Comment Midjourney est né : diffusion ouverte, 10 000 GPU et zéro VC

En 2026, David Holz raconte une scène assez peu normale pour un lancement de produit. Il va voir Google et demande 10 000 GPU pour la première semaine de Midjourney. Pas pour une hypothétique croissance dans cinq ans. Pour la semaine une.1

Quelques minutes plus tard dans la même conversation, il raconte l'autre moitié de l'histoire : Midjourney n'avait pas d'investisseurs. Holz avait décidé de commencer avec son propre argent et affirme l'avoir dépensé jusqu'à se retrouver autour de moins 1 000 dollars.1

Ces deux détails semblent presque incompatibles. D'un côté, une infrastructure à l'échelle d'une grosse entreprise. De l'autre, un fondateur qui dit avoir vidé son compte plutôt que de lever un tour de financement.

C'est pourtant une bonne porte d'entrée pour comprendre Midjourney.

Aujourd'hui, le service est surtout raconté par ses résultats : des millions d'utilisateurs, un Discord gigantesque, des images reconnaissables en une demi-seconde et des estimations de revenus qui se comptent en centaines de millions de dollars. Un billet publié par Andrew.ooo en février 2026 va jusqu'à lui attribuer 500 millions de dollars de revenus annuels en 2025 avec 163 employés, soit un peu plus de 3 millions de dollars par salarié.14

Le chiffre est spectaculaire. Il est aussi beaucoup moins solide que la légende qu'il nourrit. Midjourney est une société privée, ne publie pas de comptes détaillés, et plusieurs nombres répétés à son sujet finissent par se recopier les uns les autres jusqu'à prendre l'apparence d'un bilan audité. Le même article Andrew.ooo affirme par exemple que Leap Motion, la précédente société de Holz, avait levé plus de 300 millions de dollars. TechCrunch en comptabilisait environ 94 millions au moment de sa vente.12 Le billet situe aussi la disponibilité publique de Midjourney en février 2022, alors que Discord décrit encore une bêta privée puis une ouverture publique en juillet.10

Il y a donc une histoire plus intéressante à reconstruire que celle d'une startup miraculeusement efficace.

Elle commence avant Stable Diffusion. Elle passe par des chercheurs qui publient leurs modèles, des artistes qui bricolent des notebooks, une interface Discord qui ressemble d'abord à un raccourci, puis devient une gigantesque machine à produire du feedback. Et elle contient un trou que Midjourney n'a jamais vraiment rempli publiquement : personne hors de l'entreprise ne sait précisément ce qu'étaient ses premiers modèles ni combien leur entraînement a coûté.

Avant l'image générative, Holz voulait déjà faire disparaître l'interface

David Holz n'arrive pas dans Midjourney comme un chercheur en vision qui aurait passé dix ans à entraîner des modèles d'image. Son obsession précédente était presque inverse.

À 17 ans, pour l'ISEF 2006, il construit un système de microphones capable de localiser une voix dans l'espace. Il poursuit ensuite des études de mathématiques appliquées, travaille notamment à NASA Langley et au Max Planck Institute, puis quitte son doctorat pour cofonder Leap Motion.1 15

Leap Motion essaie de remplacer une partie de nos interfaces physiques par du suivi des mains. La petite boîte noire posée devant un ordinateur observe les doigts et transforme leurs mouvements en entrée. Pendant une décennie, Holz travaille donc sur une question assez simple à formuler : comment rendre l'interaction entre une personne et un ordinateur plus directe ?

La réponse commerciale est moins heureuse que les démonstrations. Leap Motion lève près de 94 millions de dollars selon TechCrunch, atteint à un moment une valorisation de 306 millions, cherche longtemps son marché, puis est racheté par Ultrahaptics en 2019 pour environ 30 millions.12

On pourrait transformer ça en petite fable anti-VC très pratique : première société financée par les fonds, sortie décevante, deuxième société bootstrap, jackpot. La réalité est moins nette.

