InfrastructurearXiv cs.RO 5 août 2026

PhyAI : l'IA physique en temps réel en périphérie, avec un déploiement à grande échelle dans le cloud

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Publié sur arXiv début août 2026, PhyAI est un moteur d'inférence unifié pour l'IA physique, code et benchmarks disponibles en accès libre sur GitHub (mingti-org/phyai). Le système fait tourner un seul runtime sur les quatre étapes du cycle de vie d'une politique robotique : évaluation de modèle, rollout d'apprentissage par renforcement dans le cloud, service sur GPU en edge et déploiement embarqué. L'architecture isole dans des adaptateurs les briques spécifiques à chaque modèle (conditionnement, solveur, cache, sortie), tandis que le reste, exécution du graphe de calcul, kernels, gestion mémoire, services parallèles, est mutualisé. Les auteurs ont testé la portabilité de cette approche en intégrant MiniCPM-Robot le jour même de sa sortie via cette interface d'adaptateur. Les gains mesurés vont de 1,40x à 4,65x par rapport aux implémentations officielles de pi0, pi0.5, GR00T N1.7 et MiniCPM-Robot. Sur Cosmos3-Nano-Policy-DROID, la latence tombe de 2,46 à 1,18 seconde sur huit GPU H20 (CFG=2, parallélisme tensoriel TP=4), soit un facteur 2,08x.

Ce résultat vise directement les intégrateurs et ingénieurs robotique qui jonglent aujourd'hui entre plusieurs runtimes selon l'environnement de déploiement, un vrai point de friction dans l'industrialisation des politiques VLA (vision-language-action). En unifiant évaluation, entraînement et production sous un même code, PhyAI réduit le risque d'écart entre performances mesurées en labo et résultats sur le terrain, un problème classique du secteur. Les auteurs restent factuels sur les limites : des runtimes spécialisés demeurent plus rapides dans plusieurs configurations, l'objectif affiché étant une latence compétitive plutôt qu'un record absolu. L'apport le plus utile pour les décideurs techniques est le concept de "control-time Roofline", qui distingue les cas où le contrôle est limité par l'inférence de ceux limités par l'environnement : sur quatre suites LIBERO, pi0.5 s'avère limité par l'environnement tandis que Cosmos3 reste limité par l'inférence, une grille utile pour prioriser les investissements.

Les profils détaillés expliquent pourquoi un runtime unique ne suffit pas seul : sur GPU Hopper, à batch 1, l'expert d'action de pi0.5 représente 8,8% des calculs (FLOPs) mais 57,2% de la latence, un goulot qui retombe à 13,5% à batch 32, portant le débit à environ 100 échantillons par seconde. Cosmos3, dominé par la génération, ne gagne que 14,3% de débit entre batch 1 et 16. Ces travaux s'inscrivent dans la course à l'infrastructure d'inférence pour l'IA physique, alors que les familles pi0/pi0.5 (Physical Intelligence), GR00T (NVIDIA) et les VLA type Cosmos ou MiniCPM-Robot se multiplient, chaque laboratoire ayant historiquement développé son propre runtime maison.

Dans nos dossiers

IA physique & VLA NVIDIA GR00T Physical Intelligence — π0 arXiv cs.RO

À lire aussi

1arXiv cs.RO

Kairos : un système de déploiement extensible pour l'IA physique

Une équipe de chercheurs publie sur arXiv (référence 2605.11381, mai 2025) les spécifications de Kairos, un système d'inférence conçu pour les flottes de robots pilotées par des modèles de fondation. Kairos se positionne comme le premier système de serving multi-robot à intégrer nativement la boucle generate-execute, soit l'enchaînement asynchrone entre les phases d'inférence et d'exécution motrice propre à l'IA physique. Sur un ensemble de modèles et de plateformes robotiques, le système annonce une réduction de la latence bout-en-bout de 31,8 à 66,5 % par rapport aux pratiques de serving issues du monde de l'IA digitale, avec des gains qui s'accroissent avec la taille de la flotte déployée. L'argument central des auteurs tient à une inadéquation structurelle. Les systèmes actuels comme vLLM, TensorRT-LLM ou Triton ont été conçus pour les LLM textuels : ils traitent une requête jusqu'à complétion, sans état intermédiaire. L'IA physique fonctionne différemment : le modèle génère des blocs d'actions (action chunks) à chaque round d'inférence, le robot commence à exécuter pendant que le bloc suivant est calculé, et plusieurs cycles se succèdent sur une même tâche. Cette asynchronicité, ignorée par les serveurs digitaux classiques, crée un goulot d'étranglement critique pour les flottes industrielles. Si les chiffres se confirment en conditions réelles, les intégrateurs y gagneraient des cycles de contrôle plus courts et une capacité de scaling horizontal sans surcoût infrastructure proportionnel. Le contexte explique l'urgence de cette contribution. Depuis 2024, les modèles de fondation pour robots prolifèrent : Pi-0 de Physical Intelligence, GR00T N2 de NVIDIA, Helix de Figure AI. Ces VLA (Vision-Language-Action) ont franchi des seuils de généralisation inédits, mais l'infrastructure de déploiement n'a pas suivi le même rythme. Kairos tente de combler ce fossé côté serving. Il s'agit néanmoins d'un preprint non revu par les pairs : les benchmarks ne sont pas détaillés dans l'abstract, les modèles et robots de test ne sont pas nommés, et aucun déploiement en production n'est déclaré. Les métriques annoncées méritent donc une lecture prudente en attendant une validation expérimentale indépendante.

