Quand l'IA commence à avoir un corps : L'IA physique deviendra-t-elle la prochaine ligne directrice technologique ?

Rédigé par : Jim, MSX Maitong

Édité par : Frank, MSX Maitong

Au cours des deux dernières années, l'IA échangée sur les marchés financiers a principalement été le "cerveau" de l'IA.

Des ChatGPT, grands modèles aux GPU, HBM, centres de données, communication optique et infrastructures électriques, presque toutes les lignes directrices essentielles tournent autour de la manière de rendre les modèles plus grands, d'accélérer la vitesse d'entraînement et de réduire les coûts d'inférence.

Cependant, ces IA peuvent générer du texte, des images, du code et des vidéos, mais la plupart d'entre elles fonctionnent encore dans des écrans et des mondes numériques.

Ainsi, lorsque les capacités des grands modèles et les infrastructures de calcul deviennent progressivement matures, le marché commence naturellement à se poser la question suivante : Ces modèles de plus en plus intelligents peuvent-ils finalement sortir de l'écran et entrer dans des voitures, des usines, des entrepôts, des hôpitaux et le monde réel ?

C'est précisément la raison pour laquelle l'IA physique commence à se frayer un chemin vers le devant de la scène industrielle.

I. De "penser" à "agir", pourquoi l'IA physique est-elle importante ?

Selon la définition de NVIDIA, l'IA physique permet à l'IA de sortir de l'écran, permettant aux robots, caméras, voitures autonomes et autres systèmes autonomes de percevoir et de comprendre leur environnement, de réaliser des inférences, de prendre des décisions et d'effectuer des actions complexes.

En d'autres termes, si l'IA générative résout la question de "comment les machines pensent", alors l'IA physique tente de résoudre comment les machines, après avoir pensé, peuvent agir correctement, en toute sécurité et à faible coût, permettant ainsi aux machines d'interagir réellement avec le monde réel.

D'après les déclarations récentes de Jensen Huang lors de ses discours publics, NVIDIA renforce continuellement ses lignes de produits telles qu'Isaac, GR00T, Cosmos, Omniverse et Jetson. Son objectif n'est pas simplement de parier sur un robot particulier, mais de construire une plateforme sous-jacente complète couvrant l'entraînement, la simulation, l'inférence et le déploiement pour permettre aux machines d'entrer dans le monde physique.

Car la véritable IA physique n'est pas aussi simple que de connecter un grand modèle dans un robot, elle doit également comprendre les relations spatiales et les lois physiques, nécessitant des modèles du monde, des données d'entraînement, des environnements de simulation, des capacités de calcul en périphérie, la vision par ordinateur, des capteurs et le contrôle du mouvement, tout en effectuant de nombreux tests de sécurité avant le déploiement.

Dans le contexte du marché, l'IA physique coïncide fortement avec l'"intelligence incarnée", mais la première a une portée plus large, englobant non seulement les robots humanoïdes, mais aussi la conduite autonome, les robots industriels, les drones, les usines intelligentes, les systèmes d'entreposage, ainsi que les espaces intelligents pilotés par des caméras et des capteurs.

Bien sûr, l'IA physique n'est pas un concept nouveau qui est apparu soudainement.

La conduite autonome, les robots industriels, la vision par ordinateur et l'automatisation des entrepôts se sont déjà développés pendant de nombreuses années. Ce qui change réellement, c'est que les grands modèles, les modèles du monde, les technologies de simulation et les capacités de calcul en périphérie sont en train de relier ces routes technologiques qui étaient auparavant relativement disjointes.

De nombreux robots industriels traditionnels s'appuient sur des programmes préécrits pour exécuter des actions standard dans des environnements relativement fixes ; l'objectif de l'IA physique est de permettre aux machines de s'adapter en temps réel aux informations lorsqu'elles sont confrontées à différents objets, à des environnements inconnus et à des situations imprévues.

Cela signifie que la chaîne de valeur de l'industrie de l'IA s'étend du "cerveau" au "corps".

Au cours des deux dernières années, le marché a d'abord réévalué les GPU, le stockage, les serveurs, les réseaux et l'électricité nécessaires pour entraîner et faire fonctionner l'IA. Ensuite, les fonds pourraient chercher à investir dans des véhicules capables de supporter cette puissance de calcul et de transformer les capacités des modèles en productivité réelle : robots, voitures autonomes, drones, équipements d'automatisation industrielle, ainsi que des systèmes de vision et de capteurs répartis dans les usines, entrepôts et villes.

Ainsi, l'IA physique n'est pas un concept unidimensionnel qui peut être simplement assimilé à "un robot humanoïde" ; elle ouvre véritablement une chaîne de valeur complète allant de la puissance de calcul à l'action.

