Le plus grand défi de l’IA physique pourrait être physique, pas artificiel

Derrière presque chaque démonstration qui fait la une dans l’industrie de l’IA physique se cache la même vérité: la machine est un prototype, et les prototypes ne sont pas des produits. Construire un robot fonctionnel est un exploit d’ingénierie. Construire le millième, à un coût que quelqu’un acceptera de payer, sans une équipe de spécialistes prête à le prendre en charge en cas de dysfonctionnement, représente un tout autre défi, et c’est un défi que l’industrie commence à peine à affronter.

Du prototype à la chaîne de montage

Quiconque a fait passer un produit matériel du prototype à la production sait que la première unité est la partie facile.

Un robot prototype peut fonctionner avec un actionneur sur mesure usiné à la main, un capteur provenant d’un fournisseur de niche avec un délai de deux mois, ou une batterie assemblée par les mêmes ingénieurs qui l’ont conçue. Rien de tout cela n’a d’importance lorsqu’il n’y a qu’une seule unité. Tout devient une responsabilité sérieuse à l’échelle de dix mille unités.

Les fournisseurs doivent être qualifiés, et généralement qualifiés deux fois, de sorte qu’un incendie d’usine ou un retard d’expédition ne bloque pas la production. Les composants conçus pour des performances maximales en laboratoire doivent souvent être re‑conçus pour la tolérance, la durabilité et, surtout, le coût. Les processus d’assemblage qui fonctionnaient avec une petite équipe de doctorants résolvant les problèmes à la main doivent être simplifiés afin qu’un technicien sur une ligne de production puisse effectuer la tâche en minutes, et non en jours.

Ce travail s’appelle conception pour la fabrication. C’est lent, c’est fastidieux, c’est là que la bataille d’ingénierie dans l’IA physique se joue de plus en plus, et c’est une bataille que de nombreuses entreprises de robotique bien financées et techniquement brillantes ont perdue.

Des démonstrations impressionnantes ne gagnent pas les marchés

Il existe un instinct naturel hérité d’une décennie de cycles technologiques axés sur le logiciel, qui consiste à supposer que celui qui construit le modèle le plus intelligent ou le robot le plus humain sera le gagnant. Cet instinct a bien servi les investisseurs dans l’IA en général. Il risque de les induire en erreur dans l’IA physique.

Les entreprises de matériel ne se gagnent pas le jour de la démonstration, mais dans les années qui suivent, grâce à l’économie unitaire, à la résilience de la chaîne d’approvisionnement et à la capacité de maintenir des milliers de machines en fonctionnement sur le terrain sans une petite armée d’ingénieurs en permanence disponible.

L’énergie solaire offre un précédent utile. Les panneaux qui ont fini par dominer le marché n’étaient pas forcément les plus efficaces en laboratoire; c’étaient ceux que les entreprises pouvaient fabriquer de façon fiable, à coût décroissant, en volume croissant. Les véhicules électriques ont suivi une trajectoire similaire, où les chaînes d’approvisionnement en batteries et le rendement de fabrication comptaient autant que n’importe quelle percée technique. L’IA physique, avec des robots composés de dizaines ou centaines de pièces, chacune étant un point potentiel de défaillance, pourrait s’avérer encore moins indulgente. Une entreprise qui déploie un robot simplement bon, soutenu par des fournisseurs fiables et une courbe de coûts qui diminue chaque trimestre, est susceptible de surpasser un concurrent doté d’un robot éblouissant qui ne peut être produit qu’une douzaine à la fois.

L’IA peut accélérer l’ingénierie, pas la physique

AI ne comblera-t-elle pas elle‑même cet écart? En partie, oui. Les outils de conception générative explorent déjà des géométries de composants que aucun ingénieur humain n’aurait envisagées. La Simulation, accélérée par l’apprentissage automatique, compresse les cycles de test qui prenaient autrefois des mois. Les modèles prédictifs peuvent identifier quels fournisseurs ou quels matériaux sont susceptibles de provoquer des problèmes de rendement avant même qu’une seule pièce ne soit usinée.

