InfrastructureRobotics Business Review 30 juillet 2026

5 plateformes d'infrastructure pour l'IA physique qui façonnent la robotique en 2026

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

NVIDIA reste l'acteur le plus fondamental de l'infrastructure IA physique, avec sa suite Isaac qui couvre simulation, apprentissage robotique, modèles de fondation et évaluation de politiques : Isaac Sim pour la simulation physique, Isaac Lab pour l'entraînement de modèles de fondation, Isaac GR00T pour le développement humanoïde généraliste, et Isaac Lab-Arena pour l'évaluation de politiques à grande échelle accélérée par GPU. Au niveau physique, le moteur Newton, développé avec Google DeepMind et Disney Research et géré par la Linux Foundation, est un moteur open source accéléré par GPU couvrant contacts, friction, dynamique des corps rigides et souples, actionneurs et capteurs. Deuxième acteur cité, Applied Intuition, né pendant l'ère des véhicules autonomes, propose désormais une plateforme d'ingénierie de validation pour machines autonomes couvrant automobile, défense, poids lourds, mines, construction et agriculture.

Cette montée en puissance illustre un basculement structurel : l'infrastructure de l'IA physique ne se résume plus au calcul brut comme pour les grands modèles de langage, mais devient un empilement de couches interdépendantes, allant des démonstrations réelles à la simulation physique en passant par les données synthétiques et l'entraînement de politiques. Pour un robot, entraîner un modèle ne suffit pas : il faut prouver qu'il tiendra dans des conditions réelles coûteuses, dangereuses ou impossibles à reproduire physiquement à répétition, ce qui explique l'émergence de la validation comme discipline d'ingénierie à part entière, distincte du simple entraînement de modèles. L'avantage stratégique de NVIDIA ne tient pas à un produit isolé mais à sa capacité à relier calcul, génération de mondes virtuels, physique, données synthétiques, entraînement et déploiement embarqué au sein d'un même écosystème, ce qui en fait le substrat de développement le plus proche d'un standard commun pour le secteur. Reste une question ouverte : l'entreprise gardera-t-elle cet écosystème ouvert, ou l'orientera-t-elle davantage vers son propre matériel et ses propres logiciels, au risque de devenir une plateforme verticalement intégrée plutôt qu'un substrat neutre.

Sur le plan historique, NVIDIA a construit sa position en remontant progressivement de l'accélération matérielle vers la simulation, les modèles de fondation et l'évaluation, tandis qu'Applied Intuition a capitalisé sur son expertise acquise durant l'essor des véhicules autonomes pour l'étendre à l'ensemble des machines autonomes physiques. Ces deux plateformes ne représentent que deux des cinq points de contrôle identifiés dans la chaîne émergente de l'IA physique, les trois autres couvrant les opérations sur les données, l'outillage open source et l'apprentissage continu, des segments que la course à l'humanoïde et à l'automatisation industrielle devrait faire converger dans les prochains mois.

Dans nos dossiers

IA physique & VLA NVIDIA GR00T NVIDIA Isaac & Cosmos

À lire aussi

1arXiv cs.RO

Données et standards pour la robotique humanoïde : l'infrastructure manquante de l'IA physique

Un groupe de chercheurs impliqués dans l'élaboration de la norme ISO/WD 26264-1 au sein du comité technique ISO/TC 299/WG 16 publie un préprint arXiv (2606.19769, juin 2026) posant que la standardisation des données constitue le prochain verrou critique pour les robots humanoïdes. Leur thèse centrale: le goulot d'étranglement n'est pas seulement la rareté des données, mais leur caractère non cumulatif, causé par des coûts de collecte élevés, des silos organisationnels et des protocoles d'évaluation incompatibles. Les auteurs identifient trois conditions pour qu'un jeu de données soit réutilisable: l'expérience physique doit rester liée au corps du robot, à la tâche et au contexte d'exécution; les flux multimodaux doivent partager synchronisation temporelle, repères de coordonnées, calibration et unités documentées; les données doivent enfin être versionnées et traçables pour s'accumuler entre projets et organisations. L'enjeu est direct pour les équipes qui entraînent des modèles VLA (Vision-Language-Action) comme pi-0 de Physical Intelligence, GR00T N2 de NVIDIA ou Helix de Figure AI. Sans grammaire commune (métadonnées, provenance, versioning), chaque acteur repart de zéro à chaque nouveau déploiement. Pour un intégrateur industriel, cela signifie concrètement que des données collectées sur un site ne peuvent pas réentraîner un modèle sur un autre, même avec du matériel identique. L'article recadre le "sim-to-real gap" non pas comme un problème de simulation, mais comme un déficit d'alignement des référentiels physiques entre jeux de données: les hypothèses de synchronisation et de cinématique, si elles ne sont pas documentées, rendent les flux non interopérables dès le départ. La norme proposée s'articule en deux couches: une infrastructure horizontale couvrant le cycle de vie, les métadonnées, la qualité, le versioning et la traçabilité, et des parties spécifiques par capacité (manipulation, locomotion, interaction humain-robot, cognition). Le contexte est celui d'un secteur ou Figure AI, Boston Dynamics, Tesla (Optimus Gen 3), Unitree et 1X accumulent des données de manière cloisonnée, tandis que des initiatives ouvertes comme Open X-Embodiment (Google DeepMind) ou LeRobot (HuggingFace) posent des bases communes sans force normative. Le préprint est en phase WD (Working Draft) sans date de ratification annoncée: c'est une prise de position académique, pas une norme publiée ni un déploiement industriel.