II. De la puissance de calcul aux robots, les cinq niveaux de la chaîne de valeur de l'IA physique

Pour faciliter la compréhension, l'Institut de recherche MSX a grossièrement divisé la chaîne de valeur de l'IA physique en cinq étapes clés.

1. Premier niveau : Niveau de puissance de calcul

Que ce soit pour entraîner des modèles de robots, construire des environnements virtuels, ou réaliser des inférences en temps réel sur des voitures et des robots, la puissance de calcul est indispensable.

Elle englobe les GPU des centres de données, les puces AI en périphérie, les plateformes de calcul embarquées et les processeurs à faible consommation, correspondant principalement aux entreprises suivantes :

• NVIDIA (NVDA.M) : couvrant la puissance de calcul d'entraînement, la plateforme de calcul en périphérie Jetson, ainsi que l'écosystème de développement de robots ;
• TSMC (TSM.M) : base de fabrication pour les puces AI, les puces embarquées et les puces de calcul en périphérie ;
• Arm (ARM.M) : architecture de calcul à faible consommation largement utilisée dans les voitures, les robots et les appareils intelligents ;
• Qualcomm (QCOM.M) : mise en place de l'AI embarquée, de l'inférence en périphérie et des terminaux intelligents ;
• AMD (AMD.M) : bénéficiaire potentiel de la puissance de calcul AI et du calcul embarqué ;

La logique de ce niveau est similaire à celle du marché de l'IA générative des deux dernières années, poursuivant la logique de "vendre des pelles". Peu importe quelle entreprise de robotique finit par l'emporter, la base nécessitera des puces, de la puissance de calcul et une architecture de calcul.

2. Deuxième niveau : Niveau des modèles

Cela n'est pas difficile à comprendre, l'IA physique nécessite non seulement des modèles linguistiques, mais aussi des modèles de base pour les robots, des modèles du monde, ainsi que des modèles visuels-langage-action.

Les modèles linguistiques peuvent comprendre les instructions humaines, les modèles visuels aident les machines à reconnaître l'environnement, et les modèles d'action sont responsables de la transformation des jugements en actions concrètes ; les modèles du monde vont encore plus loin, essayant de faire comprendre à l'IA les relations entre les objets, de prédire ce qui pourrait se passer ensuite, et de simuler avant d'agir.

Ce niveau est actuellement principalement poussé par de grandes entreprises technologiques et des entreprises de plateforme, y compris NVIDIA, Tesla, Google, ainsi que certaines startups en robotique.

Comparé aux grands modèles linguistiques, le plus grand défi auquel sont confrontés les modèles de robots est la donnée, bien qu'il existe une quantité massive de textes, d'images et de vidéos sur Internet, les données d'opération de robot de haute qualité sont rares. Comment générer suffisamment de données d'entraînement deviendra un obstacle clé dans le développement de l'IA physique.

3. Troisième niveau : Niveau de simulation

En raison des coûts d'entraînement élevés, de la lenteur et des risques, les robots doivent d'abord apprendre dans un monde virtuel. Ainsi, les jumeaux numériques, les données synthétiques et les environnements d'entraînement virtuels constituent un niveau très important de l'IA physique.

NVIDIA a construit une chaîne d'outils relativement complète à ce niveau : Omniverse est utilisé pour construire des jumeaux numériques et des environnements de simulation, Isaac Sim et Isaac Lab soutiennent l'entraînement, les tests et la validation des robots, tandis que Cosmos fournit des modèles du monde et des capacités de génération de données.

La valeur de ce niveau réside dans le fait qu'il peut transférer les essais et erreurs coûteux, dangereux et lents du monde réel vers un environnement virtuel, permettant aux développeurs d'exécuter simultanément de nombreux scénarios, de tester différentes lumières, conditions météorologiques, terrains et événements imprévus, puis de déployer les modèles validés sur des dispositifs réels.

En fin de compte, un robot peut nécessiter plusieurs minutes pour s'entraîner dans le monde réel, alors qu'il peut exécuter des milliers de fois dans un environnement de simulation.

4. Quatrième niveau : Niveau de perception

Lorsque les robots entrent dans le monde réel, la première étape n'est souvent pas d'avoir des mains flexibles, mais d'être capables de "voir" et de comprendre de manière stable leur environnement.

Ils doivent identifier les objets, évaluer les distances, comprendre les changements environnementaux et se localiser dans des espaces complexes. Après avoir pris des décisions, ils doivent également convertir ces décisions en actions réelles à travers des contrôleurs, des moteurs, des bras robotiques et des modules articulés.

