Aller au contenu principal
InfrastructureRobotics Business Review 

ADI explique la course pour rendre l'IA physique

1 source couvre ce sujet·Source originale ↗·
Résumé IASource uniqueImpact UE

Analog Devices Inc. (ADI), le fabricant de semi-conducteurs basé à Wilmington (Massachusetts) et fondé en 1965, a publié un livre blanc intitulé « The Race to Make AI Physical », relayé par The Robot Report, qui est partenaire sponsorisé de la démarche. Le document soutient que l'IA maîtrise désormais le langage, l'image et le code, mais que le défi suivant est de comprendre la réalité. Selon ADI, un système d'IA physique doit percevoir, décider et agir avec des mesures imparfaites, des contraintes de temps, des conditions changeantes et des conséquences réelles à chaque action. L'entreprise illustre l'idée par un exemple de maintenance : une machine qui s'arrête quand ses vibrations dépassent un seuil applique une règle, alors qu'une machine qui croise vibrations, température, courant et comportement moteur pour reconnaître la signature d'une usure de roulement, puis s'ajuste avant la panne, se rapproche du jugement. Le texte ne contient ni chiffre de performance, ni produit nouveau, ni client nommé, ni calendrier de déploiement. Il s'agit d'un document de positionnement, pas d'une annonce technique.

L'intérêt tient moins aux faits qu'au message adressé aux intégrateurs et aux décideurs industriels. ADI affirme que le succès ne dépendra pas seulement de la qualité des modèles, mais de progrès combinés en capteurs, simulation, calcul, connectivité et commande, les technologies décisives se situant souvent sous la couche applicative. Cette thèse nuance le discours dominant, centré sur les modèles de fondation et les VLA (vision-language-action). Elle rappelle qu'un écart entre démonstration et production se joue souvent dans la chaîne de mesure, la latence et la robustesse en conditions réelles. Il faut toutefois lire ce plaidoyer pour ce qu'il est : celui d'un fournisseur de composants, qui a intérêt à ce que la valeur soit perçue dans le matériel d'acquisition et de commande. La notion d'actions utiles produites malgré une information imparfaite reste une orientation générale, non une preuve technique.

Ce livre blanc s'inscrit dans une montée en puissance des fabricants de puces et de capteurs sur le terrain de la robotique et de l'IA embarquée, où ADI revendique des applications en automatisation, mobilité, santé, énergie et centres de données, face à des acteurs du calcul comme Nvidia ou aux spécialistes des capteurs et des microcontrôleurs. Le groupe sera présent à RoboBusiness 2026, qui fête ses 20 ans, et participera à la session Robotics Startup Boot Camp Part 2, consacrée aux collaborations entre grands acteurs et jeunes pousses. Aucun pilote ni partenariat précis n'est annoncé à ce stade.

Dans nos dossiers

À lire aussi

Arm Total Design pour l'IA physique réunit plus de 80 développeurs
1Robotics Business Review 

Arm Total Design pour l'IA physique réunit plus de 80 développeurs

Arm Holdings, entreprise britannique basée à Cambridge, a lancé le programme Arm Total Design for Physical AI, qui réunit plus de 80 entreprises couvrant l'ensemble de la chaîne technologique de l'IA physique, de la robotique aux véhicules autonomes. Parmi les membres déjà annoncés figurent AWS, ECARX, Hugging Face, Liquid AI, NXP, PlusAI, Psyonic, QNX, Qwen, Siemens et Unitree Robotics. Arm a également présenté un Robotics Capability Framework, une grille destinée à établir un langage commun pour décrire et comparer les capacités des robots. Ce cadre distingue six niveaux, numérotés de 0 à 5 : au niveau le plus bas, des robots réactifs qui exécutent des commandes selon des règles fixes ; au niveau le plus élevé, des systèmes dotés de comportements évolutifs capables d'apprendre et de s'auto-optimiser. Dermot O'Driscoll, vice-président en charge du go-to-market et des solutions client pour l'IA physique chez Arm, a expliqué au Robot Report que ce programme était né d'un constat fait à son arrivée sur ce segment en mars : l'absence d'un lieu où les entreprises pouvaient partager technologies et idées ou collaborer directement. Pour l'industrie robotique, cette initiative répond à un problème concret de fragmentation : un système robotique complet assemble généralement du matériel et des logiciels provenant de multiples fournisseurs, ce qui complique l'interopérabilité et ralentit les intégrations. En réunissant sous une même structure les acteurs des semi-conducteurs, du cloud, de l'actionnement et des capteurs, des frameworks logiciels, de la sécurité et de la robotique elle-même, Arm cherche à devenir un point de convergence pour valider plus tôt des systèmes interopérables. Pour les intégrateurs et décideurs B2B, le Robotics Capability Framework offre surtout un vocabulaire partagé pour situer un robot sur une échelle de maturité, un exercice jusqu'ici largement livré à la communication marketing de chaque fournisseur. Il s'agit toutefois d'une démarche de standardisation et de mise en réseau, pas d'un produit ou d'une technologie livrée : ni les six niveaux ni la liste des membres ne constituent un engagement technique vérifiable, et Arm dit explicitement vouloir les faire évoluer avec les retours du secteur. Cette initiative prolonge une méthode qu'Arm avait déjà testée dans l'écosystème cloud avec un programme Arm Total Design similaire, avant que O'Driscoll ne transpose l'approche à l'IA physique en constatant le même vide organisationnel. L'entreprise, dont l'architecture de processeurs équipe déjà une large part des puces embarquées dans les objets connectés et les systèmes robotiques, cherche ainsi à consolider sa position d'infrastructure neutre plutôt que de concurrent frontal des fabricants de robots. Aucun acteur français ou européen de la robotique humanoïde ou logistique n'est cité parmi les membres annoncés à ce stade. Arm indique vouloir associer davantage d'entreprises au programme et affiner les six niveaux du Robotics Capability Framework au fil des contributions du secteur, sans calendrier précis ni étape de déploiement communiquée pour l'instant.

