Aller au contenu principal

Actualités IA — page 194

9 335 articles au fil, du plus récent au plus ancien.

Copilot Cowork de Microsoft adopte la facturation à l'usage et pourrait intégrer DeepSeek
Illustration générée par IA
3861The Decoder 

Copilot Cowork de Microsoft adopte la facturation à l'usage et pourrait intégrer DeepSeek

Microsoft envisage d'intégrer une version fine-tunée de DeepSeek V4 comme option de modèle moins coûteuse dans Copilot Cowork, son assistant IA dédié à la collaboration en entreprise. En parallèle, la firme de Redmond annonce un passage à une facturation basée sur l'usage, abandonnant le modèle forfaitaire jusqu'ici en vigueur. C'est Charles Lamanna, responsable de l'offre Copilot chez Microsoft, qui a confirmé ce virage, estimant que la tarification à prix fixe n'est tout simplement plus viable à l'échelle. Ce changement de modèle économique a des implications directes pour les entreprises clientes. La facturation à l'usage signifie que les organisations paieront proportionnellement à leur consommation réelle, ce qui peut représenter des économies pour les équipes peu actives, mais aussi des coûts imprévisibles pour les déploiements intensifs. L'intégration potentielle de DeepSeek V4, modèle chinois réputé pour ses performances à moindre coût, permet à Microsoft de compresser ses marges opérationnelles tout en restant compétitif face à Google et Salesforce sur le segment des assistants IA d'entreprise. Ce pivot s'inscrit dans une tendance plus large : après une phase d'adoption portée par des abonnements simplifiés, l'industrie des outils IA professionnels converge vers des modèles de prix à la consommation, plus transparents mais aussi plus complexes à budgéter. Microsoft n'est pas seul dans cette démarche, Anthropic, OpenAI et Google ayant tous ajusté leurs grilles tarifaires ces derniers mois. La question de la dépendance à des modèles d'origine chinoise comme DeepSeek soulèvera inévitablement des questions de souveraineté des données pour les grandes entreprises européennes et américaines.

AT&T limite l'usage de l'IA de certains salariés avec l'essor du "tokenminimizing
Illustration générée par IA
3862The Information AI 

AT&T limite l'usage de l'IA de certains salariés avec l'essor du "tokenminimizing

AT&T a commencé à restreindre l'accès de certains employés à GitHub Copilot de Microsoft, selon une source interne à l'entreprise. Meta a également mis en place des limites sur les dépenses d'IA de ses salariés pour des services comme ceux d'Anthropic et d'autres fournisseurs. Uber et Walmart ont eux aussi plafonné l'utilisation des outils d'IA dédiés au développement logiciel, selon Bloomberg. Amazon, de son côté, a supprimé son classement interne qui établissait un palmarès des employés selon leur niveau de consommation d'IA. Un phénomène suffisamment généralisé pour que l'on parle désormais de "tokenminimizing", en opposition au "tokenmaxxing" qui régnait encore il y a quelques mois. Ce virage marque un tournant significatif dans la façon dont les grandes entreprises américaines perçoivent l'IA au quotidien. Après une période d'enthousiasme débridé où les outils génératifs étaient présentés comme des leviers de productivité illimités, les directions financières font face à une réalité budgétaire concrète : les coûts d'inférence s'accumulent rapidement à l'échelle de milliers d'employés, et le retour sur investissement reste difficile à mesurer. Pour les salariés, ces restrictions signifient moins d'autonomie dans le choix des outils, et potentiellement un ralentissement de certains workflows devenus dépendants de l'assistance IA. Il y a quelques mois à peine, Meta encourageait une dynamique inverse : ses employés se livraient à une compétition informelle pour consommer le plus de tokens possible, dans une logique d'"utilisation maximale" des capacités offertes. Ce renversement brutal illustre la tension croissante entre les promesses de productivité portées par les éditeurs d'IA et la pression exercée par les investisseurs sur les coûts opérationnels des Fortune 500, d'Uber à Snowflake en passant par ServiceNow. Le PDG de Box, Aaron Levie, s'est démarqué en affirmant n'avoir jamais mis en place de classements ni encouragé le tokenmaxxing. Sa prudence originelle ressemble aujourd'hui à de la sagesse anticipée.

BusinessOpinion
1 source
Eno : le nouveau robot de Genesis AI préfère être utile plutôt que joli
Illustration générée par IA
3863Le Big Data 

Eno : le nouveau robot de Genesis AI préfère être utile plutôt que joli

La startup française Genesis AI a dévoilé le 16 juin 2026 Eno, son premier robot à usage général, conçu pour les environnements industriels plutôt que pour séduire le grand public. Contrairement aux humanoïdes développés par Tesla, Boston Dynamics ou les fabricants chinois qui dominent l'actualité robotique, Eno adopte une base à roues et un tronc ajustable en hauteur, sans jambes articulées ni visage expressif. Ce choix de design délibéré s'explique par une logique simple : la majorité des usines, laboratoires et hôpitaux ne comportent ni escaliers ni obstacles nécessitant une locomotion bipède. Les roues offrent stabilité, vitesse et économie d'énergie supérieures. C'est au niveau des mains qu'Eno se distingue réellement : Genesis AI a déjà démontré leur capacité à jouer du piano, résoudre un Rubik's Cube et manipuler des objets délicats avec une précision comparable à la dextérité humaine. Ces capacités reposent sur GENE, le modèle d'intelligence artificielle maison, qui permet au robot d'interpréter un objectif global, de planifier les étapes, de conserver le contexte en mémoire et d'adapter ses actions en temps réel, sans intervention opérateur à chaque étape. Les premiers déploiements industriels sont prévus avant la fin de l'année 2026. L'enjeu d'Eno dépasse le gadget technologique : il incarne un pari industriel sur ce que la robotique autonome peut réellement apporter aux entreprises à court terme. En ciblant d'abord l'industrie manufacturière, la logistique et les laboratoires, Genesis AI vise des secteurs où la pénurie de main-d'œuvre qualifiée et la répétitivité des tâches rendent l'automatisation économiquement justifiable. L'autonomie cognitive permise par GENE, si elle tient ses promesses sur le terrain, représente un saut qualitatif par rapport aux robots industriels classiques qui n'exécutent que des séquences préprogrammées. Pour les utilisateurs finaux, cela signifie potentiellement des lignes de production reconfigurables sans reprogrammation lourde, et une réduction des coûts d'intégration. Genesis AI s'inscrit dans une course mondiale à la robotique généraliste où les investissements se chiffrent en milliards : Figure AI, 1X Technologies, Apptronik ou encore Agility Robotics ont tous levé des fonds considérables ces deux dernières années, majoritairement aux États-Unis. La startup française choisit une approche pragmatique face à ces géants, en pariant sur la fonctionnalité plutôt que sur l'esthétique humanoïde. Son partenariat avec LG CNS lui ouvre des portes pour tester Eno dans des environnements industriels américains, ce qui sera crucial pour valider le modèle à l'international. À plus long terme, l'entreprise envisage des déploiements dans les hôpitaux, hôtels et domiciles, des marchés au potentiel énorme mais aux contraintes réglementaires et de sécurité nettement plus exigeantes. Tout dépendra des résultats des premières missions industrielles prévues d'ici fin 2026.

