🤖 L’intelligence artificielle ne cesse de nous surprendre ! Google DeepMind vient d’introduire une nouvelle fonctionnalité révolutionnaire dans l’un de ses modèles Gemini : un curseur de raisonnement permettant de contrôler la profondeur de réflexion de l’IA sur chaque réponse. Cette innovation vise non seulement à réduire les coûts pour les développeurs, mais aussi à répondre à un défi majeur : les modèles de raisonnement, très en vogue dans le secteur, ont tendance à suranalyser, entraînant une consommation excessive de ressources et d’énergie. 💡

La montée en puissance du raisonnement dans l’IA

Depuis 2019, deux principales stratégies permettaient d’améliorer un modèle d’IA : l’agrandissement du volume de données d’entraînement et l’amélioration des retours sur la qualité des réponses. Mais, à la fin de l’année dernière, Google DeepMind et d’autres acteurs majeurs se sont tournés vers une troisième voie : le raisonnement. 🧠

Le raisonnement, nouvelle frontière de l’intelligence artificielle

Jack Rae, chercheur principal chez DeepMind, explique que leur travail s’est concentré sur le « raisonnement ». Ces modèles sont conçus pour analyser une problématique de façon logique et approfondie, ce qui leur permet d’atteindre des réponses plus pertinentes. Le lancement du modèle DeepSeek R1 a justement mis en lumière cette approche. Les entreprises y voient un moyen d’améliorer leurs modèles existants sans tout recommencer à zéro.

Un coût qui explose… mais pour de bonnes raisons ?

Plus un modèle d’IA « réfléchit », plus il consomme de ressources et d’énergie. Les classements des modèles de raisonnement montrent qu’une seule tâche peut coûter plus de 200 $ à exécuter ! Toutefois, cet investissement peut permettre à l’IA de réussir des défis complexes, comme l’analyse de code ou la synthèse d’informations issues de multiples documents. 🏆

Le piège de la « sur-analyse »

« Plus le modèle explore différentes hypothèses et idées, plus il a de chances de trouver la bonne réponse », affirme Koray Kavukcuoglu, directeur technique chez Google DeepMind. Mais attention : ce n’est pas toujours bénéfique. Tulsee Doshi, responsable produit chez Gemini, reconnaît que même le nouveau modèle Gemini Flash 2.5 a tendance à sur-réfléchir, surtout pour des requêtes simples. Résultat : le coût d’utilisation augmente, tout comme l’empreinte environnementale de l’IA. 🌱

Un phénomène généralisé dans l’industrie

Nathan Habib, ingénieur chez Hugging Face, observe que l’industrie de l’IA mise beaucoup sur le raisonnement, au point d’utiliser cette approche même lorsqu’elle n’est pas nécessaire. Quand OpenAI a annoncé son dernier modèle non axé sur le raisonnement, elle a signalé un tournant définitif vers cette nouvelle génération de modèles.

Des exemples de dérapages

Habib cite un cas où un modèle de raisonnement, confronté à un problème de chimie organique, s’est retrouvé piégé dans une boucle, répétant « Attends, mais… » des centaines de fois. Un problème que Kate Olszewska, chargée de l’évaluation des modèles Gemini chez DeepMind, a également observé avec des modèles de Google.

Le « curseur de raisonnement » : une solution prometteuse

Pour contrer le risque de sur-analyse, Google a conçu ce nouveau « curseur ». Il est destiné pour l’instant aux développeurs d’applications, qui peuvent ainsi définir combien de ressources le modèle doit consacrer à une tâche. Si le raisonnement est activé, générer une réponse coûte jusqu’à six fois plus cher. Ce réglage permet d’adapter la puissance du modèle en fonction des besoins réels.

Quelle dose de raisonnement choisir ?

Il reste difficile de déterminer pour quelles tâches le raisonnement approfondi est réellement pertinent. Les usages évidents concernent la programmation ou la rédaction de rapports d’experts, où le curseur sera poussé au maximum. Mais pour des tâches ordinaires, des réglages intermédiaires ou faibles pourraient suffire. Les retours des développeurs seront essentiels pour affiner ces niveaux d’intensité.

Un changement de paradigme dans l’IA

Selon Habib, l’investissement massif dans le raisonnement marque la fin des anciennes méthodes d’amélioration des modèles. « Les lois d’échelle sont en train d’être remplacées », souligne-t-il. Désormais, on mise moins sur la taille du modèle que sur la durée et la qualité de son « raisonnement » lors de la génération des réponses. 📈

Des enjeux économiques et écologiques majeurs

L’utilisation accrue de l’IA en phase d’inférence (quand elle génère des réponses) coûte de plus en plus cher et alourdit son empreinte carbone, un phénomène qui s’accélère avec la progression des modèles de raisonnement. Il est donc crucial de trouver un équilibre entre performance et responsabilité.

Le langage humain et les modèles d’IA

Petite précision : même si on parle de modèles qui « raisonnent » ou « pensent », ils n’effectuent pas ces actes comme le ferait un humain. Cette terminologie permet simplement d’être plus clair auprès du public, explique Jack Rae. Google ne cherche pas à imiter exactement les processus cognitifs humains dans ses modèles.

Une concurrence de plus en plus ouverte

Google DeepMind n’est pas le seul acteur sur ce créneau. L’arrivée de modèles comme DeepSeek, dont les paramètres internes sont accessibles (« open weight »), a bouleversé le marché, provoquant même une chute boursière de près de 1 000 milliards de dollars. Ces modèles ouverts permettent à chacun de les exploiter sans dépendre des solutions propriétaires de Google ou OpenAI.

Pourquoi choisir un modèle propriétaire ?

Selon Kavukcuoglu, pour des domaines comme le code, les mathématiques ou la finance, la précision et la fiabilité sont essentielles. Les modèles, qu’ils soient ouverts ou non, qui parviennent à répondre à ces exigences, domineront le marché. Pour Google DeepMind, le raisonnement deviendra la base des futures IA capables d’agir et de résoudre des problèmes à notre place. 🚀

Conclusion : L’avenir de l’IA repose-t-il sur le raisonnement ?

Le curseur de raisonnement introduit par Google offre une flexibilité inédite aux développeurs, leur permettant d’optimiser l’utilisation de l’IA selon les besoins de chaque tâche. Cette avancée marque un tournant pour l’industrie, confrontée à des enjeux d’efficacité, de coût et d’impact écologique. Alors que la compétition s’intensifie entre modèles ouverts et propriétaires, une chose est sûre : le raisonnement s’impose comme la clé de l’intelligence artificielle de demain.

🌟 Prêt à explorer ces nouvelles possibilités ? Que vous soyez développeur, chef d’entreprise ou passionné d’IA, restez à l’affût : les innovations d’aujourd’hui façonnent le monde de demain !

Article inspiré d’une source anglaise : https://www.technologyreview.com/2025/04/17/1115375/a-google-gemini-model-now-has-a-dial-to-adjust-how-much-it-reasons/