L'IA physique fait son entrée triomphale et tout le monde veut en profiter

L'IA physique qui transforme le monde : Qasar Younis et Peter Ludwig, Applied Intuition

Applied Intuition, valorisée à 15 milliards de dollars, s'est imposée comme l'un des acteurs centraux de ce que ses fondateurs Qasar Younis et Peter Ludwig appellent l'IA physique. Née à l'époque de Y Combinator, la société a progressivement élargi son périmètre bien au-delà des outils de simulation pour robotaxis, pour déployer aujourd'hui plus de 30 produits couvrant la simulation, les systèmes d'exploitation embarqués, l'autonomie et les modèles d'IA. Ses technologies équipent des voitures, camions, engins de chantier, matériel agricole et systèmes de défense. La preuve la plus concrète de cette montée en puissance : des camions de niveau 4, entièrement autonomes, roulent déjà commercialement au Japon. L'enjeu central que défend Applied Intuition est une distinction souvent mal comprise : l'IA physique n'est pas simplement un grand modèle de langage monté sur des roues. Contrairement aux applications de chat ou de code où une erreur reste acceptable, un camion autonome ou un engin minier opèrent dans des environnements où la fiabilité doit atteindre plusieurs "neuf" de disponibilité, soit un temps de panne mesuré en minutes par an. Le vrai goulot d'étranglement n'est plus la puissance des modèles, mais leur déploiement sur du matériel contraint : latence de l'ordre de la milliseconde, faible consommation électrique, mémoire réduite, et mises à jour sûres sans risque de rendre le véhicule inutilisable. Pour répondre à ces exigences, la société développe un véritable système d'exploitation temps réel pour machines mobiles, avec une ambition claire : devenir l'équivalent d'Android pour tout ce qui se déplace. Applied Intuition a émergé à une période où les outils pour développeurs semblaient peu valorisés. Qasar Younis admet lui-même qu'en 2016, parier sur le tooling relevait presque du contre-courant. Le boom de l'IA a depuis remis les workflows et les infrastructures au premier plan. La société s'appuie aussi sur les leçons douloureuses de l'industrie : les incidents de Cruise ont rappelé que les échecs de l'autonomie ne sont pas seulement des problèmes techniques, mais des crises de confiance publique. Waymo, cité en modèle, tire le niveau vers le haut. Les prochaines questions portent sur la validation statistique des systèmes, sur les modèles du monde capables de simuler des phénomènes complexes comme l'aquaplaning ou les chantiers de construction, et sur la capacité à rendre la simulation neurale suffisamment rapide et peu coûteuse pour que l'apprentissage par renforcement devienne viable à grande échelle.

De DeepSeek à DeepRoute : pourquoi un chercheur en IA de premier plan a misé sur le monde physique

Le 25 avril 2026, lors du Salon de l'automobile de Pékin, la startup chinoise d'autonomie véhiculaire DeepRoute.ai a tenu une conférence de presse inhabituelle dans le hall A4 du China International Exhibition Center : aucun véhicule en exposition, aucun prototype sur scène. Son PDG, Maxwell Zhou, a choisi ce vide comme manifeste. En une après-midi, il a dévoilé la nouvelle architecture stratégique de l'entreprise autour du concept de "Physical AI", son modèle fondateur (Foundation Model), une ébauche d'agent intégrant conduite et habitacle, et un chiffre clé : un véhicule sur trois équipé d'un système NOA urbain en Chine tourne aujourd'hui sur la technologie DeepRoute, soit plus de 300 000 voitures en circulation. L'événement a également marqué la première apparition publique de Ruan Chong, ancien directeur R&D de DeepSeek et chercheur central en IA multimodale, depuis son arrivée chez DeepRoute en tant que Chief Scientist. Ce repositionnement marque une rupture nette avec la logique dominante du secteur. Là où les acteurs de la conduite autonome se sont longtemps concurrencés sur des benchmarks techniques, quelle pluie, quel angle mort, quel cas limite, DeepRoute revendique désormais un rôle d'infrastructure, comparable selon Zhou à "l'électricité ou les télécommunications". L'objectif affiché est d'atteindre 1 000 miles ou plus entre deux interventions critiques (MPCI) d'ici fin 2026. "Quatre-vingt-dix pour cent de ce qui compte, c'est la sécurité", a déclaré Zhou, ajoutant que Tesla a déjà atteint ce seuil et que les petits modèles ne permettront jamais d'y parvenir : "Quoi que vous fassiez dans le monde des petits modèles, vous ne pouvez pas obtenir dix fois mieux en travaillant plus fort." Le virage vers les grands modèles de fondation est donc présenté comme une nécessité structurelle, pas une option. Le recrutement de Ruan Chong illustre une dynamique plus large que Zhou a explicitement nommée : les responsables de la recherche multimodale des grands groupes internet chinois migrent vers la conduite autonome. Ruan lui-même a expliqué ce choix avec franchise : "Les modèles de langage sont très matures, presque n'importe quelle tâche peut être traitée par un seul modèle. Mais dans l'intelligence multimodale et incarnée, on en est loin. Je préfère être à la frontière." Cette migration de talents, si elle se confirme, signale que le centre de gravité de l'IA appliquée se déplace du texte vers le monde physique. DeepRoute entend capitaliser sur cette fenêtre, avant que le secteur n'atteigne lui-même la maturité qu'a connue le NLP.

