La moitié du prix Nobel de chimie de 2024 a été décernée à David Baker，« pour ses contributions à la conception computationnelle des protéines » ; l’autre moitié a été attribuée conjointement à Demis Hassabis（Demis Hassabis）et John M. Jumper，« pour leurs réalisations dans la prédiction de la structure des protéines ».

David Baker dirige l’Institut de conception des protéines de l’université de Washington et est considéré comme un pionnier de ce domaine. À partir de 2003, il a réussi à concevoir diverses protéines entièrement nouvelles et innovantes, dont Top7, largement utilisées dans les médicaments, les vaccins, les nanomatériaux, les microcapteurs et d’autres domaines. Dès 1999, il avait proposé RoseTTA, un algorithme de prédiction de la structure des protéines, avant AlphaFold de Deepmind.

Les deux autres lauréats sont encore plus connus. Demis Hassabis est cofondateur et PDG de Google DeepMind, et John M. Jumper y occupe actuellement un poste de directeur.En dirigeant une équipe qui a développé le modèle d’IA AlphaFold 2, tous deux ont résolu un problème qui préoccupait la communauté scientifique depuis 50 ans : prédire la structure complexe des protéines à partir de leur séquence d’acides aminés.

Les protéines sont les outils chimiques fondamentaux de la vie : elles contrôlent et stimulent toutes les réactions biochimiques et jouent des rôles essentiels comme hormones, substances de signalisation, anticorps et matériaux de construction des tissus. Dans les protéines, les acides aminés sont reliés en longues chaînes qui se replient pour former des structures tridimensionnelles. Depuis les années 70 du siècle dernier, les chercheurs tentent de prédire la structure des protéines à partir de leur séquence d’acides aminés, mais les progrès sont restés lents jusqu’à la percée spectaculaire réalisée par DeepMind il y a quatre ans.

En 2020, Demis Hassabis et John Jumper ont développé AlphaFold 2 à partir de la première version d’AlphaFold. Il peut prédire la structure de presque toutes les 2 centaines de millions de protéines identifiées par les chercheurs. À ce jour, il a été cité plus de 2 dizaines de milliers de fois et utilisé par plus de 200 millions de personnes dans 190 pays, contribuant à des avancées considérables dans des domaines comme les vaccins contre le paludisme, les traitements du cancer, la conception d’enzymes et la recherche sur la résistance aux antibiotiques. Avant même le prix Nobel, tous deux avaient reçu l’année précédente le Breakthrough Prize en sciences de la vie, surnommé l’« Oscar des sciences », ainsi que le prix Lasker, considéré comme un « indicateur des futurs Nobel », en reconnaissance de leurs contributions exceptionnelles à la recherche médicale fondamentale.

L’Académie royale des sciences de Suède a déclaré dans un communiqué : « Sans protéines, la vie ne pourrait pas exister. Nous pouvons désormais prédire la structure des protéines et concevoir nos propres protéines, ce qui apporte d’immenses bienfaits à l’humanité. »

Dès l’annonce du prix, le compte officiel de Google DeepMind s’est empressé de publier un message pour « annoncer la bonne nouvelle ».

Demis Hassabis a également déclaré dans un communiqué :

« Recevoir le prix Nobel est l’honneur de ma vie. Je remercie l’Académie royale des sciences de Suède, John Jumper et l’équipe AlphaFold, l’ensemble des équipes DeepMind et Google, ainsi que tous les collègues qui ont contribué à ce moment. J’ai consacré ma carrière aux progrès de l’IA, car elle possède un potentiel sans égal pour améliorer la vie de milliards de personnes. AlphaFold a déjà été utilisé par plus de 200 dizaines de milliers de chercheurs pour faire avancer des travaux essentiels, de la conception d’enzymes à la découverte de médicaments. J’espère qu’à l’avenir, nous considérerons AlphaFold comme la première preuve concrète de l’immense potentiel de l’IA pour accélérer les découvertes scientifiques. »

John Jumper a aussitôt déclaré：“C’est une preuve importante que l’IA peut accélérer la recherche scientifique et, à terme, aider à comprendre les maladies et à mettre au point des traitements. Ce travail revient à l’excellente équipe de Google DeepMind, et ce prix reconnaît également sa contribution remarquable.”