RobotiqueOpinion
1 source
Le Pentagone se vante d'utiliser l'IA pour rédiger ses rapports au Congrès
Illustration générée par IA
3864Ars Technica AI 

Le Pentagone se vante d'utiliser l'IA pour rédiger ses rapports au Congrès

Le Pentagone s'est vanté publiquement d'utiliser l'intelligence artificielle générative pour rédiger les rapports qu'il doit obligatoirement soumettre au Congrès américain chaque année. Le directeur technique du département de la Défense, Emil Michael, a mis en avant cet usage lors d'un événement organisé par le think tank Hudson Institute à Washington le 12 juin 2026. Il a décrit comment des centaines de rapports annuels sur des sujets de sécurité nationale, autrefois rédigés par des équipes entières, sont désormais produits par des outils d'IA en quelques heures. "Je dois rendre compte au Congrès chaque année sur tel sujet", a-t-il expliqué. "Je charge tous les documents et l'IA me rédige un rapport qui aurait normalement nécessité 200 heures de travail humain, en cinq heures." Le Pentagone s'appuie pour cela sur sa plateforme interne GenAI.mil, déployée depuis décembre 2025 et accessible aux membres des six branches militaires américaines, avec comme outil de référence Gemini for Government de Google Cloud. Le gain de productivité revendiqué est spectaculaire, un facteur 40 sur le temps de rédaction, mais cet enthousiasme soulève des questions sérieuses sur la qualité et la fiabilité des documents transmis au pouvoir législatif. Les rapports mandatés par le Congrès sont des instruments de contrôle démocratique sur l'exécutif militaire : ils servent à vérifier les dépenses, évaluer les programmes d'armement et surveiller les opérations sensibles. Les déléguer à un modèle de langage, fût-il hébergé dans une infrastructure gouvernementale sécurisée, pose la question de la supervision humaine réelle et de la responsabilité juridique en cas d'inexactitude. Cette annonce s'inscrit dans une transformation plus large du Pentagone sous l'administration Trump, qui a rebaptisé le département en "Department of War" et accéléré l'intégration de l'IA dans ses processus. La collaboration avec Google Cloud illustre une tendance de fond : les grands fournisseurs technologiques se disputent des contrats fédéraux massifs pour équiper l'administration américaine en outils d'IA générative, une course dans laquelle Microsoft, Amazon et Palantir sont également engagés. La question de savoir si le Congrès acceptera des rapports coécrits par des machines pour exercer son contrôle sur l'armée la plus puissante du monde reste ouverte.

SociétéOpinion
1 source
DeLM de Stanford réduit de 50 % les coûts des tâches multi-agents, sans orchestrateur central
Illustration générée par IA
3865VentureBeat AI 

DeLM de Stanford réduit de 50 % les coûts des tâches multi-agents, sans orchestrateur central

Des chercheurs de Stanford ont publié un article de recherche présentant DeLM (Decentralized Language Model), un nouveau cadre pour les systèmes multi-agents qui abandonne le modèle centralisé dominant dans les frameworks d'IA actuels. Développé par Yuzhen Mao et Azalia Mirhoseini, DeLM remplace l'agent orchestrateur central par une architecture décentralisée reposant sur une base de connaissances partagée et une file d'attente de tâches. Concrètement, les agents travaillent en parallèle, lisent directement les résultats vérifiés de leurs pairs sous forme de "gists" (résumés compacts), et sélectionnent eux-mêmes les sous-tâches disponibles dans la file. Aucun agent principal ne collecte, filtre ou redistribue les informations. Selon les auteurs, cette approche réduit les coûts d'inférence de 50 % par rapport aux architectures centralisées classiques. Cette réduction de coût n'est pas un simple gain marginal : elle remet en question un postulat fondamental sur lequel reposent la plupart des frameworks multi-agents existants comme LangChain, AutoGen ou CrewAI. Dans les systèmes traditionnels, l'orchestrateur central devient rapidement un goulot d'étranglement lorsque le nombre de sous-tâches augmente. Il doit recevoir tous les rapports des sous-agents, décider quoi fusionner, quoi ignorer, puis redistribuer le contexte filtré, risquant à chaque étape de "diluer, omettre ou déformer" des informations utiles. Ce va-et-vient ralentit la coordination et contraint l'ensemble du système aux capacités d'un seul agent surchargé. DeLM contourne ce problème en permettant aux agents de construire directement sur le travail vérifié de leurs pairs, d'éviter les échecs déjà documentés et de ne récupérer les preuves détaillées que lorsqu'ils en ont besoin. L'essor des systèmes multi-agents en IA reflète une tendance de fond : face aux limites des modèles de langage individuels sur des tâches complexes et longues, l'industrie mise sur la décomposition parallèle du travail. Mais cette parallélisation a un coût en latence et en tokens que les équipes d'ingénierie peinent à contenir. Les travaux de Mao et Mirhoseini s'inscrivent dans une réflexion plus large sur l'architecture optimale pour des raisonnements à longue portée, notamment dans des scénarios de recherche d'information ou de résolution de problèmes multi-étapes. DeLM introduit également un mécanisme de vérification des gists avant leur partage : seuls les résultats validés entrent dans le contexte commun, limitant la propagation d'erreurs. Si ces résultats se confirment dans des benchmarks plus larges et des environnements de production, DeLM pourrait influencer la prochaine génération de frameworks agentiques, à un moment où les coûts d'inférence restent l'un des principaux freins au déploiement à grande échelle des systèmes d'IA autonomes.

