Perplexity va consacrer au moins 10 000 GPU à la création d'un chercheur automatique
Perplexity a lancé un axe de recherche baptisé Frontier Research et s'est engagée à y consacrer au moins 10 000 GPU. L'objectif : un chercheur automatique, c'est-à-dire un système dans lequel plusieurs agents IA se répartissent les tâches et continuent d'apprendre en temps réel, au lieu de figer leurs capacités après l'entraînement. Aravind Srinivas a déclaré que l'entreprise publierait des évaluations, des articles et des billets de blog, et qu'elle mettrait ses modèles et outils en accès libre. C'est un signal : le moteur de recherche né de l'IA vise désormais les laboratoires de recherche.
Traité par IA depuis X: @AravSrinivas ; édité par Hamidun News
Perplexity, que la plupart des gens connaissent comme un moteur de recherche propulsé par l'IA, qui fournit des réponses avec des liens vers les sources, a annoncé un nouvel axe. Son PDG, Aravind Srinivas, a écrit sur X que Perplexity Frontier Research recevra au moins 10 000 GPU. Les équipes travailleront sur deux chantiers : l'orchestration de plusieurs agents et les systèmes d'apprentissage continu. Le but ultime est de construire un chercheur automatique. Le message a recueilli environ 173 000 vues, ce qui montre que le sujet a clairement retenu l'attention de l'industrie.
Pour l'instant, il ne s'agit que d'une annonce. Elle ne précise ni calendrier, ni budget, ni noms de modèles, ni composition de l'équipe. Mais l'ambition est frappante : 10 000 GPU, c'est l'échelle à laquelle travaillent d'ordinaire les grands laboratoires, et non les start-ups produit.
Ce qu'est un « chercheur automatique »
Imaginez un doctorant qui lit lui-même les articles, formule des hypothèses, lance des expériences, analyse les résultats et passe à l'étape suivante. Un chercheur automatique tente de reproduire ce « doctorant » avec un système d'IA. Un seul modèle guidé par un long prompt ne suffit généralement pas : la tâche est trop longue et trop ramifiée.
Perplexity mise donc sur deux piliers.
Le premier est l'orchestration de plusieurs agents. Un agent découpe une grande tâche en sous-tâches, et d'autres agents prennent chacun un morceau : recherche de sources, écriture de code, vérification des chiffres. Les résultats sont ensuite assemblés. La difficulté tient à ce que les agents ne doivent pas se gêner mutuellement, ne pas refaire le même travail et repérer à temps les erreurs de leurs voisins. Quiconque a déjà monté une chaîne multi-agents sait à quelle vitesse elle se désagrège sur la durée.
Le second est l'apprentissage continu. Un modèle classique est « figé » après l'entraînement : il ne retient de nouveau que ce qui tient dans le contexte de la requête. Un système à apprentissage continu doit accumuler de l'expérience : ce qui a marché, ce qui a échoué, quelles méthodes ont donné des résultats. Pour un chercheur, c'est essentiel. Repartir de zéro chaque jour ne mène pas loin. C'est aussi l'un des problèmes ouverts les plus ardus de l'IA : un modèle qui apprend du nouveau tend à oublier l'ancien.
Ce que l'entreprise promet de publier
Aravind Srinivas indique que Perplexity publiera des évaluations (autrement dit des tests permettant de mesurer la qualité), des articles et des billets de blog, et qu'elle mettra en accès libre ses modèles et outils. Pour les praticiens, c'est le point le plus intéressant. Si la promesse est tenue, les développeurs disposeront non seulement de chiffres, mais aussi d'un code opérationnel pour construire des systèmes multi-agents.
L'entreprise a déjà publié des modèles ouverts, par exemple R1 1776, une version retravaillée de DeepSeek R1. Mais promettre d'ouvrir ses propres modèles et outils pour agents à cette échelle de calcul constitue un changement d'une tout autre ampleur. Ce qui sera ouvert, et sous quelle licence, reste inconnu.
Ce qu'il faut garder en tête
Premièrement, « au moins 10 000 GPU » est un engagement, pas un cluster déjà opérationnel. On ignore si Perplexity loue ces capacités ou les construit elle-même, et à quelle échéance elles seront disponibles.
Deuxièmement, le chercheur automatique est un objectif, pas un produit. D'autres laboratoires ont formulé des ambitions similaires, et aucun n'a encore montré de système capable de mener de façon stable des recherches autonomes, de l'idée au résultat.
Troisièmement, les promesses d'ouverture ont dans l'industrie un bilan inégal. La publication des évaluations et du code sera la vraie mise à l'épreuve.
Pour les chefs de produit et les fondateurs, la conclusion est simple. Les entreprises nées comme simples surcouches sur les modèles d'autrui construisent de plus en plus leur propre couche de recherche. Si vous développez des agents par-dessus des API, surveillez ce que Perplexity mettra en accès libre. Ses outils d'orchestration pourraient servir de base prête à l'emploi, et ses évaluations de référence utiles pour tester vos propres systèmes agentiques.
- 21 nov. 2026Alice, ChatGPT et Perplexity ne citent que 34 sites sur 309 pour les articles
- 21 nov. 2026Perplexity a donné des boutiques à risque dans 15 % de ses réponses sur les achats, ChatGPT dans 8 %
- 21 nov. 2026Perplexity lance Decider v1.3 : 70 points au classement des décisions et 68 $ le million de tâches
- 21 nov. 2026OpenAI cite quatre raisons pour lesquelles GPT-6 Astra cache ses raisonnements aux moniteurs
Questions clés sur cet article
Que sait-on sur Ce qu'est un « chercheur automatique » ?
Imaginez un doctorant qui lit lui-même les articles, formule des hypothèses, lance des expériences, analyse les résultats et passe à l'étape suivante. Un chercheur automatique tente de reproduire ce « doctorant » avec un système d'IA. Un seul modèle guidé par un long prompt ne suffit généralement pas : la tâche est trop longue et trop ramifiée. Perplexity mise donc sur deux piliers. Le premier est l'orchestration de plusieurs agents.
Que sait-on sur Ce que l'entreprise promet de publier ?
Aravind Srinivas indique que Perplexity publiera des évaluations (autrement dit des tests permettant de mesurer la qualité), des articles et des billets de blog, et qu'elle mettra en accès libre ses modèles et outils. Pour les praticiens, c'est le point le plus intéressant. Si la promesse est tenue, les développeurs disposeront non seulement de chiffres, mais aussi d'un code opérationnel pour construire des systèmes multi-agents.
Que sait-on sur Ce qu'il faut garder en tête ?
Premièrement, « au moins 10 000 GPU » est un engagement, pas un cluster déjà opérationnel. On ignore si Perplexity loue ces capacités ou les construit elle-même, et à quelle échéance elles seront disponibles. Deuxièmement, le chercheur automatique est un objectif, pas un produit. D'autres laboratoires ont formulé des ambitions similaires, et aucun n'a encore montré de système capable de mener de façon stable des recherches autonomes, de l'idée au résultat.
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
L'essentiel de l'IA — une fois par semaine
Sept actus qui ont vraiment compté, choisies à la main. Sans bruit ni communiqués.
C'est fait ! Vérifiez votre boîte mail pour la confirmation.