黄仁勋 ouvre une nouvelle ère de l'IA : comment Physical AI redéfinit la carte de la puissance de calcul et l'écosystème Crypto

Lors du récent Forum de Davos, les propos de Jensen Huang ont suscité une réflexion approfondie dans l’industrie. Ce leader d’NVIDIA ne se contente pas de redéfinir la direction du développement de l’intelligence artificielle, il ouvre également, de manière intangible, une nouvelle porte aux actifs cryptographiques. Avec le concept de “Physical AI”, il annonce l’arrivée d’une nouvelle ère.

De l’entraînement à l’inférence : la révolution de la puissance de calcul annoncée par Jensen Huang

Jensen Huang souligne que l’application de l’IA connaît une explosion, mais que le centre de gravité des besoins en puissance de calcul est en train de changer radicalement. La phase précédente, basée sur l’accumulation de matériel pour l’entraînement de modèles, est désormais révolue. La compétition future se concentrera sur l’inférence et le domaine du Physical AI, c’est-à-dire que l’IA doit non seulement “penser”, mais aussi “agir”.

Ce point de vue marque une transition révolutionnaire. NVIDIA, en tant que vainqueur incontesté de l’ère GPU, a autrefois permis aux entreprises de former des modèles plus grands en accumulant des ressources massives. Mais la nouvelle déclaration de Huang indique que la simple recherche de paramètres de modèle n’est plus une stratégie gagnante. La compétition à venir en IA se concentrera sur la mise en œuvre pratique, la réalisation de scénarios et la création de valeur réelle.

L’essence du Physical AI : franchir le pas du virtuel au réel

Les grands modèles de langage ont déjà appris de manière exhaustive à partir des données textuelles d’Internet, mais cela reste insuffisant. Un modèle entraîné ne peut toujours pas, comme un humain, ouvrir une bouteille avec précision ou comprendre le poids et la texture d’un objet. C’est le problème central que le Physical AI doit résoudre : combler le fossé entre la couche d’intelligence artificielle et l’exécution dans le monde réel.

La limite clé du Physical AI réside dans ses exigences extrêmes en matière de réponse en temps réel. Si ChatGPT a un retard d’une seconde, l’utilisateur peut simplement ressentir une légère latence. Mais si un robot bipède s’arrête une seconde à cause d’un délai réseau, il peut tomber dans les escaliers. Cela signifie que le Physical AI doit s’appuyer sur le calcul local et la puissance de calcul en périphérie, plutôt que sur un traitement à distance dans le cloud.

Les trois grands défis technologiques du Physical AI

En évoquant ce nouveau domaine, Huang a implicitement souligné trois défis technologiques majeurs à relever. Ces défis représentent non seulement la direction du développement industriel, mais aussi de nouvelles opportunités d’investissement.

Intelligence spatiale : la capacité des robots à percevoir un monde en trois dimensions

Le professeur Fei-Fei Li de Stanford a affirmé que l’intelligence spatiale est la prochaine étoile polaire de l’évolution de l’IA. Pour qu’un robot puisse évoluer dans le monde physique, il doit d’abord comprendre véritablement son environnement.

Il ne s’agit pas simplement d’identifier un objet dans une image — “c’est une chaise” — mais de comprendre sa position précise dans l’espace tridimensionnel, ses caractéristiques de construction, et la force nécessaire pour la déplacer en toute sécurité. Cette capacité de compréhension doit s’appuyer sur d’immenses données en 3D, couvrant en temps réel et de manière exhaustive divers scénarios intérieurs et extérieurs. Actuellement, ces données font encore défaut.

Le terrain d’entraînement virtuel : l’école de simulation pour robots

Huang a particulièrement mentionné Omniverse, qui représente une nouvelle paradigme d’entraînement. Avant d’interagir avec le monde physique réel, un robot doit effectuer des millions d’essais et d’erreurs dans un environnement entièrement virtuel. Comme apprendre à marcher en tombant mille fois, le robot doit expérimenter une multitude d’échecs dans la simulation pour maîtriser ses mouvements dans la réalité. Ce processus est appelé “Sim-to-Real” — de la simulation à la réalité.

Permettre à un robot d’expérimenter directement dans un environnement réel entraînerait des coûts de réparation et de remplacement astronomiques à chaque collision ou chute. La valeur d’un terrain d’entraînement virtuel réside dans sa capacité à réaliser un apprentissage à grande échelle avec des coûts matériels quasi nuls. La demande en moteurs de simulation physique et en puissance de rendu est exponentielle.

