Recherche plus produit : comment DeepMind fait circuler la science vers Gemini

Il existe, dans l'histoire récente de l'intelligence artificielle, une image qui revient souvent : celle du laboratoire de recherche et de l'usine à produits comme deux mondes séparés. D'un côté, des chercheurs qui publient des articles primés et repoussent les frontières de la science. De l'autre, des équipes produit qui livrent des applications utilisées par des milliards de personnes. Google DeepMind occupe une position singulière, parce que ces deux mondes y partagent de plus en plus le même toit. Depuis la fusion de Google Brain et de DeepMind en une entité unique en avril 2023, le laboratoire cherche à faire circuler ses découvertes fondamentales — AlphaFold, AlphaEvolve, AlphaProof — vers l'écosystème grand public de Gemini, et inversement à nourrir sa recherche des modèles qui font tourner ses produits. Cet article propose une lecture de cette dynamique : ce qu'elle contient de vérifiable, ce qu'elle révèle des choix industriels d'un grand acteur de l'IA, et ce qu'on peut raisonnablement en retenir sans céder ni à l'idéalisation ni au scepticisme.

Le constat : une entreprise, deux héritages

Commençons par les faits établis. Le 20 avril 2023, Alphabet annonce la fusion de deux de ses laboratoires d'intelligence artificielle historiquement distincts — DeepMind, acquis en 2014, et Google Brain, l'équipe interne à l'origine de nombreux travaux fondateurs de l'apprentissage profond. La nouvelle structure s'appelle Google DeepMind, et Demis Hassabis, cofondateur de DeepMind, en prend la direction. Jeff Dean, qui pilotait Google Brain, devient scientifique en chef de l'ensemble d'Alphabet et de Google DeepMind. L'objectif affiché est clair : rassembler des efforts jusque-là fragmentés pour construire des systèmes plus capables, plus rapidement, et de façon responsable.

Cette réorganisation n'est pas un simple ajustement d'organigramme. Elle réunit sous une même autorité deux cultures : l'une, celle de DeepMind, ancrée dans la recherche fondamentale et les grands défis scientifiques (le jeu de Go, le repliement des protéines) ; l'autre, celle de Brain, plus proche de l'infrastructure de Google et de ses produits à très grande échelle. Le pari implicite consiste à tirer parti des deux : que la recherche de pointe alimente les produits, et que l'échelle industrielle des produits donne à la recherche des moyens et des terrains d'application inédits.

Sur le versant recherche, le palmarès est documenté. En octobre 2024, Demis Hassabis et John Jumper reçoivent le prix Nobel de chimie, partagé avec David Baker de l'université de Washington, pour leurs travaux sur la prédiction de la structure des protéines. Le comité récompense AlphaFold, ce système capable de prédire la forme tridimensionnelle d'une protéine à partir de sa séquence d'acides aminés. C'est, selon plusieurs analyses de presse scientifique, la première fois qu'une découverte scientifique rendue possible par l'intelligence artificielle est distinguée par un prix Nobel. AlphaFold a permis de prédire la structure de plus de 200 millions de protéines — soit, à peu de choses près, l'ensemble de celles séquencées à ce jour.

Sur le versant produit, l'échelle est tout aussi vérifiable. Gemini, la famille de modèles de Google, alimente aujourd'hui la recherche, l'application mobile éponyme, les aperçus générés dans les résultats de recherche et une gamme croissante de services. La question qui structure cet article n'est donc pas de savoir si DeepMind fait de la bonne recherche, ni si Google sait distribuer des produits à grande échelle — les deux sont établis. La question est de savoir comment, concrètement, l'un nourrit l'autre.

