Y Combinator dévoile neuf startups deep‑tech aux projets nucléaires, optiques et robotiques

Présentation des projets sélectionnés

Le dernier Demo Day de Y Combinator a mis en avant neuf entreprises dont les technologies s’éloignent du SaaS classique pour s’enraciner dans le deep‑tech. Atomarine propose des centres de données flottants refroidis par l’eau de mer et alimentés d’abord par du gaz (pilot prévu en 2028) avant de passer à des navires nucléaires dès 2032, avec plus de 4 milliards de dollars d’intentions d’achat. Dipole Labs développe un commutateur optique qui évite la conversion lumière‑électricité‑lumière, réduisant ainsi la consommation énergétique des clusters GPU. Isengard fabrique des drones à réaction, déjà vendus pour 10 millions de dollars, en visant une production locale à moindre coût.

Parmi les autres, Lamb Labs conçoit des puces d’inférence intégrant les poids du modèle directement dans le silicium, appelées Model Processing Units (MPU), afin de supprimer le goulet d’étranglement de bande passante mémoire. Une société de collecte de données vidéo travaille dans plus de 150 environnements pour fournir des jeux de données robotique. Nori commercialise un robot humanoïde à 1 600 $, avec près de 500 000 $ de ventes en six semaines, contre 20 000 $ pour des concurrents. Une autre startup construit des robots capables de soulever des charges lourdes, déjà engagés sur des projets solaires totalisant 25 millions de dollars de contrats jusqu’en 2027. Parasma explore l’utilisation de cellules cérébrales humaines comme supports de calcul, tandis que Waddle Labs propose une API qui génère du code de contrôle robotique via des agents LLM, promettant une mise en service en 20 minutes.

Analyse technique des architectures proposées

Atomarine s’appuie sur le principe de refroidissement passif par convection maritime, ce qui élimine les coûts énergétiques liés aux systèmes de climatisation traditionnels. La transition vers la propulsion nucléaire implique la certification maritime et la gestion des radiations, contraintes qui repoussent la mise en service à 2032 mais offrent un facteur de capacité quasi‑continu. Dipole Labs utilise des guides d’ondes à faible perte et des modulateurs à état solide pour maintenir le signal lumineux, évitant les convertisseurs DAC/ADC qui génèrent chaleur et consomment plusieurs watts par port.

Lamb Labs, en gravant les poids du réseau directement dans le masque de lithographie, supprime les accès DRAM pendant l’inférence, réduisant la consommation de plusieurs ordres de grandeur. Cette approche, cependant, sacrifie la flexibilité du modèle, car chaque MPU ne peut exécuter qu’un seul réseau pré‑entraîné. Les drones d’Isengard intègrent des moteurs à combustion légère et des systèmes de navigation inertielle autonomes, mais la production locale nécessite la mise en place de chaînes d’assemblage certifiées aéronautiques, un défi logistique majeur.

Implications, risques et limites

Les valorisations de ces startups restent « plus ancrées » que lors des cohortes précédentes, reflétant la prise en compte des coûts d’infrastructure et des régulations. Le modèle d’Atomarine dépend fortement de l’acceptation des ports et des autorités environnementales, tandis que les commutateurs optiques de Dipole Labs doivent s’intégrer aux standards Ethernet existants, ce qui peut ralentir l’adoption. Les MPU de Lamb Labs offrent des gains énergétiques mais limitent la mise à jour des modèles, un compromis critique pour les applications en évolution rapide.

Les robots à prix abordable comme Nori soulèvent la question de la robustesse mécanique et de la sécurité logicielle, surtout lorsqu’ils sont contrôlés via des API LLM comme celle de Waddle Labs, où la génération de code automatisée doit être validée pour éviter des comportements imprévus. Enfin, l’utilisation de cellules cérébrales humaines par Parasma reste au stade expérimental, avec des incertitudes biologiques et éthiques qui freinent toute commercialisation à court terme.