Nous ne connaissons ni la rémunération cumulée de Holz chez Leap Motion, ni la part qu'il possédait encore à la vente, ni les préférences de liquidation des investisseurs, ni son éventuel package chez Ultrahaptics. On ne sait donc pas combien d'argent personnel il avait réellement à disposition lorsqu'il a commencé Midjourney. Son témoignage de 2026 établit qu'il a utilisé son propre capital et qu'il a fini par l'épuiser. Il ne donne pas le montant de départ.1

Ce qu'il raconte beaucoup plus précisément, en revanche, c'est pourquoi il a changé de problème.

Après dix ou douze ans sur le hand tracking, il dit avoir compris qu'une meilleure interface ne suffisait pas. Même avec le meilleur suivi des mains du monde, un ordinateur ne vous aide pas nécessairement à penser, à trouver une idée ou à décider de ce que vous voulez fabriquer. Il voulait remonter d'un cran et s'intéresser à l'acte créatif lui-même : comment une idée apparaît, comment on l'explore, comment on la transforme avec d'autres.1

Midjourney n'a donc pas commencé comme « une startup qui voulait générer de jolies images ». Holz décrit plutôt une petite structure exploratoire avec plusieurs projets autour de l'imagination et de la création. L'image a gagné parce qu'une nouvelle famille de modèles est arrivée au même moment.

2020-2021 : la diffusion devient enfin une boîte à outils

Le mot « diffusion » paraît aujourd'hui presque banal. En 2020, ce n'est pas encore le moteur évident d'un produit grand public.

Les modèles génératifs dominants de l'époque sont largement associés aux GAN, ces réseaux où un générateur et un discriminateur progressent l'un contre l'autre. Ils savent déjà produire des images impressionnantes, mais l'entraînement peut être difficile et le contrôle par le langage reste une autre histoire.

En juin 2020, Jonathan Ho, Ajay Jain et Pieter Abbeel publient Denoising Diffusion Probabilistic Models. Le principe simplifié est étrange mais élégant : on apprend à un réseau à faire le chemin inverse d'une destruction progressive de l'image par du bruit. À la génération, on part du bruit et on le débruite étape après étape jusqu'à obtenir une image.18

En mai 2021, Prafulla Dhariwal et Alex Nichol montrent chez OpenAI que ces modèles peuvent battre les meilleurs GAN sur plusieurs mesures de synthèse d'image. Surtout, le code et les checkpoints suivent. OpenAI publie guided-diffusion, avec des modèles préentraînés allant jusqu'à 512 × 512 pixels et une licence MIT.6 7

Entre les deux arrive une autre brique décisive : CLIP.

OpenAI publie CLIP en janvier 2021. Le modèle apprend à rapprocher images et descriptions textuelles dans un espace commun. Il n'est pas, à lui seul, un générateur d'images. Il sait plutôt dire à quel point une image correspond à une idée exprimée en langage naturel.5

Cela suffit pour déclencher une période de bricolage créatif remarquable.

Si un générateur produit une image et que CLIP peut mesurer sa proximité avec une phrase, on peut utiliser cette mesure comme boussole. Des artistes et développeurs commencent à combiner VQGAN, CLIP, des modèles de diffusion et différentes méthodes de guidage dans des notebooks publics. Les images sont lentes, souvent étranges, parfois magnifiques. Et pour la première fois, le lien entre une phrase libre et une exploration visuelle commence à devenir tangible.

Holz cite lui-même un nom précis dans une interview accordée à The Register en août 2022 : Katherine Crowson, connue en ligne sous le nom RiversHaveWings. Son travail sur le CLIP-guided diffusion est, dit-il, celui qui a particulièrement attiré son attention.2

C'est une information importante pour raconter la généalogie de Midjourney. Elle évite deux erreurs symétriques.

La première serait de présenter Midjourney comme une invention apparue dans un laboratoire fermé, sans parents. Faux. Holz reconnaît explicitement que les percées autour des transformers, de CLIP, de la diffusion et les expériences de la communauté l'ont conduit dans cette direction.2 3

La deuxième serait d'en déduire que Midjourney V1 était simplement « le notebook de Katherine Crowson avec une marque dessus ». Rien de public ne permet de l'affirmer.

Le bon niveau de certitude est moins confortable : nous connaissons la famille intellectuelle du premier Midjourney, pas sa recette.