À ce stade, en ajoutant Geoffrey E. Hinton, le « parrain de l’IA » qui avait reçu auparavant le prix de physique et suscité de nombreux débats, le point commun entre ces lauréats parmi les plus remarqués de l’année apparaît clairement — Hinton est une figure centrale de Google Brain, qui portait les premières ambitions de Google en matière d’IA, tandis que Demis Hassabis est l’âme de Google Deepmind, chargé des recherches de Google en IA ces dernières années.

Pas étonnant que même la « fête des Nobel » ait été organisée directement sur le campus de Google.

Derrière l’attribution successive de prix Nobel à des scientifiques de l’IA, Google aussi a « raflé la mise ».

L’offensive de Google

Sur le plan chronologique, Google est incontestablement la première grande entreprise à s’être lancée dans l’intelligence artificielle.

Bien des versions du récit présentent la vente aux enchères secrète organisée durant l’hiver 2012, dans un hôtel-casino près du lac Tahoe, aux États-Unis, comme une compétition équitable entre trois géants technologiques, Google, Microsoft et Baidu, ainsi que DeepMind, pour acquérir DNNResearch, la petite société que Hinton venait de créer et qui ne disposait d’aucun produit concret en dehors de quelques articles scientifiques. Pourtant, avec le recul, l’issue de cette vente était en réalité déjà jouée. Car l’une de ses origines était précisément une initiative de Google, 6 mois auparavant.

Au mois 6 de l’année 2012, Google Brain a publiquement lancé le projet « Chat de Google (The Cat Neurons) », destiné à reconnaître les chats dans les vidéos YouTube à l’aide d’algorithmes. Dirigé par Andrew Ng, avec la participation de Jeff Dean, il bénéficiait du soutien appuyé du fondateur de l’entreprise, Larry Page.

Le projet a construit un vaste réseau neuronal doté de 10 centaines de millions de connexions, entraîné sur 16,000 CPU à l’aide de 1000 dizaines de milliers de vidéos non étiquetées provenant de YouTube. Grâce à l’apprentissage non supervisé, le système a appris de lui-même à reconnaître les visages de chats avec une précision de 74.8%, et pouvait également reconnaître des visages humains ainsi que d’autres objets.

Cependant, vers la fin du projet, Andrew Ng a choisi de se retirer alors qu’il était encore au sommet. Avant de partir, il a recommandé à Google son professeur Hinton pour prendre la relève. Hinton a déclaré qu’il ne quitterait pas l’université et qu’il souhaitait seulement « passer un été » chez Google. C’est ainsi qu’il est devenu le stagiaire le plus âgé de l’histoire de Google.

Figure de référence de l’apprentissage profond, Hinton a rapidement perçu les défauts du projet, affirmant que le chat de Google « utilisait le mauvais réseau neuronal et une puissance de calcul inadaptée. » Après cette brève période de « stage », Hinton a donc immédiatement réuni ses étudiants Ilya Sutskever et Alex Krizhevsky pour former une équipe et développer une nouvelle architecture de réseau neuronal, AlexNet. Ils ont présenté le résultat, entraîné avec seulement 4 GPU Nvidia, au concours de reconnaissance d’images ImageNet de 2012, remportant finalement une victoire révolutionnaire avec une précision de 84%.

En octobre (10e mois) de la même année, l’équipe de Hinton a officiellement présenté l’algorithme champion AlexNet lors de la conférence sur la vision par ordinateur de Florence. La victoire inattendue d’une équipe universitaire sur Google, malgré un écart considérable de moyens matériels et de ressources de recherche et développement, a provoqué un immense retentissement dans les milieux universitaire et industriel. L’article sur AlexNet est également devenu l’un des plus influents de l’histoire de l’informatique, avec plus de 12 dizaines de milliers de citations.

Ensuite, les trois hommes ont officiellement constitué leur société DNNResearch. La suite des enchères s’est alors déroulée tout naturellement : lorsque leur valorisation a atteint 4400 dizaines de milliers de dollars, Hinton a mis fin aux enchères et a officiellement rejoint Google avec ses deux étudiants, occupant les fonctions de vice-président de Google Brain et de chercheur en ingénierie.

À l’époque, Hinton écrivait dans un communiqué : « Je continuerai à enseigner à temps partiel à l’Université de Toronto, mais chez Google, je pourrai voir comment nous abordons le calcul à très grande échelle. »

Au cours de ses dix années chez Google, jusqu’au mois 5 de 2023, Hinton a continué à participer aux recherches sur les réseaux de neurones artificiels à grande échelle, apportant des contributions fondamentales aux technologies sous-jacentes des systèmes d’IA modernes comme Bard et ChatGPT. Il a également participé au développement de TensorFlow, bibliothèque libre d’apprentissage automatique, contribué à améliorer les capacités des applications d’IA dans des domaines comme la reconnaissance d’images et la compréhension du langage, et largement appliqué les technologies d’apprentissage profond aux différents produits et services de Google.

