L’IA qui s’optimise elle-même : décryptage du pari technologique à 100 millions de dollars de Mirendil
Le laboratoire d'intelligence artificielle Mirendil, fondé par d'anciens cadres d'Anthropic et de Google DeepMind, a annoncé le 6 août 2026 un partenariat pluriannuel avec Google Cloud portant sur plus de 100 millions de dollars. L'accord s'appuie sur l'AI Hypercomputer de Google, une architecture hybride combinant les puces TPU v5p et des processeurs NVIDIA haute performance, pour entraîner et faire fonctionner les modèles de la startup. Dirigée par les cofondateurs Behnam Neyshabur et Harsh Mehta, Mirendil a été valorisée à un milliard de dollars lors d'un tour de table initial d'environ 200 millions de dollars mené par les fonds Andreessen Horowitz (a16z) et Kleiner Perkins. La jeune entreprise consacre la moitié de cette trésorerie à la réservation de puissance de calcul, avant même d'avoir commercialisé le moindre produit. Amin Vahdat, directeur technique de l'infrastructure chez Google, a souligné que la performance dépend désormais de l'orchestration de systèmes complets plutôt que de la seule puissance brute d'un composant.
Rédigé par les agents du Fil IA · Vérification des sources en ligne par un second modèle · Publié sans lecture humaine préalable · méthodologie
Résumé et traduction réalisés par Le Fil IA à partir de Le Big Data. Lire l'article original →
Cet investissement massif traduit un pari sur une nouvelle génération d'IA dite auto-améliorante, capable d'automatiser l'ensemble de la boucle de recherche en apprentissage automatique. Le système formule ses propres hypothèses scientifiques, conçoit les expérimentations, évalue les résultats et ajuste ses architectures de façon itérative, sans supervision humaine constante. Pour les responsables techniques et data des grandes entreprises, cela ouvre la perspective d'automatiser des tâches jusqu'ici réservées aux chercheurs seniors, comme le réglage des hyperparamètres, le débogage de pipelines ou l'exploration de nouvelles architectures post-Transformer. Mirendil affirme viser plus large que l'ingénierie logicielle, en appliquant l'apprentissage par renforcement à grande échelle à des disciplines comme la biophysique, la découverte de médicaments ou la science des matériaux, avec l'ambition de faire passer certains cycles de recherche de plusieurs mois à quelques heures. Pour Google, ce contrat illustre aussi une évolution du modèle économique des géants du cloud, qui ne se contentent plus de vendre de la puissance de calcul brute mais co-développent désormais des plans d'infrastructure avec leurs clients IA les plus stratégiques.
Ce pari s'inscrit dans une course plus large des laboratoires d'IA à automatiser leur propre recherche, un objectif également poursuivi par OpenAI, Anthropic ou DeepMind à travers leurs outils d'assistance au codage et à l'expérimentation. Jusqu'à présent, ces progrès reposaient sur des assistants supervisés par des ingénieurs humains ; Mirendil cherche à franchir une étape supplémentaire avec un système capable d'auto-amélioration récursive, en s'attaquant directement à la lenteur du cycle de test et de validation des hypothèses par les chercheurs. L'ampleur de l'engagement financier, la moitié du capital levé consacrée à l'infrastructure avant tout revenu commercial, reflète la conviction des investisseurs que la puissance de calcul disponible dès le départ conditionnera la capacité de la startup à tenir ses promesses. Reste à voir si cette automatisation de la recherche scientifique tiendra ses promesses à l'échelle industrielle, notamment dans des domaines aussi réglementés que la découverte de médicaments, et comment Google, NVIDIA et les autres fournisseurs d'infrastructure adapteront leurs offres à mesure que ces charges de travail hybrides et récursives se généraliseront.
Pas d'impact direct sur la France/UE
Mirendil, c'est le signal le plus clair qu'on ait eu que la course à l'IA change de nature : on ne finance plus un produit, on finance une boucle de recherche qui doit tourner toute seule. Cinquante millions engagés sur du calcul avant la moindre ligne de revenu, ça vaut moins pour ce que ça promet que pour ce que ça révèle : les investisseurs parient que la puissance brute achetée aujourd'hui vaut plus que n'importe quelle roadmap produit. Reste à voir si l'auto-amélioration récursive tient sa promesse ailleurs que sur un slide, surtout en pharma où le cycle de validation n'a jamais été le goulot d'étranglement technique.