Ce que l'on sait vraiment de V1

Dans l'entretien ISEF de 2026, Holz revient sur ce moment. Il raconte avoir lu les papiers sur les modèles de diffusion et avoir senti qu'ils étaient différents des GAN et des réseaux précédents. Il en parle avec des chercheurs de son entourage à San Francisco. Leur réaction, dans son récit, est essentiellement : il y a quelque chose ici, quelqu'un devrait travailler dessus.1

Il choisit de le faire dans un domaine particulièrement mal défini : l'image créative.

C'est cohérent avec son parcours. Une métrique sait assez bien dire si un modèle reconnaît un chat. Elle sait beaucoup moins bien décider si une image est intéressante, belle, surprenante ou utile pour débloquer une idée. Holz dit justement aimer ces problèmes « fuzzy », sans nombre unique à optimiser.1

La documentation actuelle de Midjourney fournit ensuite une chronologie étonnamment précise des premiers modèles :

Ces dates viennent directement de Midjourney.4

Elles permettent surtout de tuer une explication qui continue à circuler : non, les premiers Midjourney ne peuvent pas être de simples fine-tunes de la version publique de Stable Diffusion 1.x.

Stable Diffusion publie ses poids au public le 22 août 2022.8 À ce moment-là, Midjourney a déjà traversé V1, V2 et une partie de V3. On peut imaginer des influences scientifiques communes, des échanges entre chercheurs ou des briques proches. Le papier sur les Latent Diffusion Models existait lui aussi avant la sortie publique de Stable Diffusion. Mais la chronologie exclut l'histoire simpliste où Holz aurait téléchargé Stable Diffusion puis ajouté une esthétique Midjourney par-dessus.

Elle ne nous dit toujours pas ce qui tournait réellement derrière /imagine en février.

Midjourney n'a publié ni code source de V1, ni checkpoint, ni diagramme d'architecture, ni journal d'entraînement. En 2022, lorsque The Register demande à Holz de détailler sa stack, il refuse. Il accepte seulement de dire que l'entreprise possède de gros modèles comptant des milliards de paramètres, entraînés sur des milliards d'images.2

C'est à peu près la frontière documentaire.

Nous savons que CLIP-guided diffusion a directement inspiré Holz. Nous savons que du code et des poids de diffusion performants étaient publiquement disponibles en 2021. Nous savons que Midjourney entraînait ses propres gros modèles en 2022. Nous ne savons pas si V1 repartait d'un checkpoint OpenAI précis, d'un modèle interne entraîné depuis zéro, d'un mélange de plusieurs étapes, ou d'une architecture déjà largement réécrite.

Dire davantage demanderait de transformer une filiation en fuite de code imaginaire.

L'open source a abaissé le prix de l'expérience, pas supprimé l'entraînement

Cette nuance compte aussi lorsqu'on essaie de répondre à la question la plus tentante : combien a coûté le premier Midjourney ?

La réponse publique est frustrante : on ne sait pas.

Je n'ai trouvé aucun chiffre primaire attribuant un coût à l'entraînement de V1, V2 ou V3. Pas de nombre de GPU-heures, pas de facture cloud, pas de durée de run, pas de taille exacte du cluster d'entraînement.

Le chiffre des 10 000 GPU raconté par Holz en 2026 ne résout pas le problème. Dans son récit, il demande ces GPU à Google pour le lancement de la première semaine. Il parle du défi consistant à mettre les modèles de diffusion à disposition d'un grand nombre de personnes, pas du nombre d'accélérateurs mobilisés pour entraîner V1.1

Confondre les deux produit instantanément une estimation spectaculaire et probablement fausse.

On peut en revanche regarder le paysage technique de l'époque pour obtenir un ordre de grandeur, à condition de garder l'étiquette « comparaison » bien visible.

Le papier PixArt-α publié plus tard compare son propre coût d'entraînement à celui de Stable Diffusion 1.5. Les auteurs évaluent ce dernier à 6 250 jours-A100, soit environ 150 000 heures-A100, pour un coût de calcul estimé à 320 000 dollars.13

Ce n'est pas le prix de Midjourney V1.

