Google permet à l'utilisateur de contrôler le raisonnement de l'IA dans Gemini 2.5 Flash

Google a mis en place une fonction de contrôle du raisonnement de l'IA pour son modèle Gemini 2.5 Flash, donnant aux développeurs la possibilité de limiter la puissance de traitement utilisée par le système pour résoudre les problèmes.

Introduit le 17 avril, ce "budget de réflexion" répond à un problème croissant dans l'industrie : les modèles d'IA sophistiqués réfléchissent souvent trop à des questions simples, ce qui entraîne un gaspillage des ressources informatiques et une augmentation des dépenses opérationnelles et environnementales.

Bien qu'il ne s'agisse pas d'une innovation, ce développement marque une étape pratique dans la résolution des problèmes d'efficacité qui sont apparus lorsque les fonctions de raisonnement sont devenues la norme dans les systèmes d'intelligence artificielle commerciaux.

Le nouveau contrôle permet aux développeurs d'ajuster précisément les ressources de traitement avant que le modèle ne réponde, ce qui pourrait transformer la façon dont les organisations gèrent l'impact financier et environnemental de l'utilisation de l'IA.

"Le modèle réfléchit trop", admet Tulsee Doshi, directeur de la gestion des produits chez Gemini. "Pour les demandes de base, le modèle réfléchit plus que nécessaire.

Ce constat met en évidence le dilemme auquel sont confrontés les modèles de raisonnement avancés, à savoir utiliser un marteau de forgeron pour casser une noix.

L'évolution vers des capacités de raisonnement a entraîné des inconvénients inattendus. Alors que les grands modèles de langage traditionnels s'appuyaient principalement sur des modèles de correspondance à partir de données d'apprentissage, les nouvelles versions tentent de résoudre les problèmes de manière méthodique. Cette approche logique, étape par étape, donne de meilleurs résultats pour les tâches complexes, mais crée des inefficacités majeures pour les demandes plus simples.

Équilibrer les coûts et les performances

L'impact financier d'un raisonnement incontrôlé de l'IA est important. Les notes techniques de Google indiquent que lorsque le raisonnement complet est activé, la génération de résultats devient environ six fois plus coûteuse que le traitement standard. Cette augmentation des coûts crée une forte motivation pour un contrôle précis.

Nathan Habib, un ingénieur de Hugging Face qui étudie les modèles de raisonnement, estime qu'il s'agit là d'un problème très répandu dans l'industrie. "Dans la course à la démonstration d'une IA plus intelligente, les entreprises utilisent les modèles de raisonnement comme des outils universels, même s'ils ne sont pas nécessaires", a-t-il déclaré au MIT Technology Review.

Le gaspillage n'est pas seulement hypothétique. M. Habib a montré comment un modèle de raisonnement de haut niveau, en essayant de résoudre un problème de chimie organique, s'est retrouvé bloqué dans une boucle répétitive, disant "Attendez, mais..." des centaines de fois - souffrant en fait d'une panne de calcul tout en consommant de l'énergie de traitement.

Kate Olszewska, qui évalue les modèles Gemini chez DeepMind, a confirmé que les systèmes de Google sont parfois confrontés à des problèmes similaires, s'enfermant dans des boucles qui utilisent des ressources informatiques sans améliorer la qualité des réponses.

Mécanisme de contrôle granulaire

Le contrôle du raisonnement de l'IA de Google offre aux développeurs des capacités d'ajustement précises. Le système propose une échelle flexible allant de zéro (raisonnement minimal) à 24 576 jetons de "budget de réflexion" - des unités de calcul qui représentent le traitement interne du modèle. Cette approche détaillée permet une mise en œuvre personnalisée basée sur des besoins spécifiques.

Jack Rae, chercheur principal chez DeepMind, note qu'il reste difficile de déterminer le niveau de raisonnement idéal : "Il est vraiment difficile de définir le niveau de raisonnement parfait pour une tâche donnée".

Changement de philosophie de développement

L'introduction du contrôle du raisonnement de l'IA pourrait signaler un changement dans la façon dont l'intelligence artificielle progresse. Depuis 2019, les entreprises ont cherché à apporter des améliorations en créant des modèles plus importants avec davantage de paramètres et de données d'entraînement. La stratégie de Google suggère une direction différente qui donne la priorité à l'efficacité plutôt qu'à l'échelle pure.