InfrastructureOpinion

1 source

2NVIDIA Blog Robotics

NVIDIA Jetson amène l'IA à base d'agents dans le monde physique

Lors du salon COMPUTEX à Taipei le 27 mai 2026, NVIDIA a annoncé JetPack 7.2 et le support de NemoClaw sur la plateforme Jetson, marquant une étape concrète dans le déploiement de l'IA agentique sur des systèmes embarqués physiques. JetPack 7.2 apporte le support du projet Yocto pour une distribution Linux allégée et personnalisable, CUDA 13 sur Jetson Orin, et le support MIG (Multi-Instance GPU) couplé à un noyau temps réel sur Jetson Thor, permettant de réserver des ressources GPU dédiées à des tâches déterministes comme la perception robotique. Le module Jetson AGX Orin 32 Go gagne également 20 % de performances, atteignant 241 TOPS d'inférence IA. NemoClaw, le framework agentique de NVIDIA, se déploie désormais sur Jetson en une seule commande. Deux partenaires sont déjà en production : Solomon, qui utilise NemoClaw pour coordonner raisonnement, perception, fusion de capteurs, locomotion et manipulation sur un robot humanoïde, et Advantech, qui déploie un "cerveau d'usine agentique" dans ses propres lignes de fabrication en combinant NemoClaw, Nemotron 3 et Jetson Thor pour la gestion de flottes robotiques et l'inspection de défauts. L'importance de cette annonce réside dans le passage de l'IA agentique des serveurs vers les systèmes embarqués en production industrielle, un écart que l'industrie peinait à combler. L'architecture en trois couches proposée, OS + compute en base (JetPack), skills d'automatisation développeur au milieu, et NemoClaw en orchestrateur applicatif au sommet, permet aux intégrateurs de construire des workflows agentiques complets sans infrastructure cloud. Pour un COO industriel ou un ingénieur robotique, le gain annoncé est celui du time-to-market : des tâches de déploiement et de configuration qui prenaient plusieurs semaines peuvent désormais être réduites à quelques jours grâce aux agent skills dérivées de la documentation officielle NVIDIA. Le support MIG sur Thor est particulièrement significatif pour les applications robotiques réelles, où l'inférence temps réel ne peut pas être interrompue par des tâches d'IA concurrentes. Il faut toutefois noter que les chiffres de performance et les gains de productivité annoncés proviennent du communiqué de presse NVIDIA lui-même, sans benchmark indépendant disponible à ce stade. La plateforme Jetson est déjà déployée dans des secteurs variés, notamment la robotique industrielle, les drones, les dispositifs médicaux, les machines agricoles et les systèmes humanoïdes, et constitue depuis plusieurs générations, Orin puis Thor, l'un des compute modules embarqués les plus répandus dans l'industrie. NemoClaw s'inscrit dans la stratégie d'NVIDIA de descendre son stack agentique, initialement développé pour les serveurs DGX, vers l'edge et les systèmes physiques autonomes. Sur le plan concurrentiel, cette annonce positionne NVIDIA face à des alternatives edge comme Qualcomm (RB5/RB6 pour la robotique) et Google Coral, mais aussi face aux SOC propriétaires développés par Boston Dynamics, Figure ou 1X pour leurs propres humanoïdes. Les prochaines étapes annoncées incluent l'extension des Metropolis VSS blueprint skills pour l'interprétation visuelle agentique, et la diffusion de l'événement Build-a-Claw à Taiwan, signe que NVIDIA cherche à ancrer son écosystème développeur en Asie du Sud-Est, région clé pour la fabrication électronique et robotique mondiale.

UELes intégrateurs robotiques européens sur Jetson Orin/Thor peuvent déployer des workflows agentiques complets sans cloud, réduisant potentiellement le time-to-market de plusieurs semaines à quelques jours, gain concret pour l'automatisation industrielle EU, sans validation indépendante à ce stade.