AlphaFold, cas d'école d'une découverte qui devient outil

AlphaFold offre le premier fil à tirer, parce qu'il illustre un mouvement en plusieurs temps : une percée de recherche, puis sa transformation en outil largement diffusé. En 2020, AlphaFold 2 remporte l'édition CASP14, la compétition de référence en prédiction de structures protéiques, avec des résultats jugés d'une précision proche de l'expérimental. En mai 2024, DeepMind publie AlphaFold 3, qui ne se contente plus de replier des protéines isolées : il prédit comment ces structures interagissent avec d'autres molécules — ions, acides nucléiques, petites molécules de type médicament. Ce saut ouvre la modélisation d'interactions utiles à la conception de traitements.

Le point intéressant pour notre lecture est la diffusion. AlphaFold n'est pas resté un trophée de laboratoire. La base de données de structures a été mise à disposition de la communauté scientifique, et selon le bilan de recherche publié par Google en décembre 2025, AlphaFold a été utilisé par plus de trois millions de chercheurs dans plus de 190 pays, dont plus d'un million d'utilisateurs dans des pays à revenu faible ou intermédiaire. On tient là une première forme de circulation : de la recherche vers un outil accessible à d'autres chercheurs, à une échelle planétaire.

Une découverte fondamentale ne prend sa pleine valeur que lorsqu'elle devient un instrument entre les mains d'autres personnes que ses inventeurs. AlphaFold en est une démonstration concrète, mesurée en millions d'utilisateurs.

Il faut toutefois rester précis sur ce que ce cas prouve et ne prouve pas. AlphaFold illustre le passage de la recherche à un outil scientifique diffusé. Il n'est pas, en lui-même, un composant de l'application grand public Gemini. Le lien avec l'écosystème produit se joue à un autre niveau : celui de la crédibilité scientifique, de l'attraction des talents et de la démonstration qu'un même laboratoire peut à la fois publier dans les meilleures revues et livrer des systèmes robustes. C'est une circulation indirecte, plus culturelle qu'architecturale — et il est honnête de la présenter comme telle.

D'AlphaFold à un médicament : la circulation la plus ambitieuse

Il existe un prolongement d'AlphaFold qui pousse la logique de circulation à son extrême : le passage de la prédiction de structures à la conception effective de médicaments. En 2021, DeepMind a essaimé une entreprise dédiée, Isomorphic Labs, basée à Londres et fondée par Demis Hassabis, sous l'ombrelle d'Alphabet. Sa mission déclarée est d'appliquer l'intelligence artificielle à la découverte de traitements. AlphaFold 3, publié en mai 2024 conjointement par DeepMind et Isomorphic, y trouve un débouché direct : selon les publications associées, il apporte une amélioration de l'ordre de 50 % de la précision des prédictions d'interactions protéine-molécule par rapport aux méthodes antérieures, et double même cette précision dans plusieurs catégories.

Ce que fait Isomorphic de cette capacité relève d'une circulation d'un genre nouveau : concevoir de nouvelles petites molécules et de nouveaux produits biologiques visant des protéines longtemps jugées difficiles à cibler, avec une concentration sur l'oncologie et l'immunologie. Le modèle économique s'appuie sur des partenariats pharmaceutiques d'ampleur : début 2024, l'entreprise a signé avec Eli Lilly et Novartis des accords assortis de paiements d'étape pouvant approcher, cumulés, les trois milliards de dollars — de l'ordre de 1,745 milliard côté Lilly et de 1,237 milliard côté Novartis, selon la presse spécialisée. L'entreprise a par ailleurs levé 600 millions de dollars pour financer son développement.

Passer d'un système qui prédit la forme d'une protéine à une entreprise qui conçoit des candidats-médicaments : c'est la forme la plus aboutie que peut prendre la circulation d'une découverte de laboratoire vers un usage concret.

Ce cas appelle une prudence particulière, et il faut le dire nettement. Les partenariats et les levées de fonds sont des faits vérifiables ; l'efficacité thérapeutique finale ne l'est pas encore. Concevoir une molécule prometteuse ne garantit pas un traitement approuvé : le chemin des essais précliniques puis cliniques est long, incertain et jonché d'échecs, y compris pour les meilleures approches. Présenter Isomorphic comme la preuve qu'AlphaFold « produit des médicaments » serait donc prématuré. La formulation juste consiste à dire qu'AlphaFold a ouvert une voie de recherche appliquée dont les résultats cliniques restent à établir. C'est une circulation en cours, pas une circulation accomplie — et c'est précisément ce qui la rend intéressante à observer.

