
S'excuser auprès de Gemini, veuillez respecter la file d'attente.
Auteur : iFanr

Aujourd'hui, le prestigieux institut de recherche sur les semi-conducteurs et l'IA, SemiAnalysis, a publié sur X une image présentant un « formulaire spécial d'excuses à Google » adressé au président de Google DeepMind, Demis Hassabis.

La case « Raison » a été cochée pour des motifs tels que « Je n'ai lu que les publications sur X », « Mon colocataire qui travaille chez Anthropic m'a convaincu que Gemini était fini » et « Je n'ai pas lu la fiche technique du modèle ». La ligne la plus intéressante est la dernière : « Demis, nous nous sommes trompés concernant Gemini 4. Nous voulons simplement retirer un mot. »
Ils ont barré le verbe « is » dans leur titre initial : « Gemini is cooked ». L'expression « Gemini c'est foutu » a laissé place à « Cette fois-ci, Gemini a vraiment produit quelque chose de concret ».

Tout est parti d'un article publié par SemiAnalysis en août dernier, dont le propos principal était que depuis sa courte période de leadership en novembre dernier, Google n'avait sorti aucun modèle stimulant, se trouvant presque en retard dans la course.
À l'époque, ils avaient analysé que plusieurs membres de l'équipe d'apprentissage par renforcement de DeepMind avaient quitté l'entreprise, et que les ressources informatiques internes n'étaient pas bien réparties, aboutissant à un diagnostic sévère à l'égard de Google : si les choses continuent ainsi, Google continuera bien sûr de publier des modèles, mais ses chances de revenir au sommet du secteur auront « chuté à zéro ».
Moins de deux mois après la publication du rapport, Google a annoncé Gemini 4 Argon, suivi en fin octobre par Carbon, puis Hydrogen le 12 novembre et Neon le 18. En seulement huit jours, trois modèles sont sortis en succession, dont Carbon qui se plaçait alors en tête du classement des capacités globales d'Artificial Analysis.

Figure : page de sélection des modèles sur ai.studio
Ces nouveaux modèles ont reçu un accueil très positif sur les réseaux sociaux. Hydrogen, axé sur la vitesse Flash, excelle dans le traitement rapide des tâches de rédaction et de développement logiciel complexes ; le modèle le plus intelligent, Carbon, est quant à lui spécialisé dans les tâches d'agent long terme ; enfin, Neon, situé entre les deux, allie rapidité et intelligence, faisant sans doute du modèle à la capacité globale la plus complète de la série Gemini 4.
Sur X, des commentaires du type « Gemini 4 Neon est complètement fou », « Gemini 4 Neon est en réalité encore plus fou qu'on ne le pense » ou « Gemini 4 Neon résout toutes les frustrations antérieures aux modèles Gemini » recueillent massivement les likes des utilisateurs.

Aujourd'hui, le chercheur de Google DeepMind Arthur Douillard a posté sur X que l'équipe avait imprimé cet article critique, placé sur son bureau comme rappel quotidien. Il a reconnu que certains problèmes existaient bien à l'époque et a tenu à remercier SemiAnalysis pour l'impulsion que ce rapport leur a donnée.
Je tiens à remercier @SemiAnalysis_ pour cette impulsion. Au sein de l'équipe d'extension RL de Gemini, nous avons imprimé cet article et l'avons posé sur notre bureau pour nous rappeler quotidiennement la réalité de l'époque. Mais le monde change. :)

Par la suite, SemiAnalysis a partagé le post de Douillard et a également affiché une photo du papier rempli : il s'agissait précisément du « formulaire d'excuses à Google » mentionné en introduction.
Quelques heures plus tard, Hassabis a repris ce post avec humour en acceptant les excuses, tout en soulignant plaisamment qu'ils avaient oublié de cocher la case « Sous-estimation des experts de Google DeepMind ».
En réalité, bien avant que le compte officiel de l'institution ne publie cette image mémétique, Dylan Patel, coauteur du « rapport baissier d'août », avait déjà présenté des excuses publiques à Google à titre personnel, après la sortie des tests sur Gemini 4 Carbon.