"Les lois de mise à l'échelle sont dépassées", observe Habib, suggérant que les progrès futurs pourraient provenir de l'affinement des processus de raisonnement plutôt que de l'augmentation sans fin de la taille des modèles.

Les conséquences environnementales sont tout aussi importantes. À mesure que les modèles de raisonnement se généralisent, leur consommation d'énergie augmente en conséquence. Des études montrent que l'inférence - la production de réponses d'IA - contribue aujourd'hui davantage à l'empreinte carbone de la technologie que la phase de formation initiale. Le contrôle du raisonnement de Google offre une solution possible à cette tendance inquiétante.

Dynamique concurrentielle

Google ne travaille pas dans le vide. Le modèle DeepSeek R1 "à poids ouvert", apparu au début de l'année, a montré de fortes capacités de raisonnement à des coûts potentiellement inférieurs, ce qui a provoqué une instabilité du marché qui aurait entraîné une variation de près de mille milliards de dollars du marché boursier.

Contrairement à la méthode propriétaire de Google, DeepSeek met ses configurations internes à la disposition du public pour que les développeurs puissent les exécuter localement.

Malgré la concurrence, Koray Kavukcuoglu, directeur technique de Google DeepMind, estime que les modèles propriétaires conserveront leur avantage dans les domaines spécialisés nécessitant une précision extrême : "Le codage, les mathématiques et la finance sont des domaines où l'on attend des modèles qu'ils soient extrêmement précis et capables de comprendre des scénarios très complexes".

Signes de maturation de l'industrie

La création d'un contrôle du raisonnement de l'IA est le reflet d'une industrie désormais confrontée à des limites pratiques allant au-delà des mesures techniques. Alors que les entreprises continuent de faire progresser les capacités de raisonnement, l'approche de Google reconnaît une réalité importante : l'efficacité est aussi cruciale que la performance brute dans les applications commerciales.

Cette caractéristique souligne également la tension entre le progrès technologique et les considérations de durabilité. Les outils de suivi des performances des modèles de raisonnement montrent que les tâches individuelles peuvent coûter plus de 200 dollars, ce qui soulève des inquiétudes quant à la mise en œuvre de ces capacités à grande échelle dans le monde réel.

En permettant aux développeurs d'ajuster les niveaux de raisonnement en fonction des besoins réels, Google aborde les dimensions économiques et environnementales du déploiement de l'IA.

"Le raisonnement est la capacité fondamentale qui construit l'intelligence", déclare M. Kavukcuoglu. "Dès que le modèle commence à penser, son agence émerge. Cette affirmation illustre à la fois le potentiel et la difficulté des modèles de raisonnement : leur indépendance crée à la fois des possibilités et des défis en matière de gestion des ressources.

Pour les organisations qui mettent en œuvre des solutions d'IA, la capacité d'affiner les budgets de raisonnement pourrait rendre les fonctionnalités avancées plus accessibles tout en maintenant l'efficacité opérationnelle.

Google affirme que Gemini 2.5 Flash atteint "des performances comparables à celles d'autres modèles de premier plan pour une fraction du coût et de la taille" - une proposition de valeur renforcée par la capacité d'optimiser les ressources de raisonnement pour des utilisations particulières.

Implications pratiques

La fonction de contrôle du raisonnement de l'IA a des applications immédiates dans le monde réel. Les développeurs qui créent des applications commerciales peuvent désormais faire des choix conscients entre la profondeur de traitement et les frais d'exploitation.

Pour les applications simples, telles que les demandes de renseignements de base des clients, des paramètres de raisonnement minimaux permettent de conserver les ressources tout en exploitant les capacités du modèle. Pour les analyses complexes nécessitant une compréhension approfondie, la pleine capacité de raisonnement reste accessible.

Le "cadran" de raisonnement de Google offre une méthode permettant de prévoir les coûts tout en préservant les normes de performance.

Voir aussi : Gemini 2.5 : Google prépare son modèle d'IA "le plus intelligent" à ce jour

Vous souhaitez en savoir plus sur l'IA et le big data auprès des leaders du secteur ? Visitez le salon AI & Big Data Expo qui se tiendra à Amsterdam, en Californie et à Londres. Cet événement complet est organisé en même temps que d'autres événements de premier plan, notamment Intelligent Automation Conference, BlockX, Digital Transformation Week et Cyber Security & Cloud Expo.

Découvrez d'autres événements et webinaires sur les technologies d'entreprise organisés par TechForge ici.