AlphaEvolve, quand la recherche optimise l'infrastructure qui fait tourner les produits

Le cas d'AlphaEvolve est plus direct, et c'est probablement le plus éclairant pour comprendre la boucle recherche-produit. Point de vigilance d'emblée, parce que le nom est récent et peut prêter à confusion : AlphaEvolve est bien réel. DeepMind l'a présenté le 14 mai 2025 comme un agent de codage évolutif alimenté par les modèles Gemini. Son principe combine la créativité des modèles de langage et des évaluateurs automatiques qui vérifient chaque proposition, le tout dans un cadre évolutif qui fait progresser les meilleures idées de génération en génération.

Concrètement, AlphaEvolve associe deux modèles Gemini aux rôles complémentaires : Gemini Flash, rapide et efficace, maximise l'ampleur des idées explorées, tandis que Gemini Pro apporte la profondeur d'analyse et les suggestions les plus fines. Cette architecture illustre déjà une première direction de circulation : les modèles produits (Gemini) deviennent le moteur d'un outil de recherche appliquée. Mais c'est ce que fait AlphaEvolve qui referme la boucle.

Des résultats mesurés sur l'infrastructure de Google

Selon DeepMind, AlphaEvolve a découvert une heuristique qui récupère en moyenne 0,7 % des ressources de calcul de Google à l'échelle mondiale. Le chiffre paraît modeste en pourcentage, mais rapporté à la flotte de centres de données d'une entreprise de cette taille, il représente une quantité considérable de capacité machine libérée en continu. Autre résultat marquant : AlphaEvolve a accéléré de 23 % un composant essentiel de l'architecture de Gemini, ce qui s'est traduit par une baisse de 1 % du temps d'entraînement de Gemini. Là, le mouvement est explicite : un outil de recherche améliore directement la fabrication du modèle produit.

La liste des contributions vérifiables s'étend à d'autres registres :

• Une réécriture en Verilog d'un circuit arithmétique pour un futur processeur tensoriel (TPU), supprimant des bits superflus tout en préservant la correction fonctionnelle — soit une contribution à la conception du matériel lui-même.
• Un algorithme pour multiplier deux matrices complexes 4×4 en 48 multiplications scalaires, améliorant l'algorithme de Strassen qui datait de 1969 — un résultat de mathématiques appliquées.
• Sur plus de cinquante problèmes ouverts en mathématiques et en informatique, une re-découverte de l'état de l'art dans environ 75 % des cas et une amélioration des meilleures solutions connues dans environ 20 % des cas, dont une nouvelle borne inférieure en dimension 11 pour le problème du nombre de baisers (kissing number).

Ce faisceau de résultats dessine une boucle assez nette. Les modèles Gemini, nés de la ligne produit, alimentent un agent de recherche ; cet agent optimise le matériel, les algorithmes et les processus d'entraînement ; ces optimisations bénéficient à leur tour à Gemini et à l'infrastructure qui distribue les produits. On peut lire AlphaEvolve comme l'incarnation la plus tangible de la thèse portée par ce texte : chez cet acteur, la frontière entre laboratoire et usine s'estompe au profit d'un cycle où chaque avancée en nourrit une autre.

« Un agent de codage capable de proposer des algorithmes que des ingénieurs humains n'avaient pas trouvés, puis de les voir déployés dans les centres de données qui font tourner les produits : c'est la définition même d'une boucle où la recherche et l'exploitation se renforcent. »

Une nuance s'impose, encore une fois par honnêteté. Le chiffre de 0,7 % de compute récupéré ou celui de 23 % d'accélération d'un kernel proviennent de la communication de DeepMind ; ils sont crédibles et documentés dans une publication technique associée, mais ils n'ont pas fait l'objet d'un audit indépendant à ma connaissance. Les présenter comme des faits rapportés par l'entreprise, plutôt que comme des vérités absolues, fait partie de la rigueur due au lecteur.