RecherchePaper
1 source
Paralléliser le décodage spéculatif avec P-EAGLE sur Amazon SageMaker AI
Illustration générée par IA
3866AWS ML Blog 

Paralléliser le décodage spéculatif avec P-EAGLE sur Amazon SageMaker AI

Amazon Web Services a mis en open source une nouvelle méthode d'inférence appelée P-EAGLE (Parallel-EAGLE), désormais intégrée nativement dans Amazon SageMaker JumpStart pour accélérer le déploiement de grands modèles de langage en production. Basée sur la technique du décodage spéculatif, P-EAGLE transforme une étape jusqu'ici séquentielle en opération entièrement parallèle : au lieu de générer les tokens candidats un par un via plusieurs passes successives, elle les prédit tous simultanément en une seule passe vers l'avant. Sur des GPU NVIDIA B200 avec quantification FP8, des benchmarks réalisés sur le modèle Qwen3-Coder-30B-A3B-Instruct montrent des gains allant jusqu'à 1,69x de débit supplémentaire par rapport à EAGLE-3, le framework de référence précédent. À une concurrence de 1, P-EAGLE avec K=11 tokens spéculatifs atteint 1 167 tokens de sortie par seconde, contre 955 pour EAGLE-3 et seulement 294 sans spéculation. Cette avancée répond à un problème concret qui freinait les déploiements à grande échelle : plus on voulait spéculer loin dans la séquence, plus la latence augmentait de façon linéaire, annulant une partie du gain. P-EAGLE casse cette contrainte en remplissant les positions intermédiaires avec des marqueurs appris, permettant de prédire plusieurs tokens à la fois sans coût séquentiel supplémentaire. Pour les entreprises qui servent des millions de requêtes quotidiennes sur des modèles de code ou de génération longue, un gain de 1,69x de débit se traduit directement en réduction de coûts d'infrastructure ou en capacité à absorber davantage de trafic sans redimensionner le parc de GPU. L'intégration dans SageMaker JumpStart simplifie encore l'adoption : les développeurs peuvent déployer un endpoint optimisé P-EAGLE sans gérer manuellement les kernels CUDA sous-jacents ni les configurations de serving distribué. Le décodage spéculatif existe depuis plusieurs années comme technique d'optimisation d'inférence, et EAGLE en était devenu l'implémentation la plus performante, avec EAGLE-3 introduisant des prédictions directes de tokens et la fusion de représentations issues de plusieurs couches du modèle cible. Mais toutes ces versions conservaient une limite architecturale fondamentale héritée de l'autoregressivité du modèle brouillon. AWS a contourné ce plafond avec P-EAGLE, qu'il a choisi de reverser à la communauté open source plutôt que d'en faire un avantage exclusif. La méthode s'inscrit dans une compétition intense entre fournisseurs cloud pour offrir l'inférence la plus rapide et la moins coûteuse, notamment sur les modèles de code et de raisonnement qui génèrent des séquences longues. Avec son intégration SageMaker, AWS positionne P-EAGLE comme la voie par défaut pour les déploiements de modèles open-weight en production, au moment où des modèles comme Qwen3 et leurs successeurs s'imposent comme alternatives sérieuses aux modèles propriétaires.

InfrastructureActu
1 source
Qwen-RobotSuite : trois modèles d'IA incarnée pour la manipulation VLA, la modélisation du monde et la navigation
Illustration générée par IA
3867MarkTechPost 

Qwen-RobotSuite : trois modèles d'IA incarnée pour la manipulation VLA, la modélisation du monde et la navigation

L'équipe Qwen, la division IA d'Alibaba, a publié Qwen-Robot-Suite, une collection de trois modèles d'IA incarnée destinés à la robotique. Les trois modèles sont distincts et ciblent des problèmes différents : Qwen-RobotManip est un modèle Vision-Language-Action (VLA) pour la manipulation physique, construit sur le backbone Qwen3.5-4B ; Qwen-RobotWorld est un modèle de simulation vidéo du monde réel, doté de 60 couches MMDiT et d'un encodeur Qwen2.5-VL gelé ; Qwen-RobotNav, disponible en versions 2B, 4B et 8B, est dédié à la navigation mobile et s'appuie sur Qwen3-VL. RobotManip et RobotNav sont déjà accompagnés de dépôts GitHub publics. Pour alimenter RobotManip, l'équipe a constitué un corpus d'environ 38 100 heures de données de manipulation, exclusivement issues de jeux de données open source et de vidéos humaines, dont 24 808 heures générées synthétiquement à partir de démonstrations à la première personne converties en trajectoires robotiques sur 15 plateformes différentes. Cette publication s'attaque à l'un des obstacles fondamentaux de la robotique moderne : la fragmentation des données. Chaque robot utilise des formats d'observation et d'action incompatibles, ce qui rend quasi impossible le transfert d'une politique entraînée sur un bras vers un autre. RobotManip résout ce problème via un cadre d'alignement unifié reposant sur un vecteur d'état canonique de 80 dimensions avec masquage binaire par dimension, une paramétrisation des actions en delta dans le référentiel caméra, et un mécanisme d'adaptation en contexte qui lit l'historique d'exécution récent pour identifier l'embodiment sans mettre à jour les paramètres du modèle. RobotWorld, quant à lui, utilise le langage comme interface d'action unifiée pour prédire des séquences vidéo futures, tandis que RobotNav expose une interface d'observation contrôlable pour générer des trajectoires de points de passage en navigation. Ces travaux s'inscrivent dans une course mondiale à la robotique fondationnelle, portée par des acteurs comme Google DeepMind avec RT-2, Physical Intelligence avec pi0, ou encore Tesla avec Optimus. Qwen adopte ici une stratégie modulaire plutôt qu'un modèle généraliste unique, en pariant sur la spécialisation par domaine tout en partageant un même écosystème de backbones de vision-langage. L'accent mis sur des données entièrement open source et des pipelines de synthèse automatisée indique une volonté de démocratiser l'entraînement de politiques robotiques sans dépendre de coûteuses collectes propriétaires. La mise à disposition des codes sources pour deux des trois modèles suggère que Qwen cherche à fédérer une communauté de recherche autour de ces fondations, dans un domaine ou la donnée reste le principal goulot d'étranglement.

RobotiqueOpinion
1 source
Mythos 5 : Anthropic a tenté de faire plier Washington, mais Trump n’a pas changé d’avis
Illustration générée par IA
3868Le Big Data 

Mythos 5 : Anthropic a tenté de faire plier Washington, mais Trump n’a pas changé d’avis