Stable Diffusion 1.5 n'est pas Midjourney V1. Les architectures, données, résolutions, durées d'entraînement, fournisseurs et éventuelles réutilisations de poids diffèrent. En plus, le coût d'un run final ne représente pas le coût de R&D : il manque les expériences ratées, la préparation des données, les ingénieurs, le stockage et l'inférence nécessaire pour tester le produit.

Mais cette comparaison évite au moins une autre mythologie. En 2022, entraîner un modèle d'image sérieux pouvait déjà coûter des centaines de milliers de dollars de compute, sans nécessiter automatiquement les dizaines ou centaines de millions associés aujourd'hui aux plus gros modèles de langage.

Et le premier Midjourney pouvait être moins cher qu'un entraînement complet de Stable Diffusion s'il réutilisait des composants préentraînés. C'est techniquement plausible dans cet écosystème très ouvert. Cela reste une hypothèse tant que Midjourney ne publie pas la recette.

La bonne réponse tient donc en une phrase un peu moins satisfaisante qu'un tableau Excel : le coût exact des premiers entraînements de Midjourney n'est pas public, et les données disponibles ne permettent pas de le reconstruire proprement.

Les données, elles, sont moins mystérieuses

Sur un autre morceau de l'entraînement, Holz a été beaucoup plus direct.

Interrogé par Forbes en septembre 2022 sur la constitution du dataset, il décrit un gros scrape d'Internet et l'utilisation de jeux de données ouverts publiquement disponibles.3 Il confirme aussi qu'aucun système de consentement individuel des artistes vivants ou titulaires de droits n'avait été utilisé pour constituer cet ensemble.3

Dans une autre interview, lorsqu'on lui demande directement ce qu'il pense des considérations éthiques liées au fait d'entraîner ces modèles sur des images publiques, Holz ne défend pas le dataset par une théorie du consentement ou de la rémunération. Il déplace la question vers l'usage de l'outil.19 Il prend l'exemple d'un modèle capable de recréer Doom et raconte que John Carmack, co-créateur du jeu, ne voyait pas de problème particulier à ce qu'un système apprenne à partir de son œuvre. Holz reprend ensuite une analogie très simple : lorsqu'une personne invente un marteau, on ne devrait pas reprocher aux autres de planter des clous avec.19

La réponse est révélatrice parce qu'elle ne répond pas vraiment à l'accusation de vol d'images. Elle expose plutôt la philosophie de Holz : il considère l'IA comme un nouvel outil général, et juge surtout la technologie à sa capacité à résoudre des problèmes et à augmenter ce que les humains peuvent faire.19 Cela laisse ouvertes les questions plus concrètes qui nourrissent la controverse : qui avait le droit d'inclure les images dans les données, quelle différence il faut faire entre apprendre d'une œuvre et la reproduire, et si les créateurs devraient pouvoir refuser ou être rémunérés.

Autrement dit, sur les données, Midjourney est relativement transparent sur la provenance générale et beaucoup moins convaincant lorsqu'il faut expliquer pourquoi cette provenance suffirait à rendre l'entraînement légitime. Holz ne nie pas l'utilisation d'œuvres accessibles sur Internet ; il conteste surtout implicitement l'idée que cet apprentissage soit en lui-même une appropriation illégitime.3 19

Ce passage est important pour deux raisons.

D'abord, il montre que le mot « open » peut cacher des choses très différentes. Le code de CLIP peut être publié. Un checkpoint de diffusion peut être téléchargeable. Un dataset peut être diffusé sous une certaine licence. Et un modèle commercial peut ensuite être entraîné sur un assemblage de ressources ouvertes et d'images collectées sur le Web. Tout cela se trouve parfois résumé par « basé sur de l'open source », comme si une seule licence couvrait toute la chaîne.

Ensuite, il rappelle que l'avantage de Midjourney ne pouvait pas rester longtemps uniquement dans les données de départ. N'importe quel concurrent suffisamment financé pouvait lui aussi rassembler énormément d'images. L'entreprise devait apprendre quelque chose que les autres n'avaient pas.

C'est exactement ce qui arrive avec V3.

Discord n'était pas seulement une interface paresseuse

Vu de loin, lancer un générateur d'images dans Discord ressemble à la décision d'une équipe trop petite pour fabriquer un vrai produit web.

