最近 et quelques investisseurs actifs sur le marché primaire ont échangé pas mal de discussions. En comparaison, dans le marché secondaire, on continue de creuser des histoires d'IA pour réduire les coûts et améliorer l'efficacité dans les rapports financiers, mais sur le marché primaire, depuis la seconde moitié de l'année dernière, une toute autre atmosphère s'est dessinée — en quelque sorte, une "folie brisant le consensus". Le déclencheur de cette vague est clair : l'IA commence à sortir en masse des écrans pour entrer dans le monde physique réel. Les projets que tout le monde finance ont tous pour objectif de saisir cette opportunité côté périphérique.

Quelle peut être la folie de l'IA dans le monde physique ?

Je partage plutôt le consensus de l'industrie à ce sujet : à l'avenir, les formes de robots les plus compétitives seront probablement au nombre de trois : robots humanoïdes, conduite autonome, drones. Ces trois directions représentent effectivement des axes de recherche visant à maximiser l'efficacité dans une logique industrielle. Cependant, après avoir suivi cette tendance, j'ai constaté que l'invasion de l'IA dans le monde physique est déjà à un stade plus précoce, plus trivial, et plus étendu.

Voici deux exemples concrets qui illustrent cette différence :

Le premier, des lunettes intelligentes alimentées par l'IA pour les amateurs d'observation d'oiseaux. La difficulté réside dans l'"absence de régularité" du monde physique. En milieu naturel, les oiseaux migrateurs ne restent pas docilement comme des pièces de machine. L'IA doit, en quelques millisecondes, extraire des images clés dans le chaos des ombres d'arbres, des changements de lumière, et des battements d'ailes à plusieurs dizaines de fois par seconde, puis faire une correspondance en temps réel dans une base de données de plusieurs milliers d'espèces. Cela met à l'épreuve non seulement la capacité de calcul, mais aussi la précision de l'IA dans la capture de cibles dynamiques.

Le second, un bras robotisé dans une station-service. Il doit faire face à un environnement physique totalement ouvert et à haut risque. Le système doit rapidement localiser le bouchon de carburant de plusieurs milliers de modèles de voitures, puis effectuer une opération précise. Chaque étape est un test rigoureux de la capacité d'adaptation de l'IA à un environnement complexe.

Ces projets peuvent sembler niche, mais le problème qu'ils révèlent est en réalité le même : l'IA doit accomplir des tâches dans un environnement réel extrêmement complexe et incertain. C'est une toute autre difficulté que de faire tourner un modèle dans le monde numérique.