Ce niveau comprend la vision par ordinateur, les caméras, les lidars, les capteurs, les puces de contrôle, le contrôle du mouvement et divers composants d'exécution :

• Cognex (CGNX.M) : systèmes de vision industrielle et de reconnaissance ;
• Ouster (OUST.M) : lidar et plateformes de perception ;
• Qualcomm, NVIDIA : fournissant des plateformes de calcul visuel embarquées et en périphérie ;

Ouster a déjà intégré la nouvelle génération de lidar numérique dans l'écosystème NVIDIA Jetson et Isaac, et promeut son application dans les robots industriels, l'inspection et les systèmes autonomes ; Cognex continue de déployer des systèmes de vision AI dans les scénarios de détection et d'automatisation de l'industrie.

Comparé aux robots humanoïdes, l'espace d'imagination pour la vision par ordinateur et les capteurs peut ne pas être aussi vaste, mais il est plus proche des commandes réelles et des clients existants.

Quant aux moteurs, réducteurs et modules articulés, les cibles pures sur le marché américain sont relativement limitées, les opportunités connexes étant plus dispersées dans l'automatisation industrielle, les puces de simulation et les entreprises de composants spécialisés.

5. Cinquième niveau : Niveau d'application

En tant que niveau supérieur de la chaîne de valeur, c'est également le marché le plus familier avec les robots, la conduite autonome, les drones et les équipements d'automatisation industrielle, correspondant aux entreprises suivantes :

• Tesla (TSLA.M) : Optimus, FSD et Robotaxi ;
• Alphabet (GOOGL.M) : mise en place de la conduite autonome via Waymo ;
• Amazon (AMZN.M) : robots d'entrepôt, automatisation logistique et Zoox ;
• Teradyne (TER.M) : robots collaboratifs et robots mobiles ;
• AeroVironment (AVAV.M), Kratos (KTOS.M), Ondas (ONDS.M) : drones et systèmes sans pilote ;
• Palantir (PLTR.M) : plateforme logicielle connectant données, décisions et dispositifs sans pilote ;

Parmi eux, Palantir n'est pas un fabricant de robots, mais se concentre davantage sur la connexion des données, des décisions et des dispositifs sans pilote ; Uber pourrait devenir un point d'entrée pour différents flottes de Robotaxi pour acquérir des utilisateurs, planifier des commandes et réaliser des transactions, les deux étant des directions de bénéfice indirect.

C'est également le segment de l'IA physique où la flexibilité est la plus élevée. Une fois qu'un robot, un Robotaxi ou un drone entre en production à grande échelle, le marché ajustera rapidement ses revenus et son espace de valorisation.

Mais en même temps, le niveau d'application est également la partie la plus compétitive et la plus difficile à réaliser.

III. Qui gagnera de l'argent en premier : vendre des pelles ou fabriquer des robots ?

En termes de séquence de réalisation industrielle, les revenus et bénéfices supplémentaires apportés par l'IA physique ne se manifesteront pas nécessairement en premier dans les robots humanoïdes les plus futuristes.

Il est plutôt probable que le chemin soit d'abord de vendre des plateformes de base, puis d'entrer dans des scénarios fermés ; de résoudre des tâches standardisées avant de défier le monde ouvert. En un mot, la certitude de "vendre des pelles" reste la plus élevée.

Ainsi, si l'on dit que le plus grand bénéficiaire de la première phase de l'IA générative est NVIDIA, alors le développement précoce de l'IA physique sera encore difficile à contourner NVIDIA. Peu importe si c'est Tesla, Amazon ou une startup en robotique qui finit par l'emporter, elles auront toutes besoin d'entraînement de modèles, de tests de simulation, d'inférence en temps réel et de déploiement en périphérie.

L'avantage de NVIDIA ne réside pas seulement dans les GPU, mais dans le fait qu'elle intègre des puces, des modèles, des logiciels de simulation et des plateformes de calcul en périphérie en un système de développement complet, ce qui signifie qu'elle n'a pas besoin de produire chaque robot elle-même, mais simplement de permettre à de plus en plus de robots d'utiliser sa puissance de calcul et son écosystème logiciel.

D'un point de vue, la direction de bénéfice relativement claire de la première phase de l'IA physique pourrait encore être de fournir de la puissance de calcul, de la simulation, des puces et des outils de développement pour les "vendeurs de pelles" ; mais "une direction de bénéfice claire" ne signifie pas que le prix des actions n'a pas de risque. Il reste à observer si le marché a déjà anticipé les attentes de croissance, si l'écosystème logiciel peut générer des revenus durables et si les concurrents peuvent offrir des alternatives.

Ensuite, les usines et les entrepôts pourraient plus rapidement établir un cycle commercial, ce qui signifie que les premiers scénarios dans lesquels l'IA physique apparaîtra dans les rapports financiers pourraient se trouver dans les domaines de la fabrication, de l'entreposage et de la logistique.

