Intelligence artificielle
Le Gemini de Google mène-t-il désormais la course à l’IA ?
Ajouter Securities.io à vos sources préférées sur Google
Le développement de la technologie IA a été à juste titre décrit comme une course, avec des startups privées comme OpenAI et Anthropic qui rivalisent côte à côte avec des géants technologiques comme Microsoft (MSFT ) et Google (GOOGL ). Cette course a été alimentée par des centaines de milliards de dollars d’investissements, non seulement dans le développement logiciel, mais aussi dans d’énormes dépenses en capital pour construire des centres de données IA toujours plus grands et plus gourmands en énergie afin d’entraîner les derniers modèles.
Parallèlement, les modèles chinois progressent également rapidement, ajoutant un sentiment d’urgence et une concurrence géopolitique aux efforts des entreprises occidentales.
Récemment, il semble que le Gemini de Google prenne de l’avance sur ses concurrents, notamment avec le lancement de Gemini 3 Deep Think, un modèle axé sur une compréhension réaliste non seulement des langues mais aussi du monde physique. De plus, Google a également été choisi par Apple (AAPL ) pour alimenter l’IA des appareils de la société et progresse dans le domaine de la fabrication de puces IA.
Gemini 3 Deep Think: Qu’est‑ce qui a changé?
Sortie de Deep Think
Avec la sortie le 12 févrierth, 2026, de Gemini 3 Deep Think, Google a franchi une étape décisive en passant des IA principalement axées sur la recherche et le langage (LLM) vers des IA plus généralistes capables de comprendre le monde physique.
C’est un développement important, car « Physical AI » est la direction que prend l’industrie, une tendance que nous avons explorée plus en détail dans « Physical AI: Investing in the 2026 Humanoid Robot Boom ».
Pour l’instant, le nouveau Deep Think est disponible dans l’application Gemini pour les abonnés Google AI Ultra et, pour la première fois, via l’API Gemini pour certains chercheurs, ingénieurs et entreprises, rendant cette IA déjà disponible commercialement, et pas seulement en modèle de test.
Maths & Sciences d’abord
Ce qui distingue Deep Think des itérations précédentes de Gemini, et dans une certaine mesure des autres IA également, est une focalisation sur la compréhension mathématique.
Les LLM sont notoirement mauvais dans les tâches mathématiques simples, échouant parfois même à des additions basiques ou à compter dans l’ordre. Ce n’est pas le cas de Deep Think, qui a permis à des agents spécialisés de mener des explorations mathématiques de niveau recherche. Le modèle surpasse largement les autres modèles aux tests de mathématiques et de sciences. Il excelle également dans les tâches de codage.
Source: Google
La différence avec Gemini Pro Preview est encore plus marquée sur les tests portant sur des sujets scientifiques, tels que les Olympiades internationales de mathématiques ou de chimie, où il a obtenu environ 82 %, contre seulement 14 % pour le test de mathématiques du précédent modèle LLM de Google.
Source: Google
Ces résultats ont été rendus possibles grâce à une architecture radicalement différente des « IA classiques », qui souffrent d’hallucinations lorsque les données sont trop rares, ce qui sera, par définition, toujours le cas pour les dernières découvertes scientifiques.
Par exemple, pour les mathématiques pures, un agent de recherche mathématique (nom de code interne Aletheia), alimenté par Gemini Deep Think, possède un vérificateur en langage naturel pour identifier les défauts des solutions candidates. Il permet un processus itératif de génération et de révision des solutions. Crucialement, cet agent peut admettre un échec à résoudre un problème, une fonctionnalité clé qui a amélioré l’efficacité pour les chercheurs.
Source: Google
Cette approche n’est pas seulement plus puissante pour fournir les bons résultats, elle est également plus efficace, comme l’a démontré Aletheia, montrant qu’une qualité de raisonnement supérieure peut être obtenue avec une moindre puissance de calcul lors de l’inférence.
L’approche peut être étendue des mathématiques à d’autres sciences physiques. Par exemple, Gemini Deep Think a découvert comment utiliser « une solution novatrice avec les polynômes de Gegenbauer » pour calculer le rayonnement gravitationnel provenant de cordes cosmiques.
Applications scientifiques réelles
Cette performance se traduit déjà en utilisations scientifiques réelles par les chercheurs.
Par exemple, la mathématicienne Lisa Carbone de l’Université Rutgers a utilisé Deep Think pour découvrir une faille logique qui avait échappé aux examinateurs humains dans un article mathématique hautement technique sur la théorie de la gravité d’Einstein et la mécanique quantique.
Deep Think a également été utilisé par le laboratoire Wang de l’Université Duke pour concevoir une méthode de croissance de films minces semi-conducteurs de plus de 100 micromètres, un objectif auparavant difficile à atteindre.
Distribution, Matériel & Dynamique stratégique
La réussite de Deep Think s’ajoute à d’autres bonnes nouvelles pour l’équipe IA de Google.
Le plus important a été la décision d’Apple, le seul géant technologique qui s’est largement tenu à l’écart de la course à l’IA, d’adopter Gemini comme IA par défaut sur les appareils Apple. Dans ce contexte, il est logique qu’OpenAI ait déclaré en décembre 2025 un « Code Red » concernant les progrès de Google et d’autres entreprises d’IA également.