Du raisonnement mathématique de compétition au produit grand public

Une troisième voie de circulation mérite l'attention : celle du raisonnement. En juillet 2024, DeepMind présente AlphaProof, associé à une version adaptée d'AlphaGeometry, capable d'atteindre à l'Olympiade internationale de mathématiques (IMO) un niveau équivalent à celui d'un médaillé d'argent, en combinant les catégories du concours. Détail important pour notre propos : le modèle de langage pré-entraîné utilisé dans cette combinaison est un modèle Gemini affiné pour traduire automatiquement des énoncés en langage naturel vers des énoncés formels. Autrement dit, le socle produit sert de brique à un système de recherche en démonstration mathématique.

La circulation ne s'arrête pas là. Les capacités de raisonnement avancé, éprouvées dans ces compétitions, se retrouvent ensuite dans les produits. Le bilan de recherche de Google pour 2025 décrit une fonctionnalité de raisonnement approfondi (Deep Think) capable de résoudre des problèmes exigeant une abstraction poussée, avec des performances de niveau médaille d'or dans deux compétitions internationales. Ces avancées de raisonnement ont ensuite renforcé les modèles Gemini livrés au public. On tient là une circulation à double sens particulièrement lisible : un modèle produit alimente un système de recherche, dont les progrès reviennent enrichir le modèle produit.

Il serait excessif d'en conclure que toute capacité de raisonnement de Gemini descend directement d'AlphaProof — l'entraînement des grands modèles agrège de très nombreuses sources et techniques. La formulation prudente consiste à dire que la recherche sur le raisonnement formel et la ligne produit se sont mutuellement irriguées, sans prétendre reconstituer une filiation technique exacte que seule l'entreprise pourrait détailler.

La mécanique concrète d'une boucle qui tient

Décrire une boucle vertueuse est facile ; comprendre pourquoi elle tient demande de regarder sa mécanique. Trois ressorts, tous vérifiables dans les cas précédents, expliquent que la circulation ne se disperse pas en promesses.

Des évaluateurs automatiques comme garde-fou

Le premier ressort est la vérification. AlphaEvolve ne se contente pas de laisser un modèle de langage proposer du code : chaque proposition passe par des évaluateurs automatiques qui mesurent objectivement sa qualité. Sans ce filtre, les suggestions créatives d'un modèle resteraient trop peu fiables pour être déployées sur une infrastructure critique. On peut lire ce détail comme la clé de voûte de la boucle : c'est la capacité à vérifier automatiquement un résultat qui autorise à l'industrialiser. Ce principe explique aussi pourquoi certains domaines se prêtent mieux que d'autres à cette dynamique — les mathématiques, l'optimisation d'algorithmes ou la conception de circuits offrent des critères de succès mesurables, là où des tâches plus subjectives résistent davantage à l'automatisation.

Le partage d'un socle de modèles commun

Le deuxième ressort est l'existence d'un socle partagé. Que le même modèle Gemini serve à la fois de moteur à AlphaEvolve, de brique de traduction formelle à AlphaProof et de produit grand public réduit les frictions de passage. Une amélioration du socle bénéficie simultanément à la recherche et au produit ; réciproquement, un progrès obtenu par la recherche appliquée peut être réinjecté dans le socle. Cette mutualisation est un choix d'architecture autant qu'un choix d'organisation, et elle distingue une entreprise intégrée d'un ensemble d'équipes travaillant sur des piles techniques séparées.

La maîtrise du matériel

Le troisième ressort est la maîtrise du matériel. Concevoir ses propres processeurs tensoriels (TPU) permet à la recherche d'agir jusque sur la couche physique : la réécriture Verilog proposée par AlphaEvolve pour un futur TPU n'aurait aucun sens pour une entreprise qui ne conçoit pas ses puces. Cette intégration jusqu'au silicium referme la boucle au niveau le plus profond de la pile technologique. On peut y voir une explication supplémentaire de la robustesse du dispositif : la circulation ne s'arrête pas aux logiciels, elle descend jusqu'au matériel qui les exécute.

