InfrastructurePandaily 24 juin 2026

Le marché des puces pour l'IA incarnée s'intensifie, plusieurs acteurs en lice pour la domination

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Le marché des puces pour l'IA embarquée (dite "embodied AI") connait une intensification brutale de la concurrence, avec plusieurs acteurs majeurs qui lancent ou annoncent des processeurs capables de faire tourner de l'IA directement sur des robots, véhicules autonomes et appareils connectés. Nvidia occupe actuellement le haut du spectre avec son module Jetson Thor : jusqu'à 2 070 TFLOPS en FP4, 128 Go de mémoire, et une enveloppe thermique configurable entre 40 W et 130 W. Qualcomm attaque le milieu de gamme industriel avec son Dragonwing IQ10, qui affiche 700 TOPS, 18 coeurs CPU Oryon, et le support de 12 caméras GMSL2 simultanées -- l'entreprise mise sur une conception de référence complète (capteurs, contrôle moteur, réseau, stack logiciel) pour séduire les fabricants de robots mobiles autonomes (AMR) et de robots de service. Côté chinois, RoboRobot, filiale d'Horizon Robotics, a lancé le Sunrise S600 avec 560 TOPS (INT8) sur une architecture hétérogène BPU Nash à 4 blocs, déjà optimisé pour les modèles Qwen3 et YOLO26x. Muxi, fabricant de GPU chinois, a formé une coentreprise avec le constructeur de robots humanoïdes Ubtech, baptisée Xixuan Chuangzhi Technology, avec un tape-out prévu au second semestre 2027 et une production en volume en 2028.

Cette ruée vers la puce robotique révèle un glissement structurel : l'IA migre des datacenters vers la périphérie, avec des contraintes sévères en puissance, thermique et coût que les GPU datacenter ne peuvent pas absorber. La stratégie de Qualcomm illustre une tendance de fond -- il ne suffit plus d'offrir des TOPS bruts, il faut livrer un système intégré et certifié, réduisant le time-to-market pour les intégrateurs industriels. La bataille sino-américaine est particulièrement significative : Horizon Robotics capitalise sur son expérience automotive (déploiements en série dans l'industrie automobile chinoise) pour attaquer la robotique avec une toolchain déjà battle-tested. La coentreprise Muxi-Ubtech vise explicitement la production de masse dès 2028, ce qui en ferait un acteur crédible au moment où le marché des humanoïdes devrait atteindre les premiers déploiements commerciaux à grande échelle.

La convergence entre automotive et robotique n'est pas anodine. SemiDrive propose une architecture à trois niveaux -- puce R1 pour la perception et la planification, D9 pour la coordination motrice, E3-R pour l'exécution au niveau des articulations -- calquée sur les architectures centralisation/zonale des véhicules électriques. Black Sesame, avec sa série SesameX, et les divisions silicium de Li Auto (puce Mach M100) et XPeng (puce Turing) démontrent que les constructeurs automobiles chinois développent leur propre silicon pour le physical AI. Nvidia conserve un avantage d'écosystème considérable via CUDA, Isaac et Cosmos, mais sa dépendance aux contrôles à l'export américains laisse un espace que les acteurs chinois entendent occuper avant 2029.

Impact France/UE

L'absence d'acteur européen dans cette course au silicon embarqué expose les fabricants de robots FR/EU à une dépendance structurelle vis-à-vis des écosystèmes américain et chinois, sans alternative locale en vue.

Dans nos dossiers

UBTech IA physique & VLA

À lire aussi

1NVIDIA Blog Robotics

NVIDIA dévoile les nouveaux ordinateurs Jetson Thor pour démocratiser la robotique et l'IA en périphérie