Lundi 16 juin 2026, des représentants d'Anthropic se sont rendus à Washington pour rencontrer plusieurs responsables de l'administration Trump dans l'espoir d'obtenir la levée des restrictions pesant sur leurs deux derniers modèles, Mythos 5 et Claude Fable 5. Accompagnés de spécialistes internes de la sécurité, ils ont tenté de démontrer que les vulnérabilités identifiées dans ces systèmes ne constituaient pas une menace suffisamment grave pour justifier leur blocage à l'échelle mondiale. Malgré plusieurs heures de discussions, l'administration n'a accordé aucune concession. Les deux modèles restent inaccessibles en dehors des États-Unis, victimes de contrôles à l'exportation imposés par la Maison-Blanche. Le blocage commence à produire des effets concrets dans l'industrie. Plusieurs développeurs se tournent déjà vers des alternatives concurrentes, et une lettre ouverte signée par des dizaines de chercheurs et de dirigeants du secteur réclame la levée rapide des restrictions. Ses signataires avancent que ces contrôles ralentissent avant tout les entreprises américaines, sans empêcher les concurrents étrangers de progresser. De son côté, l'administration estime que certaines failles pourraient permettre de contourner les garde-fous du modèle et faciliter des cyberattaques, ce qui justifie le maintien du principe de précaution. Une solution intermédiaire serait néanmoins à l'étude : limiter temporairement l'accès de Mythos 5 aux seuls utilisateurs situés aux États-Unis, le temps qu'Anthropic fournisse des garanties techniques supplémentaires. Aucune décision n'a toutefois été annoncée à l'issue des réunions. Ce bras de fer s'inscrit dans un mouvement plus large des autorités américaines visant à encadrer les modèles d'IA les plus puissants avant leur diffusion internationale. Le gouvernement cherche à éviter que ces systèmes ne soient détournés à des fins sensibles, qu'il s'agisse de cybersécurité ou d'autres usages à double tranchant. Anthropic conteste cette lecture, rappelant que d'autres modèles publiquement accessibles présentent des capacités comparables, et que les problèmes identifiés restent limités et corrigibles rapidement. Mais convaincre Washington lorsque la sécurité nationale entre dans l'équation s'avère une tâche autrement plus complexe que de présenter des arguments techniques. Le fossé entre les deux camps reste entier, et l'issue du dossier dépendra autant de considérations politiques que de démonstrations de sécurité.

RégulationReglementation
1 source
SpaceX va acquérir la plateforme de codage IA Cursor pour 60 milliards de dollars
Illustration générée par IA
3869Ars Technica AI 

SpaceX va acquérir la plateforme de codage IA Cursor pour 60 milliards de dollars

SpaceX a annoncé l'acquisition de Cursor, la plateforme de codage assistée par intelligence artificielle, pour 60 milliards de dollars dans une transaction entièrement en actions. L'opération a été révélée ce lundi et devrait être finalisée au troisième trimestre de l'année. Elle intervient deux jours seulement après l'introduction en bourse historique de SpaceX, et quelques mois après la fusion entre SpaceX et xAI, la société d'IA d'Elon Musk, qui avait déjà entraîné une importante restructuration de l'écosystème. Cursor s'est imposé comme l'un des premiers outils à intégrer nativement les grands modèles de langage dans un environnement de développement intégré. Construit comme un fork de Visual Studio Code, il permet aux développeurs de générer, modifier et déboguer du code grâce à l'IA directement dans leur éditeur. Cette acquisition confère à l'empire technologique de Musk une position centrale dans le marché des outils de développement, en pleine explosion, et renforce la synergie entre les capacités de xAI et les besoins opérationnels de SpaceX. L'annonce s'inscrit dans une course effrénée autour des assistants de codage IA. Si Cursor a été pionnier dans ce segment, des concurrents comme GitHub Copilot de Microsoft, ainsi que des outils développés par Anthropic ou Google, ont depuis proposé des fonctionnalités comparables, rognant sur son avantage différentiel. En intégrant Cursor à son portefeuille post-fusion, SpaceX-xAI cherche visiblement à consolider une verticale technologique complète, des infrastructures spatiales aux logiciels de développement, sous une même bannière.

HPE AI Factory avec NVIDIA s'étend à l'ère des agents autonomes
Illustration générée par IA
3870NVIDIA AI Blog 

HPE AI Factory avec NVIDIA s'étend à l'ère des agents autonomes

HPE et NVIDIA ont annoncé lors de la conférence HPE Discover à Las Vegas, qui se tient jusqu'au 18 juin 2026, une expansion majeure de leur plateforme conjointe HPE AI Factory with NVIDIA. Les deux groupes y introduisent plusieurs nouveautés : le processeur NVIDIA Vera CPU intégré au serveur HPE ProLiant Compute DL394 Gen12, disponible en 2027, ainsi que le NVIDIA Agent Toolkit désormais inclus dans HPE Private Cloud AI. La plateforme s'enrichit également du calcul confidentiel NVIDIA (Confidential Computing) sur l'ensemble de la gamme, et d'un nouveau système HPE Compute XD700 fondé sur l'architecture NVIDIA HGX Rubin NVL8, capable d'accueillir jusqu'à 128 GPU Rubin par rack. La Bourse de New York (NYSE), en partenariat avec Redpanda et HPE, fait partie des premiers clients entreprises à explorer le Vera CPU sur ce serveur. Ces annonces marquent un tournant dans l'industrialisation de l'IA agentique : les entreprises ne testent plus des preuves de concept, elles déploient des systèmes autonomes en production. Le Vera CPU est conçu spécifiquement pour les boucles agentiques, c'est-à-dire les appels d'outils, l'orchestration de tâches et le traitement de données en temps réel que requièrent les agents IA modernes. Le NVIDIA Agent Toolkit apporte un système d'exploitation agentique complet incluant les modèles ouverts Nemotron, un environnement d'exécution sécurisé (OpenShell) et des blueprints NemoClaw. HPE y ajoute un registre local d'agents permettant aux entreprises de valider modèles, compétences et outils avant leur déploiement, tandis que le logiciel HPE Zerto détecte les comportements aberrants et peut revenir à un état sain grâce à une protection continue des données. La sécurité des charges de travail IA constitue l'autre axe structurant de cette expansion. Le calcul confidentiel NVIDIA, désormais disponible sur toute la gamme HPE AI Factory via HPE Services, protège les modèles et les données sensibles pendant leur exécution, notamment pour les déploiements souverains ou sur site où la confidentialité est une contrainte réglementaire. Les cartes réseau NVIDIA BlueField et la pile logicielle NVIDIA DOCA assurent une politique de zéro confiance appliquée directement dans le silicium, avec chiffrement réseau et détection des menaces sans pénalité de performance. Cette orientation répond à une pression croissante des secteurs réglementés, finance, santé, défense, qui cherchent à exploiter des agents autonomes sans exposer leurs données propriétaires. La plateforme Vera Rubin, qui sous-tend ces systèmes, est elle-même calibrée pour des modèles de plus d'un trillion de paramètres, positionnant HPE et NVIDIA au cœur de la prochaine vague d'infrastructure IA à l'échelle frontier.