Ces trois ressorts, pris ensemble, dessinent une réponse à une question que l'on se pose souvent devant les annonces spectaculaires du domaine : qu'est-ce qui sépare une démonstration d'un système réellement utile ? La réponse tient moins à la puissance brute des modèles qu'à l'existence de critères de vérification, d'un socle mutualisé et d'une maîtrise de la pile complète. C'est une leçon d'ingénierie autant que de stratégie.

WeatherNext, ou la science directement branchée sur les produits

S'il fallait un exemple où la recherche scientifique atterrit sans détour dans des produits utilisés au quotidien, WeatherNext l'offre. Développé conjointement par Google DeepMind et Google Research, WeatherNext 2 est présenté comme le modèle de prévision météorologique le plus avancé de l'entreprise. Chaque prédiction se calcule en moins d'une minute sur un seul TPU, là où les modèles physiques traditionnels demanderaient des heures de supercalculateur. Le modèle génère des prévisions jusqu'à huit fois plus rapidement, avec une résolution pouvant descendre à l'heure.

Le point décisif est la destination de ces prévisions. Selon la communication de Google, WeatherNext 2 alimente les prévisions météo dans la recherche, dans Gemini, dans Pixel Weather et dans les services de cartographie de l'entreprise. Une avancée issue de la recherche scientifique se retrouve donc, presque immédiatement, dans des produits consultés par un très grand nombre d'utilisateurs. Le bilan de recherche 2025 évoque même une couverture de plus de deux milliards de personnes dans 150 pays pour les alertes de crues fluviales, un domaine connexe où la modélisation par apprentissage automatique a été mise au service d'un usage à fort impact humain.

Une prévision météo consultée sur un téléphone, calculée en moins d'une minute par un modèle né d'un laboratoire de recherche : c'est peut-être l'illustration la plus quotidienne de la circulation science-produit.

WeatherNext confirme un motif récurrent : lorsque la recherche produit un système à la fois plus rapide et suffisamment fiable, l'entreprise dispose déjà des canaux de distribution pour le porter à des milliards de personnes. C'est précisément là que réside l'avantage structurel d'un acteur qui héberge sous le même toit la recherche fondamentale et une infrastructure produit planétaire.

La lecture : une logique industrielle, pas un miracle

Que révèle l'ensemble de ces cas, lus ensemble ? Une grille d'interprétation possible — parmi d'autres — est celle d'une logique industrielle assumée, où l'intégration verticale devient un atout compétitif. Détaillons cette lecture, en la présentant pour ce qu'elle est : une interprétation, pas une vérité gravée.

Une intégration verticale de la découverte à la distribution

On peut lire la trajectoire de Google DeepMind comme une tentative d'intégrer toute la chaîne : la recherche fondamentale (AlphaFold, le raisonnement formel), les outils qui optimisent l'infrastructure (AlphaEvolve), les modèles socles (Gemini) et les canaux de distribution grand public (recherche, application, cartographie). Chaque maillon renforce les autres. La recherche donne de la crédibilité et attire les talents ; les modèles produits fournissent la matière première aux outils de recherche ; ces outils optimisent le matériel et les coûts ; et l'infrastructure permet de distribuer les fruits de tout cela à très grande échelle. Cette lecture explique pourquoi la fusion de 2023 avait une cohérence stratégique au-delà de la simple économie de moyens.

