L'IA de conduite autonome entraînée 50 000 fois plus vite qu'en temps réel

General Motors franchit une nouvelle étape dans la course à la conduite autonome en dévoilant une approche d'entraînement de ses IA capable de simuler des scénarios de conduite 50 000 fois plus vite qu'en temps réel. L'enjeu : préparer les systèmes autonomes à gérer non pas les situations ordinaires, mais les cas limites rares et imprévisibles qui déterminent en définitive la fiabilité d'un véhicule sans conducteur.

Le défi fondamental de la conduite autonome n'est pas de gérer 99 % des situations courantes — celles-ci sont relativement bien résolues — mais ce que les ingénieurs appellent la "longue traîne" : un matelas sur la chaussée, une panne généralisée des feux de circulation, un agent de la circulation dont le geste manuel contredit un feu rouge. Ces événements sont rares, mais leur gestion incorrecte peut être fatale. Pour GM, c'est précisément sur ce terrain que se joue la bataille de l'autonomie réelle, notamment en vue du déploiement de la conduite "mains libres sur autoroute" et, à terme, de véhicules entièrement autonomes.

Pour y répondre, GM combine plusieurs technologies de pointe. D'abord, des modèles Vision Language Action (VLA) — des modèles de langage visuel adaptés à la conduite, capables de reconnaître des gestes policiers ou d'interpréter la signalétique improvisée d'un chantier. Pour contourner le problème de latence inhérent à ces grands modèles, GM a développé une architecture dite "Dual Frequency VLA" : un grand modèle tourne à basse fréquence pour les décisions sémantiques complexes ("est-ce une branche ou un parpaing ?"), tandis qu'un modèle léger et rapide gère en temps réel le contrôle physique du véhicule (direction, freinage). L'ensemble est entraîné via de la simulation haute-fidélité et du reinforcement learning à une échelle impossible à atteindre sur route réelle.

Cette approche positionne GM comme l'un des acteurs les plus méthodiques du secteur, à rebours des stratégies purement basées sur les kilomètres réels accumulés. En rendant les raisonnements du modèle explicables via des traces de déduction, l'entreprise mise aussi sur la validation réglementaire et la confiance des opérateurs de sécurité — un avantage stratégique non négligeable à mesure que les autorités durcissent leur regard sur les systèmes autonomes.