En bref

Google DeepMind est la division IA d’Alphabet, née en avril 2023 de la fusion entre DeepMind (fondé à Londres en 2010) et Google Brain (fondé en 2011). Elle est dirigée par Demis Hassabis, cofondateur originel de DeepMind. L’entité concentre la recherche fondamentale et le déploiement produit sous un même toit, avec un avantage structurel rare dans l’industrie : une infrastructure de calcul propriétaire — les TPU — qui réduit sa dépendance à Nvidia et abaisse ses coûts d’entraînement et d’inférence.

Google DeepMind est à ce jour l’une des trois organisations au monde capables de développer des modèles frontier (avec OpenAI et Anthropic). Sa singularité tient à l’étendue de son portefeuille : de la biologie computationnelle (AlphaFold, Nobel de chimie 2024) aux modèles de langage grand public (Gemini), en passant par des modèles open source destinés aux développeurs (Gemma).

En clair : Google DeepMind se comporte comme un constructeur automobile entièrement intégré à l’ancienne — il fabrique la voiture (Gemini), mais aussi le moteur (les TPU), la chaîne de montage (les datacenters Alphabet) et le réseau de distribution (Search, Android, Workspace, milliards de points de contact). Là où OpenAI achète ses GPU à Nvidia et son cloud à Microsoft, DeepMind contrôle de bout en bout la filière. Cette intégration verticale est lente à mettre en place, mais une fois acquise, elle réduit drastiquement les coûts marginaux et accélère les itérations.

Fiche d’identité

FondationAvril 2023 (fusion) ; DeepMind fondé en 2010
SiègeLondres, Royaume-Uni
Maison mèreAlphabet Inc.
DirigeantDemis Hassabis (CEO)
StatutDivision d’Alphabet (cotée NASDAQ : GOOGL)

Histoire

DeepMind est fondé en 2010 à Londres par Demis Hassabis, Shane Legg et Mustafa Suleyman. Hassabis cumule à cette date trois vies : joueur d’échecs prodige (maître à 13 ans), développeur de jeux vidéo (Theme Park, 1994), chercheur en neurosciences cognitives (PhD UCL, postdoc MIT et Harvard). Le projet initial : construire des systèmes capables d’apprendre à partir de l’expérience brute, sans règles codées en dur.

En 2014, Google acquiert DeepMind pour environ 500 millions de dollars. DeepMind continue d’opérer comme unité relativement autonome depuis le Royaume-Uni, poursuivant un agenda de recherche long terme — AlphaGo (2016), AlphaFold (2020) — pendant que Google Brain, fondé en 2011 par Jeff Dean et Andrew Ng, s’occupe de la recherche appliquée à l’échelle des produits Google.

La coexistence tourne à la redondance coûteuse : Brain développe PaLM et LaMDA, DeepMind développe Gopher et Sparrow — deux familles de LLM concurrentes au sein du même groupe. L’irruption de ChatGPT fin 2022 force la décision. En avril 2023, Alphabet fusionne les deux entités. Demis Hassabis prend la tête de Google DeepMind ; Jeff Dean est promu Chief Scientist d’Alphabet.

En clair : la fusion 2023 résout un problème de plusieurs centaines de millions de dollars par an. Deux laboratoires construisaient en parallèle deux familles de LLM concurrentes — entraînement, infrastructure, équipes dupliquées — sans coordination. ChatGPT déclenche la consolidation : Alphabet décide d’aligner les énergies sur une seule ligne (Gemini) plutôt que de continuer à financer deux trajectoires divergentes.

Modèles et produits

AlphaGo et AlphaFold : la crédibilité scientifique

AlphaGo bat le champion mondial de go Lee Sedol 4 à 1 en 2016 — première victoire d’un système IA sur un expert humain dans un jeu réputé inaccessible aux machines. L’événement établit la crédibilité internationale de DeepMind.

AlphaFold marque un tournant plus durable. AlphaFold 2 (2020) prédit la structure tridimensionnelle des protéines avec une précision inférieure à un angström — comparable aux méthodes expérimentales qui prennent des années et coûtent des millions. En 2024, Demis Hassabis et John Jumper reçoivent le Prix Nobel de chimie pour ces travaux. AlphaFold 3 est rendu disponible pour la communauté scientifique (usage non-commercial) en novembre 2024, puis publiquement en février 2025.

La famille Gemini

Gemini est la ligne de modèles de langage multimodaux de Google DeepMind, lancée fin 2023. Elle se décline en niveaux de puissance (Pro, Flash, Flash-Lite, Nano) selon les usages — du mobile embarqué à l’inférence lourde en datacenter.

Gemini 2.5 Pro et Flash, présentés à Google I/O 2025, marquent un regain de forme reconnu par les observateurs. Fin 2025, Gemini 3 Deep Think atteint le niveau médaille d’or à l’Olympiade internationale de mathématiques (IMO 2025) et excelle en chimie et physique. Gemini 3.1 Pro est disponible depuis le 19 février 2026.

La suite de l’année 2026 montre une divergence de rythme entre les deux branches de la gamme, qu’il faut avoir en tête pour ne pas se tromper de modèle. La branche Pro est restée en 3.1 — Gemini 3.1 Pro et Gemini 3.1 Deep Think sont toujours les modèles de raisonnement lourd au 6 septembre 2026, et Google annonce un « 3.5 Pro à venir ». La branche Flash, elle, a enchaîné les versions : Gemini 3.5, puis 3.6, puis 3.7 en août — trois semaines seulement après la 3.6 — et 3.8 Flash, présenté par Google comme son modèle de travail le plus intelligent pour le code et les agents.