Des arbitrages réels, rarement mis en avant

Cette même intégration comporte des arbitrages qu'une lecture honnête ne peut passer sous silence. Faire circuler la recherche vers le produit suppose de choisir ce qui mérite d'être industrialisé et ce qui reste au stade exploratoire. Toute la recherche ne devient pas un produit, et c'est heureux : certaines découvertes valent pour la connaissance qu'elles apportent, sans débouché commercial immédiat. Concentrer les efforts sous une direction unique peut accélérer certaines transitions, mais soulève aussi la question de la diversité des paris : un laboratoire très aligné sur une feuille de route produit risque de privilégier les recherches à retombée rapide au détriment des explorations plus lointaines. Il n'existe pas de réponse simple à cet équilibre, et les observateurs extérieurs n'ont qu'une visibilité partielle sur la façon dont il est tranché en interne.

La circulation n'est pas automatique

Un troisième point tempère l'enthousiasme : la circulation de la recherche vers le produit n'a rien de mécanique. Entre une percée de laboratoire et son déploiement à l'échelle, il y a un long travail d'ingénierie, de fiabilisation, de mise en conformité et d'adaptation aux contraintes réelles. AlphaEvolve illustre bien ce point : ses résultats sur l'infrastructure supposent des évaluateurs automatiques capables de vérifier chaque proposition, faute de quoi les suggestions d'un modèle de langage resteraient inexploitables en production. La qualité de la boucle tient autant à ces garde-fous qu'à la créativité des modèles. C'est un rappel utile : ce qui fait la valeur de cette dynamique, ce n'est pas la magie de l'IA, mais la discipline d'ingénierie qui l'encadre.

La mise en perspective : d'autres façons de faire circuler la science

La boucle recherche-produit n'est pas l'apanage d'un seul acteur, et la mettre en perspective aide à éviter l'idéalisation. D'autres laboratoires et entreprises ont adopté des configurations différentes, avec leurs forces et leurs limites propres.

Certains acteurs privilégient une organisation où la recherche est plus resserrée autour d'objectifs produits, avec des cycles courts et une intégration très serrée entre les équipes. D'autres, à l'inverse, maintiennent une recherche plus ouverte, publient largement et laissent la communauté s'emparer des résultats. Le modèle académique classique, lui, sépare nettement la production de connaissances et son éventuelle exploitation commerciale, confiée à des tiers. Chacune de ces approches répond à des priorités distinctes : la vitesse d'industrialisation, l'ouverture scientifique, ou l'indépendance de la recherche.

Percée de recherche	Année	Circulation vers le produit / l'usage
AlphaFold 2 (CASP14)	2020	Base de structures ouverte à la communauté scientifique
AlphaFold 3	2024	Interactions protéines-molécules ; base de la découverte de traitements (Isomorphic Labs)
AlphaProof / AlphaGeometry (IMO)	2024	Modèle Gemini affiné comme brique ; raisonnement reversé vers Gemini
AlphaEvolve	2025	Optimisation infrastructure, matériel TPU, entraînement de Gemini
WeatherNext 2	2025	Prévisions dans la recherche, Gemini, Pixel Weather, cartographie

Ce panorama comparatif suggère qu'il n'existe pas de configuration idéale et universelle. L'intégration verticale de Google DeepMind offre une vitesse de mise à l'échelle remarquable et une capacité à réinvestir les gains d'infrastructure dans la recherche elle-même. En contrepartie, elle concentre les décisions et lie plus étroitement la recherche aux impératifs produits. Une organisation plus ouverte favorise la fertilisation croisée avec le reste de la communauté, mais peut peiner à transformer ses découvertes en systèmes déployés. Le bon compromis dépend de ce qu'on cherche à maximiser, et il serait présomptueux de désigner un vainqueur définitif.

Le rôle de l'échelle

Un facteur distingue néanmoins l'acteur étudié ici : l'échelle de son infrastructure. Récupérer 0,7 % du compute mondial n'a de sens que pour une entreprise dont la flotte de calcul est immense ; optimiser le matériel TPU suppose de concevoir ce matériel ; distribuer une prévision météo à des milliards d'utilisateurs exige des canaux déjà en place. Cette échelle crée un cercle où les gains marginaux, minuscules en pourcentage, produisent des retombées absolues considérables. On peut y voir une explication structurelle de la solidité de la boucle : elle repose moins sur un génie particulier que sur la rencontre entre une recherche de qualité et une infrastructure hors norme.

