NVIDIA fait progresser le graphisme et la simulation grâce à l'IA agentique et physique lors du SIGGRAPH

NVIDIA DSX Air accélère le temps de génération des tokens grâce à la simulation pour les usines d'IA

NVIDIA franchit une nouvelle étape dans le déploiement des usines d'IA avec le lancement de DSX Air, une plateforme SaaS de simulation logique présentée par le PDG Jensen Huang lors du GTC 2026 à San Jose. Cette solution permet de construire un jumeau numérique complet d'une infrastructure d'IA, calcul, réseau, stockage, orchestration et sécurité, avant même que le premier serveur ne soit déballé, réduisant le temps de mise en production de plusieurs semaines ou mois à quelques jours, voire quelques heures. L'enjeu est considérable pour l'industrie : chaque semaine perdue dans l'intégration et le débogage d'une infrastructure hyperscale représente des coûts opérationnels massifs et un retard compétitif direct. En déplaçant ces étapes critiques dans l'environnement de simulation, DSX Air transforme la façon dont les opérateurs conçoivent et valident leurs environnements, sans mobiliser de matériel physique coûteux. La promesse : accélérer la révolution industrielle de l'IA à une échelle et une vitesse inédites. DSX Air s'intègre dans la plateforme NVIDIA DSX, le blueprint officiel pour les usines d'IA. La solution reproduit en haute fidélité les GPU, SuperNIC, DPU et switchs NVIDIA, et s'interconnecte via des API ouvertes avec des partenaires couvrant le stockage, le routage, la sécurité et l'orchestration. Des acteurs majeurs comme CoreWeave utilisent déjà la plateforme pour simuler et valider leurs environnements avant réception du matériel. Au GTC, NVIDIA a démontré un environnement multi-tenant RTX PRO Server entièrement simulé, intégrant Netris pour l'orchestration réseau, Rafay pour l'orchestration hôte et NVIDIA Run:ai pour l'allocation des GPU. Une démonstration sur le stand illustrait également une charge de travail de RAG vidéo tournant sur le système d'exploitation VAST AI, avec des nœuds DataEngine traitant et indexant du contenu vidéo de bout en bout. Les fabricants de serveurs et les éditeurs de logiciels d'orchestration sont parmi les premiers bénéficiaires : ils peuvent désormais modéliser des architectures de référence, tester leurs stacks logiciels et livrer des configurations sur mesure à leurs clients entreprises sans construire de laboratoires physiques onéreux. Cette capacité à valider des déploiements complexes dans un environnement réaliste avant toute installation physique pourrait redéfinir les standards du secteur pour les clouds de tier 2 et les grandes entreprises qui cherchent à déployer des services d'IA clé en main.

« Faire progresser la recherche scientifique : BYOKG et GraphRAG pour la recherche pharmaceutique intelligente »

Les chercheurs en pharmacie perdent un temps considérable à croiser des informations dispersées entre PubMed, leurs notes de laboratoire internes et les bases de données génomiques, un problème qu'Amazon Web Services (AWS) affirme pouvoir résoudre grâce à une architecture combinant bases de données en graphe et intelligence artificielle générative. Dans la découverte de médicaments en phase précoce, le taux de réussite des méthodes traditionnelles ne dépasse pas 5%, et chaque cycle de criblage initial prend plus de six mois. Pour répondre à ce problème, AWS propose une solution baptisée GraphRAG (Graph-based Retrieval Augmented Generation), qui s'appuie sur Amazon Neptune Analytics pour le traitement de graphes à haute performance, couplé à Amazon Bedrock pour les capacités génératives. Le système permet aux chercheurs de poser des questions en langage naturel et d'obtenir des réponses instantanées, appuyées sur des preuves, issues d'un graphe de connaissances unifié reliant interactions moléculaires, expression génique et études cliniques. L'enjeu dépasse le simple gain de temps. En affichant les chemins de citation et les étapes de traversée du graphe utilisées pour construire chaque réponse, l'outil rend le raisonnement de l'IA transparent et vérifiable, un point critique dans un secteur où chaque conclusion doit pouvoir être tracée jusqu'à ses sources pour satisfaire les autorités de régulation. Cette traçabilité permet aussi de préserver la mémoire institutionnelle des laboratoires: quand un chercheur quitte une équipe, les connaissances tacites qu'il avait accumulées ne disparaissent plus avec lui, puisqu'elles restent capturées dans le graphe. Pour l'industrie pharmaceutique, où chaque mois de retard se traduit en coûts financiers mais aussi en vies humaines, cette capacité à générer des hypothèses plus rapidement, tout en gardant un contrôle scientifique rigoureux sur les résultats, représente un avantage compétitif direct. Cette approche s'inscrit dans une tendance plus large où les entreprises technologiques cherchent à dépasser les limites du RAG classique, souvent limité à une simple recherche documentaire, en y ajoutant la dimension relationnelle des graphes de connaissances. AWS positionne explicitement Neptune Analytics et Bedrock comme les briques permettant de construire ce type de système, appelé BYOKG (Bring Your Own Knowledge Graph), pour que chaque organisation pharmaceutique puisse connecter ses propres données propriétaires à cette infrastructure. Reste à voir combien de laboratoires franchiront le pas d'unifier des systèmes historiquement cloisonnés, une transition technique et organisationnelle qui pourrait s'avérer aussi longue que les essais cliniques qu'elle vise à accélérer.