Entre la déconfiture publique signalée par un institut de référence début août et le retour en haut des classements grâce au lancement consécutif de quatre modèles de la série Gemini 4 en quelques semaines mi-novembre, quelles ont été les réorganisations et les consolidations internes chez Google ?
Pourquoi autant de TPUs chez Google ne suffisent toujours pas ?
Pour remonter à l'été dernier, les pronostics pessimistes sur Gemini n'étaient pas infondés. D'une part, Gemini 3.5 Pro, initialement prévu pour juin, traînait beaucoup. Le PDG de Google, Sundar Pichai, avait même annoncé lors de la conférence I/O de mai que le modèle sortirait en juin, mais il n'a finalement jamais vu le jour à la date prévue.
Contraintes par les capacités de calcul et marquées par des divergences entre plusieurs chefs de projet, des axes ultérieurement cruciaux comme la programmation ont reçu moins de ressources à cette époque. Par la suite, Koray Kavukcuoglu, qui a pris la direction de la R&D, a expliqué que l'équipe portait alors davantage son attention sur les modèles Flash, bénéficiant d'un cycle d'itération plus rapide.

Figure : Google avait jusqu'alors principalement lancé des modèles Flash
Au milieu des luttes pour les ressources internes et des interrogations extérieures, Google a annoncé le 5 août un important remodelage organisationnel de DeepMind : l'ancien CTO de DeepMind et architecte principal en IA de Google, Koray Kavukcuoglu, est promu vice-président senior de DeepMind, rendant directement compte à Pichai, et assumant la responsabilité totale du développement des modèles Gemini, de la recherche de pointe ainsi que des équipes produits et développeurs de Gemini.

Demis Hassabis cède ses responsabilités opérationnelles quotidiennes et devient président de DeepMind et scientifique en chef d'Alphabet ; parallèlement, les anciens codirecteurs techniques de Gemini, Jeff Dean et Oriol Vinyals, quittent conjointement avec Sanjay Ghemawat et Quoc Le l'entreprise pour fonder Discovery Loop.
Dans l'imaginaire collectif, Google disposait de données et de puces en abondance, comment aurait-il pu échouer sur les grands modèles ? Pourtant, même si Google possède ses propres puces AI TPU, elles doivent servir à entraîner la prochaine génération de Gemini, répondre aux requêtes des utilisateurs actuels, et les clients de Google Cloud font également la queue pour y accéder.

Figure : l'immense écosystème de modèles de Google
Pour le groupe, vendre des puces constitue une excellente rentabilité ; pour les chercheurs, lorsqu'une file d'attente ne se desserre pas, l'expérience tout simplement n'a pas lieu.
Ce remaniement permet également à l'équipe de mieux comprendre quels modèles entraîner et comment les livrer aux utilisateurs ; selon les médias étrangers, les dirigeants de Google Cloud espéraient également que le passage de Koray aux commandes de DeepMind pourrait apaiser les tensions internes liées à la répartition des TPU.
Combien de temps la remontée de Gemini 4 a-t-elle préparée ?
Attribuer entièrement le succès et les retours positifs fulgurants de la série Gemini 4 aux seuls changements organisationnels de août et à la planification des ressources de calcul serait manifestement sous-estimer les cycles longs inhérents au développement des grands modèles.
Les archives publiques indiquent que bien avant le remodelage organisationnel du 5 août et la publication du rapport baissier du 7 août, l'architecture de base de Gemini 4 était déjà en cours. Lors de la conférence téléphonique des résultats du deuxième trimestre d'Alphabet le 22 juillet 2026, Pichai a clairement révélé que Gemini 4 avait entamé « le pré-entraînement le plus ambitieux jamais réalisé par Google ».
Répondant aux analystes, il a précisé que la direction concentrerait d'importantes ressources de calcul et d'énergie sur Gemini 4, avec pour objectif d'accélérer le rythme des itérations futures en s'appuyant sur cette génération de modèles de base, visant un cycle de sortie proche d'une version par mois.

Koray a ensuite détaillé le mécanisme de développement de Gemini 4 lors de deux interviews podcastées, début septembre et le 19 novembre. Au sein de DeepMind, plusieurs lignes de recherche fonctionnent en parallèle : tandis qu'une équipe affine la version actuelle, deux autres équipes développent simultanément les deux générations suivantes. C'est pourquoi les Gemini 4 présentés en octobre reposent en réalité sur au moins un an de R&D continue.
Si le pré-entraînement massif et la parallélisation multi-lignes constituent le socle, ce sont les méthodes post-entraînement fondées sur des scénarios d'ingénierie réels qui ont permis à Gemini 4 de franchir un cap décisif en programmation et en exécution d'agents.
Le 12 novembre 2026, Melvin Johnson, alors responsable du post-entraînement chez Gemini, a ouvert la conférence AI Engineer CODE en citant l'article critique de SemiAnalysis, avant de révéler en détail les méthodes d'entraînement internes de Google.