UELes européens NXP et Siemens figurent parmi les membres du consortium, mais aucun acteur français ou européen de la robotique humanoïde ou logistique n'est cite.

InfrastructureActu
1 source
AWS lance une boîte à outils open source d'IA physique pour la robotique
2Robotics 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
Comment la robotique et l'IA physique peuvent répondre de façon responsable aux grands défis de la sécurité physique
3Robotics Business Review 

Comment la robotique et l'IA physique peuvent répondre de façon responsable aux grands défis de la sécurité physique

Le secteur de la sécurité physique se tourne vers la robotique et l'IA physique pour répondre à des menaces de plus en plus connectées. Selon l'article, plus de 23 milliards de dollars ont été investis en 2026 dans des entreprises qui travaillent à rapprocher ces deux technologies. Les risques se regroupent en trois familles : la convergence cyber-physique, les contraintes des systèmes hérités et la volatilité mondiale. Caméras, contrôle d'accès et capteurs interconnectés forment une surface d'attaque : si la plateforme centrale est compromise, les actifs deviennent exposés au vol, aux dégâts et aux interruptions. L'exemple cité est l'attaque contre Jaguar Land Rover l'an dernier. Des identifiants volés et de l'ingénierie sociale, attribués à des acteurs présumés liés à un État, ont donné accès au système d'information du constructeur et arrêté totalement la production, pour un coût estimé à 2,5 milliards de dollars pour l'économie britannique. Côté robotique, Foxlink a présenté au GTC Taipei 2025 un chien robot quadrupède de patrouille, développé avec Luminys et embarquant des technologies NVIDIA et SYNC. Ses capteurs intégrés observent la zone, et l'IA détecte les anomalies, les traite et déclenche une réaction. L'article le destine à la sécurité d'entreprise et à l'intervention d'urgence. L'intérêt pour les décideurs tient au déplacement du modèle de sécurité, de la réaction vers la prévention. Un parc de matériel et de logiciels anciens ne permet que de constater les incidents, alors qu'un agent mobile capable d'apprendre peut patrouiller en continu et signaler les écarts avant qu'ils ne deviennent des sinistres. Pour les exploitants de centres de données et d'usines, cibles désignées par l'article, cela ouvre une couche de surveillance mobile et évolutive, là où les caméras fixes laissent des angles morts. Il faut toutefois lire ce texte avec recul. Il décrit une orientation stratégique plus qu'un déploiement : aucun payload, autonomie, nombre de degrés de liberté, prix, taux de fausses alertes ni site client n'est mentionné pour le robot de Foxlink. On est donc face à une présentation de salon, pas à un produit livré ni à un retour d'expérience. Le chiffre de 23 milliards de dollars, sans détail des bénéficiaires, indique surtout un afflux de capitaux, pas une maturité opérationnelle. Quant au cas Jaguar Land Rover, il relève d'une intrusion informatique, qu'un robot de patrouille n'aurait pas empêchée. Le lien avec la robotique reste donc indirect. Ce positionnement s'inscrit dans une tendance où l'IA physique, le cerveau, vient équiper des plateformes mobiles, le corps, jusque-là surtout rigides et programmées. NVIDIA fournit ici la pile logicielle et le calcul embarqué, comme chez beaucoup d'acteurs de la robotique mobile. Le quadrupède de sécurité est un segment déjà disputé, notamment par Boston Dynamics avec Spot et Unitree, que l'article ne cite pas. Le texte est relayé avant RoboBusiness, qui fête ses 20 ans. La suite dépendra de pilotes mesurables chez des opérateurs d'infrastructures critiques, et de la capacité à sécuriser ces robots eux-mêmes, qui ajoutent un maillon connecté à protéger.

UEPas d\'impact direct sur la France/UE

InfrastructureOpinion
1 source
5 plateformes d'infrastructure pour l'IA physique qui façonnent la robotique en 2026
4Robotics Business Review 

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

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.

InfrastructureActu
1 source