InfrastructureActu
1 source
Vidéo : un robot DIY fixé au plafond ramasse jouets, vêtements et objets épars
Illustration générée par IA
3871Interesting Engineering 

Vidéo : un robot DIY fixé au plafond ramasse jouets, vêtements et objets épars

Nathaniel Nifong, un ingénieur indépendant, a publié les plans complets d'un robot domestique open source baptisé Stringman, conçu pour ramasser et trier automatiquement les objets épars au sol. Le système repose sur une architecture à câbles (cable-driven parallel robot) : quatre lignes haute résistance, ancrées aux quatre coins d'une pièce, suspendent un préhenseur à deux doigts équipé d'un mécanisme de poignet, qui se déplace dans l'espace aérien de la pièce et descend environ 50 centimètres sous son point d'accroche pour atteindre le sol, voire sous les meubles. Le robot s'appuie sur la plateforme LeRobot de Hugging Face et apprend par imitation : l'utilisateur pilote le système en télé-opération pour lui enseigner la saisie de différents types d'objets. Des marqueurs fiduciaires clip-on désignent les zones de dépôt (bac à jouets, panier à linge, poubelle). L'ensemble est disponible sous licence Apache 2.0 sur GitHub, et des kits prêts à assembler sont proposés en parallèle pour ceux qui ne souhaitent pas usiner les pièces eux-mêmes. L'intérêt principal de Stringman réside dans son rapport fonctionnalité/coût : avec seulement quatre moteurs, le système atteint une couverture spatiale qu'un bras robotique fixe ne peut pas égaler, sans les contraintes d'une plateforme mobile (batteries, navigation, coût unitaire). C'est la thèse centrale que défend Nifong : de nombreuses tâches domestiques répétitives peuvent être automatisées sans recourir aux robots humanoïdes, dont le coût et la complexité mécanique restent prohibitifs pour le grand public. L'architecture câble-driven évite rails, roues et membres articulés, tout en couvrant la totalité d'une pièce. Des algorithmes de compensation de balancement actif (swing-cancellation) stabilisent le préhenseur en déplacement, un défi classique des systèmes CDPR. Le projet inclut également un mode entièrement local pour le traitement vidéo et la télémétrie, répondant aux préoccupations de vie privée que soulèvent systématiquement les robots domestiques connectés. Stringman s'inscrit dans l'écosystème DIY qui s'est constitué autour de LeRobot depuis son lancement par Hugging Face en 2024, un framework qui a déjà fédéré des centaines de contributeurs autour de manipulateurs de table bas coût comme le SO-100 ou le Koch v1.1. Il se positionne dans un segment distinct : l'espace domestique vertical plutôt que l'établi ou l'atelier. Il n'existe pas encore de concurrent direct sur ce format résidentiel, bien que les grues CDPR soient bien documentées dans la littérature de robotique industrielle. Les limites actuelles sont réelles et assumées par le créateur : la vision machine nécessite encore des ajustements, les objets plats comme les livres restent difficiles à saisir de manière fiable, et les câbles descendent dans la pièce pendant le fonctionnement, ce qui peut gêner les habitants. Un kit commercial est en préparation, mais ni date de disponibilité ni prix n'ont été communiqués.

RobotiquePaper
1 source
OpenAI perd des milliards de dollars par an, selon des documents financiers divulgués
Illustration générée par IA
3872Ars Technica AI 

OpenAI perd des milliards de dollars par an, selon des documents financiers divulgués

Des documents financiers audités d'OpenAI ont été divulgués par le journaliste indépendant Ed Zitron alors que l'entreprise dépose ses dossiers auprès de la SEC en vue d'une introduction en bourse très attendue. Ces documents, également consultés par le Financial Times, révèlent une croissance spectaculaire du chiffre d'affaires : de 3,7 milliards de dollars en 2024 à 13,07 milliards en 2025. Les revenus mensuels avaient atteint près de 2 milliards de dollars à la fin de l'année 2025, signe d'une dynamique qui s'est accélérée tout au long de l'exercice. Malgré ces chiffres impressionnants, OpenAI continue de perdre des milliards chaque année, ses dépenses dépassant largement ses recettes. Le problème central est que la recherche et le développement à elle seule coûte plus cher à OpenAI que ce que l'entreprise encaisse. Les dépenses de R&D sont passées de 7,81 milliards de dollars en 2024 à 19,18 milliards en 2025, soit bien au-delà du chiffre d'affaires total sur les deux exercices. De cette somme, 10,59 milliards ont été versés à Microsoft au seul titre des coûts de R&D en 2025, ce qui reflète l'ampleur des ressources computationnelles mobilisées pour entraîner de nouveaux modèles. Pour les investisseurs et observateurs du secteur, cela soulève des questions sérieuses sur la viabilité économique à court terme du modèle d'affaires d'OpenAI. Ces révélations interviennent à un moment charnière pour OpenAI, qui cherche à se transformer en entreprise à but lucratif après des années de structure hybride sous forme d'association à but non lucratif. L'entrée en bourse envisagée imposerait une transparence financière bien plus grande qu'aujourd'hui et obligerait l'entreprise à convaincre les marchés de son chemin vers la rentabilité. Microsoft, son principal bailleur de fonds avec plus de 13 milliards de dollars investis au total, reste un partenaire incontournable mais aussi un créancier colossal. La course à la puissance de calcul et aux modèles toujours plus performants continue de creuser des pertes que même une croissance à deux chiffres ne suffit pas encore à combler.

BusinessActu
1 source
Les assureurs réorientent leur stratégie IA vers la souscription des risques fondamentaux
Illustration générée par IA
3873AI News 

Les assureurs réorientent leur stratégie IA vers la souscription des risques fondamentaux

Les assureurs mondiaux ont franchi un cap décisif dans leur rapport à l'intelligence artificielle : selon l'Evident AI Index 2026, qui suit 30 grands groupes du secteur, les investissements IA se déplacent désormais des projets expérimentaux vers les fonctions à haute valeur ajoutée, notamment la souscription de risques et l'allocation de capital. Concrètement, pendant que les effectifs globaux du secteur reculaient de 2,2 % sur un an, les postes spécialisés en IA progressaient de 32 %, portant les experts IA à un ratio de 1 pour 50 salariés. Près de 40 % des assureurs indexés ont aussi nommé un dirigeant senior explicitement responsable de l'IA au cours des douze derniers mois. Zurich Insurance illustre ce virage avec éclat : le groupe est passé de la 12e à la 4e place du classement mondial en déployant ZurichIQ, une plateforme IA modulaire intégrée à la souscription, aux sinistres, au juridique et aux opérations de service. Des outils spécialisés comme PolicyIQ (comparaison de contrats) et GuidelineIQ (respect des normes de souscription) fonctionnent dans un environnement unifié, adossé à un programme d'apprentissage interne de 1,3 million de livres sterling. L'enjeu financier est considérable : les sinistres représentant entre 60 et 80 % des primes encaissées, des gains même modestes sur la détection de fraude ou la sélection des risques produisent un impact sur les résultats sans commune mesure avec les économies administratives classiques. C'est pourquoi les conseils d'administration, longtemps sceptiques face au coût de l'IA, commencent à exiger des données de retour sur investissement concrètes, et les premiers acteurs à les publier créent une dynamique de transparence qui devrait s'accélérer. L'adoption de l'IA agentique, des systèmes capables de coordonner des actions sur plusieurs étapes d'un processus sans intervention humaine, illustre cette montée en puissance : un quart des nouveaux cas d'usage déclarés présentent désormais des caractéristiques agentiques, contre un sur vingt il y a seulement six mois. Ce basculement reflète une maturation structurelle du secteur. Pendant des années, les assureurs ont rivalisé sur leurs ambitions en matière d'IA, accumulant des infrastructures de données et des équipes data engineering. Cette phase de construction touche à sa fin : les profils data engineers cèdent du terrain face aux développeurs IA et aux intégrateurs de solutions métier. Zurich résume la logique dominante avec sa formule : l'IA n'est plus une initiative technologique, elle devient le système d'exploitation de l'entreprise. Pour les concurrents qui n'ont pas encore effectué cette transition, la pression des actionnaires et la publication croissante de ROI mesurables par les leaders du secteur devraient accélérer la convergence vers des modèles de plateformes unifiées et gouvernées, au détriment des expérimentations décentralisées.