Ces outils sont de véritables accélérateurs, et les entreprises qui les utilisent efficacement en ingénierie et en approvisionnement avanceront plus rapidement que celles qui ne le font pas.

Mais il existe une limite stricte à la compression de ce calendrier, car le monde physique ne s’itère pas comme le logiciel. Un nouvel alliage doit encore survivre à des tests de fatigue mesurés en milliers de cycles. Une ligne d’usine doit encore être outillée, mise en service et traverser sa propre courbe d’apprentissage cahoteuse avant que les rendements ne se stabilisent. Aucune simulation ne raccourcit les mois nécessaires pour qualifier un nouveau matériau ni les trimestres requis pour mettre en marche une nouvelle ligne de production. Toute entreprise qui bâtit sa feuille de route en supposant que les délais matériels s’effondreront comme ceux du logiciel se prépare à une désagréable surprise, et très publique.

Les goulets d’étranglement négligés

S’il y a une leçon à tirer des cycles matériels précédents, c’est que les composants qui reçoivent le moins d’attention sont ceux qui provoquent le plus de retards.

Dans l’IA physique, cela commence probablement par les actionneurs, c’est‑à‑dire les moteurs et mécanismes qui donnent au robot le couple et la précision nécessaires pour accomplir un travail physique. Ils restent en pénurie, provenant d’un petit groupe de fabricants qualifiés, et la mise en place d’une nouvelle capacité prend des années, pas des trimestres.

Cela se poursuit avec la détection. Les caméras, capteurs de force et systèmes proprioceptifs qui permettent à une machine de percevoir son environnement restent coûteux et immatures par rapport à ce que demandera un déploiement dense et réel.

Cela s’étend à la fabrication elle‑même. L’industrie s’est fortement appuyée sur un ensemble concentré de régions et de fournisseurs, une structure de plus en plus perçue comme une faiblesse stratégique, poussant les entreprises vers des empreintes de fabrication plus distribuées et redondantes, même si cela implique de sacrifier une partie de l’efficacité.

Et cela se termine par l’énergie: les batteries, l’électronique de puissance et les infrastructures de recharge qui devront évoluer en même temps que les flottes de machines fonctionnant en continu dans les entrepôts, les foyers et les chantiers. Aucune de ces catégories ne fera la une d’une conférence. Toutes sont susceptibles de déterminer qui expédiera réellement les produits.

Un aperçu d’un bouleversement plus important

Le boom de l’IA physique est, en fait, un test en temps réel d’une hypothèse à laquelle l’industrie technologique s’est habituée: que l’intelligence, une fois créée, se scale librement. Cette hypothèse tient largement pour les logiciels. Elle ne s’applique pas aux usines.

La puissance de calcul peut doubler du jour au lendemain. Les modèles peuvent s’améliorer avec un nouvel entraînement. Le déploiement peut se faire en appuyant sur un bouton. Les chaînes d’approvisionnement ne peuvent pas doubler du jour au lendemain. Les techniciens qualifiés, les fournisseurs certifiés et les lignes de production matures mettent des années à se mettre en place, et aucun bond en capacité de modèle n’accélère ce calendrier.

Tout cela ne signifie pas que l’IA physique est surévaluée ou que la technologie sous‑jacente n’est pas réelle. Cela signifie que le centre de gravité se déplace de l’intelligence artificielle vers l’infrastructure physique. Les entreprises, ainsi que les investisseurs qui les soutiennent, qui comprennent ce changement tôt et investissent réellement dans la capacité de fabrication et la résilience de la chaîne d’approvisionnement plutôt que dans la prochaine démonstration tape‑à‑l’œil, seront celles qui resteront debout lorsque la vague actuelle de vidéos virales laissera place au travail plus lent et plus difficile consistant à déployer réellement ces machines à grande échelle.