Il y a probablement eu un peu de ça. Une intégration Discord évite de construire immédiatement comptes, chat, partage, communauté, notifications et une partie de l'infrastructure sociale. Mais les tests utilisateurs de Midjourney montrent aussi que l'équipe avait constaté que son public initial préférait cet environnement.10

Le résultat change la nature du produit.

Dans une application classique, vous tapez un prompt, attendez, regardez votre image et recommencez. Dans les salons publics de Midjourney, vous voyez en permanence les générations des autres, leurs mots, leurs erreurs, leurs variations et leurs choix. L'utilisation devient observable.

Discord décrit une première petite bêta privée, puis un système d'invitations où les abonnés peuvent faire entrer leurs proches. En juillet 2022, le serveur devient publiquement accessible. Dans les trois mois suivant les premiers tests privés, l'application atteint le précédent plafond d'un million de membres du serveur.10

La croissance finit même par obliger Discord à modifier sa propre infrastructure. Dans un billet technique consacré à « Maxjourney », Discord décrit plus tard le défi d'un serveur dépassant dix millions de membres avec plus d'un million de personnes connectées simultanément.16

Ce choix donne à Midjourney plusieurs choses en même temps : une interface, une distribution organique, une démonstration permanente du produit et une communauté qui apprend publiquement à mieux l'utiliser.

Mais il produit surtout quelque chose de beaucoup plus précieux pour un laboratoire de modèles : des préférences.

V3 : le moment où les utilisateurs commencent à entraîner l'avantage

Lorsqu'une personne reçoit quatre images, elle ne se contente pas de consommer un résultat. Elle choisit.

Elle demande l'upscale de celle-ci. Elle génère des variations de celle-là. Elle abandonne les deux autres. Elle change son prompt. Elle recommence. À grande échelle, ces gestes forment une trace extrêmement riche de ce que des humains trouvent intéressant.

En août 2022, Holz explique à The Register que V3 est la première version à intégrer une boucle de feedback basée sur l'activité et les réactions des utilisateurs. Il insiste sur un détail : l'amélioration spectaculaire de V3 n'est pas venue, selon lui, de davantage d'art ajouté au dataset. Elle est venue des données montrant quelles images les utilisateurs aimaient et comment ils utilisaient le système.2

Là, l'histoire de Midjourney change de nature.

Au début, le laboratoire profite d'une vague de science ouverte : CLIP, papiers de diffusion, code public, checkpoints, notebooks communautaires. Une petite équipe peut expérimenter parce qu'elle n'a pas besoin de réinventer chaque brique fondamentale.

Puis le produit commence à générer une ressource qui n'existe nulle part ailleurs sous la même forme : les préférences de ses propres utilisateurs.

Holz reprend encore cette idée en 2026. Il décrit Midjourney comme un gros modèle qui reçoit des dizaines de signaux provenant de millions de personnes et réfléchit à des boucles où l'exploration collective peut être amplifiée plutôt que simplement répétée.1

C'est probablement une meilleure définition de son moat que « Midjourney a un style plus joli ».

L'esthétique est visible. La boucle qui la produit l'est beaucoup moins.

V4 marque la rupture technique la plus documentée

En novembre 2022, Midjourney sort V4. Pour la première fois, sa propre documentation emploie des mots très nets : nouvelle base de code et nouvelle architecture d'IA, conçues par Midjourney, entraînées sur son nouveau supercluster.4

Quelques mois plus tard, Google donne le détail d'infrastructure qui manquait jusque-là. Midjourney a entraîné la quatrième version de son algorithme sur des Cloud TPU v4 avec JAX, tandis que l'inférence tourne sur GPU.9

Cela ne révèle toujours pas l'architecture du modèle. Mais cela dessine une transition.

V1 à V3 naissent dans une période où Midjourney parle ouvertement des inspirations de la communauté mais protège déjà sa stack exacte. V4 est présentée comme une architecture nouvelle conçue en interne, entraînée sur une infrastructure de très grande échelle. Entre les deux, l'entreprise a acquis des utilisateurs, de l'argent, des données de préférence et une raison de ne plus dépendre uniquement des briques qui avaient rendu les premières expériences possibles.