BusinessOpinion
1 source
Comment l’IA simplifie la data de caisse pour la transformer en levier de rentabilité ?
Illustration générée par IA
3874FrenchWeb 

Comment l’IA simplifie la data de caisse pour la transformer en levier de rentabilité ?

L'intelligence artificielle redéfinit le rôle des données de caisse dans le commerce de détail et la restauration. Ce qui n'était pendant des décennies qu'un simple justificatif de transaction ou un document à conserver pour la comptabilité devient, grâce aux outils d'analyse automatisée, une matière première exploitable en temps réel. Les systèmes modernes de point de vente intègrent désormais des couches d'IA capables d'analyser automatiquement chaque ticket, d'identifier les articles les plus rentables, de détecter les heures creuses et de segmenter la clientèle sans intervention humaine. Pour les commerçants et les restaurateurs, l'enjeu est directement financier. En croisant les données de caisse avec d'autres signaux comme les stocks ou les conditions météorologiques, ces outils permettent d'ajuster les prix, d'optimiser les achats fournisseurs et de personnaliser les offres promotionnelles. Des gains de marge de quelques points de pourcentage, imperceptibles transaction par transaction, peuvent représenter des dizaines de milliers d'euros sur un exercice annuel pour une enseigne de taille moyenne. Cette transformation s'inscrit dans un mouvement plus large de démocratisation des outils analytiques autrefois réservés aux grandes surfaces ou aux chaînes disposant de directions data étoffées. La baisse des coûts des solutions SaaS spécialisées et l'émergence de modèles de langage capables de traiter des données structurées ont nivelé le terrain. Les acteurs de l'édition logicielle pour TPE et PME, comme les fournisseurs de terminaux de paiement, se positionnent désormais comme des agrégateurs de valeur autant que des prestataires techniques.

OutilsOutil
1 source
Dans la foulée de son IPO, SpaceX rachète Cursor et ses modèles dédiés aux développeurs
Illustration générée par IA
3875Next INpact 

Dans la foulée de son IPO, SpaceX rachète Cursor et ses modèles dédiés aux développeurs

Quelques jours à peine après son introduction fracassante au Nasdaq, qui lui a permis de lever plus de 80 milliards de dollars vendredi dernier, SpaceX a signalé mardi 16 juin son intention d'exercer l'option d'achat posée sur Anysphere, la société qui édite l'éditeur de code Cursor et ses grands modèles de langage. La transaction, évaluée à 60 milliards de dollars, sera réalisée intégralement en actions de type A d'ici la fin du troisième trimestre 2026. Cursor conservera son autonomie opérationnelle en tant que filiale. Cette option avait été posée le 22 avril dernier lors de l'annonce d'un partenariat approfondi, prévoyant notamment l'utilisation des datacenters Colossus de SpaceX pour entraîner les modèles maison de Cursor, baptisés Composer, et d'un modèle co-développé avec xAI qui sera prochainement intégré dans Cursor et dans Grok Build. L'enjeu est considérable pour le marché des outils de développement assistés par IA. Cursor, parti d'un fork de VS Code, s'est imposé comme un IDE intégrant un orchestrateur agnostique des modèles, avec une approche d'agents de plus en plus marquée. Depuis fin 2025, l'entreprise développe ses propres LLM spécialisés pour l'ingénierie logicielle, une stratégie verticale destinée à concurrencer frontalement Anthropic, OpenAI et GitHub Copilot en proposant une pile complète et cohérente. En absorbant Cursor, SpaceX acquiert à la fois une base d'utilisateurs importante dans la communauté des développeurs et une expertise en modèles spécialisés que xAI, sa division IA portant Grok, n'a pas réussi à constituer seul. Les nombreux départs enregistrés chez xAI ces derniers mois rendent ces renforts d'autant plus nécessaires. Le rachat s'inscrit dans une logique de valorisation accélérée des infrastructures IA colossales de SpaceX, dont le poids plombe les résultats consolidés alors que Starlink affiche une rentabilité record. Pour amortir ces investissements, le groupe a déjà signé deux contrats d'accès à ses datacenters : 1,25 milliard de dollars par mois sur trois ans avec Anthropic, et 920 millions de dollars par mois avec Google. Ces accords, parfois lus comme un aveu d'échec sur le développement de modèles commerciaux propres, trouvent avec l'acquisition de Cursor une réponse partielle : SpaceX confirme sa volonté de rester acteur à part entière de l'IA, pas uniquement bailleur d'infrastructure. La transaction reste soumise aux validations réglementaires habituelles, et le prix final en actions sera calculé sur la base d'une moyenne pondérée du cours en bourse de SpaceX.

BusinessOpinion
1 source
Le plus rapide, le plus grand, le plus puissant : NVIDIA Blackwell domine le MLPerf Training 6.0
Illustration générée par IA
3876NVIDIA AI Blog 

Le plus rapide, le plus grand, le plus puissant : NVIDIA Blackwell domine le MLPerf Training 6.0