Google n’a jamais ralenti ses efforts pour réunir talents et technologies. Deux ans seulement après l’acquisition de DNNResearch, il a également racheté DeepMind, fondée par Hassabis, qui comptait parmi ses concurrents lors des enchères de l’époque.

D’après les informations rapportées, Google avait même affrété un avion privé pour emmener Hinton à Londres afin d’« examiner la marchandise », et avait fait spécialement modifier le siège pour remédier à ses douleurs dorsales qui l’empêchaient de prendre l’avion. Quant à Facebook, évincé par Google à l’époque, après avoir manqué DeepMind, il s’est tourné vers Yann LeCun, l’un des « trois grands du deep learning », qu’il a débauché à prix d’or.

L’histoire de Deepmind

Du côté de DeepMind, avant même son rachat par Google, l’entreprise avait déjà rencontré des difficultés financières. Elle continuait à dépenser ses fonds sans parvenir à trouver un modèle économique durable et s’était même retrouvée au bord de la faillite.

Le rachat par Google pour 6 cents millions de dollars a sauvé DeepMind : il a permis de conserver son équipe technique centrale et lui a fourni de puissantes ressources de calcul, notamment une plateforme de cloud computing et le soutien de centres de données. DeepMind a ainsi pu exploiter une plus grande puissance de calcul pour entraîner des réseaux neuronaux profonds, ce qui a considérablement amélioré la vitesse de calcul et la précision des modèles, particulièrement lors du développement d’AlphaGo. Google a également fourni des TPU spécialement conçus (unités de traitement tensoriel), optimisant davantage l’efficacité de l’entraînement et de l’inférence des modèles d’apprentissage profond. TensorFlow, un outil fondamental de l’IA, a aussi été largement utilisé dans les recherches de DeepMind, contribuant à renforcer les performances d’AlphaGo.

AlphaGo est un programme d’intelligence artificielle de jeu de go développé par l’équipe de DeepMind. En analysant des millions de parties et en pratiquant l’apprentissage par renforcement par le jeu contre lui-même, il a acquis des stratégies complexes et peut surpasser les meilleurs joueurs humains. En 2016, AlphaGo a battu le champion du monde de go Lee Sedol par 4 à 1, une victoire qui l’a rendu célèbre et a stupéfié le monde entier.

Cependant, aux yeux de Hassabis, démontrer à travers les jeux de plateau le potentiel de l’IA pour résoudre des problèmes complexes n’est qu’un début. L’essentiel est de s’en servir pour orienter des systèmes d’apprentissage généralistes vers les défis du monde réel, afin d’améliorer concrètement la vie humaine, de transformer les secteurs d’activité et de faire avancer la science.

En quelques mois, DeepMind a donc rapidement recruté des biologistes et constitué une équipe interdisciplinaire consacrée au problème du repliement des protéines, ce qui a finalement abouti à la naissance du projet AlphaFold en 2018. Après plusieurs itérations, AlphaFold a profondément transformé la recherche en biologie grâce à ses capacités révolutionnaires de prédiction des structures protéiques, démontrant le vaste potentiel des applications de l’IA dans les sciences.

En mai de cette année, au mois 5, Google Deepmind a de nouveau fait une annonce officielle : le lancement, avec Isomorphic Labs, du modèle de nouvelle génération de prédiction des protéines AlphaFold 3, dont l’article associé a immédiatement été publié dans la revue Nature.

Par rapport aux versions précédentes, AlphaFold 3 a non seulement progressé dans la prédiction du repliement des protéines, mais a aussi permis, pour la première fois, de prédire avec une grande précision la structure de molécules du vivant telles que les protéines, l’ADN, l’ARN et les ligands, ainsi que leurs interactions. Cette percée aide les scientifiques à mieux comprendre les mécanismes des maladies et les processus du vivant, tout en réduisant considérablement les délais et les coûts de recherche et développement. Qu’il s’agisse de développer des matériaux renouvelables ou d’accélérer la conception de médicaments et la recherche en génomique, AlphaFold 3 ouvre un champ d’applications plus vaste dans le domaine biomoléculaire.

