Contexte et financement
Dulo Inc., cofondée par Sebastian Thrun, ancien co‑fondateur du laboratoire X de Google, a annoncé une levée de 130 millions de dollars. Le tour de table comprend Eric Schmidt, ancien PDG de Google, Ram Shriram, l’un des premiers investisseurs de Google, Marc Benioff de Salesforce et le capital‑risqueur John Doerr. Aucun chiffre de valorisation n’a été communiqué. Le second co‑fondateur, Adrian Aoun, avait précédemment cédé Wavii à Google pour plus de 30 M$, ce qui montre une capacité à attirer des capitaux importants dès les phases précoces.
Architecture des modèles de base pour la conception matérielle
Le site de Dulo indique le développement de modèles de base (foundation models) spécifiquement optimisés pour les tâches de conception hardware. Ces modèles sont susceptibles d’être entraînés sur de vastes jeux de données provenant de CAO, de simulations d’ingénierie et de résultats d’analyses de contraintes. En combinant des architectures de type transformeur avec des représentations géométriques (graphes de maillage, voxels), ils peuvent apprendre à prédire les réponses de systèmes physiques sans recourir à des calculs numériques exhaustifs. Cette approche réduit le besoin de cycles de calcul intensifs typiques des simulations d’éléments finis (FEA) ou de dynamique des fluides (CFD).
Applications potentielles et concurrence
Selon la description de Dulo, les modèles visent à accélérer le développement de robots industriels et de véhicules autonomes. Un scénario plausible est l’optimisation des simulations d’ingénierie, où les modèles généreraient des maillages (meshing) ou résoudraient partiellement les équations différentielles qui sous-tendent les simulations physiques. Des startups comme Vinci4D automatisent déjà la phase de maillage, tandis que Prometheus Inc., soutenue par Jeff Bezos, mobilise 12 milliards de dollars pour des IA similaires. La différenciation de Dulo réside donc dans la combinaison d’une base de modèle généraliste avec des modules spécialisés pour la simulation et la génération de géométrie, ce qui pourrait réduire les temps de conception « manufacturing at lightspeed » annoncés.
Enjeux techniques et limites
Le principal défi technique est la disponibilité de données de haute qualité : les modèles de base nécessitent des ensembles de plans CAD, de résultats de simulation et de mesures réelles, souvent propriétaires. De plus, la validation des prédictions dans des contextes de sécurité critique (ex. systèmes de conduite autonome) impose des exigences de robustesse et de traçabilité que les modèles de type boîte noire peinent à satisfaire. L’intégration avec les outils de CAO/EDA existants requiert des API compatibles et des formats de données standardisés. Enfin, la consommation énergétique des grands modèles reste élevée, ce qui contraste avec l’objectif d’optimisation hardware et impose des compromis entre précision et coût de calcul.