Ce qu'on peut en retenir

Au terme de ce décryptage, quelques enseignements se dégagent, formulés avec la prudence qui convient à une analyse de stratégie d'entreprise.

Premièrement, la boucle recherche-produit chez Google DeepMind n'est pas un slogan : elle s'appuie sur des cas vérifiables. AlphaFold a diffusé une découverte scientifique à des millions de chercheurs ; AlphaEvolve a optimisé l'infrastructure et l'entraînement des modèles avec des chiffres précis rapportés par l'entreprise ; le raisonnement issu des compétitions mathématiques a irrigué les produits ; WeatherNext a porté la science directement dans des services quotidiens. Ces exemples ne relèvent pas de la promesse mais de réalisations documentées, même si certaines mesures restent celles communiquées par l'entreprise.

Deuxièmement, cette dynamique tient autant à l'organisation et à l'échelle qu'à la qualité de la recherche. La fusion de 2023, la conception maison du matériel, l'existence de canaux de distribution planétaires : ce sont ces conditions structurelles qui permettent à une découverte de devenir rapidement un outil, puis un produit. On peut lire là une leçon plus générale sur l'innovation contemporaine en intelligence artificielle : la valeur ne naît pas seulement de l'idée, mais de la capacité à la faire circuler jusqu'à l'usage.

Troisièmement, il convient de garder une distance critique. Une boucle vertueuse pour une entreprise n'est pas nécessairement optimale pour l'ensemble de l'écosystème de recherche. La concentration des moyens, l'alignement de la recherche sur des objectifs produits, la visibilité partielle qu'ont les observateurs extérieurs sur les arbitrages internes : autant de raisons de saluer les résultats sans en faire un modèle indépassable. La pluralité des approches — recherche ouverte, laboratoires académiques, autres configurations industrielles — reste précieuse pour la vitalité du domaine.

• Une circulation réelle et mesurée : les cas d'AlphaEvolve, d'AlphaFold, du raisonnement mathématique et de WeatherNext montrent des passages concrets de la recherche vers l'usage.
• Une condition d'échelle : les gains marginaux ne prennent leur sens qu'à la mesure d'une infrastructure hors norme.
• Des arbitrages assumés : intégrer la chaîne accélère la mise à l'échelle mais concentre les choix.
• Une prudence nécessaire : plusieurs chiffres proviennent de l'entreprise et méritent d'être présentés comme tels.

Reste, au fond, une image que cet article a voulu rendre lisible : celle d'un laboratoire qui refuse de choisir entre la science et le produit, et qui parie sur la circulation permanente de l'une vers l'autre. C'est un pari cohérent, servi par des résultats tangibles et une infrastructure exceptionnelle. Ce n'est pas, pour autant, la seule manière de faire avancer l'intelligence artificielle — et c'est précisément parce que d'autres voies existent que le domaine reste ouvert, vivant, et digne d'être observé avec autant de curiosité que de discernement.

Sources

• Google DeepMind — AlphaEvolve: A Gemini-powered coding agent for designing advanced algorithms (14 mai 2025)
• Wikipedia — AlphaEvolve (résultats : compute 0,7 %, kernel Gemini 23 %, matrices 4×4, kissing number)
• Google DeepMind — Demis Hassabis & John Jumper awarded Nobel Prize in Chemistry (2024)
• Wikipedia — AlphaFold (AlphaFold 3, mai 2024 ; 200 millions de structures)
• Google — 2025 research breakthroughs (AlphaFold 3M chercheurs, Deep Think, WeatherNext, crues)
• Google — WeatherNext 2 (prévisions 8× plus rapides, intégration produits)
• Wikipedia — Google DeepMind (fusion Brain + DeepMind, 20 avril 2023 ; AlphaProof / IMO 2024)
• Wikipedia — Isomorphic Labs (spin-off DeepMind, AlphaFold 3, partenariats Eli Lilly et Novartis)