Aller à l’actualité
← Actualités
Analyse

Les TPU Ironwood de Google entraînent DeepSeek-V3 en 1,70 minute

Suivez-nous sur Telegram

Les nouveaux résultats d'entraînement de Google montrent une vitesse achetée par l'échelle et une coordination achetée par la conception, plutôt qu'une percée sur une puce isolée. Ironwood n'atteint son temps affiché que lorsque des milliers de processeurs s'entraînent ensemble avec peu d'attente, tandis qu'un système NVIDIA bien plus petit, sur le même cloud, met beaucoup plus longtemps sur le même modèle. La bataille que Google est en réalité en train de gagner porte sur l'art de maintenir une vaste machine occupée.

Document officiel
DocumentDétails
Émis parGoogle
Publié16 novembre 2026
Texte officielblog.google
Pages officielles liées2
Documents antérieurs comparés2
Source : Google.

Le document « New AI training performance benchmarks for Google TPUs », publié par Google le 16 novembre 2026, rapporte 10 résultats pour la campagne de benchmark MLPerf Training v6.1. MLPerf est un test commun : chaque participant entraîne à partir d'un point de contrôle de référence officiel, une version de départ d'un modèle, jusqu'à atteindre un objectif fixé de qualité ou de précision. L'écart compte parce que Google présente son cloud, et pas seulement sa puce, comme le lieu où l'un ou l'autre type de matériel performe.

La vitesse de pré-entraînement vient de milliers de puces travaillant ensemble

Le pré-entraînement est la longue première phase au cours de laquelle un modèle apprend à partir de grandes quantités de données avant les réglages ultérieurs. Sur DeepSeek-V3, un modèle nommé dans la liste des résultats, 8 192 TPU Ironwood ont atteint la qualité cible du benchmark en 1,70 minute. Google rapporte aussi une montée en charge jusqu'à 4 096 puces avec 96 % d'efficacité. L'efficacité désigne ici la part du gain attendu de l'ajout de puces qui est réellement conservée. Ajouter des processeurs entraîne des coûts de coordination, car le travail doit être réparti, les résultats doivent être échangés et les résultats partiels combinés. Un chiffre élevé signifie qu'une moindre part de la puissance ajoutée se perd dans cette coordination.

Google attribue ce résultat à son architecture AI Hypercomputer et à la conception conjointe du silicium, du réseau et de logiciels ouverts. C'est l'explication de l'entreprise elle-même, et c'est le chiffre de montée en charge qui lui donne du poids. Un cluster peut être vaste sans être utile si les puces supplémentaires passent leur temps à attendre des données ou les unes les autres. L'affirmation de Google est plus étroite et plus forte que la seule taille brute : la machine a grandi tout en conservant l'essentiel de ses performances attendues. Pour un client qui entraîne un modèle de pointe, le temps écoulé sur une très grande tâche est un fait commercial direct, car la tâche mobilise des ressources coûteuses jusqu'à ce qu'elle s'achève.

L'apprentissage agentique récompense les systèmes qui gardent les puces occupées

Cette campagne comprenait aussi le premier benchmark MLPerf pour l'apprentissage par renforcement agentique. L'apprentissage par renforcement entraîne un système par le retour d'information sur ses actions. Dans une version agentique, le système effectue un travail, ici de la génération de code, et apprend du résultat pendant que le travail se poursuit. Cela crée un problème d'ordonnancement autant qu'un problème de calcul : la génération et l'apprentissage se disputent l'attention, et des puces d'entraînement coûteuses peuvent rester inactives si les deux activités se désynchronisent.

Extrait du document
Texte original, cité tel que publié.

Built on Google Cloud’s AI Hypercomputer architecture, these results reflect co-design across silicon, networking, and open software: Pre-training on Ironwood: 8,192 Ironwood TPUs reached the target model's benchmark target quality in 1.70 minutes, scaling up to 4,096 chips with 96% efficiency. Agentic RL on Ironwood: 640 Ironwood TPUs reached the target model’s coding benchmark target accuracy in 18.02 minutes (0.765 vs. the 0.69 goal), running code generation and learning simultaneously so training chips waited under 3% of the time.

Source : Google, 16 novembre 2026. Google, New AI training performance benchmarks for Google TPUs

Dans ce test, 640 TPU Ironwood ont atteint la précision cible du benchmark de codage en 18,02 minutes, avec un score de 0,765 pour un objectif de 0,69. La liste des résultats identifie le modèle comme Qwen3.5-397B. Google indique que le système a exécuté la génération de code et l'apprentissage simultanément, de sorte que les puces d'entraînement ont attendu moins de 3 % du temps. Cette faible part d'attente explique pourquoi ce résultat doit être placé à côté du temps de pré-entraînement plutôt qu'après lui. Le pré-entraînement montre à quelle vitesse un cluster coordonné peut parcourir une charge de travail connue. L'apprentissage agentique montre si le même type de cluster reste productif lorsque la charge de travail produit elle-même de nouvelles données pendant l'exécution.