Semaine nationale de la robotique : dernières avancées en IA physique et ressources

À l'occasion de la Semaine nationale de la robotique aux États-Unis, NVIDIA met en avant ses avancées dans le domaine de l'intelligence artificielle physique, c'est-à-dire l'IA appliquée à des robots capables d'agir dans le monde réel. L'entreprise présente cette semaine une série de technologies couvrant la simulation, la génération de données synthétiques et l'apprentissage automatique pour robots, destinées aux développeurs qui souhaitent concevoir des machines autonomes opérationnelles dans des environnements complexes. L'enjeu est considérable : ces outils permettent de réduire drastiquement le temps nécessaire pour passer de l'entraînement en environnement virtuel au déploiement sur le terrain. Concrètement, un robot peut aujourd'hui apprendre à naviguer, saisir des objets ou réagir à des imprévus dans un simulateur NVIDIA avant d'être testé dans une usine, une serre agricole ou une centrale énergétique. Ce raccourci entre simulation et réalité est l'un des verrous techniques les plus critiques de la robotique industrielle. NVIDIA se positionne comme la colonne vertébrale de cette transition, en proposant des plateformes intégrées qui couvrent l'ensemble de la chaîne de développement robotique. La compétition dans ce secteur s'intensifie, avec des acteurs comme Boston Dynamics, Figure AI ou Agility Robotics qui cherchent eux aussi à industrialiser leurs solutions. La Semaine de la robotique sert ici de vitrine stratégique pour NVIDIA, qui entend s'imposer comme fournisseur incontournable d'infrastructure IA pour la prochaine génération de robots autonomes dans l'industrie, l'agriculture et l'énergie.

💬 Le vrai sujet ici, c'est pas la Semaine de la robotique, c'est NVIDIA qui s'impose discrètement comme le AWS de la robotique industrielle. La réduction du gap sim-to-real, c'est le verrou qui bloquait tout depuis des années, et là ils ont une vraie réponse technique. Reste à voir si les industriels européens vont jouer le jeu ou rester dépendants d'une stack américaine de plus.

Pénurie de main-d'œuvre : le Japon mise sur l'IA physique pour rester compétitif

Face à une pénurie de main-d'œuvre structurelle, le ministère de l'Économie japonais a annoncé un plan de transition vers l'intelligence artificielle physique pour maintenir la compétitivité industrielle du pays. Le Japon, qui contrôlait déjà 70 % du marché mondial de la robotique industrielle en 2022, franchit une nouvelle étape en intégrant des systèmes d'IA directement dans ses chaînes de production et ses infrastructures critiques. Cette initiative s'inscrit dans une politique nationale coordonnée entre le gouvernement, les grands groupes industriels et les fabricants de robots. L'enjeu est considérable pour une économie de la taille du Japon : automatiser les tâches physiques répétitives permet de compenser le recul de la population active sans recourir massivement à l'immigration, une option politiquement sensible. Les secteurs ciblés incluent la logistique, la construction, l'agriculture et les soins aux personnes âgées, autant de domaines où le manque de travailleurs se fait déjà sentir de manière aiguë. Pour les entreprises japonaises, cela représente aussi une opportunité d'exporter ces solutions vers d'autres pays vieillissants. Le Japon n'est pas seul dans cette course : la Corée du Sud et l'Allemagne poursuivent des stratégies similaires, tandis que les États-Unis et la Chine investissent massivement dans la robotique humanoïde. Mais Tokyo dispose d'un avantage historique dans la fabrication de robots industriels, avec des acteurs comme Fanuc, Yaskawa et Kawasaki. La prochaine étape sera d'y greffer des modèles d'IA capables d'apprentissage autonome, transformant des automates programmés en systèmes réellement adaptatifs.