UESi ratifiée, la norme ISO/WD 26264-1 structurera les pratiques de données des acteurs européens de la robotique humanoïde ; HuggingFace (Paris) est déjà cité comme contributeur aux bases ouvertes communes (LeRobot), sans force normative à ce stade.

InfrastructureOpinion

1 source

2Robotics & Automation News

Lightwheel annonce 100 millions de dollars de commandes au premier trimestre pour son infrastructure de robotique à IA physique

Lightwheel, startup américaine spécialisée dans l'infrastructure pour robots physiques, annonce avoir enregistré environ 100 millions de dollars de commandes au cours du seul premier trimestre 2026. La société développe des briques logicielles dédiées à la simulation, à la génération de données synthétiques, à l'évaluation de modèles et au déploiement à l'échelle de robots pilotés par de l'intelligence artificielle physique. Le communiqué ne précise ni les clients ni les volumes unitaires concernés, ce qui limite la portée des chiffres annoncés. Ce résultat, s'il se confirme, illustre un changement de phase dans le secteur : les industriels cessent d'expérimenter et commencent à chercher des solutions d'infrastructure clé-en-main pour passer des prototypes au déploiement réel. L'infrastructure de formation, simulation haute fidélité, pipelines de données synthétiques, évaluation en boucle fermée, émerge comme un marché autonome, distinct de la fabrication des robots eux-mêmes. Pour les intégrateurs et les équipes d'automatisation, cela signifie que la question n'est plus seulement "quel robot acheter ?" mais "quelle stack d'entraînement et de qualification choisir ?". Lightwheel s'inscrit dans l'écosystème dit de la "physical AI", terme popularisé par NVIDIA avec sa plateforme Isaac et ses partenaires comme Agility Robotics, Boston Dynamics ou Figure. Ses concurrents directs sur le segment données-simulation incluent Scale AI, Synthesis AI et les stacks propriétaires que développent en interne les fabricants de robots humanoïdes. La prochaine étape à surveiller : des références clients nommées et des métriques de déploiement réel, seuls indicateurs capables de valider que la demande annoncée se traduit en robots effectivement opérationnels en production.

InfrastructureActu

1 source

3Robotics Business Review

AWS lance une boîte à outils open source d'IA physique pour la robotique

AWS a lancé aujourd'hui une Physical AI Toolchain en open source, qui doit permettre aux roboticiens de passer de la collecte de données à l'entraînement, la simulation, la validation et le déploiement de modèles d'IA sur leurs robots. Elle assemble des services AWS et la pile logicielle Physical AI de NVIDIA dans un flux de développement unique, articulé autour de cinq briques : génération de données synthétiques, entraînement de modèles, simulation et validation, déploiement en périphérie (edge) et amélioration continue. AWS fournit Amazon SageMaker pour l'entraînement et AWS IoT Greengrass pour distribuer les modèles vers les appareils embarqués. NVIDIA apporte Isaac Sim, Isaac Lab, Isaac GR00T et Cosmos. Les composants peuvent être utilisés séparément ou combinés de bout en bout. Un industriel peut ainsi collecter des démonstrations d'une tâche, générer des scénarios supplémentaires de façon synthétique, entraîner ou affiner un modèle, le tester en simulation, puis le charger sur le robot physique. Les données remontées du terrain alimentent ensuite le cloud pour améliorer le modèle. Sri Elaprolu, directeur Frontier AI Science and Engineering chez AWS, parle d'un « easy button » censé épargner aux équipes la gestion de l'infrastructure. Pour les intégrateurs et les décideurs industriels, l'enjeu est le maillon manquant entre un modèle entraîné et un système fiable en conditions réelles. Aujourd'hui, chaque équipe assemble sa propre chaîne d'outils, ce qui coûte du temps et fragmente les pratiques. AWS cible aussi la rareté des données : contrairement aux LLM, il n'existe pas de corpus massif de données robotiques sur Internet, d'où le pari sur la donnée synthétique et la simulation, dont la fidélité au monde réel reste la question ouverte du sim-to-real. La toolchain est volontairement neutre vis-à-vis du matériel, ce qui la rend utilisable avec des humanoïdes, des bras ou des mobiles. À ce stade, il s'agit d'une offre d'infrastructure annoncée, sans chiffres de performance ni client de production nommé pour la chaîne complète : l'argument repose sur la promesse d'intégration plutôt que sur des résultats mesurés. Le lancement s'inscrit dans la stratégie d'AWS, qui revendique plus d'un million de robots dans les opérations d'Amazon et dit y avoir puisé des enseignements pour la toolchain. Elle ne remplace pas directement RoboMaker, la plateforme de simulation robotique dans le cloud fermée en 2025, que Sri Elaprolu présente comme un composant parmi d'autres de la pile robotique d'AWS. Les entrepôts d'Amazon restant des environnements contrôlés, il cite Telexistence, société japonaise qui déploie des humanoïdes dans des supérettes, avec plus de 300 unités selon lui et d'autres à venir. Ces lieux imposent une tolérance aux pannes plus faible et des temps de réaction plus courts. Face à NVIDIA, qui pousse sa propre pile, et aux fournisseurs cloud concurrents, AWS se positionne en couche d'orchestration plutôt qu'en constructeur. Le calendrier de déploiement et les premiers clients de la chaîne complète n'ont pas été précisés.