Les résultats NVIDIA font de l'argumentaire une affaire de Google Cloud, non de fidélité à une puce

Google a aussi publié un résultat de pré-entraînement sur du matériel NVIDIA. Sur des instances Google Cloud A4X Max, 256 GPU NVIDIA GB300 ont atteint la qualité cible du benchmark sur DeepSeek-V3 en 31,96 minutes. L'entreprise ajoute cinq soumissions A4X et A4X Max sur le benchmark d'apprentissage par renforcement agentique, couvrant des systèmes GB200 et GB300. Le lecteur ne doit pas traiter les temps Ironwood et NVIDIA comme une confrontation directe entre appareils individuels. Les nombres de puces diffèrent fortement, les instances diffèrent, et le benchmark récompense l'ensemble du système configuré soumis par Google.

Lu ainsi, les entrées NVIDIA changent le sens du titre Ironwood. Google ne prétend pas que les clients doivent choisir son propre silicium pour utiliser son cloud. Il affirme que son cloud est un foyer compétent pour de grands systèmes d'entraînement de plus d'un type, avec le réseau et les logiciels fournis par Google dans chaque cas. Ironwood reste le résultat phare et l'expression la plus claire de ce que Google sait construire de bout en bout. Les résultats Blackwell élargissent l'argument commercial : un acheteur ayant déjà investi dans du matériel NVIDIA est toujours invité à exécuter la tâche sur Google Cloud.

Le nouveau document déplace le sujet de l'accès vers la capacité

Les documents Google antérieurs de la même série de publications se situaient au niveau de l'utilisateur individuel. Le 13 novembre 2026, Google a annoncé aux utilisateurs de l'application Gemini aux États-Unis qu'ils pouvaient connecter Google Wallet pour des réponses éclairées par leurs habitudes de dépenses, avec un accès en lecture seule et un contrôle de l'utilisateur sur la connexion. Un document distinct, le même jour, intégrait des crédits Google Cloud dans Google AI Studio pour les abonnés Google AI Pro et Ultra, afin que les développeurs puissent obtenir des crédits mensuels et continuer à développer sans quitter leur espace de travail. Ces mesures ont élargi l'accès et approfondi le contexte personnel.

Ce document s'adresse à un autre lecteur : un laboratoire ou une entreprise qui entraîne des modèles et achète de la capacité de calcul à l'échelle du cluster. Sa question n'est pas de savoir si un assistant en sait plus sur une personne. Sa question est de savoir à quelle vitesse une grande tâche d'entraînement s'achève, jusqu'où elle monte en charge avant que la coordination ne dévore le gain, et si un travail agentique irrégulier maintient le matériel occupé. Ce contraste est le contexte qui fait du benchmark plus qu'un score. Google a consacré les annonces précédentes à rendre Gemini et AI Studio plus faciles d'accès. Google doit désormais montrer la base industrielle qui sous-tend ces produits, et vendre cette base à des clients qui n'utiliseront peut-être jamais l'application grand public.

Un temps de benchmark est une promesse aux termes étroits

Tous les temps rapportés mesurent le temps MLPerf d'entraînement depuis le point de contrôle de référence officiel jusqu'au critère de convergence cible, comme Google l'indique dans le document. Cette définition rend les exécutions soumises comparables selon les règles de la campagne. Elle limite aussi ce que l'acheteur apprend. Les résultats publiés ne donnent aucun prix pour une exécution, aucun chiffre de consommation d'énergie et aucune indication sur la capacité Ironwood qu'un nouveau client peut obtenir, ni quand. Ces omissions comptent, car un système de benchmark rapide doit encore être disponible et abordable à l'échelle de la production avant que le temps ne se transforme en économie.

La prochaine campagne MLPerf testera si les concurrents comblent l'écart de montée en charge et si Google peut répéter le résultat agentique à mesure que ce benchmark mûrit. D'ici là, le verdict étayé est précis. Google a documenté une plateforme d'entraînement dont l'avantage réside dans la coordination à l'échelle, sur le pré-entraînement comme sur un nouveau test agentique, et Google a étayé cette affirmation sur ses propres puces et sur des systèmes NVIDIA commercialisés par son cloud. La vitesse est réelle dans le cadre du test énoncé. La valeur commerciale sera décidée par la capacité et le coût, que ce document laisse sans prix.

Source: Google, Google, Google Cloud Google Cloud leaders share what to expect in cybersecurity for 2027., Google, Google Cloud Get certified as a Google Cloud Professional Agentic Architect. By Gary Eimerman, Google, Claim your Google Cloud Credits in Google AI Studio (13 November 2026), Google, Connect Google Wallet to Gemini for personal finance insights (13 November 2026) · Date:

Les TPU Ironwood de Google entraînent DeepSeek-V3 en 1,70 minute