InfrastructureRobotics Business Review 14 septembre 2026

Arm va aborder le passage à l'échelle de l'IA physique lors de RoboBusiness

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Arm annonce que Dermot O'Driscoll, vice-président go-to-market pour l'IA physique du fabricant britannique de semi-conducteurs, interviendra à RoboBusiness, les 20 et 21 octobre 2026 à Santa Clara, en Californie, pour la 20e édition de l'événement organisé par The Robot Report. Sa présentation, intitulée « Building Physical AI that Scales », portera sur les principes d'architecture matérielle jugés nécessaires pour faire passer les robots autonomes du prototype à des déploiements fiables en production : répartition du calcul entre cloud et edge, coordination entre comportements appris et comportements déterministes, et dimensionnement des plateformes de calcul pour concilier réactivité temps réel, efficacité énergétique et sûreté. O'Driscoll totalise plus de vingt ans chez Arm, avec des postes d'ingénierie et de direction en IT, en conception assistée par ordinateur (EDA) et en conception de puces CPU et SoC ; il est diplômé en électronique et titulaire d'un master en microélectronique de l'université d'Édimbourg. L'intervention fait suite au lancement par Arm de son programme Total Design, qui fédère des partenaires de la chaîne technologique pour réduire la complexité d'intégration des systèmes autonomes. Aucun produit, puce ni chiffre de performance n'est dévoilé : il s'agit d'une annonce de conférence, non d'un lancement produit.

Ce choix de sujet illustre un déplacement de l'attention du secteur, des démonstrations de modèles fondation et de systèmes vision-langage-action vers les questions d'architecture système et de confiance en production. Pour les intégrateurs et les décideurs industriels, le message est concret : la capacité d'un robot à raisonner grâce à l'IA générative ne suffit pas si l'infrastructure de calcul embarquée ne garantit pas un comportement prévisible et sûr au-delà des vidéos de démonstration, un rappel qui rejoint les doutes récurrents du secteur sur l'écart entre démonstration et réalité opérationnelle. En se positionnant comme fournisseur d'architecture de référence plutôt que simple concepteur de puces, Arm cherche à s'imposer dans la couche silicium de la robotique physique, un terrain où Nvidia, avec ses plateformes Jetson et ses modèles de fondation robotique, et Qualcomm renforcent également leur présence.

Cette prise de parole s'inscrit dans la stratégie d'Arm visant à se positionner comme brique d'infrastructure horizontale pour l'IA physique, alors que les fabricants de robots, des bras industriels aux humanoïdes, cherchent à passer du prototype à des déploiements de série. Le programme Total Design, présenté comme une réponse à la fragmentation de l'écosystème robotique, mise sur la mutualisation de briques technologiques certifiées entre partenaires pour raccourcir les cycles de développement. RoboBusiness 2026, qui célèbre ses vingt ans, proposera par ailleurs des interventions sur la fabrication, la santé, l'agriculture et la logistique, avec des tarifs réduits pour le monde académique. Ni date de disponibilité commerciale, ni partenaire robotique nommé, ni pilote client ne sont précisés à ce stade, et l'article ne cite aucun acteur robotique français ou européen : l'événement fonctionne avant tout comme une vitrine de positionnement pour Arm face à une concurrence croissante sur le calcul embarqué robotique.