À Google I/O 2026, en mai, Google introduit Gemini Omni, un modèle capable de générer à partir de n’importe quelle entrée — images, audio, vidéo et texte combinés — en commençant par la vidéo. La gamme se complète de modèles spécialisés : Gemini 3.5 Flash-Lite pour le volume, Gemini 3.5 Transcribe pour la reconnaissance vocale, Gemini 3.8 Flash Cyber, Gemini Image, Gemini Audio, Gemini Embedding 2, et Gemini Nano embarqué dans les Pixel 11.

En clair : chez Google, le numéro de version ne dit pas la puissance. En septembre 2026, le modèle le plus « avancé » en numéro est un Flash 3.8, pendant que le raisonnement lourd reste sur un Pro 3.1 plus ancien. Comparer deux modèles Gemini par leur numéro conduit à choisir le mauvais.

Gemma : l’open source

Gemma est la ligne de modèles ouverts de Google DeepMind, pensée pour les développeurs souhaitant déployer localement. Gemma 3 (mars 2025) tourne sur un seul GPU, offre une fenêtre de contexte de 128 000 tokens, supporte plus de 140 langues et prend en charge le texte, les images et la vidéo courte. Des variantes spécialisées complètent le catalogue : TxGemma pour le développement thérapeutique, DolphinGemma pour la recherche sur la communication animale.

Positionnement

L’infrastructure comme différenciateur

L’avantage le plus tangible de Google DeepMind n’est pas un modèle, c’est une puce. Google développe ses TPU (Tensor Processing Units) depuis 2013, déployés en production dès 2015. La septième génération, Ironwood (avril 2025), est optimisée pour l’inférence : 192 Go de mémoire HBM3e, 4 614 TFLOPs par chip, et des configurations Superpod de 9 216 chips atteignant 42,5 Exaflops. À échelle comparable, les TPU seraient environ deux fois moins coûteux que les GPU Nvidia, avec une consommation énergétique inférieure de 67 %.

En 2026, Google annonce la huitième génération et la sépare en deux puces : TPU 8t pour l’entraînement (superpod de 9 600 puces, 2 pétaoctets de mémoire partagée, 121 ExaFLOPS) et TPU 8i pour l’inférence (288 Go de HBM, 384 Mo de SRAM sur puce). Google revendique jusqu’à deux fois la performance par watt d’Ironwood, et 80 % de performance par dollar en plus sur l’inférence. Disponibilité générale annoncée pour la fin de l’année. [chiffres du fournisseur, non validés par un banc indépendant]

Tous les modèles Gemini ont été entraînés sur TPU. Google contrôle à la fois le silicium et la pile logicielle — ce qui lui confère une maîtrise des coûts et une vitesse d’itération que ses concurrents ne peuvent pas reproduire à court terme.

En clair : retenir trois chiffres significatifs sur l’avantage TPU. Coût : environ 2× moins cher par TFLOP qu’un GPU Nvidia équivalent à échelle datacenter. Énergie : 67 % de consommation en moins selon les chiffres Google. Capacité : un Superpod Ironwood agrège 9 216 chips pour atteindre 42,5 Exaflops — l’équivalent de plusieurs supercalculateurs nationaux concentrés sur une seule charge d’entraînement. Le différenciateur n’est pas un benchmark publié, c’est la possibilité de mobiliser ce capacité interne sans ouvrir un ticket Nvidia ou attendre qu’un concurrent libère ses GPU.

Intégration dans l’écosystème Google

La stratégie de déploiement de Google DeepMind diffère structurellement de celle d’OpenAI (qui construit son audience via ChatGPT) ou d’Anthropic (centré sur l’entreprise). Google distribue ses modèles via des milliards de points d’entrée existants : Search, Android, Google Workspace, Google Translate. Cela supprime le coût d’acquisition d’audience.

La limite est symétrique : Google DeepMind est tributaire des arbitrages produit d’Alphabet. Les décisions d’intégration dépendent d’agendas qui dépassent la seule logique IA — réglementation, publicité, stratégie cloud.

Forces et limites

Forces : infrastructure propriétaire (TPU), portée mondiale via l’écosystème Google, crédibilité scientifique établie (Nobel, AlphaFold), capacités multimodales natives, portefeuille open source (Gemma).

Limites : revenus Gemini non divulgués séparément (opacité financière), dépendance aux décisions d’Alphabet, démarrage tardif sur le marché des assistants conversationnels face à ChatGPT, tension historique entre culture de recherche fondamentale (DeepMind) et impératifs de déploiement rapide (Brain).

Ce qu’il faut retenir

  • Google DeepMind est l’acteur le plus intégré verticalement de la course à l’IA : du silicium (TPU) aux modèles frontier (Gemini) en passant par la recherche fondamentale (AlphaFold).
  • Sa force n’est pas une rupture technologique isolée, mais une combinaison d’assets — infrastructure, distribution, profondeur scientifique — difficile à répliquer.
  • Les TPU donnent à Google un avantage de coût et de vitesse d’itération structurel sur l’entraînement et l’inférence.
  • Son défi principal est de transformer cet avantage structurel en leadership perçu sur le marché des modèles de langage, face à l’avance culturelle d’OpenAI.