Contexte de l’acquisition

OpenAI Group PBC a conclu, selon le Wall Street Journal, l’achat de Glass Imaging Inc. pour un montant supérieur à 300 millions de dollars. Cette opération s’inscrit dans la stratégie d’OpenAI visant à renforcer son portefeuille matériel après le rachat de io Products (Jony Ive) pour 6,5 milliards de dollars en mai 2025 et le recrutement de dizaines d’ingénieurs issus d’Apple. Le financement de Glass Imaging provient d’une levée de 29 millions de dollars, dont un tour de série A de 20 millions mené par Insight Venture Management en 2025. Les fondateurs, Ziv Attar et Tom Bishop, ont quitté Apple où ils avaient développé la photographie computationnelle du mode Portrait.

Fonctionnement de GlassAI

GlassAI est présenté comme un neural image signal processor (ISP) qui traite le flux brut du capteur en un seul passage. Contrairement aux pipelines classiques qui séparent la dématriçage, la reconstruction des couleurs, la réduction du bruit, l’accentuation et la fusion d’images, le réseau de GlassAI intègre ces étapes dans une architecture convolutive unique. Chaque module caméra‑lentille reçoit son propre modèle, entraîné sur les mesures du point spread function, de la réponse du capteur et du profil de bruit spécifiques à l’appareil. Cette calibration « per‑device » repose sur la collecte de données physiques, puis sur la génération d’un réseau qui compense les défauts optiques et électroniques du couple lentille‑capteur.

Le processus d’entraînement utilise des images brutes capturées à différentes tailles de pixel. Shivansh Rao, membre de l’équipe ML, indique que la réduction de la taille de pixel de 0,75 µm à 0,35 µm a permis d’augmenter de plus de 50 % une métrique de résolution standard, démontrant que le réseau exploite des détails que les ISP traditionnels ne peuvent pas récupérer.

Analyse des performances et limites

Le déploiement commercial a débuté en 2024 avec le smartphone Honor 600 series, équipé d’un capteur principal de 200 Mpx. GlassAI améliore le zoom numérique en conservant la netteté grâce à la modélisation optique du système. Un prototype de vidéo brute a été exécuté sur des chipset Qualcomm, prouvant la compatibilité avec les processeurs mobiles actuels. Cependant, la nécessité d’un modèle dédié par module implique un coût de stockage et de mise à jour non négligeable : chaque nouveau modèle doit être distribué avec la mise à jour du firmware, ce qui peut ralentir les cycles de déploiement.

Sur le plan de la latence, le traitement en un seul passage réduit le nombre d’étapes séquentielles, mais le calcul du réseau reste gourmand en opérations de convolution, surtout pour les résolutions supérieures à 100 Mpx. Les appareils doivent donc disposer d’un accélérateur AI ou d’un GPU capable de supporter plusieurs téra‑opérations par seconde sans dépasser les limites thermiques. Enfin, la spécialisation du réseau à un couple lentille‑capteur crée un risque de sur‑ajustement : si les caractéristiques du capteur évoluent (par ex. vieillissement du capteur), la performance peut se dégrader jusqu’à la nécessité d’un nouveau calibrage.

En résumé, l’acquisition par OpenAI donne accès à une technologie qui repousse les limites de la photographie computationnelle en intégrant plusieurs fonctions d’ISP dans un réseau neural calibré par appareil. Les gains de résolution observés sur des pixels sub‑micron sont prometteurs, mais la mise à l’échelle industrielle dépendra de la capacité à gérer le stockage des modèles, la puissance de calcul disponible et la robustesse face aux variations matérielles au fil du temps.