NVIDIA a présenté les modules Jetson T3000 et T2000, basés sur l'architecture Thor, avec pour objectif de démocratiser les supercalculateurs d'IA embarquée pour la robotique et les systèmes autonomes. Le Jetson et IGX T3000 délivre 865 téraflops en FP4 dans un format deux fois plus compact et moins gourmand en énergie que le T5000, grâce à un GPU Blackwell, un CPU Arm Neoverse huit cœurs, 32 Go de mémoire LPDDR5X, une bande passante de 273 Go/s et une connectivité 25 GbE. La version IGX T3000 intègre en plus une sécurité fonctionnelle certifiée et fait tourner la pile Halos for Robotics pour les robots évoluant à proximité d'humains. Le T2000, plus modeste avec 400 téraflops FP4 et 16 Go de mémoire, cible les robots mobiles autonomes, les bras manipulateurs industriels et les agents visuels. L'ensemble porte la gamme Jetson d'une fourchette de 70 TOPS à 2 000 téraflops. Des entreprises comme 1X, Agility, Agile Robots, Amazon Robotics, Boston Dynamics, FANUC, Hitachi, Medtronic ou Techman Robot construisent déjà sur cette plateforme. NVIDIA a également lancé des "agent skills" logiciels d'optimisation mémoire : UBTech, Agile Robots et Connect Tech affirment avoir réduit leur usage mémoire jusqu'à 15 Go, permettant de repasser d'un module Orin 64 Go à 32 Go ; SandStar évoque 4 Go économisés dans le retail intelligent, et NoTraffic annonce 30% de mémoire libérée sur Jetson TX2 NX. L'enjeu réel n'est pas la puissance de calcul brute, déjà abondante, mais son coût. En pleine flambée des prix mémoire, réduire l'empreinte RAM permet de descendre d'un cran dans la gamme de composants sans perdre en performance, un levier direct sur les marges des fabricants de robots humanoïdes qui cherchent à passer du prototype à la production de série. Ces annonces confirment surtout que la quasi-totalité des acteurs majeurs de la robotique humanoïde et industrielle s'appuie sur le même socle silicium NVIDIA plutôt que de développer leurs propres puces, une dépendance qui pèsera sur les rapports de force à mesure que les volumes augmentent. Il faut toutefois noter que les chiffres de gains mémoire proviennent de témoignages clients sélectionnés par NVIDIA, sans benchmark indépendant, et que les performances FP4 annoncées restent des mesures constructeur. Ces modules Thor succèdent au Jetson AGX Thor dévoilé précédemment et prolongent la lignée Jetson Orin, avec un objectif affiché de couvrir tous les segments d'edge AI, du drone au robot industriel. Aucun acteur français ou européen de la robotique n'est cité parmi les entreprises partenaires mentionnées dans cette annonce. La suite passera par l'élargissement progressif des "agent skills" à l'ensemble du portefeuille Jetson, Thor comme Orin, et par l'intégration continue de nouveaux clients robotique dans l'écosystème Thor.

InfrastructureOpinion

1 source

2Pandaily

WUWENAI a choisi de tracer la voie à l'intersection de l'IA incarnée

Lors du salon chinois WAIC en juillet 2026, les stands de robots humanoïdes ont délaissé les démonstrations chorégraphiées, coups de poing, danses, pour montrer des machines au travail sur des répliques de lignes de production à l'échelle 1:1 : picking, tri, assemblage. Les financements ont suivi, avec plus de 300 opérations recensées au premier semestre dans l'IA incarnée et sa chaîne d'approvisionnement en Chine, pour plus de 90 milliards de yuans (environ 11,5 milliards d'euros), et des effectifs multipliés par quinze en quatre mois. Derrière cet emballement, un goulot d'étranglement inquiète le secteur : la donnée. Un robot ne peut hériter du texte et des vidéos d'internet ; il lui faut un corpus physique propre, frictions entre matériaux, forces générées par des charges variées, boucle causale entre une pince et l'objet saisi. Le secteur estime disposer de quelques centaines de milliers d'heures de données de manipulation de qualité, quand un robot généraliste en réclamerait plusieurs dizaines de millions. La téléopération est précise mais coûteuse, la vidéo à la première personne bon marché mais pauvre en trajectoire et en force, et la simulation pure échoue au transfert vers le réel. C'est sur ce constat que la startup chinoise WUWENAI, fondée par Liu Shengxiang, ex-responsable data et tests de la conduite autonome chez Baidu, a bâti son offre : une boucle fermée virtuel-réel articulée autour de trois briques, une Data Factory de collecte multimodale en environnement réel, un World Model générant scénarios et cas limites en simulation, et un World Simulator chargé de l'entraînement et de l'évaluation à grande échelle. Pour les intégrateurs et décideurs industriels, le pari de WUWENAI dépasse le simple fournisseur de données : si un simulateur reproduit fidèlement la physique réelle, un robot peut multiplier à faible coût les cycles d'essai-erreur en simulation et basculer de l'apprentissage par imitation vers l'apprentissage par renforcement, sur le modèle d'AlphaGo. Cela reviendrait à contredire l'hypothèse selon laquelle le fossé entre démonstration et réalité, le sim-to-real gap, resterait le principal frein au déploiement des VLA (vision-language-action) à grande échelle. Reste que ces gains sont pour l'instant revendiqués par l'entreprise elle-même, sans validation indépendante rendue publique : l'affirmation mérite d'être prise comme une thèse industrielle plutôt qu'un résultat déjà démontré à grande échelle. L'architecture de WUWENAI, baptisée Real2Sim2Real, aurait été déployée plusieurs mois avant que World Labs, la société de Fei-Fei Li, rachète SceniX, un rapprochement que Liu Shengxiang lit comme un signal : un world model ne devient une infrastructure utile que connecté à de la donnée réelle, à de la simulation robotique et à une boucle de rétroaction terrain, la seule génération vidéo ou 3D ne suffisant pas. La startup se positionne ainsi face à des acteurs mieux capitalisés qui développent chacun leur propre pile, World Labs, Tesla avec Optimus, et Google DeepMind. Son pari reste structurel : la contrainte des modèles d'IA incarnée se déplace des paramètres vers la donnée qu'ils peuvent ingérer, dans un secteur qui passe de la simple collecte brute à une infrastructure de données orchestrée.

