L’IA entre dans l’ère du monde physique
Depuis l’émergence de ChatGPT, le marché a surtout envisagé l’IA sous l’angle des « capacités cognitives » : génération de texte, écriture de code, raisonnement logique. Cette phase vise à permettre aux machines de mieux comprendre et produire de l’information, optimisant ainsi les processus numériques. Toutefois, les recherches d’Andreessen Horowitz indiquent que l’IA entre dans une nouvelle ère : elle passe de la « compréhension du monde » à « l’impact sur le monde ».
Cette transformation s’articule en trois étapes distinctes :
- Passé : l’IA fournit de l’information (répond aux questions)
- Présent : l’IA soutient la prise de décision (Agent)
- Futur : l’IA exécute directement (Physical AI)
En résumé, l’objectif de l’IA n’est plus simplement d’être « plus intelligente », mais de devenir « plus utile » — c’est-à-dire capable de réaliser des tâches et de produire des résultats concrets dans le monde réel.
Trois systèmes fondamentaux : robotique, auto science et interfaces de nouvelle génération
Dans le cadre de la Physical AI, a16z structure l’écosystème en trois systèmes fondamentaux, qui, ensemble, créent une boucle de rétroaction de données fermée, au lieu de fonctionner isolément.
-
Système robotique : il s’agit du vecteur d’exécution de l’IA dans le monde physique. Les robots dépassent le stade de simples dispositifs mécaniques pour devenir des systèmes intégrés associant perception, prise de décision et contrôle. Par exemple, le projet de robot humanoïde de Tesla ne se limite pas à l’innovation matérielle ; il s’agit de développer des systèmes d’IA capables d’exécuter des tâches de façon fiable dans des environnements complexes.
-
Système de science autonome : plateformes d’expérimentation automatisées. Elles permettent à l’IA de passer de la « génération d’hypothèses » à leur « validation ». Le processus se déroule ainsi :
- L’IA formule des hypothèses de recherche
- Les systèmes conçoivent automatiquement les protocoles expérimentaux
- Les dispositifs expérimentaux exécutent et collectent les données
- L’IA analyse les résultats et améliore de façon itérative
Cette approche en boucle fermée automatise la production de connaissances et génère un volume important de données de haute qualité, reliées de façon causale.
- Interfaces homme-machine de nouvelle génération : elles regroupent la réalité augmentée, les dispositifs portables et les interfaces cerveau-ordinateur, comme Neuralink. Leur valeur principale ne réside pas dans l’expérience utilisateur, mais dans leurs capacités de collecte de données. Elles servent notamment à :
- Enregistrer les actions humaines en vue subjective
- Capturer les retours physiologiques et de mouvement
- Extraire les signaux d’intention latente
Ces avancées permettent à l’IA de recevoir des données plus authentiques et continues.
Changement de paradigme : des données Internet aux données du monde réel
Le développement de l’IA se heurte désormais à une limite cachée : l’épuisement du rendement des données Internet. Si les corpus textuels et de code sont immenses, leur valeur marginale décroît. Physical AI introduit de nouvelles sources : des données issues d’interactions réelles.
On distingue ainsi deux paradigmes de données :
-
Données Internet
- Caractéristiques : volume important, accès facile
- Limites : corrélations, bruit élevé
-
Données du monde physique
- Caractéristiques : rares, coûteuses à collecter
- Atouts : relations causales, vérifiables
Ce changement redéfinira la trajectoire de montée en puissance de l’IA :
- Des « systèmes de prédiction » vers les « systèmes de contrôle »
- De la « génération de réponses » vers « l’optimisation des résultats »
- De « l’entraînement hors ligne » vers le « retour en temps réel »
Infrastructures essentielles pour la Physical AI
Sur le plan technique, la compétitivité de la Physical AI réside dans l’infrastructure, plus que dans les applications. Les composants clés sont :
- Systèmes de simulation : moteurs de génération de données qui forment l’IA dans des environnements virtuels, réduisant considérablement les coûts d’essais et erreurs dans le monde réel. Omniverse de NVIDIA, par exemple, relie les mondes numérique et physique.
- World models : systèmes interprétant l’environnement physique — mouvements d’objets, changements environnementaux, etc. — et servant de socle à la prise de décision de l’IA.
- Action models : ils convertissent les décisions en actions précises, permettant à l’IA de passer de la « réflexion » à l’« exécution ».
- Capteurs avancés : ils fournissent des entrées multidimensionnelles (vision, toucher, signaux biologiques), permettant à l’IA de percevoir le monde de façon globale.
Réalignement de la valeur : qui profitera de la prochaine vague
À mesure que la technologie évolue, la répartition de la valeur se transforme. La valeur, auparavant concentrée sur la couche application, diminue, tandis que l’importance des couches système et infrastructure croît.
Points clés de cette transformation :
- Homogénéisation de la couche application : barrières à l’entrée faibles, concurrence accrue
- Croissance de la valeur de la couche système : la robotique et l’automatisation deviennent centrales
- La donnée comme barrière : les données du monde réel sont difficiles à reproduire et conservent une valeur durable
Surtout, la Physical AI transforme la donnée d’une « ressource infiniment réplicable » en un « actif qui s’accumule sur le long terme ».
Dynamiques d’investissement et de l’industrie : opportunités et contraintes
Du point de vue des investisseurs, cette phase s’accompagne de caractéristiques structurelles spécifiques.
D’abord, l’intensité capitalistique s’accroît — la Physical AI se rapproche de secteurs comme :
- Les semi-conducteurs
- Les nouvelles énergies
- L’aérospatial
Ce qui implique :
- Un investissement plus important
- Des cycles de retour sur investissement plus longs
- Des barrières technologiques plus élevées
Ensuite, la chaîne de valeur industrielle se structure en trois niveaux :
- Amont : taux de hachage et plateformes de simulation
- Milieu : intégration de modèles et de systèmes
- Aval : déploiement d’applications et scénarios d’usage réels
Enfin, le rythme de développement suit un modèle en trois étapes :
- Court terme : l’Agent se déploie dans le monde numérique
- Moyen terme : les systèmes de collaboration homme-machine arrivent à maturité
- Long terme : la Physical AI est adoptée à grande échelle
Perspectives : de l’Agent à la Physical AI
À long terme, l’évolution de l’IA suit trois étapes majeures :
- Cognitive AI (exemple : ChatGPT) : traite la compréhension et la génération
- Agent AI : exécute des tâches dans le numérique
- Physical AI : exécute des tâches dans le monde réel
Cette progression met en lumière une tendance de fond : l’IA passe d’un « outil de traitement de l’information » à un « système d’exécution dans le monde réel ».
Conclusion : l’aboutissement de l’IA
En résumé, les principaux enseignements de a16z sont les suivants :
- L’IA va pénétrer le monde physique
- Les sources de données vont changer en profondeur
- Les capacités systémiques surpasseront celles des modèles isolés
En définitive, l’aboutissement de l’IA n’est pas seulement une compréhension approfondie du monde, mais la capacité d’agir et de générer des résultats concrets dans des environnements réels. À mesure que cette capacité s’affirme, l’IA deviendra une infrastructure fondamentale, transformant en profondeur les structures industrielles et les flux de capitaux.