Ces environnements sont relativement fermés, les itinéraires et les tâches étant plus standardisés, et les entreprises peuvent plus facilement calculer le retour sur investissement - une fois qu'un robot est investi, combien de main-d'œuvre peut-il réduire, combien d'efficacité peut-il améliorer, combien de pertes peut-il réduire, tout cela peut être directement quantifié.

Amazon utilise déjà des robots à grande échelle dans son réseau d'entrepôts et optimise la planification et les itinéraires entre les équipements grâce à des modèles AI ; Universal Robots et MiR, filiales de Teradyne, couvrent respectivement les bras robotiques collaboratifs et les robots mobiles autonomes, et sont déjà entrés dans des environnements de production réels tels que la fabrication, la logistique et les semi-conducteurs.

Ces entreprises partagent la caractéristique de ne pas seulement démontrer ce que les robots peuvent faire, mais d'avoir déjà commencé à intégrer les robots dans les usines et les entrepôts pour résoudre de réels problèmes de production. En revanche, amener des robots dans les foyers pour cuisiner, nettoyer et s'occuper des personnes âgées nécessite de faire face à des environnements plus complexes et à des responsabilités de sécurité, le cycle de commercialisation pourrait donc être nettement plus long.

Enfin, les robots humanoïdes possèdent sans aucun doute la plus grande imagination de marché, théoriquement, ils peuvent entrer dans des usines, des entrepôts, des hôpitaux et des foyers déjà conçus par l'homme, utilisant directement les routes, outils et postes de travail existants.

Tesla Optimus est donc devenu l'une des directions les plus surveillées dans le domaine de l'IA physique, mais cela ne signifie pas que la commercialisation à grande échelle est déjà arrivée. Pour les robots humanoïdes, ce qui doit vraiment être observé n'est pas la fluidité des mouvements lors des conférences de presse, mais le coût unitaire, le temps de travail continu et la capacité de la valeur qu'ils créent à couvrir les coûts d'achat et de maintenance.

En revanche, les Robotaxi sont déjà en avance. Les voitures autonomes sont essentiellement "l'IA physique sur roues" - le véhicule perçoit l'environnement à travers des caméras, des radars et des lidars, le modèle prend des décisions, puis la voiture effectue l'action réelle.

Tesla, Waymo et Zoox représentent respectivement l'intégration du matériel et du logiciel du véhicule, le système de conduite autonome et la voie dédiée aux Robotaxi ; Uber tente de devenir la plateforme d'entrée reliant différentes flottes de conduite autonome et passagers ; Waymo a commencé à promouvoir l'exploitation entièrement autonome de son sixième système de conduite autonome, et sa dernière voiture équipée de ce système a déjà réalisé plus de 20 millions de trajets entièrement autonomes, ce qui montre que les Robotaxi sont clairement en avance en termes de validation commerciale par rapport aux robots humanoïdes généraux.

De plus, les drones et les robots de défense sont plus susceptibles d'obtenir des validations de commandes. Après tout, les clients de la défense ont des besoins plus clairs pour des systèmes autonomes à faible coût et des équipements anti-drones, comme les activités de systèmes autonomes et sans pilote d'AeroVironment et Kratos qui ont déjà montré une croissance des revenus et des commandes, Ondas continue également d'obtenir des commandes pour des systèmes de défense autonome, des drones et des missiles de patrouille.

Cependant, ces petites entreprises sont généralement accompagnées d'une plus grande concentration de projets, de risques de financement et d'exécution.

Ainsi, pour déterminer si une entreprise d'IA physique mérite d'être suivie de manière continue, il faut finalement revenir à trois questions :

• Est-elle un maillon essentiel de la chaîne de valeur difficile à remplacer ?
• A-t-elle de véritables clients, commandes et scénarios d'application ?
• Les progrès technologiques peuvent-ils finalement se traduire par des revenus, des bénéfices et des flux de trésorerie ?

Conclusion

L'IA physique ne se réalisera pas du jour au lendemain.

D'un point de vue industriel, elle est plus susceptible de suivre un chemin progressif allant de la certitude à la flexibilité : d'abord la puissance de calcul, la simulation et les plateformes en périphérie, puis les entrepôts, les usines et les robots spécialisés, et enfin les Robotaxi, les drones et les robots humanoïdes généraux.

Et ce qui déterminera réellement jusqu'où cette ligne directrice peut aller, ce n'est pas combien de mouvements les robots ont réalisés lors des conférences de presse, mais s'ils peuvent entrer dans des usines, des entrepôts, des routes et des affaires réelles, et créer une valeur qui peut être vérifiée par les rapports financiers.

Lorsque cela se produira, l'IA aura réellement quitté l'écran pour entrer dans la réalité.