InfrastructureOpinion

1 source

3Pandaily

De la mobilité à l'action : Zhejiang IPLUSMOBOT construit une plateforme fondation d'IA incarnée industrielle avec sa gamme robotique NERA

Zhejiang IPLUSMOBOT Technology a présenté sa gamme NERA d'intelligence incarnée lors du WAIC 2026, avec deux produits : le châssis omnidirectionnel NERA-P et le contrôleur NERA-C. Issue de l'équipe de robotique de l'Université du Zhejiang, l'entreprise revendique une expertise en perception multimodale, navigation autonome et planification multi-robots, et dispose d'un site de production de 16 000 mètres carrés. Le NERA-P intègre des algorithmes de positionnement et de navigation par fusion multimodale validés en environnement industriel, avec des interfaces mécaniques et électriques standardisées, destinées aux intégrateurs de robots humanoïdes qui veulent éviter de redévelopper leur propre châssis pour se concentrer sur la conception du corps et de la préhension. Le NERA-C cible les robots à roues-pattes et quadrupèdes : il regroupe cartographie, positionnement, navigation, contrôle de mouvement et gestion de charge utile sur une plateforme unique, avec cartographie mixte intérieur-extérieur. Il s'appuie sur le système CLOUDIA pour la gestion de flottes et l'orchestration de robots hétérogènes, et propose des outils de déploiement graphique low-code destinés aux intégrateurs de solutions d'inspection. La thèse d'IPLUSMOBOT est que la valeur de l'IA incarnée ne dépend pas seulement des capacités cognitives des modèles, mais de la fiabilité avec laquelle un agent peut agir physiquement dans la durée, malgré des conditions rares, des contraintes de sécurité, de précision, de cadence de production et de retour sur investissement. Alors que l'attention du secteur se porte sur les formes humanoïdes, les modèles VLA et l'intelligence cognitive générale, la mobilité est souvent traitée comme un problème déjà réglé. IPLUSMOBOT conteste ce postulat : pertes de positionnement, arrêts liés à des collisions et conflits d'ordonnancement continueraient, selon l'entreprise, d'affecter directement la cadence des lignes de production et la disponibilité des systèmes. En proposant une brique de mobilité standardisée plutôt qu'un robot humanoïde complet, IPLUSMOBOT se positionne comme fournisseur d'infrastructure plutôt que comme concurrent direct des fabricants de robots, une illustration de la division du travail qui s'installe dans la filière entre spécialistes de la mobilité et équipes qui construisent l'intelligence et les applications par-dessus. Pour l'instant, il s'agit d'une annonce de gamme présentée en salon, sans données publiques de déploiements clients, de volumes ou de tarifs. Le projet trouve son origine dans les travaux de l'équipe de robotique de l'Université du Zhejiang sur les robots mobiles autonomes, un segment où IPLUSMOBOT revendique plusieurs années de déploiements industriels avant de formaliser cette expérience en plateforme réutilisable. La gamme NERA s'inscrit dans un marché chinois de la robotique incarnée en forte accélération, porté sur le segment humanoïde par des acteurs comme Unitree, Fourier Intelligence ou AgiBot, mais où peu de fournisseurs proposent explicitement une couche de mobilité découplée du reste du robot. IPLUSMOBOT mise sur l'ouverture et la standardisation des interfaces pour accélérer les livraisons de ses partenaires, en pariant que quel que soit le vainqueur de la course aux formes robotiques ou aux architectures d'IA, un déplacement stable, sûr et efficace restera un prérequis incontournable pour l'industrie. L'entreprise n'a pas communiqué de calendrier de déploiements pilotes ni de partenariats nommés à ce stade, la présentation au WAIC 2026 servant avant tout à positionner NERA-P et NERA-C comme fondation technique disponible pour les intégrateurs du secteur.

