Contexte et enjeux
Lors du TechCrunch Disrupt 2026, qui se tient du 13 au 15 octobre au Moscone West de San Francisco, plus de 10 000 dirigeants, fondateurs et investisseurs assisteront à la session de Les Karpas, Global Head of Physical AI chez Nvidia Inception. Karpas explique que, contrairement à l’explosion du secteur de l’IA générative déclenchée par le lancement de ChatGPT en novembre 2022, la robotique n’a pas encore connu de « moment ChatGPT ». L’objectif de son intervention, intitulée « Robots Are Waiting for Their ChatGPT Moment », est d’identifier les freins techniques qui empêchent une adoption massive.
Limites des jeux de données physiques
Le principal obstacle, selon Karpas, est l’absence d’un jeu de données à l’échelle d’Internet pour l’IA physique. Les modèles de langage ont pu s’entraîner sur des téraoctets de texte accessibles publiquement, alors que les robots ne disposent pas d’un corpus comparable. Même les flottes autonomes de Waymo, qui ont accumulé des années de kilomètres parcourus, ne constituent qu’une fraction des données nécessaires pour couvrir la diversité des environnements réels. Cette pénurie de données empêche les algorithmes de généraliser au-delà de scénarios très spécifiques.
Approches émergentes et rôle de Nvidia
Pour combler ce vide, un écosystème de startups développe des solutions basées sur la simulation, les données synthétiques et les modèles de fondation entraînés simultanément sur plusieurs formes de robots. Nvidia soutient ces initiatives via son programme Inception et le Real World AI Stage, où Karpas sera rejoint par les fondateurs de Shield AI, Colossal Biosciences, FieldAI et Foxglove. Son parcours professionnel – architecte chez Stanley Black & Decker, ingénieur de fabrication chez iRobot, dirigeant chez Herman Miller et investisseur en capital‑risque – lui donne une vision transversale des exigences matérielles et logicielles du secteur.
Perspectives et défis restants
Le pont entre le numérique et le physique nécessite non seulement des volumes de données massifs, mais aussi des cadres de validation sécurisés pour éviter les comportements imprévisibles des robots. Nvidia mise sur l’accélération de la génération de données synthétiques et sur l’intégration de modèles de fondation capables d’apprendre de multiples tâches robotisées. Cependant, la mise à l’échelle de ces approches reste conditionnée par la puissance de calcul disponible, la latence des capteurs et les exigences de conformité en matière de sécurité. Karpas conclut que le « ChatGPT moment » de la robotique dépendra de la capacité de l’industrie à créer un dataset universel et à le rendre exploitable en temps réel.
