Gemini 3 et Nvidia : la fin du mur des limites en IA ?

Deux annonces majeures ont secoué le secteur de l’intelligence artificielle en 2025 : le lancement de Gemini 3 par Google DeepMind et les résultats financiers record de Nvidia. Ces événements remettent en question l’idée que les progrès en IA seraient freinés par un mur des limites dans l’amélioration des modèles, ouvrant la voie à une accélération des capacités et des investissements dans l’infrastructure IA.

Gemini 3 : un bond spectaculaire dans la performance des modèles

Gemini 3, dernier-né de Google DeepMind, affiche un milliard de paramètres, identique à son prédécesseur Gemini 2.5, mais avec des performances nettement supérieures. Il a franchi la barre des 1500 Elo sur LMArena et surpassé GPT-5.1 sur 19 des 20 benchmarks testés. Oriol Vinyals, vice-président de la recherche chez DeepMind, attribue ces progrès à des améliorations tant dans la phase de pré-entraînement que dans celle de post-entraînement. Selon lui, le saut entre Gemini 2.5 et 3.0 est le plus important jamais observé chez Google, sans aucun signe de plafonnement.

Cette avancée constitue la preuve la plus solide depuis l’ère o1 que les lois de scaling en pré-entraînement restent valides, à condition d’allier innovations algorithmiques et puissance de calcul accrue.

Nvidia : un moteur financier et technologique pour l’IA

Les résultats financiers de Nvidia confirment une demande exponentielle pour les infrastructures IA. La société prévoit un chiffre d’affaires de 0,5 trillion de dollars lié à ses architectures Blackwell et Rubin entre 2025 et 2026, avec une estimation de 3 à 4 trillions de dollars pour le marché des centres de données d’ici 2030. Le troisième trimestre 2025 a vu un record de 51 milliards de dollars de revenus dans le secteur des data centers, en hausse de 66 % sur un an.

La nouvelle architecture Blackwell Ultra promet des temps d’entraînement cinq fois plus rapides que la génération précédente Hopper, ce qui, combiné aux avancées de Gemini 3, laisse entrevoir des modèles plus puissants et plus efficaces. Gavin Baker souligne que cette synergie entre puissance matérielle et progrès algorithmiques balaie la thèse d’un mur des limites dans le scaling des modèles.