InfrastructurePandaily 31 octobre 2026

Tencent Cloud lance une pile de données et d'entraînement pour la robotique et la conduite autonome, et prévoit TCLake XPhysis

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Tencent Cloud a présenté le 30 octobre, lors de la session big data du Tencent Global Digital Ecosystem Summit 2026, une solution intégrée de traitement de données multimodales, d'entraînement et d'inférence de modèles destinée aux applications d'IA physique, comme l'intelligence incarnée et la conduite autonome. Le groupe a aussi annoncé la prochaine sortie de TCLake XPhysis, une plateforme couvrant toute la chaîne d'ingénierie de l'IA physique. La pile s'appuie sur les workflows DataBuddy et sur le service de calcul sur data lake AI DLC, afin de réunir gestion des données, orchestration du développement et jobs de modèles sur une seule plateforme. Xpark et Meson gèrent le nettoyage multimodal, les contrôles qualité, l'annotation et la préparation des échantillons. TCRay assure l'entraînement et l'inférence distribués, et TCLake administre données et actifs d'IA. Les défauts détectés en validation par simulation sont réinjectés dans la préparation des données pour le cycle d'entraînement suivant. Selon Tencent Cloud, la préparation des données passe de 15 jours à 2, l'utilisation des GPU progresse de près de 200 % et le coût quotidien moyen par GPU baisse de 35 %. Zhuoyu Technology figure parmi les utilisateurs cités. Dans les sciences de la vie, BioMap emploie la plateforme EMR DIaaS et TCRay pour son travail sur la cellule virtuelle.

Pour les équipes de robotique et de conduite autonome, le goulot d'étranglement n'est plus seulement le modèle, mais la boucle données, entraînement, simulation, correction. Des flux de vidéo et de capteurs massifs sont aujourd'hui répartis sur plusieurs outils, d'où des préparations de données dupliquées et des actifs peu réutilisables. Une chaîne unifiée vise à industrialiser cette boucle, ce qui compte pour les intégrateurs et les constructeurs de VLA, dont la progression dépend du volume de données propres et rejouables plus que de l'architecture. Ces chiffres restent toutefois des déclarations du fournisseur : on ignore la base de comparaison, la taille des jeux de données, le type de charges et la part de ces gains attribuable à la plateforme plutôt qu'à une réorganisation préalable des pipelines. Un seul client nommé dans la conduite, aucun dans la robotique humanoïde ou manipulatrice, et XPhysis n'est encore qu'une annonce : il faut distinguer la solution lancée du produit à venir.

Ce lancement prolonge un an de travail d'ingénierie avec des dizaines de clients de l'IA incarnée et de la conduite intelligente, que TCLake condense en data lake d'IA multimodal, base de XPhysis. Tencent se place ainsi sur le terrain des hyperscalers et des acteurs chinois du cloud qui courtisent les développeurs d'IA physique, plutôt que sur celui des fabricants de robots. Le vice-président Huang Shifei estime que l'arrivée des agents comme nouveaux utilisateurs des plateformes de données change les usages et les charges de calcul. Dans cet esprit, Tencent a actualisé DataBuddy, son poste de travail d'agents de données : le groupe éducatif Jiuxuewang est passé du pilote à la production en trois semaines, et l'ajout d'une couche sémantique a fait monter la précision des réponses de 83,5 % à plus de 95,9 % sur un test. Une option de déploiement privé est désormais ouverte aux clients de la finance et du secteur public. Reste à voir la date de sortie de XPhysis et l'adhésion de clients robotiques.

Impact France/UE

Pas d\'impact direct sur la France/UE

Dans nos dossiers

IA physique & VLA

À lire aussi

1Robotics 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

2Robotics Business Review

RealSense dévoile la caméra de profondeur D585 Pro, conçue nativement pour l'IA et la robotique