Autrement dit, l'open source n'a pas été le produit final. Il a été l'accélérateur de départ.

C'est une trajectoire assez classique dans la technologie, sauf que Midjourney l'a parcourue à une vitesse étrange : moins d'un an entre une V1 en 256 pixels issue d'une période d'expérimentation et une V4 que l'entreprise décrit déjà comme une nouvelle architecture maison.4

Le pari financier était presque l'inverse de Leap Motion

Pendant que la technologie se ferme, la structure financière reste étonnamment simple.

En août 2022, Holz dit à The Register que Midjourney compte environ dix personnes, est autofinancé, sans investisseur et déjà rentable.2 Son modèle économique tient alors dans une équation presque brutale : générer une image coûte cher, l'utilisateur paie ce coût de calcul, Midjourney ajoute une marge, et cette marge doit financer l'équipe et la suite de la recherche.2

Ce n'est pas exactement le playbook habituel de l'IA générative, où une société lève d'abord une montagne de capital pour acheter du calcul avant de découvrir combien un utilisateur acceptera de payer.

L'expérience Leap Motion aide à comprendre cette préférence. En 2023, The Information rapporte que Holz s'est refroidi vis-à-vis du capital-risque après cette première entreprise, financée massivement puis vendue pour beaucoup moins que son pic de valorisation.11 Midjourney, lui, refuse les sollicitations de fonds et réinjecte une part importante de ses revenus dans les puces nécessaires à l'entraînement et à l'inférence.11

Le récit de Holz en 2026 pousse la logique encore plus loin. Il explique qu'il n'était pas fondamentalement opposé aux investisseurs. Il voulait simplement utiliser son argent d'abord. Puis il l'a utilisé jusqu'au bout.1

Cette contrainte a un effet intéressant : la recherche doit rencontrer un produit payant très vite.

Un laboratoire financé par un gros tour peut passer plusieurs années à considérer le revenu comme un problème futur. Midjourney n'avait pas cette option. Si le coût d'inférence par utilisateur est élevé et que votre capital personnel approche zéro, « les gens trouvent-ils ça assez utile pour payer ? » cesse d'être une métrique de présentation. C'est le bouton marche-arrêt du laboratoire.

Il ne faut pas en tirer la morale facile « les investisseurs sont mauvais ». Sans le réseau de Holz, son expérience précédente et l'accès au compute de Google, un inconnu avec moins 1 000 dollars ne reçoit probablement pas 10 000 GPU en expliquant qu'il a une idée intéressante sur l'imagination.

Le bootstrap de Midjourney n'est pas né dans le vide. Il s'appuie sur du capital social, une décennie d'expérience, des relations industrielles et un écosystème de recherche ouvert. C'est précisément ce qui le rend plus intéressant qu'une affiche motivationnelle sur l'entrepreneuriat.

Les revenus : solides dans leur direction, flous dans leur précision

La croissance financière de Midjourney est suffisamment forte pour ne pas avoir besoin d'être embellie.

En 2023, The Information rapporte que l'entreprise est en route pour dépasser 200 millions de dollars de revenus avec environ 40 employés, sans capital extérieur et avec une activité rentable.11 En 2026, le profil Forbes de la société cite PitchBook pour 300 millions de dollars de revenus sur l'exercice 2024, toujours avec une entreprise profitable et sans financement externe.17

Ensuite, les chiffres deviennent plus mous.

Andrew.ooo avance 500 millions de dollars en 2025 et 163 employés, ce qui donne environ 3,07 millions par salarié.14 On retrouve cette estimation sur plusieurs sites qui la reprennent, mais je n'ai pas trouvé de document financier primaire ou d'enquête indépendante de même qualité que The Information pour verrouiller précisément ces deux valeurs.

Il vaut donc mieux lire le tableau suivant comme des niveaux de confiance différents :

Le point qui résiste à cette incertitude n'est pas le ratio exact au centime près. C'est qu'une société d'IA entraînant ses propres modèles a atteint plusieurs centaines de millions de dollars de revenus avec une équipe exceptionnellement petite et sans tour de VC traditionnel.11 17

C'est déjà assez bizarre. Pas besoin de lui ajouter un faux zéro quelque part.