UEPas d\'impact direct sur la France/UE

InfrastructureActu

1 source

4Robotics Business Review

Intel évoque l'infrastructure nécessaire au passage à l'échelle de l'IA physique lors de RoboBusiness

Intel annoncera lors de RoboBusiness 2026, qui se tiendra les 20 et 21 octobre à Santa Clara, en Californie, une intervention consacrée à l'infrastructure nécessaire pour déployer l'IA physique à grande échelle. Nagesh Puppala, directeur général de l'activité IA physique et robotique chez Intel, donnera la conférence "From Models to Machines: Building the Open Infrastructure for Physical AI" le premier jour de l'événement, à 13h15 heure du Pacifique. La session portera sur les briques nécessaires pour faire passer l'IA physique du prototype à la production réelle : architectures ouvertes et orientées "edge", intégration de la perception, de la fusion de capteurs, de la planification de mouvement, du contrôle déterministe et de l'IA temps réel sur des environnements matériels et logiciels hétérogènes. Intel met en avant sa Robotics AI Suite, une plateforme de développement ouverte pour l'IA physique fonctionnant sur ses processeurs Intel Core et Core Ultra. Puppala, fort de plus de 25 ans d'expérience, a précédemment dirigé l'activité média d'Intel avant de rejoindre le segment Physical AI & Robotics au sein du Client Computing and Physical AI Group ; il est titulaire d'un MBA de NYU Stern, d'un master en informatique et d'un diplôme d'ingénieur mécanique. RoboBusiness fêtera à cette occasion ses 20 ans. Il s'agit ici d'une annonce de conférence et non d'un lancement produit ou d'un déploiement chiffré : aucun robot, aucun volume, aucun prix n'est associé à cette intervention. Le message d'Intel est néanmoins révélateur d'un basculement de discours dans le secteur : après une vague de démonstrations de modèles vision-langage-action (les VLA comme Pi-0, GR00T N2 ou Helix, et de robots comme Figure 03 ou Optimus Gen 3), l'accent se déplace vers l'ingénierie d'intégration, la fiabilité, la sécurité et le passage à l'échelle réelle. Pour les intégrateurs et décideurs industriels, cela confirme que la performance d'un modèle isolé ne suffit pas à garantir un déploiement robuste en usine ou en logistique, et que la bataille se joue aussi au niveau du calcul embarqué et des couches logicielles d'interopérabilité. Cette prise de parole s'inscrit dans la stratégie d'Intel visant à exister sur le segment du calcul robotique, un terrain aujourd'hui dominé par Nvidia avec ses plateformes Jetson et Isaac, et de plus en plus disputé par Qualcomm côté puces edge. En misant sur une approche ouverte autour de ses processeurs x86, Intel cherche à se positionner comme fournisseur d'infrastructure neutre pour les fabricants de robots humanoïdes, d'AMR et de systèmes autonomes, plutôt que comme concepteur de modèles. Aucun acteur français ou européen n'est mentionné dans cette annonce. La prochaine étape concrète reste la tenue de la session le 20 octobre 2026, sans calendrier de déploiement commercial associé à ce stade.

InfrastructureActu

1 source