Jeff Dean quitte Google après 25 ans avec trois pontes pour automatiser la recherche scientifique

Le départ de Jeff Dean, figure fondatrice de l’architecture technique de Google, marque un signal fort : l’avenir de l’intelligence artificielle ne se joue peut-être plus seulement dans les assistants conversationnels, mais dans la capacité à produire plus vite des découvertes vérifiables en laboratoire.

Après plus de 25 ans chez Google, Dean quitte Alphabet pour prendre la direction de Discovery Loop, une société d’intérêt public dédiée à l’automatisation de la recherche scientifique par l’IA. Il ne part pas seul : plusieurs chercheurs parmi les plus influents de Google et Google DeepMind l’accompagnent.

Un départ qui dépasse le simple changement de carrière

Jeff Dean a rejoint Google en 1999, à une époque où l’entreprise était encore principalement identifiée à son moteur de recherche. Il a depuis participé à la conception de briques essentielles de son infrastructure informatique, dont les systèmes distribués ayant servi de base à l’indexation du Web et à l’entraînement de modèles d’IA à grande échelle.

Son parcours l’a ensuite conduit à prendre la tête de Google AI, puis à occuper le poste de scientifique en chef de Google DeepMind. À ce titre, il a incarné la continuité entre les grandes infrastructures de données de Google et la montée en puissance de l’IA générative.

Son départ vers une structure indépendante constitue donc un événement inhabituel. Il intervient alors que Google mobilise des moyens considérables autour de Gemini, de ses puces spécialisées et de ses services d’IA. Le choix de Dean suggère qu’un autre terrain de compétition gagne en importance : l’utilisation des modèles pour accélérer la production de connaissances scientifiques, avec des résultats mesurables dans les matériaux, la biologie, la chimie ou la physique.

Discovery Loop veut automatiser toute la chaîne expérimentale

L’ambition de Discovery Loop ne consiste pas uniquement à demander à un modèle de formuler une hypothèse. La start-up veut automatiser des boucles complètes d’expérimentation : identifier une question, proposer des pistes, concevoir un protocole, lancer des expériences, analyser les résultats, puis réinjecter ces résultats dans la série suivante.

Cette approche repose sur une combinaison de modèles d’IA, d’outils de simulation, de systèmes d’analyse et, selon les domaines, d’instruments capables d’exécuter des protocoles. Le projet vise à lancer des milliers d’expériences en parallèle, là où une équipe humaine doit généralement arbitrer entre quelques dizaines de pistes en raison du coût, du temps et de la complexité des manipulations.

Le terme self-driving laboratory, ou laboratoire autonome, désigne déjà ce type d’organisation. La difficulté ne réside toutefois pas dans la seule génération d’idées. Une hypothèse scientifique doit être transformée en protocole reproductible, confrontée à des mesures fiables et évaluée à l’aune de contraintes physiques ou biologiques. L’IA peut accélérer le cycle, mais elle ne supprime ni les erreurs de mesure ni les limites des modèles.

L’annonce de Discovery Loop ne précise pas encore les premiers secteurs ciblés, la part d’expérimentation physique par rapport aux simulations, ni le calendrier de déploiement de sa plateforme. Ces éléments seront déterminants pour mesurer l’écart entre une promesse d’automatisation et un outil réellement utilisable par des laboratoires.

Une équipe issue du cœur historique de l’IA de Google

Jeff Dean sera rejoint par Sanjay Ghemawat, autre figure historique de Google. Les deux hommes ont notamment travaillé sur des systèmes distribués qui ont profondément influencé l’informatique moderne. Leur présence donne à Discovery Loop une expertise rare dans la construction de plateformes capables de traiter des volumes massifs de données et de calculs.

L’équipe comprend également Quoc Le, connu pour ses travaux sur l’apprentissage automatique et les modèles de langage, ainsi qu’Oriol Vinyals, chercheur majeur de Google DeepMind dans les architectures d’IA et les systèmes capables de raisonner sur des données complexes.

Le profil de ces fondateurs est révélateur. Discovery Loop ne se présente pas comme une simple société de biotechnologie utilisant un modèle existant. Elle semble vouloir construire une infrastructure générale pour orchestrer des agents capables de planifier et d’exécuter des recherches, avec une couche de calcul suffisamment robuste pour gérer un grand nombre de cycles simultanés.

Cette orientation distingue la start-up d’une partie du marché actuel, concentrée sur les interfaces conversationnelles. Un chatbot produit une réponse en quelques secondes ; un système de découverte scientifique doit, lui, produire une séquence d’expériences, conserver un historique, gérer des contraintes et permettre une vérification indépendante des résultats.

Alphabet conserve un intérêt direct dans le projet

Alphabet participe au financement initial de Discovery Loop aux côtés de Radical Ventures, Khosla Ventures, Kleiner Perkins et Lightspeed. Le montant de cette première levée n’a pas été communiqué dans les éléments disponibles.

La présence d’Alphabet est importante à deux niveaux. Elle fournit d’abord à la start-up un soutien financier et une forme de crédibilité auprès des laboratoires, des universités et des industriels. Elle permet aussi à Google de conserver un lien avec une équipe qui connaît intimement ses infrastructures, ses modèles et ses méthodes de recherche.

Pour Alphabet, investir dans une entreprise indépendante peut représenter une option stratégique moins coûteuse qu’une intégration immédiate. Discovery Loop pourra expérimenter avec davantage d’autonomie, nouer des partenariats spécialisés et adopter un rythme différent de celui d’un grand groupe technologique. En parallèle, Google garde une exposition à un secteur susceptible de devenir majeur si l’IA commence à générer des découvertes exploitables à grande échelle.

Le statut de société d’intérêt public ajoute une contrainte particulière. Il inscrit la recherche d’un rendement financier dans un cadre qui doit aussi prendre en compte une finalité d’intérêt général. Dans un domaine où les découvertes peuvent toucher à la santé, à l’énergie ou aux matériaux stratégiques, cette gouvernance pourrait peser sur la manière de choisir les projets, de publier les résultats et de gérer les données.

La bataille se déplacera-t-elle des modèles vers les résultats ?

Les géants de l’IA ont consacré les dernières années à augmenter la taille des modèles, les capacités de calcul et la qualité des réponses. La prochaine source de différenciation pourrait se situer plus loin dans la chaîne : la capacité à transformer une prédiction en résultat expérimental.

Le défi sera autant économique que scientifique. Lancer des milliers d’expériences n’a de valeur que si les protocoles sont pertinents, les résultats reproductibles et les découvertes suffisamment importantes pour justifier le coût des équipements, des données et du calcul. Une automatisation mal contrôlée risque de produire une grande quantité de résultats difficiles à interpréter plutôt qu’un progrès net de la recherche.

Le prochain jalon sera donc concret : Discovery Loop devra démontrer, dans un domaine précis, qu’une boucle pilotée par l’IA réduit le temps nécessaire à une découverte ou augmente significativement le nombre d’hypothèses testées avec un niveau de fiabilité comparable à celui d’un laboratoire humain. Si cette preuve est apportée, le départ de Jeff Dean apparaîtra moins comme une rupture avec Google que comme le premier mouvement visible d’une compétition nouvelle, centrée sur la vitesse et la qualité de l’expérimentation scientifique.