encore ouverte au grand public le jour de l'annonce : l'entreprise indique qu'elle achève des vérifications de sûreté et qu'elle la mettra à disposition au début de l'année qui vient, notamment à travers un service annoncé sous le nom de Bard Advanced. Cette montée en puissance progressive dessine déjà un premier jalon : la famille devrait s'étoffer par le haut, en rendant accessible le modèle le plus capable après une phase de tests.

Au-delà, on peut raisonnablement s'attendre à ce que Google prolonge deux axes qu'il met en avant. D'une part, l'affinage des trois tailles Ultra, Pro et Nano, chacune pouvant gagner en qualité et en efficience au fil des mises à jour. D'autre part, une diffusion élargie : l'entreprise annonce vouloir intégrer Gemini à un nombre croissant de ses produits et services, du moteur de recherche à ses outils pour développeurs. Ces intentions ne préjugent pas des performances futures, mais elles tracent une direction cohérente avec l'ambition affichée.

Les limites que les prochaines versions devraient viser

Une lecture attentive de Gemini 1.0 laisse deviner les chantiers naturels des versions suivantes. Le premier concerne la fluidité de l'interaction en temps réel : la controverse sur la vidéo de démonstration, sur laquelle on revient plus loin, montre précisément l'écart entre une capacité réelle et une expérience conversationnelle immédiate. On peut penser que rendre l'échange plus rapide et plus naturel, à la voix, figurera parmi les objectifs à court terme.

Le deuxième chantier probable touche à la quantité d'information que le modèle peut embrasser d'un seul tenant. Comme tous les grands modèles de son temps, Gemini 1.0 traite un volume de texte borné à chaque requête. Élargir cette capacité, pour lui permettre de raisonner sur des documents plus longs sans les découper, constituerait une amélioration attendue par de nombreux usages professionnels. De même, l'usage d'outils externes — la faculté de mobiliser une recherche ou d'exécuter du code au sein d'une réponse — pourrait s'affirmer comme une direction de développement, dans la continuité de ce que le secteur explore.

Ces perspectives restent, à ce stade, des hypothèses raisonnées. Elles découlent de ce que Gemini 1.0 fait déjà bien et de ce qu'il ne fait pas encore, non d'annonces fermes sur des versions ultérieures. La prudence commande de les présenter comme telles : des directions plausibles, à confirmer par ce que Google livrera effectivement.

De Bard au modèle : une articulation à clarifier

L'articulation entre le modèle Gemini et l'assistant Bard soulève, dès l'annonce, une question de lisibilité. Bard commence à s'appuyer sur une version affinée de Gemini Pro, tandis que la marque Gemini désigne la famille de modèles elle-même. Cette coexistence de deux noms — l'un pour l'assistant grand public, l'autre pour la technologie sous-jacente — pourrait évoluer vers plus de simplicité à mesure que la gamme se précisera. Il est trop tôt pour dire quelle forme prendra cette clarification ; on peut seulement noter que la cohabitation de plusieurs appellations appelle, tôt ou tard, une mise en ordre.

Élément annoncé le 6 décembre 2023	État à l'annonce	Perspective suggérée
Gemini Pro dans Bard	Disponible dès l'annonce	Diffusion progressive dans d'autres produits Google
Gemini Nano sur Pixel 8 Pro	Premières fonctions sur l'appareil	Extension possible à d'autres tâches et appareils
Gemini Ultra	Vérifications de sûreté en cours	Ouverture annoncée pour le début de l'année suivante (Bard Advanced)
Accès développeurs	Annoncé	Mise à disposition prévue pour construire des applications

Sources : annonce Gemini (Google, 6 décembre 2023). Éléments annoncés et perspectives présentées au conditionnel, sans préjuger des livraisons futures.

Une lecture à chaud : le socle plutôt que le sommet

Au lendemain de son annonce, Gemini 1.0 se lit comme un point de départ structurant. Il ne clôt pas une histoire ; il en ouvre un chapitre, celui d'une intelligence artificielle pensée dès l'origine pour croiser les modalités, et déclinée en formats couvrant tout le spectre des usages, de la puce d'un téléphone aux serveurs les plus puissants. La suite reste à écrire, mais la dynamique affichée — approfondir tour à tour la qualité, la diffusion et la fluidité — paraît cohérente avec l'ambition de départ.

Ce qui frappe, à chaud, c'est la coexistence de deux enseignements. D'un côté, une avancée technique solide : la multimodalité native, portée à l'échelle industrielle, avec des résultats de référence au niveau des meilleurs du moment. De l'autre, une leçon de communication, née de la vidéo mise en scène : la nécessité de distinguer une capacité réelle de sa présentation, et de documenter les conditions d'une démonstration. Ces deux enseignements ne s'annulent pas ; ils cohabitent, et c'est en les tenant ensemble qu'on lit justement cet épisode.

Reste la valeur d'exemple de Gemini pour la manière d'évaluer les modèles. En communiquant sur un score record au MMLU, Google popularise une façon parlante de résumer une capacité. Cette approche a ses vertus pédagogiques — un chiffre se retient — et ses limites, que cette chronique tient à rappeler. Un test mesure une performance sur un format précis, souvent à choix multiples, dans des conditions maîtrisées. Il ne dit rien de la capacité à exercer un métier, à naviguer dans l'incertitude ou à rendre compte d'un raisonnement. La communauté gagnerait à affiner ses méthodes de comparaison, en soignant l'équité des protocoles. Gemini est, à cet égard, un révélateur : il montre la puissance et les angles morts de l'évaluation par tests.

Le 6 décembre 2023 restera comme le jour où Google a affirmé une conviction : celle d'une intelligence artificielle qui comprend le monde par plusieurs canaux à la fois, texte, image, son et code réunis. La démonstration qui l'accompagne s'est révélée trop belle pour être fidèle, et il faut le dire. Mais l'orientation qu'elle porte, elle, mérite d'être prise au sérieux. Ni sommet indépassable, ni simple étape, Gemini 1.0 se présente comme le socle à partir duquel une famille de modèles pourrait se construire, au service d'usages toujours plus polyvalents — à condition, comme toujours, de garder à l'esprit ce qu'une mesure démontre et ce qu'elle laisse de côté.

Cinq questions pour vérifier que vous avez saisi l'essentiel — au-delà des chiffres.