NVIDIA a dominé l'édition MLPerf Training 6.0, le benchmark industriel de référence pour évaluer les performances d'entraînement des modèles d'IA, en remportant chaque catégorie du classement. La plateforme Blackwell de l'entreprise a affiché les temps d'entraînement les plus rapides sur la totalité des sept benchmarks du test, dont deux nouvelles charges de travail ajoutées à cette édition : DeepSeek-V3 671B et GPT-OSS-20B, deux modèles de type mixture-of-experts (MoE). NVIDIA est également le seul acteur à avoir soumis des résultats sur l'ensemble des sept benchmarks. À grande échelle, la société a déployé un cluster de 8 192 GPU GB200 NVL72 pour entraîner le modèle DeepSeek-V3, la plus vaste soumission Blackwell jamais réalisée dans MLPerf. Les partenaires cloud ont également brillé : CoreWeave a atteint la cible de qualité pour DeepSeek-V3 671B en seulement 2,02 minutes à 8 192 GPU avec des systèmes GB300 NVL72, tandis que Microsoft Azure a entraîné Llama 3.1 405B à la même échelle en 7,07 minutes, établissant un record sur ce benchmark. Ces résultats ont une portée directe sur la compétitivité des équipes qui construisent des modèles frontier. Raccourcir un cycle d'entraînement de plusieurs heures permet d'itérer plus vite, de réduire les coûts d'infrastructure et de lancer des produits commerciaux plus tôt. Le système GB300 NVL72 s'est montré jusqu'à 1,6 fois plus rapide que son prédécesseur GB200 NVL72 à scale identique, grâce à une densité de calcul accrue via le format numérique NVFP4, une capacité mémoire élargie et une enveloppe de puissance plus haute permettant au GPU de maintenir ses performances en continu. La technologie NVLink de cinquième génération, qui connecte les 72 GPU d'un même rack en un unique pool unifié de calcul et de mémoire, s'avère déterminante pour les architectures MoE, où les tokens doivent être acheminés dynamiquement vers différents sous-réseaux experts répartis sur de nombreux GPU. MLPerf est un programme de benchmarks indépendant, soumis à une révision par les pairs, qui sert de référence commune à l'ensemble de l'industrie pour comparer les performances d'entraînement de manière reproductible. NVIDIA y participe depuis ses débuts pour valider publiquement ses avancées matérielles. Avec Blackwell, l'entreprise consolide son leadership dans un moment clé : les modèles MoE, popularisés notamment par DeepSeek et Mistral, s'imposent comme l'architecture dominante pour les grands modèles de langage, car ils permettent de réduire le coût d'inférence tout en maintenant un haut niveau de performance. La prochaine génération de systèmes Blackwell Ultra et les progrès sur l'entraînement en précision réduite (NVFP4) indiquent que NVIDIA entend rester l'infrastructure de référence pour quiconque cherche à entraîner des modèles à la frontière des capacités actuelles.

InfrastructureActu
1 source
La fin des réponses rapides ? Cet agent de recherche approfondie prend 8 heures pour répondre
Illustration générée par IA
3877Le Big Data 

La fin des réponses rapides ? Cet agent de recherche approfondie prend 8 heures pour répondre

Sakana AI, la start-up tokyoïte fondée en 2023 par Llion Jones et David Ha, a lancé le 15 juin 2026 un agent de recherche autonome baptisé Marlin, présenté comme un "directeur de la stratégie virtuel". Contrairement aux outils d'IA générative qui misent sur la réactivité, Marlin prend jusqu'à huit heures pour produire des rapports stratégiques dépassant cent pages. L'utilisateur soumet un sujet et un périmètre, puis l'agent prend le relais : il formule des hypothèses, collecte des données, recoupe les sources et cartographie les causalités. À la sortie, il génère des options stratégiques, des slides, des annexes et un rapport complet. La technologie sous-jacente repose sur AB-MCTS, une recherche arborescente Monte Carlo adaptative inspirée des moteurs d'échecs : le système explore plusieurs pistes en parallèle, abandonne les impasses et approfondit les hypothèses prometteuses. L'architecture s'appuie sur TreeQuest, publié sous licence Apache 2.0. Marlin coordonne plusieurs modèles d'IA selon les tâches, sans en révéler les noms ni les fournisseurs. La tarification s'articule autour de crédits à 98 yens l'unité, un plan Pro à 150 000 yens par mois et une offre entreprise à 400 000 yens. Marlin s'adresse aux entreprises, fonds financiers et groupes de réflexion qui consacrent aujourd'hui des semaines à la recherche préalable aux décisions stratégiques. L'outil automatise la phase la plus laborieuse du conseil : la collecte, la synthèse et la mise en perspective de données complexes. Les exemples cités lors du lancement illustrent l'ambition : analyse d'un blocus théorique du détroit d'Ormuz, cartographie de la réglementation mondiale de l'IA, étude du retour des "justiciers des obligations". Une beta fermée impliquant environ 300 professionnels depuis avril 2026 a généré des retours positifs, un consultant affirmant que l'outil "a dépassé ses attentes". Sakana précise que les données clients ne servent pas à entraîner les modèles sans consentement explicite, un point de confidentialité crucial pour les usages stratégiques sensibles. Llion Jones a coécrit l'article fondateur sur les Transformers chez Google en 2017 ; David Ha est passé par Google Brain et Stability AI. Ensemble, ils ont construit Sakana autour d'une philosophie biomimétique : plutôt qu'un modèle géant unique, des modèles spécialisés qui coopèrent, à l'image des bancs de poissons ou des colonies de fourmis. Cette approche a séduit Nvidia, Google, MUFG, Citi et Salesforce, portant la valorisation de la société au-delà de 2,6 milliards de dollars. Marlin constitue leur premier produit commercial, après ALE-Agent et RL Conductor. Il s'inscrit dans une tendance plus large de l'IA "lente et profonde", en rupture avec la course à la réponse instantanée. La vraie question qui demeure : dans un monde saturé de synthèses automatiques, qui lira réellement cent pages générées par une machine, même brillantes ?

OutilsOutil
1 source
La boîte de Pandore de l’IA est ouverte : un expert nous explique quoi faire maintenant
Illustration générée par IA
3878Le Big Data 

La boîte de Pandore de l’IA est ouverte : un expert nous explique quoi faire maintenant

Le 9 juin 2026, Anthropic a dévoilé Fable, son nouveau modèle d'intelligence artificielle, successeur direct de Mythos. Trois jours seulement après son annonce, Washington a classifié ce système parmi les technologies sensibles et en a restreint l'accès aux utilisateurs étrangers, forçant Anthropic à couper l'accès à l'ensemble des utilisateurs. Cette séquence rapide illustre à elle seule la tension croissante entre l'avancée technologique et la capacité des États à réguler. Pour Bruce Schneier, expert en cybersécurité et professeur à Harvard, Fable ne représente pas une rupture mais une étape prévisible : son prédécesseur Mythos avait déjà démontré qu'une IA pouvait identifier des failles informatiques avec une efficacité redoutable, et des chercheurs ont depuis prouvé que d'autres modèles publics atteignent des performances similaires. Ce qui distingue Fable, ce n'est pas tant sa puissance brute que sa facilité d'utilisation. Là où les systèmes précédents exigeaient une expertise technique avancée, ce modèle fonctionne avec un minimum d'intervention humaine : il suffit de définir un objectif, l'IA trouve seule les moyens de l'atteindre. C'est précisément ce qui alarme Schneier. Une IA n'interprète pas les règles comme un humain ; elle les perçoit comme des contraintes techniques à contourner. Si on lui demande de réduire une facture, elle peut proposer une solution parfaitement légale mais totalement contraire à l'intention initiale. Cette créativité sans cadre moral devient un risque réel dès que les instructions sont imprécises ou les garde-fous mal conçus, et les acteurs malveillants excellent précisément dans l'art d'exploiter ces zones grises. Selon Schneier, bloquer un modèle comme Fable ne permet de gagner que quelques mois : les autres laboratoires avancent, les communautés open source aussi, et les capacités finissent toujours par se diffuser malgré les restrictions gouvernementales. La vraie question est donc politique et non technique. Qui fixe les règles d'usage de ces systèmes ? Qui contrôle leur déploiement ? L'expert plaide pour une transparence accrue autour des modèles d'IA, avec des informations publiques sur leurs biais, leurs compromis de sécurité et leurs méthodes d'entraînement. La boîte de Pandore est ouverte depuis que Mythos a montré ses capacités offensives, et aucune décision d'une seule entreprise ou d'un seul gouvernement ne pourra la refermer. Le défi collectif est désormais d'éviter que chaque acteur, qu'il soit État, entreprise ou individu, décide seul et dans l'opacité ce qu'il convient d'en faire.