Le « zéro marketing » mérite aussi un astérisque

Une autre formule revient souvent : Midjourney aurait construit tout cela avec « zéro marketing ».14

Comme chiffre comptable, je n'ai pas trouvé de source primaire permettant de confirmer littéralement une dépense marketing égale à zéro sur plusieurs années. Midjourney a une marque, une communauté, des partenariats, des événements et une présence publique. Décider quelle dépense appartient ou non à une ligne « marketing » dépend aussi de la comptabilité de l'entreprise.

En revanche, l'idée plus intéressante derrière la formule est bien documentée : la distribution était intégrée au produit.

Discord explique que Midjourney s'est développé organiquement depuis sa bêta privée, d'abord par invitations puis par ouverture du serveur. L'application est ensuite sortie de son propre serveur : Discord indique qu'elle a été installée dans environ sept millions de serveurs.10

Chaque utilisation publique montre le produit à d'autres personnes. Chaque image est à la fois résultat, exemple, tutoriel involontaire et parfois publicité sociale. Les utilisateurs apprennent à prompter en regardant les autres. Les créations circulent ailleurs sur Internet sans que Midjourney ait besoin d'acheter l'espace où elles apparaissent.

Ce n'est pas « pas de distribution ».

C'est une distribution dont une partie du coût est absorbée par l'usage lui-même.

Et, encore une fois, cette distribution produit en retour de meilleures données pour le modèle. Le système économique et le système d'entraînement commencent à se confondre.

La boucle Midjourney

On peut maintenant reconstruire l'origine de Midjourney sans avoir besoin de combler les trous par de la légende.

En 2021, plusieurs avancées deviennent simultanément exploitables. CLIP relie langage et image. Les modèles de diffusion gagnent brutalement en qualité. Des chercheurs publient du code et des checkpoints. Des artistes comme Katherine Crowson montrent que ces briques peuvent devenir des instruments créatifs pilotés par du texte.2 5 6

Holz arrive avec une question plutôt qu'avec une architecture : comment augmenter l'imagination humaine ? Il reconnaît dans la diffusion un mécanisme adapté à un problème où « bon » et « mauvais » ne se réduisent pas facilement à une métrique.1

Une petite équipe construit ses premiers modèles. Leur recette exacte reste secrète, mais leur généalogie scientifique est visible. V1 tourne déjà en février 2022. V2 suit en avril. Le produit grandit dans Discord, puis la bêta s'ouvre largement en juillet.4 10

Le service doit ensuite résoudre un problème que les notebooks de recherche n'avaient pas : servir énormément de générations en parallèle. Holz raconte avoir demandé à Google 10 000 GPU pour la semaine de lancement à l'échelle.1

Les utilisateurs paient assez vite pour couvrir ce compute et dégager une marge. Cela évite le tour de financement. Plus de clients financent plus d'infrastructure. Plus d'utilisation produit plus de signaux de préférence. Ces signaux améliorent V3. Un meilleur modèle attire davantage d'utilisateurs. Les revenus financent le supercluster et V4, qui devient une architecture Midjourney explicitement conçue en interne.2 4 9

La boucle ressemble à ça :

recherche ouverte
      ↓
prototypes diffusion + texte
      ↓
produit social sur Discord
      ↓
utilisateurs payants
      ↓
compute financé par le produit
      ↓
préférences et comportements utilisateurs
      ↓
meilleur tuning / nouveaux modèles
      ↓
plus d'usage
      ↺

C'est là que Midjourney devient difficile à copier.

Copier un papier est possible. Télécharger un checkpoint aussi. Refaire une interface de génération d'images n'est pas très mystérieux. Recréer plusieurs années de choix utilisateurs, une communauté géante, une esthétique continuellement ajustée et une infrastructure financée par des revenus récurrents est un autre travail.

Alors, sur quel modèle Midjourney est-il « basé » ?

La question appelle une réponse différente selon la période.

