Google, en partenariat avec des chercheurs de Georgia Tech et le Wild Dolphin Project (WDP), présente DolphinGemma. Ce modèle d’intelligence artificielle est entraîné pour apprendre la structure des vocalises des dauphins et générer des séquences sonores réalistes. L’objectif est d’approfondir la compréhension de la communication interespèces.

Le WDP mène depuis 1985 le projet de recherche sous-marin le plus long au monde, étudiant une communauté de dauphins à pointes atlantiques dans les Bahamas. Ce travail non invasif fournit un jeu de données riche : des décennies de vidéos et d’enregistrements audio, méticuleusement associés aux identités, aux historiques de vie et aux comportements des individus.

Les chercheurs ont déjà établi des corrélations entre les sons et les comportements. Par exemple, les sifflements signatures servent de noms uniques pour que les mères et les petits puissent se retrouver, tandis que les « squawks » en pulsations sont souvent observés lors de combats.

DolphinGemma est un modèle de type audio-in, audio-out. Il utilise le tokenizer SoundStream de Google pour représenter efficacement les sons des dauphins. Ce modèle, qui compte environ 400 millions de paramètres, est conçu pour fonctionner directement sur les téléphones Pixel utilisés par le WDP sur le terrain. Il traite des séquences de sons naturels pour identifier des motifs et prédire les sons probables qui suivront, à l’image de la manière dont les grands modèles de langage prédisent le prochain mot.

L’utilisation de ce modèle permet aux chercheurs de découvrir des structures cachées dans la communication naturelle des dauphins, une tâche qui nécessitait auparavant un effort humain considérable. Le WDP déploie déjà DolphinGemma cette saison de terrain.

En parallèle, le WDP travaille sur le système CHAT (Cetacean Hearing Augmentation Telemetry) avec le Georgia Institute of Technology. Ce dispositif sous-marin vise à créer un vocabulaire simple partagé, plutôt qu’à décrypter le langage complexe. L’idée est d’associer des sifflements synthétiques à des objets que les dauphins aiment, comme des foulards. Si les animaux imitent ces sons, une interaction à double sens pourrait être établie.

Ces initiatives, qui combinent la science biologique et l’IA, rappellent les enjeux du déploiement des modèles spécialisés en production. Les entreprises cherchent de plus en plus à s’éloigner des API fermées pour utiliser des modèles open-weight qu’elles peuvent adapter à leurs données propriétaires. Pour que ces modèles fonctionnent en continu, les systèmes d’inférence distribuée doivent gérer des défis techniques pointus. Par exemple, les appels d’agents multi-tours nécessitent un routage sensible au cache préfixe pour ne pas disperser la mémoire contextuelle entre différents serveurs.

Ce travail sur les dauphins illustre cette tendance : l’objectif est d’atteindre une performance de pointe dans des domaines très spécifiques, qu’il s’agisse de la recherche marine ou de l’application d’agents autonomes.

Sources

• DolphinGemma: How Google AI is helping decode dolphin communication, blog.google
• Welcome to SGLang – SGLang Documentation, docs.sglang.io
• The open AI-native stack on Kubernetes: From open models to distributed inference and agents, Google Cloud, 10 novembre 2026
• What to expect during KubeCon+CloudNativeCon NA: Join theCUBE Nov. 10-12, SiliconANGLE, 5 novembre 2026
• OpenShell on Kubernetes: A guide for platform engineers, CNCF, 4 novembre 2026 (contenu sous licence CC BY 3.0)