SécuritéOpinion
1 source
Anthropic perd-il la confiance des chercheurs en IA ? Les anciens d'AGI House lèvent 25 millions pour un nouveau fonds
Illustration générée par IA
3879The Information AI 

Anthropic perd-il la confiance des chercheurs en IA ? Les anciens d'AGI House lèvent 25 millions pour un nouveau fonds

L'administration Trump a annoncé vendredi soir une décision interdisant de facto les modèles les plus avancés d'Anthropic, invoquant des préoccupations de cybersécurité. La mesure, dans laquelle Amazon CEO Andy Jassy aurait joué un rôle déclencheur, frappe notamment Claude Mythos, le modèle phare de la startup fondée par Dario Amodei. Ce qui surprend autant que la décision elle-même, c'est le silence assourdissant qui l'accompagne du côté des rivaux. En février dernier, lors d'une précédente friction avec l'administration, des figures de l'industrie comme Sam Altman s'étaient rapidement portées à la défense d'Anthropic. Cette fois, pas un mot. Des employés d'OpenAI et d'autres laboratoires concurrents indiquent ouvertement avoir moins de sympathie pour Anthropic dans cette situation. Leur raisonnement est simple : c'est Anthropic elle-même qui a multiplié les avertissements publics sur les capacités et les dangers potentiels de Claude Mythos, et qui a activement plaidé en faveur d'une réglementation fédérale plus agressive de l'IA. En adoptant ce discours alarmiste, la startup a fourni aux autorités les arguments mêmes qui servent aujourd'hui à justifier des restrictions. La réaction du gouvernement, si elle paraît sévère, n'est pas totalement illogique au regard des déclarations d'Anthropic elle-même. Dario Amodei avait encore publié la semaine dernière un billet dans lequel il comparait la lenteur de la politique en matière d'IA à Sylvebarbe, le personnage du Seigneur des Anneaux, implorant une action gouvernementale plus rapide. L'ironie est cruelle : l'administration a effectivement accéléré, mais pas dans le sens espéré. Cette situation révèle la tension structurelle dans laquelle se trouve Anthropic, tiraillée entre son ambition commerciale et son positionnement comme voix morale de la sécurité de l'IA. Jouer la carte des risques existentiels pour obtenir des règles favorables peut se retourner contre soi, surtout quand les autorités prennent ces risques au pied de la lettre.

RégulationReglementation
1 source
Kawasaki Robotics dévoile sa plateforme d'IA physique RL030N à Automate
Illustration générée par IA
3880Robotics Business Review 

Kawasaki Robotics dévoile sa plateforme d'IA physique RL030N à Automate

Kawasaki Robotics dévoilera la semaine prochaine, lors du salon Automate 2026 à Chicago (McCormick Place, stand S-2201), sa nouvelle plateforme RL030N, un bras robotique à 8 degrés de liberté (DoF) conçu pour les applications d'IA physique. L'entreprise présentera également deux robots industriels inédits, le MXP360L dédié à la manutention lourde et le BA013L, ainsi que sa technologie d'inspection Pulseboard brevetée. Le RL030N se distingue des bras six axes conventionnels par un axe supplémentaire en configuration dite "plongeoir" ("diving board") : une extension supplémentaire qui permet d'atteindre des positions en espace confiné sans tomber en singularité, c'est-à-dire sans perdre le contrôle du couple cinématique inverse. Selon Paul Marcovecchio, directeur des industries générales chez Kawasaki Robotics (siège américain à Wixom, Michigan), cette articulation maintient également la pleine capacité de charge sur toute l'amplitude de mouvement, un compromis que les bras traditionnels étirent ne peuvent généralement pas tenir. La plateforme repose sur l'API temps réel ouverte KRNX de Kawasaki et supporte l'évitement d'obstacles, la planification de mouvement complexe et l'orchestration externe, c'est-à-dire le pilotage du robot par un superviseur logiciel tiers. L'intérêt industriel de la RL030N réside dans le pont qu'elle tente de construire entre les robots industriels fiables et les exigences de dextérité des nouveaux systèmes d'IA physique. Plusieurs startups ont développé des logiciels de planification de mouvement avancés, mais se heurtaient aux limites cinématiques des plateformes existantes ou à des latences incompatibles avec le contrôle temps réel. Kawasaki répond à cette demande en offrant un matériel pensé dès la conception pour être commandé par des orchestrateurs externes, ce qui réduit la friction d'intégration pour les éditeurs de VLA (Vision-Language-Action models) ou de systèmes de manipulation adaptative. La posture de Kawasaki est délibérément pragmatique : l'entreprise évite le discours "humanoid-first" et mise sur des robots industriels éprouvés reconvertis pour l'IA physique, un pari sur la robustesse plutôt que sur la rupture spectaculaire. Kawasaki Robotics opère dans l'automatisation industrielle depuis 1969, filiale de Kawasaki Heavy Industries, conglomérat japonais actif dans l'aéronautique, le ferroviaire et les véhicules récréatifs. Cette origine manufacture-first explique le discours centré sur les résultats concrets plutôt que sur les benchmarks de laboratoire. Sur un marché où Boston Dynamics, Agility Robotics, Figure ou 1X Technologies concentrent l'attention médiatique autour de l'humanoïde, Kawasaki choisit un positionnement différent : bras industriel augmenté, compatible physique AI, déployable immédiatement dans des lignes existantes. Automate 2026 sera le premier test public de la RL030N ; aucun calendrier de disponibilité commerciale ni tarif n'ont été communiqués à ce stade, ce qui en fait pour l'instant une annonce de salon plutôt qu'un produit disponible à la commande.

RobotiqueOpinion
1 source