InfrastructureOpinion

1 source

3NVIDIA Developer Blog

Déployer une IA à base d'agents en périphérie avec efficacité mémoire grâce à NVIDIA JetPack 7.2

NVIDIA a publié JetPack 7.2, une mise à jour de sa suite logicielle pour les modules Jetson, ciblant le déploiement d'agents IA en périphérie (edge computing). La nouveauté centrale est le support natif en une seule commande de NemoClaw, une stack open source qui étend OpenClaw en y ajoutant des couches de contrôle de confidentialité et de sécurité. La version introduit également des "agent skills" pour Jetson, des briques logicielles pré-packagées conçues pour accélérer le développement d'agents autonomes sur matériel embarqué, accompagnées d'optimisations mémoire visant à améliorer les performances dans des configurations à ressources contraintes. Le passage des agents IA vers des environnements physiques impose des contraintes radicalement différentes du cloud : latence faible, connectivité intermittente et enveloppes mémoire restreintes. L'intégration native de NemoClaw dans JetPack 7.2 positionne Jetson comme plateforme de référence pour des agents embarqués avec garanties explicites de sécurité et de confidentialité des données, un argument commercial décisif pour les déploiements industriels, médicaux ou logistiques où les données sensibles ne peuvent quitter le site. Pour les intégrateurs, la simplification à une seule commande réduit significativement la friction d'adoption. NVIDIA commercialise les modules Jetson depuis 2014 et JetPack 7.2 s'inscrit dans sa stratégie de déport progressif de l'inférence IA hors du datacenter. OpenClaw, sur lequel NemoClaw s'appuie, est l'environnement d'exécution agent de NVIDIA pour l'edge. Les concurrents directs sur ce segment incluent Qualcomm avec son AI Hub et son Robotics SDK, ainsi que Hailo, Google Coral et Kneron. L'annonce reste au stade de disponibilité logicielle : aucun chiffre de volume de déploiement ni timeline client n'a été communiqué.

UELes intégrateurs européens déployant des agents IA embarqués sur Jetson dans des contextes industriels, médicaux ou logistiques bénéficient d'une simplification d'adoption et de garanties de confidentialité des données conformes aux exigences réglementaires locales (RGPD, AI Act).

InfrastructureOpinion

1 source

4Robotics Business Review

Les logiciels deviennent le principal frein à l'innovation en IA physique, selon une étude QNX

Lors du Robotics Summit & Expo de Boston, QNX, division de BlackBerry Ltd., a publié les résultats de son étude "Inside the Robot: Architecture Benchmark Report", menée entre février 2025 et avril 2026 auprès de 1 000 développeurs et ingénieurs logiciels travaillant en robotique. Le constat central est statistiquement net : 27 % des répondants identifient l'architecture logicielle et l'intégration comme leur principal goulot d'étranglement de performance, contre seulement 16 % qui pointent le matériel. 83 % des équipes interrogées déclarent que leurs systèmes opèrent déjà aux côtés d'humains, dans des environnements aussi variés que des blocs opératoires ou des entrepôts actifs. 85 % anticipent que le logiciel jouera un rôle encore plus déterminant dans les trois à cinq prochaines années, et les investissements prioritaires déclarés convergent vers l'IA décisionnelle et la cybersécurité (51 % chacun), suivis des systèmes d'exploitation et du contrôle temps réel (37 %). Fait notable : 95 % des développeurs affirment que l'exécution déterministe et temps réel est une exigence critique pour leurs systèmes. Ce renversement de priorité, du matériel vers le logiciel, n'est pas anodin pour les intégrateurs et les décideurs industriels. Pendant des décennies, la robotique butait sur des contraintes mécaniques et énergétiques. Le signal envoyé ici est que la limite structurante est désormais la capacité à faire cohabiter, dans une même architecture logicielle, des niveaux de criticité hétérogènes : boucles de sécurité fonctionnelle temps réel, couches IA adaptatives, et exigences de certification (notamment IEC 61508 ou ISO 26262 pour les environnements à risque). Le déploiement de robots dans des environnements non contrôlés, rues, hôpitaux, ateliers mixtes, exige un comportement prédictible dans des conditions que les simulateurs ne couvrent pas entièrement. Les retards de certification cités comme frein majeur suggèrent que le "sim-to-real gap" logiciel est aujourd'hui aussi structurant que le gap physique, un point que les équipes focalisées sur les performances des modèles VLA (vision-language-action) auraient intérêt à intégrer. QNX opère sur ce marché depuis les années 1980 avec son OS temps réel, historiquement dominant dans l'automobile et le médical. Le rapport s'inscrit dans un repositionnement stratégique de BlackBerry sur la robotique collaborative et les systèmes embarqués critiques, face à une concurrence qui inclut des solutions open-source comme ROS 2 couplé à des RTOS (Linux RT, Zephyr), ainsi que des stacks propriétaires développés en interne par des acteurs comme Boston Dynamics ou Intrinsic (Alphabet). L'étude ne couvre pas les timelines de déploiement produit ni les résultats quantitatifs sur des systèmes réels, ce qui lui confère davantage la valeur d'un état des lieux de perception industrielle que d'un benchmark technique au sens strict. Les prochains trimestres verront si QNX traduit ces signaux en offres logicielles concrètes adaptées aux architectures hybrides CPU/NPU qui équipent les humanoïdes et les AMR de nouvelle génération.

InfrastructureOpinion

1 source