Données tactiles : un trésor de données inexploité

Pour que le Physical AI atteigne une sensation quasi humaine, il faut utiliser une peau électronique pour percevoir la température, la pression et la texture des matériaux. Ces “données tactiles” constituent une première dans l’histoire de la société à une échelle massive.

Lors du récent CES, la société Ensuring a présenté une avancée : leur “peau électronique de production” intégrant 1 956 capteurs disposés en réseau dense sur une seule main mécanique. Grâce à ces capteurs subtils, le robot peut manipuler un œuf avec précision sans le casser. La capacité de collecte de ces données tactiles représente une nouvelle catégorie d’actifs de données.

Opportunités cachées dans le secteur Crypto

Après avoir examiné ces besoins technologiques, beaucoup pensent que seules les grandes entreprises technologiques et fabricants de matériel peuvent participer. En réalité, les écosystèmes d’applications décentralisées telles que DePIN, DeAI, DeData peuvent justement combler les lacunes clés de l’ère du Physical AI.

Réseau mondial de collecte de données 3D

Les véhicules Street View de Google peuvent scanner les principales rues mondiales, mais ils ne peuvent pas accéder à chaque ruelle, chaque intérieur de quartier ou chaque sous-sol. Ces zones “aveugles” en données 3D sont cruciales pour le déploiement réel des robots.

Les réseaux DePIN, via des mécanismes d’incitation par tokens, peuvent mobiliser des millions d’utilisateurs à travers le monde pour utiliser leurs smartphones et autres appareils afin de collecter en continu ces données environnementales en 3D. Chaque contribution valide donne droit à une récompense en tokens. Cette approche est bien moins coûteuse que de dépendre uniquement de flottes d’entreprises, tout en permettant de couvrir la dernière mile de la collecte de données.

Réseau distribué de calcul en périphérie

Les besoins en calcul en temps réel du Physical AI signifient qu’il ne peut pas se reposer uniquement sur le cloud. Cela ouvre une opportunité pour les réseaux de calcul décentralisés. Des centaines de millions d’appareils grand public (PC, consoles de jeux, appareils mobiles haute performance) sont souvent inactifs ou peu sollicités.

En utilisant un réseau de puissance de calcul distribuée décentralisée, ces ressources inutilisées peuvent être intégrées, réparties et exploitées pour traiter les tâches intensives de rendu dans la simulation virtuelle. Le calcul d’inférence des modèles d’apprentissage automatique peut également être déployé sur des nœuds en périphérie. Cela résout à la fois les enjeux de latence et réduit considérablement les coûts de calcul pour les applications du Physical AI.

Économie de tokens pour la protection de la vie privée et la propriété des données

Les données tactiles impliquent des informations extrêmement sensibles. Si ces données sont directement confiées à des géants de l’IA, cela soulève des inquiétudes en matière de sécurité et de vie privée. En établissant un mécanisme de propriété et de partage des revenus basé sur la blockchain, la situation change radicalement.

Les utilisateurs peuvent garantir leur propriété sur leurs données, savoir précisément comment elles sont utilisées, et recevoir une rémunération tout au long du cycle de vie de leur utilisation. Ce modèle “données en tant qu’actifs”, associé à des incitations en tokens et à des contrats intelligents, peut encourager massivement la contribution de données privées tout en assurant leur sécurité et confidentialité.

La stratégie crypto à l’ère du Physical AI

Les propos de Huang indiquent en réalité une direction claire pour toute l’industrie. Le Physical AI n’est pas seulement la seconde moitié du parcours de l’IA Web 2.0, mais aussi une fenêtre stratégique précieuse pour le Web 3.0 et la cryptosphère.

Les infrastructures décentralisées et les applications de données telles que DePIN, DeAI, DeData ne sont plus de simples concepts théoriques, mais deviennent des composantes indispensables de cette nouvelle ère. De la collecte distribuée mondiale de données à la gestion du calcul en périphérie, en passant par la circulation sécurisée des données privées et la répartition équitable de la valeur, les solutions décentralisées montrent leur véritable valeur dans ce nouveau contexte.

La vision de Huang, en changeant de perspective, éclaire en réalité tout le secteur des actifs cryptographiques. Dans le contexte du Physical AI, ceux qui se concentrent sur la construction d’infrastructures, la définition de protocoles de données et la conception de mécanismes d’incitation pourraient bien se trouver en pole position dans cette nouvelle étape historique.