Premièrement, le remplacement des bases de données publiques statiques par des flux de travail professionnels réels. Johnson a révélé qu'environ 100 000 employés de Google utilisent quotidiennement l'outil de programmation interne Antigravity. Chaque fois que l'équipe post-entraînement entraîne quelques versions candidates de modèles, elle lance des tests en aveugle internes, permettant aux ingénieurs de vérifier et sélectionner les meilleures versions directement via leurs projets de développement en cours.
Les étapes où le modèle bloque lors des modifications inter-fichiers, ou les cas où il altère une logique existante, sont immédiatement remontées pour être transformées en prochains exercices d'entraînement et grilles d'évaluation.

Parallèlement, l'équipe bannit résolument les « questions dépassées ». En apprentissage par renforcement, lorsqu'un modèle apprend à obtenir systématiquement le score maximum en tentant plusieurs fois le même exercice, les signaux de récompense deviennent identiques à chaque échantillonnage. Le modèle ne peut dès lors plus distinguer « quelle méthode est meilleure ». Ces exercices doivent être retirés et remplacés par des défis plus difficiles.
Deuxièmement, redéfinir ce que signifie « avoir terminé » et accorder une attention particulière à l'honnêteté des agents.
Dans les évaluations traditionnelles de code, réussir les tests unitaires suffit pour marquer des points ; mais dans la notation post-entraînement de Gemini 4, l'équipe ne vérifie pas seulement si la fonctionnalité est implémentée, elle examine également la gestion des conditions limites, la qualité du code, la sobriété des modifications et la maintenabilité future.

Plus important encore, le système d'évaluation recoupe méthodiquement les « auto-rapports » du modèle avec ses journaux d'opération réels. Si un exercice difficile n'est achevé qu'à moitié, le modèle peut recevoir une récompense partielle en déclarant honnêtement son avancement ; en revanche, prétendre que tout est validé sans même avoir lancé les tests entraînera une sanction sévère.
Johnson a également indiqué que lors d'une évaluation d'ingénierie complexe interne à Google, le taux d'hallucination du modèle de référence atteignait 8 %, contre environ 3 % pour Hydrogen et 1,5 % pour Carbon.

Porté par une architecture solide et un intense post-entraînement, Google a successivement dévoilé quatre modèles de la série Gemini 4 en seulement sept semaines, de fin septembre à mi-novembre.
Parmi eux, Hydrogen et Neon sont des adaptations issues de Carbon. Carbon cible les problèmes nécessitant une longue réflexion, Hydrogen privilégie la vitesse d'exécution des tâches quotidiennes, tandis que Neon offre un compromis idéal entre profondeur de raisonnement et efficacité.

Figure : Une partie des mises à jour rapprochées observées en novembre résulte de la commercialisation progressive des travaux de recherche menés sur la même architecture de base
À reculons, de nombreux problèmes soulevés par SemiAnalysis à l'époque étaient bien réels, les chercheurs de DeepMind ne les niant d'ailleurs pas. Toutefois, les résultats apparus trois mois plus tard ont prouvé que l'extérieur avait sous-estimé la capacité de R&D accumulée par Google sur le long terme, ainsi que la rapidité avec laquelle l'entreprise a pu canaliser ces compétences vers un seul et même modèle.
Avec la série actuelle, Gemini 4 est redevenu un concurrent sérieux que les autres modèles doivent prendre au sérieux. Google non seulement a remis à niveau la programmation et les agents au premier plan, mais commence également à rattraper Codex et Claude en termes d'utilisation réelle par les utilisateurs et d'expérience produit.

Figure : Gemini peut désormais piloter en arrière-plan des applications Mac et des sites web pour accomplir des tâches complexes
Pour nous, c'est évidemment une bonne nouvelle. Plus la concurrence entre les trois grands acteurs sera âpre, plus les entreprises seront disposées à investir dans les ressources de calcul et à conquérir les utilisateurs, nous offrant ainsi la possibilité d'utiliser une IA moins chère, plus fiable et plus accessible. (Hajimi, ne copie pas les deux autres.)















