Lors du XPENG AI Day en novembre dernier, j'ai dévoilé notre framework complet de Physical AI, visant à mettre en production de masse des applications de Physical AI, notamment les Robotaxis, les robots humanoïdes et les voitures volantes, d'ici 2026.
Aujourd'hui, à mi-parcours, nous examinons la véritable clé pour passer à l'échelle de la Physical AI.
Qu'est-ce que la Physical AI ?
Tout d'abord, qu'est-ce que la Physical AI ? Vous l'entendez peut-être aussi souvent désignée sous le terme d'« IA incarnée ». En réalité, la Physical AI englobe un domaine plus vaste que l'IA incarnée.
L'intégration des capacités d'IA du monde numérique avec du matériel physique, comme les véhicules autonomes et la robotique, donnera naissance à la « Physical AI ». Par exemple, les robots acquerront progressivement la capacité de comprendre, d'interagir avec et de remodeler le monde, déclenchant finalement un changement révolutionnaire dans la productivité et les rapports de production.
La Physical AI comprend quatre éléments fondamentaux
Pour passer à l'échelle de la Physical AI, nous devons décomposer ses éléments fondamentaux. Selon moi, la Physical AI comprend quatre éléments fondamentaux : les modèles, la puissance de calcul, les données et les incarnations physiques.
Le socle du monde de la Physical AI est le système d'exploitation, et le modèle est ce système d'exploitation. Parallèlement, le grand modèle peut être considéré comme le moteur. Les données sont le carburant qui alimente son évolution, et l'échelle et l'efficacité de l'application des données déterminent les capacités du modèle.
Les modèles, la puissance de calcul et les données sont des éléments appartenant au domaine numérique qui suivent les lois de mise à l'échelle dans l'espace virtuel, ce qui signifie que les performances du modèle continuent de s'améliorer à mesure que les paramètres du modèle, la puissance de calcul et le volume de l'ensemble de données augmentent.
En revanche, les incarnations physiques relèvent du monde physique. Elles désignent les systèmes tangibles alimentés par l'IA, tels que les véhicules et les robots humanoïdes, dont les capacités sont contraintes par les lois physiques qui régissent la fabrication.
Ces quatre éléments forment collectivement l'épine dorsale fondamentale de la conduite autonome et même de l'intelligence générale artificielle (AGI). Le déploiement dans le monde réel de la Physical AI ne peut être réalisé que par des percées simultanées dans les éléments numériques et physiques.
Production de masse : Physical AI vs. IA numérique
Sans aucun doute, la production de masse de la Physical AI est infiniment plus difficile que celle de l'IA numérique. Mais au-delà des contraintes logicielles, quels autres facteurs entrent en jeu ?
- Densité d'information : L'IA numérique traite des flux d'information à faible densité. La Physical AI traite des flux d'information à densité beaucoup plus élevée. Par conséquent, la transition de l'IA numérique à la Physical AI représente un passage de flux d'information à faible densité à des flux d'information à haute densité, ainsi qu'une transition hors du domaine numérique vers l'espace-temps physique.
- Limites de capacité : La limite supérieure de l'IA numérique réside dans une efficacité informationnelle plus élevée, avec une tolérance aux pannes à sa limite inférieure et une applicabilité hautement transférable. À l'inverse, la limite supérieure de la Physical AI est son pouvoir de remodeler le monde physique, tandis que sa limite inférieure impose des normes de sécurité strictes avec une tolérance zéro pour l'erreur, et son applicabilité reste profondément spécifique à chaque cas. Essentiellement, l'IA numérique est universelle et facilement transférable, mais la Physical AI est profondément liée à des scénarios spécifiques.
- Barrières matérielles : Alors que les CPU, GPU et les grappes de serveurs constituent les principales barrières matérielles pour l'IA numérique, les barrières matérielles de la Physical AI couvrent des dimensions bien plus larges, notamment les performances fondamentales, le coût, la fiabilité, la capacité de fabrication et la possibilité de production de masse du matériel en périphérie.
- Lois et réglementations : Les réglementations de l'IA numérique se concentrent sur la gestion indirecte, impliquant la confidentialité des données, les droits d'auteur et l'éthique. En revanche, la Physical AI est confrontée à des restrictions opérationnelles directes et strictes imposées par les politiques et les réglementations. Par exemple, les Robotaxis nécessitent des permis d'essai sur route et des certifications de sécurité rigoureuses.
- Acceptation du public : L'IA numérique possède des caractéristiques d'outil importantes et gagne facilement la reconnaissance du public. La Physical AI, quant à elle, soulève des préoccupations de sécurité et de crédibilité et nécessite un cycle beaucoup plus long pour instaurer la confiance du public.
C'est pourquoi la course à la mise à l'échelle de la Physical AI appartient aux entreprises dotées de capacités d'intégration intersectorielle et de développement interne, et pas seulement à celles qui se concentrent uniquement sur les modèles ou le matériel.
