Aller au contenu
Hacktion Wiki IA

DeepMind Google

L’atelier des « couteaux suisses cognitifs »

Imaginez un atelier où l’on forge non des lames spécialisées, mais des outils universels capables d’apprendre n’importe quel jeu de règles—du Go millénaire à la biologie moléculaire. C’est DeepMind : tandis que la plupart des laboratoires IA affûtent des compétences isolées (détection d’images, traduction), DeepMind construit des architectures d’apprentissage généralist capables de transcender leur domaine initial. Fondé en 2010 à Londres par Demis Hassabis (neuroscientifique-informaticien), Shane Legg (théoricien IA) et Mustafa Suleyman (entrepreneur), le laboratoire incarne une fusion disciplinaire rare : neurosciences computationnelles + algorithmique profonde + impératif commercial.

Pourquoi cela change tout pour vous

Vous avez probablement interagi avec DeepMind sans le savoir. Ses algorithmes prédisent structures protéiniques invisibles à l’œil humain, accélérant découvertes pharmacologiques. Son modèle Gemini assiste votre email, votre recherche Google, votre téléphone Android. Mais l’enjeu dépasse la productivité quotidienne : DeepMind façonne la trajectoire vers l’intelligence générale artificielle. Ses défis de recherche fondamentale—comment une machine apprenante maîtrise stratégie sans règles explicites, comment elle transpose apprentissage d’un domaine à un autre—dictent le calendrier civilisationnel de l’AGI.

De Londres au sommet du monde (2010–2024)

2010 : La conjuration des fondateurs

Trois cerveaux, une vision : construire la première machine pensante. Demis Hassabis, docteur en neurosciences computationnelles et ancien designer de jeux vidéo, s’associe à Shane Legg (qui formalisera plus tard « l’intelligence universelle » mathématiquement) et Mustafa Suleyman (stratégiste). Lieu de naissance : Londres, loin des empires californiens. Objectif affiché : dépasser les systèmes experts figés en créant des agents auto-améliorants via apprentissage par renforcement.

2013–2014 : DQN, ou le moment où les pixels deviennent intelligents

L’équipe développe le Deep Q-Network. Révolution silencieuse : feed des pixels bruts d’anciens jeux Atari 2600 au réseau, nul besoin de coder les règles. L’agent apprenait directement de flux sensoriels complexes. Résultat : surhumain sur 84 jeux sur 100, exploits 50x humains sur certains titres.

Le choc organisationnel : le 26 janvier 2014, Google acquiert DeepMind pour 400–628 millions de livres sterling. Infrastructure computationnelle désormais sans limite. Datacenters Google ouverts aux chercheurs.

2016 : AlphaGo bat Lee Sedol, le symbolisme avant la substance

4-1, victoire d’AlphaGo sur Lee Sedol en mars 2016. Le Go : 10^170 états légaux, bien au-delà calcul brut. Hassabis a compris que jeux = proxies universels du raisonnement. L’algorithme hybride :

  • Policy network (CNN 13 couches) : « Quels coups semblent prometteurs ? »
  • Value network : « Cette position est-elle gagnante ? »
  • Monte Carlo Tree Search : exploration sélective, non force brute exhaustive

Conséquence : perception publique de l’AGI imminente. Les VC injectent milliards en IA. DeepMind devient le laboratoire où l’impossible meurt.

2018–2021 : AlphaFold, ou comment prédire l’imprévisible biologique

Tournant stratégique : DeepMind sort IA des jeux vers problèmes scientifiques réels. Structure 3D protéines : prédire repliment acides aminés. Temps expérimental cristallographie : années, coûts massifs. AlphaFold : quelques heures GPU.

Novembre 2020 (CASP14) : précision superhypothétique atteinte. AlphaFold 2 libéré open-source (juillet 2021) avec base 20,000+ structures humaines. Paradigme shift : laboratoire privé divulgue propriété intellectuelle. Raison ? Maximiser impact sociétal, légitimer AGI poursuites comme entreprise éthique.

2023 : Fusion Google Brain, naissance Google DeepMind

Les deux divisions convergent. DeepMind conserve recherche fondamentale, Google Brain apporte expertise produit. Démonstration : architecture acquise autonome cède place intégration organisationnelle. Superlaboratoire dominateur : 100+ chercheurs, accès illimité TPU, données propriétaires Google.