RealSense a présenté le D585 Pro à l'Automate 2026 (stand 12036), une caméra de profondeur à traitement IA embarqué destinée aux robots humanoïdes, aux AMR (robots mobiles autonomes), aux bras cobots et aux systèmes d'inspection industrielle. La commercialisation est prévue pour le premier trimestre 2027. Le capteur est construit autour d'un SoC propriétaire de cinquième génération intégrant un moteur de profondeur, un processeur ISP, un DSP, des accélérateurs IA dédiés et un ARM quadricœur. Les spécifications annoncées : champ de vision de 120x100°, 60 images par seconde à 1280x960, portée minimale inférieure à 15 cm en pleine résolution, portée maximale supérieure à 10 mètres, indice IP65 en standard sur chaque unité, connectivité GMSL2 et USB-C avec synchronisation matérielle. RealSense revendique une qualité de profondeur deux fois supérieure à sa génération précédente et une réduction du bruit doublée. À la livraison, le traitement de profondeur amélioré et la détection de personnes fonctionneront en bêta directement sur le SoC, sans charge CPU hôte. Des capacités supplémentaires, dont l'odométrie visuo-inertielle (VIO), la génération de grille d'occupation, la calibration automatique et la détection de visages, seront ajoutées via mises à jour SDK après disponibilité générale. Le D585 Pro cible deux limitations structurelles des caméras de profondeur actuelles en robotique : la plage proche et la dépendance au calcul hôte. En descendant à moins de 15 cm en pleine résolution, RealSense revendique un avantage de 2,5x sur le concurrent le plus proche, sans le nommer, ce qui ouvre des cas d'usage jusqu'ici difficiles à couvrir avec un seul capteur : picking en bac, inspection à courte portée, scan de rayonnages denses. Le flux RGB dual synchronisé, deux flux 30 FPS couleur et profondeur fusionnés sur caméra sans overhead CPU, est directement pertinent pour les pipelines VLA dont dépendent des systèmes comme Pi-0 de Physical Intelligence ou GR00T N2 de NVIDIA, qui requièrent une perception couleur-profondeur synchronisée. Le modèle logiciel évolutif, où de nouvelles capacités arrivent par SDK sans remplacement matériel, est un changement de paradigme commercial notable dans un secteur où les cycles de qualification hardware sont longs et coûteux pour les intégrateurs. RealSense est une marque historiquement liée à Intel, qui avait progressivement retiré ses investissements dans la perception 3D avant de céder l'activité. La société s'est repositionnée sous direction indépendante, avec Nadav Orbach comme CEO. Elle évolue dans un marché sous forte pression concurrentielle : Luxonis (OAK-D), Orbbec, Stereolabs (ZED X), et des acteurs industriels comme Photoneo ou SICK occupent des segments adjacents. La promesse d'un capteur unique couvrant 15 cm à 10 m, utilisable en intérieur comme en extérieur à 60 FPS avec IA embarquée, est techniquement ambitieuse. Aucun partenaire de déploiement n'a été nommé publiquement à ce stade, et les performances annoncées reposent sur des données fabricant non validées par des tiers indépendants. La livraison effective au premier trimestre 2027 constituera le vrai test de maturité de la plateforme.

InfrastructureOpinion

1 source

3Robotics Business Review

GMSL et l'écosystème croissant autour des systèmes de vision pour la robotique

Le standard GMSL (Gigabit Multimedia Serial Link), longtemps cantonné aux systèmes embarqués automobiles comme l'ADAS, s'impose progressivement dans les architectures de vision robotique industrielle. Selon Stephen Liu, responsable robotique chez Advantech, développeur de systèmes embarqués, environ un tiers des projets robotiques qu'il accompagne utilisent ou envisagent déjà des caméras GMSL. La technologie permet de transporter vidéo haute résolution, signaux de contrôle et synchronisation sur un unique câble léger, avec une latence déterministe et une résistance aux interférences électromagnétiques (EMI) significativement améliorée. Analog Devices (ADI), qui dispose d'un écosystème GMSL structuré -- modules caméra pré-validés, adaptateurs, BSP (Board Support Packages) et plateformes compatibles ROS -- positionne cette offre comme un raccourci entre preuve de concept et production de masse. L'adoption dépasse le stade POC : les plateformes AMR (robots mobiles autonomes) de logistique en sont les premiers utilisateurs en production, suivis par les robots humanoïdes, les stations de picking, les applications agricoles et certains usages en santé et construction. Ce glissement du GMSL vers la robotique répond à une contrainte système qui s'aggrave : à mesure que le nombre de capteurs embarqués augmente (caméras multiples, lidars, IMU), la gestion simultanée de la bande passante, de la latence et de la synchronisation devient le vrai goulot d'étranglement. Un décalage de quelques millisecondes entre les flux capteurs suffit à dégrader la précision de navigation. "Les robots ne font pas que voir, ils doivent décider et agir instantanément", résume Liu, ce qui impose une coordination serrée entre GPU, MPU et système d'exploitation temps réel. Dans des environnements difficiles -- vibrations, poussière, températures extrêmes, câblages longs dans des châssis compacts -- les contraintes d'ESD et d'intégrité de signal rendent les interfaces non-automotive-grade insuffisantes. Le GMSL apporte ici une robustesse éprouvée en conditions réelles, sans surcharger les équipes d'intégration d'une couche de développement bas niveau supplémentaire. La transition depuis l'automobile n'est pas anodine sur le plan industriel. Les chaînes d'outillage ADAS ont absorbé pendant une décennie les problèmes que la robotique affronte aujourd'hui : multiples caméras synchronisées, longues distances de câblage, tolérance zéro aux pannes de perception. ADI capitalise sur cet héritage pour proposer un écosystème directement transposable, réduisant les délais d'intégration de plusieurs mois à quelques semaines selon Advantech. Les concurrents directs sur ce segment -- notamment les acteurs proposant des solutions basées sur MIPI CSI-2 ou USB3 Vision -- restent pertinents pour les robots opérant en conditions contrôlées, mais peinent à répondre aux contraintes des déploiements extérieurs ou mobiles à longue durée. Les prochaines étapes portent sur l'extension vers les humanoïdes et les plateformes agricoles, segments où la densité sensorielle et la rugosité environnementale font du GMSL un candidat naturel face aux architectures plus conventionnelles.

UEL'adoption du GMSL dans les AMR et robots industriels concerne indirectement les intégrateurs et fabricants européens confrontés aux mêmes contraintes de synchronisation multi-capteurs dans leurs architectures de vision embarquée.

InfrastructureOpinion

1 source

4arXiv 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