Dans nos dossiers

IA physique & VLA

À lire aussi

1Robotics Business Review

Inbolt aborde le problème du déploiement de l'IA physique à RoboBusiness

Le fondateur et directeur général d'Inbolt, Rudy Cohen, interviendra le 20 octobre 2026 à 14h15 lors de la conférence RoboBusiness, qui se tient les 20 et 21 octobre à Santa Clara, en Californie. Sa présentation, intitulée "Physical AI Doesn't Have a Data Problem; It Has a Deployment Problem", s'appuiera sur des données de production issues de lignes chez Stellantis, Toyota et Ford. Inbolt, startup française fondée en 2019 par Cohen, passé par la recherche en mathématiques appliquées à l'École Normale Supérieure Paris-Saclay puis par un master entrepreneuriat à Polytechnique et HEC Paris, a levé 20 millions d'euros (23,2 millions de dollars) depuis sa création. L'entreprise revendique un déploiement dans plus de 100 usines en Europe, aux États-Unis et au Japon, pour plus de 40 millions de cycles robotiques exécutés, des chiffres avancés par la société elle-même et non vérifiés de manière indépendante. Sa technologie combine guidage visuel et préhension flexible: les robots saisissent des pièces selon les opportunités disponibles, puis une localisation en main permet d'ajuster la trajectoire en cours de mouvement. La couche de contrôle développée par Inbolt convertit des jumeaux numériques en exécution robotique en temps réel. Le discours de Cohen s'oppose frontalement au consensus dominant du secteur de l'IA physique, selon lequel les progrès dépendraient avant tout du volume et de la qualité des données d'entraînement, un raisonnement valable en laboratoire mais, selon lui, inadapté à l'usine. Le vrai goulot d'étranglement se situerait dans la boucle entre perception et mouvement, et dans ce qu'il appelle la "taxe d'intégration": les mois de conception de montages, de câblage et d'ajustements qui transforment chaque déploiement en projet à six chiffres. Cette thèse, qui sert aussi à positionner commercialement le produit d'Inbolt comme réponse à ce problème précis, apporte néanmoins un éclairage utile pour les intégrateurs et décideurs industriels engagés dans la course à l'IA physique et aux modèles vision-langage-action: elle suggère que la fermeture de la boucle à fréquence servo, plutôt que la taille des modèles fondation, conditionne la rentabilité réelle des déploiements. Elle rappelle aussi que l'IA physique est déjà rentable dans des applications industrielles précises et documentées, dans l'automobile notamment, loin des vitrines médiatiques des démonstrations humanoïdes. Inbolt illustre la présence, encore rare mais réelle, d'acteurs français dans la robotique industrielle pilotée par IA, aux côtés d'autres entreprises tricolores comme Wandercraft ou Exotec sur d'autres segments du marché. Contrairement aux protagonistes de la course humanoïde tels que Figure (Figure 03), Tesla (Optimus), Physical Intelligence (Pi-0) ou NVIDIA (GR00T N2), Inbolt se concentre sur le contrôle vision-guidé de bras robotiques industriels existants plutôt que sur des plateformes humanoïdes complètes. Cette intervention à RoboBusiness reste une présentation de conférence, et non une annonce produit ni un nouveau déploiement: elle vise à faire connaître la position d'Inbolt sur le marché en amont de l'événement, dont l'inscription est ouverte via l'organisateur Arrowfly, avec des tarifs réduits pour le monde académique, les associations et les groupes d'entreprises. Aucune nouvelle étape de déploiement ni nouveau client n'est annoncé au-delà de cette prise de parole.

UEInbolt, startup française fondée par Rudy Cohen, illustre une présence tricolore active dans la robotique industrielle pilotée par IA, avec des déploiements revendiqués dans des usines en Europe.

FR/EU ecosystemeActu

1 source

2Robotics Business Review

Décryptage des stratégies d'ARM en IA physique et robotique, avec Drew Henry

Arm Holdings, le concepteur de microarchitectures basé à Cambridge (Royaume-Uni), a consacré l'épisode 249 du Robot Report Podcast à sa stratégie dans le domaine de la "physical AI" - terme désignant les systèmes d'IA embarqués dans des machines physiques opérant dans le monde réel. L'invité est Drew Henry, vice-président exécutif de la Physical AI Business Unit d'Arm, unité qui pilote le positionnement de l'entreprise sur les marchés de l'automobile connectée, de la robotique et des systèmes autonomes. L'épisode mentionne également trois actualités sectorielles : l'acquisition de Kinisi Robotics par Bear Robotics pour renforcer ses capacités en physical AI, le lancement par NVIDIA de Halos, une suite logicielle de sécurité full-stack pour la robotique, et un partenariat entre Built Robotics et Penn xLAB pour développer des applications de physical AI dans la construction. Il convient d'être précis sur la nature de ce contenu : il s'agit d'une page de présentation de podcast, non d'un rapport technique ou d'une annonce produit. Les détails substantiels de l'entretien avec Drew Henry ne sont pas disponibles dans ce résumé promotionnel. Ce qui ressort néanmoins, c'est qu'Arm cherche à se positionner explicitement sur la couche computing des systèmes autonomes - un segment stratégique alors que les fabricants de robots humanoïdes et de véhicules autonomes cherchent des solutions alliant haute performance et efficacité énergétique. Le sponsor de l'épisode, GreyOrange, y vante sa plateforme GreyMatter d'orchestration d'entrepôts : plus d'un million d'optimisations par minute, gains de productivité annoncés jusqu'à 4x - des chiffres présentés sans méthodologie de mesure dans ce contexte publicitaire. Arm n'est pas un fabricant de robots, mais son architecture de processeurs (présente dans la quasi-totalité des appareils mobiles mondiaux) lui confère une position d'infrastructuriste incontournable dès lors que la robotique embarque des modèles d'inférence locaux. La création d'une Physical AI Business Unit distincte signale une montée en priorité de ce marché face aux concurrents directs sur la couche silicium : NVIDIA avec ses puces Jetson et Thor pour robots et véhicules autonomes, Qualcomm avec ses plateformes Snapdragon Robotics, et Intel avec ses solutions edge AI. Les prochaines étapes pour Arm passent probablement par des partenariats OEM avec des fabricants d'humanoïdes (Figure, Agility, Unitree utilisent des SoC ARM) et par l'extension de son écosystème logiciel pour réduire le temps d'intégration des pipelines VLA (vision-language-action) sur ses architectures.

UELa création d'une Physical AI Business Unit chez ARM (Cambridge, Royaume-Uni) intéresse les fabricants européens de robots embarquant des SoC ARM, mais aucun partenariat ni déploiement européen spécifique n'est annoncé dans cet épisode.

InfrastructureOpinion

1 source

3NVIDIA 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

4arXiv cs.RO

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

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.

InfrastructureActu

1 source