Les limites de l'IA physique : pourquoi Siemens veut garder l'humain aux commandes
Chez Siemens Digital Industries Software, Sam Mahalingam a livré un message inhabituel pour un dirigeant vendant de l'intelligence artificielle appliquée à l'ingénierie : sa technologie a des limites, et elles sont fermes. En marge de l'événement Realize LIVE Asia-Pacific à Bangalore, en Inde, le responsable a présenté Simcenter PhysicsAI, un logiciel de deep learning géométrique capable de produire des prédictions de conception jusqu'à 1000 fois plus vite qu'un solveur physique traditionnel. Plutôt que de recalculer la physique à chaque essai, ce modèle dit "de substitution" apprend à partir de données de simulations historiques pour estimer le résultat d'une nouvelle conception en quelques secondes. Siemens revendique un écart de seulement 1 à 3 % par rapport aux solveurs physiques classiques, une précision jugée proche mais insuffisante pour certifier une pièce critique pour la sécurité. Interrogé directement sur ce point, Mahalingam a été catégorique : "Est-ce que c'est adapté aux applications critiques pour la sécurité ? Non, ça ne l'est pas." Un cas emblématique cité par l'entreprise, développé avec l'équipementier automobile Continental sur un airbag, ne sert selon lui qu'à l'exploration initiale de designs, jamais à la validation finale avant fabrication. Cette prise de position tranche avec deux années de discours du secteur technologique promettant que l'IA peut quasiment tout faire. Pour les ingénieurs, la valeur de Simcenter PhysicsAI ne réside pas seulement dans la vitesse annoncée par Siemens, mais dans la capacité à savoir précisément où cette rapidité cesse d'être fiable. Concrètement, le modèle permet d'explorer des milliers de variantes de conception en un temps où une simulation classique n'en traiterait qu'une poignée, puis d'isoler deux ou trois candidats jugés prometteurs pour une simulation physique complète avant toute décision de production. Cette hiérarchie entre exploration rapide par IA et validation physique rigoureuse pourrait devenir un standard méthodologique pour l'ensemble de l'industrie manufacturière, où la tentation de confier trop de responsabilités à des modèles prédictifs reste forte. Un autre enjeu, moins souvent évoqué dans les chiffres de performance, concerne l'origine des données d'entraînement. Plusieurs résultats phares de Siemens, notamment avec les équipementiers Magna et Continental, reposent sur des données synthétiques générées par les propres solveurs de l'entreprise, et non sur des mesures réelles. Cela soulève une question de fond : un modèle entraîné uniquement sur des simulations peut-il un jour surpasser la simulation qui l'a formé ? Dans le cas de Magna, l'entraînement s'est appuyé sur des données produites via les outils Simcenter HEEDS et Simsolid, ce dernier permettant de contourner l'étape coûteuse du maillage. Mahalingam reconnaît cette dépendance structurelle sans la minimiser, tout en assurant qu'un garde-fou empêche le modèle de formuler des prédictions sur des configurations qu'il n'a jamais rencontrées durant son apprentissage.