« La base d’utilisateurs de Gemini a augmenté depuis le lancement en août d’un générateur d’images, Nano Banana, et Google a indiqué que les utilisateurs actifs mensuels sont passés de 450 millions en juillet à 650 millions en octobre.
OpenAI subit également la pression d’Anthropic, qui gagne en popularité auprès des clients professionnels.
Un autre des récents succès de Google est la réussite de ses puces IA. D’abord, c’est Anthropic qui a annoncé qu’elle commencerait à utiliser les puces IA de Google, appelées TPUs (Tensor Processing Units), incluant l’utilisation de jusqu’à 1 million de processeurs pour alimenter son logiciel IA. Maintenant, la société IA concurrente Meta rejoint également l’utilisation des TPUs de Google, soulevant la question de savoir si Google devient un concurrent de Nvidia (NVDA ) autant que d’OpenAI.
(Vous pouvez en savoir plus sur les TPUs et autres matériels axés sur l’IA comme les XPUs, FPGAs, etc., dans « Investing in AI Hardware: From CPUs to XPUs »)
Alphabet’s AI Strategy: Intégration verticale à grande échelle
Glissez pour faire défiler →
| Entreprise | Cible du modèle | Stratégie matérielle | Contrôle de la distribution | Intégration verticale |
|---|---|---|---|---|
| Alphabet | Gemini 3 Deep Think (Mathématiques/Science) | TPUs internes | Android + Search + Routage potentiel Apple | Pile complète (Puces → Cloud → Consommateur) |
| Microsoft/OpenAI | Modèles GPT (LLM général) | GPU Nvidia via Azure | Windows + SaaS d’entreprise | Partiel |
| Meta | Llama (Poids ouvert) | GPU + Silicium personnalisé | Plateformes sociales | Modéré |
| Anthropic | Claude (Focus entreprise) | TPUs Google | API + Offres d’entreprise | Faible |
L’accent mis sur les TPUs est un bon indicateur de la stratégie de Google. Des LLM solides comme Gemini et des performances supérieures dans des applications réelles comme Deep Think sont, bien sûr, très importants.
Mais c’est dans le contrôle de la distribution de l’IA et dans la structure de coûts + l’accès au capital que Google détient une position solide.
La présence de Google sur le marché mobile via Android est déjà forte, mais avec l’accord avec Apple, cela garantit presque que la plupart des requêtes IA qui ne sont pas spécifiquement dirigées vers une application IA donnée iront vers Gemini, directement ou indirectement.
L’autre composante est la dépendance croissante aux TPUs. Certains rapports indiquent que les TPUs sont environ 30 % moins chers que les GPU Nvidia et offrent 2 à 4 fois de meilleures performances par dollar pour des charges de travail comparables. La moindre consommation d’énergie pour le même calcul n’est pas seulement une question financière ; elle aide également à faire évoluer les centres de données IA malgré les contraintes croissantes d’approvisionnement énergétique.
Enfin, le niveau d’intégration verticale — commençant par les TPUs, aux centres de données directement détenus, à une plateforme cloud d’entreprise, puis à un canal de distribution grand public — est inégalé dans l’industrie, seul Microsoft s’en approchant quelque peu dans le secteur de l’entreprise.
Enfin, la mise en place de l’infrastructure IA a été extraordinairement coûteuse. Ces centaines de milliards de dollars investis dans les puces et les centres de données doivent maintenant être remboursés et engendrent d’énormes coûts d’amortissement sur le bilan chaque année à venir. L’ampleur des flux de trésorerie d’Alphabet provenant de la recherche, de YouTube, d’Android et d’autres produits lui permet de mieux absorber à la fois les coûts initiaux et l’entretien futur de cette infrastructure.
Gemini prend‑il réellement de l’avance?
Déclarer un « vainqueur » de la course à l’IA est certainement prématuré. Par exemple, le paradigme actuel pourrait être renversé si les centres de données orbitaux du xAI/Space désormais fusionné s’avèrent être un avantage concurrentiel fort.
Mais il semble que quelques tendances émergent et vont dans le sens de Google.
La première est le besoin de matériel IA spécialisé, un domaine où de nombreux géants technologiques accusent du retard, offrant un avantage aux fabricants de puces et à Google.
L’autre est l’importance du contrôle de la distribution pour le grand public, qui n’est peut‑être pas très conscient de l’IA qu’il peut ou doit utiliser. À cet égard, l’accès direct à l’ensemble de l’écosystème Apple reflète la stratégie précédente consistant à faire de Google le moteur de recherche par défaut sur les iPhones (qui a même entraîné des décisions antitrust américaines fin 2025, car c’était « trop bénéfique »).
Avec la puissance de Deep Think en mathématiques et en sciences, Google connaît un excellent départ en 2026 en matière d’IA. Reste à voir si cette position de leader sera maintenue longtemps face aux contre‑attaques d’OpenAI, Microsoft, Meta, Anthropic et d’une myriade de modèles chinois — y compris ceux de géants technologiques chinois comme Alibaba (BABA ) ou ByteDance.