AWS et Workato veulent faire passer les agents IA de la conversation à l’action

AWS et Workato viennent de renforcer leur partenariat autour d'Enterprise MCP, une offre conçue pour permettre aux agents IA d'exécuter de véritables actions en entreprise plutôt que de se limiter à générer du texte. Concrètement, les deux sociétés combinent la plateforme d'intégration WorkatoONE, qui centralise plus de 14 000 systèmes d'entreprise, avec les services d'IA d'AWS, notamment Amazon Bedrock, Amazon SageMaker et AWS Lambda. Cette architecture s'appuie sur le Model Context Protocol (MCP), un standard qui simplifie la connexion entre les modèles d'IA et les outils métiers, en évitant les développements sur mesure jusqu'ici nécessaires pour relier un agent à plusieurs applications. Workato a par ailleurs obtenu la spécialisation AWS AI Competency dans la catégorie des outils d'IA agentique, une reconnaissance qui vise les systèmes capables de planifier, raisonner et exécuter de manière autonome des tâches complexes en plusieurs étapes. Les deux partenaires citent déjà des cas d'usage dans la finance, l'informatique, les ventes, les ressources humaines et l'expérience client. L'enjeu dépasse la simple prouesse technique. Jusqu'à présent, les agents conversationnels savaient répondre à des questions ou rédiger du contenu, mais restaient impuissants dès qu'il fallait interagir avec des systèmes fragmentés, bases de données, logiciels métiers, processus internes, sans créer de failles de sécurité ni perdre le contrôle sur ce que l'agent est autorisé à faire. Enterprise MCP cherche justement à donner davantage d'autonomie aux agents tout en maintenant des garde-fous stricts sur les données consultables et les actions déclenchables. Pour les entreprises, cela signifie la possibilité de déléguer des tâches réelles, par exemple à une équipe financière qui a besoin qu'un agent consulte plusieurs systèmes, analyse un contexte métier puis déclenche une opération, sans multiplier les développements d'intégration coûteux et risqués en matière de gouvernance. Cette initiative s'inscrit dans un mouvement plus large où les pilotes d'IA générative, après avoir démontré la capacité des modèles à produire du contenu, peinent encore à prouver un retour sur investissement tangible faute de passage à l'action concrète. En misant sur l'orchestration de Workato et l'infrastructure d'AWS, les deux groupes espèrent transformer les agents IA en véritables exécutants capables d'intervenir dans les opérations quotidiennes des organisations. Reste à voir si cette approche convaincra les entreprises encore prudentes face aux risques opérationnels et de sécurité que soulève l'autonomisation croissante de ces systèmes.

💬 MCP standardisé sur 14 000 connecteurs, ça change la donne : le vrai coût des agents IA en entreprise, ça n'a jamais été le modèle, c'est l'intégration. AWS et Workato attaquent enfin ce chantier-là plutôt que de sortir un énième LLM plus malin. Reste que donner à un agent le droit de déclencher des actions dans des systèmes critiques, c'est un pari sur la gouvernance autant que sur la technique, et ça, MCP ne le résout pas tout seul.

Claude Opus 5 fait passer l'IA de prompt à jeu vidéo, de simples blocs de couleur à des prototypes 3D complets avec physique et musique

Claude Opus 5, le nouveau modèle d'Anthropic, peut désormais générer des jeux vidéo 3D complets à partir d'un simple prompt textuel, sans recourir à aucun asset externe. Dans une série de démonstrations, le modèle a produit un jeu de tir à la première personne, un jeu de course de karting et un clone de Minecraft, en générant lui-même la géométrie, les textures, la physique et, dans certains cas, la musique, le tout sous forme de code exécuté directement dans le navigateur. Des comparaisons côte à côte avec GPT-5.6 Sol d'OpenAI et Kimi K3 de Moonshot AI montrent qu'Opus 5 produit des résultats nettement plus détaillés et aboutis que ses concurrents sur ce type de tâche. Cette avancée marque une étape importante pour les outils de génération de contenu par IA, en particulier pour les développeurs de jeux indépendants et les studios qui cherchent à accélérer le prototypage. La capacité à passer d'un prompt à un prototype 3D jouable, avec physique et rendu graphique fonctionnels, réduit considérablement le temps nécessaire pour tester une idée de gameplay. Pour l'industrie du jeu vidéo, cela ouvre la voie à une démocratisation de la création de prototypes, où concepteurs et amateurs pourraient itérer sur des mécaniques de jeu sans compétences techniques poussées en programmation ou en modélisation 3D. Cette progression s'inscrit dans une compétition plus large entre les grands laboratoires d'IA, Anthropic, OpenAI et Moonshot AI notamment, pour dominer le terrain de la génération de code et de contenu multimédia complexe. Alors que les premières tentatives de génération de jeux par IA se limitaient à des blocs de couleurs rudimentaires, les modèles de dernière génération démontrent une compréhension beaucoup plus fine des systèmes de jeu, de la physique aux boucles de gameplay. Les prochaines étapes concerneront probablement l'intégration de ces capacités dans des outils de développement professionnels, ainsi que les questions de propriété intellectuelle et de qualité qui accompagneront l'usage croissant de contenus générés automatiquement dans les jeux commerciaux.

💬 Le vrai signal, c'est que ces démos sortent du code exécuté dans le navigateur, sans un seul asset externe. Un jeu de tir ou un clone de Minecraft généré à partir d'un prompt, ça change la donne pour le prototypage, mais on est encore loin d'un jeu commercial fini. Reste à voir si ça tient quand on sort du cas de démo léché et qu'on demande un vrai système de jeu avec de la persistance, des sauvegardes, du contenu long.