2024–2025 : Gemini, la synthèse multimodale

Gemini incarne la maturation DeepMind. Pas juste LLM texte (GPT-4 style), mais Visual-Language-Action model. Vision (images, vidéos), langage naturel, et capacité d’action. 86TB données entraînement. Architecture Soft Mixture of Experts : 100+ experts spécialisés, routage probabiliste par token. Déploiement Android 15, Google Search, Gmail.

Sous le capot : mécanique de l’intelligence forgée

Apprentissage par renforcement profond : le socle

Agent interagit environnement, reçoit récompenses. Bellman optimality : Q(s,a) ← Q(s,a) + α[r + γ max Q(s’,a’) - Q(s,a)]. Experience replay : transitions historiques ré-entraînées batches aléatoires, décorrelation temporelle. Parallèle neuroscientifique : sommeil NREM réactive traces mémoire consolidation.

Attention Multi-têtes (Transformers)

Gemini fondation architecturale. Queries-Keys-Values : Attention(Q,K,V) = softmax(QK^T/√d_k)V. Têtes multiples explorent représentations différentes simultanément. Position encoding encode séquence. Scalabilité O(n²) computationnellement cher, mais efficace massivement parallélisée TPU/GPU.

  1. Embedding input : tokenize, project space latent
  2. Multi-head self-attention : chaque tête attends différemment
  3. Feed-forward : dense layers non-linéarité
  4. Layer normalization : stabilise entraînement
  5. Stack répétées : transformer 100+ couches
  6. Output logits : softmax predictions

Soft Mixture of Experts (Gemini)

Plutôt que tous paramètres activés per token, routage conditionnel : experts spécialisés activés sélectivement. Gating network G(x) = softmax(W_g x + bruit). Sortie : Σ_i G(x)_i * Expert_i(x). Bruit entraînement encourage exploration routage. Scalabilité : k experts = k.d paramètres vs monolithe dense.

Résultat : 10x réduction compute vs dense network compétitif GPT-4.

Reinforcement Learning from Human Feedback (RLHF)

Gemini feedback humains : 50k+ comparaisons Gemini A vs B. Reward model classificateur approxime préférences humaines. PPO optimization : policy gradient ascent récompense, KL-penalty β=0.05 évite divergence pré-training. Boucles itératives : hallucinations réduites, toxicité minimisée.

Cas d’usage concrets : où l’atelier frappe

AlphaFold prédiction protéinale : vaccine design COVID accéléré ~6 mois. Enzymes biodégradation plastique conçues in-silico. Mutations pathologiques : diagnostic families maladies génétiques incertaines actionnable.

Tensioners : où l’atelier crée friction

Neurosciences computationnelles : l’ADN epistemique

Demis Hassabis PhD neuroscience Cambridge. Paradigme DeepMind : cognition naturelle → algorithmes imitatifs. Développement enfant : apprend monde jeu exploration. Réseaux profonds recapitulent : curiosité intrinsèque, essai-erreur répétitif.

Hiérarchie représentations : Cortex V1→V4→IT features visuelles complexes. CNNs DeepMind : couches basses détectent bords, intermediaires formes, hautes concepts sémantiques. AlphaFold : acides-aminés bruts → interactions locales → motifs secondaires → structure globale.

Théorie Générale Intelligence (Legg-Hutter) : Shane Legg formalisé « intelligence universelle ». Jeux = tasks universels testant perception, reasoning, adaptation. Hypothèse DeepMind : intelligence générale = performance multi-domaine jeux.

Notions liées

Sources & Références

  • Startechup.fr : Chronologie apprentissage automatique (2024)
  • Moussasoft.com : Architecture Gemini, Soft MoE, données entraînement
  • Wikipedia FR : Google DeepMind fondation 2010, acquisition 2014, fusion Brain 2023
  • Actuia.com : Contexte fondateurs, chronologie
  • Futura-Sciences.com : Demis Hassabis biographie, AlphaGo 2016, David Silver
  • LeMonde Informatique : Deep Q-Network Atari, pixels bruts
  • Geo.fr : Découverte matériaux DeepMind 400k molécules
  • Brandeploy.io : Positionnement laboratoire Londres