Les observateurs de Nvidia ont eu de quoi se réjouir au CES cette semaine, avec l’annonce que le dernier GPU de la société, Vera Rubin, est désormais entièrement en manufacturing. Ces puissantes puces d’IA – les pioches et les pelles du growth de l’IA – sont, après tout, ce qui a contribué à faire de Nvidia l’entreprise la plus valorisée au monde.
Mais dans son discours d’ouverture, le PDG Jensen Huang a une fois de plus clairement indiqué que Nvidia ne se considère pas comme un easy fabricant de puces. C’est également un éditeur de logiciels dont la portée s’étend à presque tous les niveaux de la pile d’IA et qui mise largement sur l’IA physique : des systèmes d’IA qui fonctionnent dans le monde réel, y compris la robotique et les voitures autonomes.
Dans un communiqué de presse vantant les annonces de Nvidia au CES, une quotation attribuée à Huang déclarait que « le second ChatGPT pour la robotique est arrivé ». Les percées dans l’IA physique – des modèles qui comprennent le monde réel, la raison et planifient les actions – « ouvrent la voie à des purposes entièrement nouvelles », a-t-il déclaré.
Dans le discours lui-même, cependant, Huang s’est montré plus mesuré, affirmant que le second ChatGPT pour l’IA physique est « presque arrivé ». Cela peut sembler couper les cheveux, mais la distinction est importante, surtout compte tenu de ce que Huang a déclaré au CES de l’année dernière, lorsqu’il a présenté la plate-forme mondiale Cosmos de Nvidia et a décrit le « second ChatGPT » de la robotique comme simplement « au coin de la rue ».
Alors, ce second est-il vraiment arrivé, ou est-il toujours obstinément hors de portée ?
Huang lui-même semblait reconnaître cette lacune. « Le défi est clair », a-t-il déclaré lors de son discours d’hier. « Le monde physique est diversifié et imprévisible. »
Nvidia n’est pas non plus un feu de paille en matière d’IA physique. Au cours de la dernière décennie, l’entreprise a jeté les bases en développant un écosystème de logiciels, de matériel et de systèmes de simulation d’IA pour robots et véhicules autonomes. Mais il n’a jamais été query de construire ses propres robots ou AV. Comme l’a déclaré le révérend Lebaredian, vice-président de la technologie de simulation chez Nvidia, à Fortune l’année dernière, la stratégie consiste toujours à fournir les pioches et les pelles.
Il ne fait aucun doute que Nvidia a progressé à cet égard au cours de la dernière année. Sur le entrance de la conduite autonome, la société a dévoilé aujourd’hui la famille Alpamayo de modèles d’IA ouverts, d’outils de simulation et d’ensembles de données destinés à aider les véhicules autonomes à fonctionner en toute sécurité dans une gamme de scénarios de conduite rares et complexes, considérés comme l’un des défis les plus difficiles à maîtriser en toute sécurité pour les systèmes autonomes.
Nvidia a également publié de nouveaux modèles et données ouverts Cosmos et GR00T pour l’apprentissage et le raisonnement des robots, et a vanté les mérites d’entreprises telles que Boston Dynamics, Caterpillar, Franka Robots, Humanoid, LG Electronics et NEURA Robotics, qui lancent de nouveaux robots et machines autonomes basés sur les applied sciences Nvidia.
Même avec des modèles, des outils de simulation et des plates-formes informatiques de plus en plus performants, Nvidia ne construit pas de voitures autonomes ni de robots eux-mêmes. Les constructeurs cars doivent encore transformer ces outils en systèmes capables de fonctionner en toute sécurité sur la voie publique, en faisant face aux contrôles réglementaires, aux circumstances de conduite réelles et à l’acceptation du public. Les entreprises de robotique, quant à elles, doivent traduire l’IA en machines capables de manipuler le monde physique de manière fiable, à grande échelle et à un coût commercialement logique.
Ce travail (intégration du matériel, des logiciels, des capteurs, des systèmes de sécurité et des contraintes du monde réel) reste extrêmement difficile, lent et gourmand en capitaux. Et il est loin d’être évident que des progrès plus rapides dans le domaine de l’IA suffiront à eux seuls à surmonter ces obstacles. Après tout, le second ChatGPT ne concernait pas seulement le modèle sous le capot. Ceux-ci existaient depuis plusieurs années. Il s’agissait de l’expérience utilisateur et d’une entreprise succesful de capturer l’éclair dans une bouteille.
Nvidia a déjà capturé l’éclair dans une bouteille : les GPU se sont révélés être le moteur inconceivable mais parfait pour l’IA moderne. La query de savoir si ce style de probability peut se reproduire dans l’IA physique, un domaine beaucoup plus complexe et moins standardisé, reste ouverte.