Pour les premières expérimentations, Midjourney est clairement issu de l'écosystème CLIP + diffusion de 2021. Holz cite directement le CLIP-guided diffusion de Katherine Crowson. Le code et les checkpoints OpenAI disponibles à cette époque montrent le type de matière technique accessible à une petite équipe.2 6

Pour V1 à V3, l'architecture exacte est inconnue. Midjourney entraînait ses propres gros modèles et refusait déjà de détailler sa stack.2 Il est donc incorrect de les appeler simplement « modèles open source », tout comme il est incorrect de les présenter comme des fine-tunes publics de Stable Diffusion.

Pour V4, Midjourney dit explicitement avoir créé une nouvelle base de code et une nouvelle architecture, entraînées sur son supercluster.4 Google confirme TPU v4 + JAX pour l'entraînement et GPU pour l'inférence.9

Pour les versions suivantes, le système devient encore plus propriétaire. L'entreprise parle publiquement de ses capacités et de ses objectifs, beaucoup moins de ses poids et de ses architectures.

La réponse courte serait donc : Midjourney est né grâce à une vague de recherche et de code très ouverts, puis a rapidement entraîné une technologie propriétaire dont il publie peu de détails.

Ce n'est pas contradictoire. C'est même probablement le cœur de son histoire.

Et combien a coûté le premier entraînement ?

Après toute cette recherche, la réponse reste : nous n'avons pas le chiffre.

On peut néanmoins dire ce que nous savons sans tricher :

Le benchmark Stable Diffusion 1.5 à environ 320 000 dollars de compute donne une échelle possible pour un gros entraînement text-to-image de cette époque, rien de plus.13

Si quelqu'un annonce demain que « Midjourney V1 a coûté exactement 100 000 dollars », la bonne première question n'est pas de discuter le nombre. C'est de demander la facture.

Ce que Midjourney a réellement inventé

Il serait excessif de créditer Midjourney de l'invention des modèles de diffusion, de CLIP ou même de l'idée de guider visuellement un générateur avec du langage. Les papiers, dépôts et expérimentations publiques racontent une histoire collective beaucoup plus riche.5 6 7

Il serait tout aussi réducteur de dire que l'entreprise n'a fait qu'emballer le travail des autres.

Son innovation initiale la plus évidente est peut-être d'avoir compris très tôt que la diffusion pouvait devenir un produit social à haute fréquence, pas seulement une démo de recherche. Holz revendique en 2026 le fait d'avoir été la première entreprise à déployer des modèles de diffusion à cette échelle. C'est son affirmation, donc il faut la garder attribuée, mais le défi de scaling décrit à la fois par lui et par Discord est réel.1 16

Ensuite vient la boucle de préférence. Midjourney ne s'est pas contenté de demander aux utilisateurs de noter occasionnellement un benchmark. Il a placé le choix au milieu de l'interface normale : quatre images, une décision, une variation, un upscale, un autre prompt. V3 montre que l'entreprise utilisait déjà ces signaux pour améliorer le système quelques mois après le lancement.2

Enfin vient le modèle économique. Facturer assez tôt pour que l'usage paie le compute a permis à Midjourney de transformer ses utilisateurs en financement de recherche. C'est moins glamour qu'un nouveau mécanisme d'attention, mais probablement aussi important pour expliquer pourquoi le laboratoire existe encore sous cette forme.

Holz aime dire qu'il ne veut pas construire une machine imaginative, mais augmenter l'imagination des humains.3 On peut discuter longtemps de la formule, notamment avec les artistes dont les œuvres ont alimenté les données sans consentement. Mais elle explique une décision produit très concrète : Midjourney a été construit autour de l'exploration, du choix et de la réaction humaine plutôt qu'autour d'un simple bouton « produire l'image finale ».

En 2026, il appelle même son horizon interne une « singularité esthétique » : produire collectivement en un an plus d'exploration visuelle que dans toute l'histoire précédente.1

C'est une ambition suffisamment démesurée pour mériter de rester une ambition. Mais elle éclaire rétrospectivement le premier Midjourney.

Le point de départ n'était pas un modèle magique enfermé dans une cave. C'était un ensemble de recherches fraîchement publiées, une petite équipe capable de les assembler assez vite, un fondateur prêt à brûler son propre capital et un salon Discord où chaque personne qui jouait avec quatre images apprenait aussi, sans forcément le savoir, au système ce qu'elle préférait.

Le modèle était important. La boucle l'était davantage.