InfrastructureActu

1 source

4arXiv cs.RO

Planification à base d'agents en lots pour le service de politiques robotiques

Des chercheurs du Georgia Tech (laboratoire RL2) publient un article intitulé "Action Chunk Scheduling for Batched Robot Policy Serving" (arXiv:2608.00337v1), qui pose un problème encore peu formalisé dans la robotique : comment servir un même modèle de politique robotique, hébergé sur un GPU distant, à plusieurs robots simultanément. Les auteurs présentent Armory, un système de service ("serving") conçu pour cet usage et validé à la fois sur des flottes de robots simulés et sur des robots réels. Leurs expériences montrent que les heuristiques de scheduling classiques (les méthodes de batching habituelles en inférence LLM) fonctionnent correctement tant que tous les robots de la flotte sont identiques et consomment les actions au même rythme. Mais dès que les robots consomment leurs "action chunks" (blocs d'actions produits par les modèles Vision-Language-Action) à des vitesses différentes, ces heuristiques échouent : elles ne tiennent pas compte des contraintes en boucle fermée ("closed-loop") propres à l'exécution de politiques robotiques. Pour corriger ce défaut, l'équipe propose un nouvel algorithme de scheduling qui intègre cette hétérogénéité de rythme entre robots, avec un gain de débit système mesuré jusqu'à 18 % lors d'essais réels. Le code et les détails sont disponibles sur gatech-rl2.github.io/actionchunkscheduling. Le résultat touche un point aveugle du déploiement à grande échelle des modèles fondation pour la robotique (VLA type Pi-0, GR00T N2, Helix ou autres) : le calcul embarqué est limité en puissance et en encombrement, ce qui pousse naturellement vers une inférence déportée sur GPU distant, mutualisée entre plusieurs robots pour amortir les coûts. Or les architectures de batching héritées du monde LLM, pensées pour du texte asynchrone, ignorent la contrainte physique du temps réel robotique : un robot qui épuise son buffer d'actions avant d'être resservi s'arrête ou dégrade sa trajectoire. Ce papier démontre empiriquement que cette mécanique de service compte autant que la qualité du modèle lui-même pour faire fonctionner une flotte hétérogène en production, un enjeu direct pour les intégrateurs qui veulent mutualiser l'inférence entre robots de générations ou de tâches différentes plutôt que de multiplier les cartes embarquées. Ce travail s'inscrit dans la vague récente de modèles VLA génériques (Pi-0 de Physical Intelligence, GR00T N2 de NVIDIA, Helix de Figure) qui cherchent à démontrer un contrôle robotique à l'échelle d'une flotte plutôt qu'à l'unité, un terrain où l'infrastructure de service devient aussi critique que l'entraînement. En formalisant le problème comme un scheduling explicite et en le testant sur du matériel réel plutôt que seulement en simulation, les auteurs positionnent Armory comme une brique d'infrastructure réutilisable, potentiellement comparable aux serveurs d'inférence LLM (type vLLM) mais adaptée aux contraintes temps réel de la robotique. L'article ne précise pas de partenariat industriel ni de déploiement commercial annoncé ; il s'agit pour l'instant d'un résultat de recherche académique, avec du code ouvert, plutôt que d'un produit prêt à l'emploi.

InfrastructureActu

1 source