Contexte et enjeux
Qvyon Technologies Inc. a levé 8 millions de dollars, menés par MaC Venture Capital, avec la participation de BDC Capital, BKR Capital et Spotlight VP. La société se positionne sur la validation d’« physical AI », c’est‑à‑dire les systèmes d’intelligence artificielle qui opèrent dans des environnements réels – véhicules autonomes, robots industriels, etc. Avant tout déploiement, les constructeurs doivent prouver que leurs modèles résistent aux conditions normales et aux scénarios rares (ex. un véhicule qui surgit sous la pluie, un capteur obstrué). Reproduire ces situations sur le terrain implique des coûts élevés et des risques de sécurité.
Architecture de Mimic Core
Mimic Core ingère des flux bruts de caméras, de lidars et de radars. Les données sont re‑reconstruites en séquences temporelles 3D, ce qui permet de capturer la géométrie et l’évolution d’une scène. Le moteur de simulation utilise ces reconstructions pour générer des variantes d’événements – changement de météo, obstruction d’un capteur, apparition d’obstacles inattendus – tout en conservant la cohérence physique du monde virtuel. Chaque enregistrement original peut ainsi produire des dizaines de scénarios de test, offrant aux ingénieurs une base de données traçable et des preuves de validation exploitables dans les processus de certification.
Le produit est proposé en mode SaaS (Qvyon Cloud) et en version auto‑hébergée. Dans le cloud, les données clients sont isolées et ne sont jamais réutilisées pour entraîner d’autres modèles, ce qui limite les risques de contamination des jeux de données. L’offre auto‑hébergée répond aux exigences de confidentialité des entreprises qui souhaitent garder le contrôle total de leurs enregistrements.
Analyse des impacts et limites
Sur le plan technique, la capacité à transformer un enregistrement unique en un ensemble de scénarios diversifie les tests sans multiplier les campagnes de collecte sur le terrain. Cette approche réduit le temps de mise sur le marché des systèmes autonomes et diminue les coûts liés aux essais physiques. Cependant, la fidélité du modèle simulé dépend de la résolution et de la densité des capteurs d’origine ; des lacunes dans les données (zones d’ombre du lidar, faible couverture visuelle) peuvent introduire un « domain gap » entre la simulation et le réel, limitant la portée des conclusions.
Le recours à la simulation implique également une charge de calcul importante, surtout lorsqu’on génère des scénarios complexes (pluie, brouillard, interférences radar). Les entreprises devront provisionner des ressources GPU/CPU suffisantes ou recourir à des services cloud, ce qui peut réintroduire des coûts opérationnels. Enfin, la validation juridique des systèmes autonomes repose souvent sur des preuves empiriques ; la traçabilité offerte par Mimic Core constitue un atout, mais les régulateurs devront accepter les résultats de simulations comme équivalents aux tests réels, ce qui reste incertain.
Qvyon prévoit de lancer Mimic Validation OS au premier semestre 2027, destiné à formaliser la mesure et la documentation des résultats, ainsi que Mimic Learn fin 2027, qui utilisera les retours d’expérience des machines en service pour affiner les modèles d’IA. Ces extensions visent à créer un cycle continu de test‑apprentissage, mais leur efficacité dépendra de l’adoption par les constructeurs et de la standardisation des formats de données de validation.