De plus, l’équipe a lancé, à partir d’AlphaFold 3, une plateforme gratuite appelée AlphaFold Server, destinée aux recherches non commerciales des scientifiques du monde entier, contribuant ainsi à rendre l’exploration scientifique plus largement accessible.

Grâce à DeepMind, Google continue d’attirer les meilleurs chercheurs du monde entier et leur apporte un soutien financier à long terme, leur permettant de se consacrer à des recherches de rupture sans dépendre de retombées commerciales à court terme. Google accorde également à DeepMind une grande autonomie stratégique, lui permettant de choisir librement ses axes de recherche. Cette indépendance et ce soutien durable ont précisément jeté des bases solides pour les recherches prospectives de DeepMind.

Outre ses avancées dans les jeux et en biologie, DeepMind a également développé WaveNet, un modèle de synthèse vocale réaliste destiné à l’Assistant Google, améliorant ainsi l’expérience des interactions vocales. Grâce au modèle vision-langage-action RT-2, DeepMind a renforcé la capacité des robots à accomplir des tâches dans des environnements variés. Ses recherches portent aussi sur des problèmes complexes tels que les prévisions météorologiques et les réacteurs à fusion nucléaire ; des projets comme AlphaCode et AlphaDev contribuent également à faire progresser les algorithmes informatiques.

Google dispose toujours de solides « réserves »

Dans la concurrence actuelle autour de l’intelligence artificielle, l’ascension fulgurante d’entreprises vedettes comme OpenAI et Anthropic, ainsi que la « domination écrasante » de ChatGPT et de Claude sur Gemini, ont un temps suscité des doutes sur la stratégie de Google en matière d’IA. En particulier, dans la commercialisation des produits d’IA générative et des outils pour développeurs, la progression rapide d’OpenAI et de ses semblables contrastait nettement avec le rythme relativement lent de Google.

Pourtant, les deux prix Nobel qui viennent d’être décernés semblent nous rappeler que le terreau scientifique fertile de Google et son savoir-faire technologique accumulé restent des atouts difficiles à reproduire pour les autres entreprises.

Avant 2006, l’état de l’apprentissage profond pouvait se résumer par cette célèbre formule du baron Kelvin : « L’édifice de l’apprentissage profond est pratiquement achevé ; seuls trois petits nuages sombres flottent dans un ciel radieux. »

Ces trois petits nuages sombres sont respectivement les algorithmes, la puissance de calcul et les données.

Or, Google dispose précisément d’avantages manifestes dans ces domaines clés. Tout d’abord, l’entreprise possède d’immenses ressources de données parmi les plus importantes au monde. Grâce à des plateformes telles que YouTube, Google Scholar et Google Search, Google fournit des données d’entraînement riches et variées aux modèles d’IA, notamment pour la vision, la reconnaissance vocale et le traitement du langage naturel.

Deuxièmement, Google dispose d’un avantage considérable en ressources de calcul. Son matériel TPU, développé en interne, accélère fortement l’entraînement des modèles d’apprentissage profond. Google Cloud fournit non seulement une puissante capacité de calcul à la recherche interne, mais aussi des outils aux développeurs du monde entier pour les aider à créer et à déployer rapidement des applications d’IA complexes.

Dans la recherche et le développement d’algorithmes, Google figure également à la pointe du secteur. L’architecture Transformer, née au sein de l’équipe Google Brain, a posé les fondements du traitement moderne du langage naturel et stimulé le développement de presque tous les modèles d’IA de pointe actuels. Ces technologies ont non seulement fait progresser la recherche universitaire, mais sont aussi largement utilisées dans les principaux produits de Google.

En 2024, le domaine de l’IA reste confronté à des défis liés aux algorithmes, à la puissance de calcul et aux données. Bien que de nombreuses entreprises aient elles aussi réalisé des percées dans certains domaines, Google semble, en comparaison, être encore celle qui possède des avantages dans ces trois dimensions et parvient à les combiner efficacement dans la durée.

Face à OpenAI, Microsoft et aux autres entreprises concurrentes, Google conserve de solides ressources et n’a pas non plus été vaincu dans la course à l’IA. Le potentiel de l’intelligence artificielle est encore loin d’avoir été pleinement exploité et, dans cette course de fond, ce sont peut-être la profondeur et l’étendue de l’innovation technologique qui détermineront le vainqueur final.