# Simulation Articles associés

Le Centre d'actualités HTX fournit les derniers articles et analyses approfondies sur "Simulation", couvrant les tendances du marché, les mises à jour des projets, les développements technologiques et les politiques réglementaires dans l'industrie crypto.

Qingyan Jingzhun lève plusieurs centaines de millions de yuans, le fonds national de l'équipement industriel investit

La société chinoise Qingyan Precision a clôturé sa série de financement de série B en levant des milliards de yuans en juin, attirant des investisseurs industriels majeurs. Le tour B2 a été dirigé par Xingyuan Capital avec la participation de FAW Fusheng, suivi du tour B3 dirigé par BAIC Capital avec la participation de Yulon Group. Le fonds d'État China National Machinery Industry Fund a également rejoint. Ce consortium, comprenant six constructeurs automobiles, reflète la reconnaissance de l'écosystème automobile pour la plateforme d'ingénierie d'IA physique et le système de test de Qingyan Precision. L'investissement démontre un changement de logique du marché : le capital mise désormais sur les infrastructures d'IA physique ayant une capacité d'industrialisation dans des scénarios industriels réels, aligné avec le plan gouvernemental "Action spéciale pour la formation en situation réelle des robots humanoïdes et de l'intelligence incarnée" lancé en juin 2026. Fondée en 2018 par Dong Han, docteur de l'Université Tsinghua, Qingyan Precision a évolué d'un spécialiste des tests pour véhicules neufs énergétiques vers un fournisseur de plateforme d'ingénierie d'IA physique pour l'intelligence incarnée industrielle. L'entreprise dispose de plus de 2000 points de perception déployés sur site. Sa pipeline de données multimodales TsingLoop transforme les données brutes en actifs standardisés, alimentant un système de test en boucle fermée "Robot-in-the-Loop" qui connecte simulation et environnement réel pour valider et optimiser les performances des robots. Avec une équipe de direction combinant expertise de Tsinghua, de Stanford et d'industriels chevronnés, Qingyan Precision construit une "base de données physique" visant "une plateforme, un cerveau, des centaines d'applications scénarisées". Positionnée comme un acteur clé de l'infrastructure, elle fournit les capacités nécessaires pour déployer l'intelligence incarnée dans des environnements industriels complexes.

marsbit07/13 04:35

Qingyan Jingzhun lève plusieurs centaines de millions de yuans, le fonds national de l'équipement industriel investit

marsbit07/13 04:35

Près d'une centaine de joueurs se ruent vers les données incarnées : 44,7 milliards levés en un an, qui peut vraiment gagner de l'argent en "vendant des données" ?

Près d'une centaine d'acteurs se ruent dans le secteur des données d'embodiment : 44,7 milliards de yuans levés en un an, mais qui peut vraiment gagner de l'argent en "vendant des données" ? Le secteur des données pour l'intelligence incarnée (embodiment) est en plein essor, avec 97 acteurs identifiés en Chine, dont 70 dans la collecte et 27 dans l'infrastructure. Sur un an, 15 prestataires de services indépendants spécialisés ont levé environ 44,7 milliards de yuans, un montant modeste comparé aux investissements totaux dans l'embodiment. La collecte s'organise autour de quatre approches principales : téléopération de robots physiques, collecte sans robot (via capteurs de mouvement), synthèse par simulation et distillation de vidéos internet. La plupart des acteurs combinent plusieurs méthodes. Les prestataires indépendants constituent le groupe le plus important (40%), devant les plateformes publiques (26%) et les fabricants de robots (25%). La capacité de production annuelle actuelle est estimée entre 1,6 et 1,8 million d'heures de données, avec un objectif de multiplication par 15 à 20 d'ici 1 à 3 ans. Des "usines à données" sont implantées dans 20 provinces, principalement dans les régions côtières développées. Le financement reste concentré sur des sociétés en phase précoce ; plus de la moitié des prestataires indépendants financés ont moins d'un an. La startup Lightwheel AI se distingue, ayant levé 31 milliards de yuans et atteint une valorisation de plus de 20 milliards de dollars. Cependant, les investisseurs restent prudents, aucun n'ayant effectué de pari massif sur le secteur. En résumé, le marché des données d'embodiment est devenu une piste indépendante et créatrice d'emplois, mais il en est encore à ses débuts. La viabilité commerciale d'un modèle basé sur la seule vente de données n'est pas encore démontrée. Les prochaines années seront cruciales pour vérifier si ces "vendeurs de pelles" peuvent réellement être rentables.

marsbit07/12 02:36

Près d'une centaine de joueurs se ruent vers les données incarnées : 44,7 milliards levés en un an, qui peut vraiment gagner de l'argent en "vendant des données" ?

marsbit07/12 02:36

1600 lignes de code ont créé un Manhattan sous-marin, Fable 5 a stupéfié Karpathy

Le modèle Fable 5, nouvellement réactivé, a créé une onde de choc en générant 63 mondes 3D interactifs et complexes, souvent du premier coup. Andrey Karpathy, récemment arrivé chez Anthropic, a qualifié les résultats d'"incroyables" et d'un exemple de "fablemaxxing" – une avancée qualitative majeure. Parmi les créations les plus frappantes figure une "Manhattan sous-marine" détaillée, construite avec seulement 1600 lignes de code. Les autres mondes incluent des villes historiques (Londres, Istanbul), des simulations physiques, des tableaux célèbres (comme *La Nuit étoilée* de Van Gogh) rendus navigables en 3D, et des paysages naturels saisissants où un ours attrape un saumon. L'auteur, Peter Gostev d'Arena.ai, souligne que la prouesse ne réside pas dans la beauté d'une scène isolée, mais dans la capacité du modèle à coordonner une multitude d'éléments de manière cohérente. Alors que les modèles précédents échouaient souvent dans les dernières étapes, Fable 5 produit des résultats complets à partir de spécifications détaillées, démontrant une compréhension et un pouvoir explicatif inédits. Cependant, Gostev note quelques limites : les éléments de jeu manquent de profondeur et le modèle semble parfois retenir son plein potentiel, nécessitant des incitations pour se dépasser. Karpathy s'interroge sur la façon dont le modèle, formé sur des données internet, a acquis et traduit une compréhension aussi nuancée du monde physique en éléments 3D animés. Cette capacité ouvre la porte à des possibilités immenses avec les futures itérations. L'exploration de ce que l'IA peut vraiment créer et comprendre ne fait que commencer.

marsbit07/06 09:52

1600 lignes de code ont créé un Manhattan sous-marin, Fable 5 a stupéfié Karpathy

marsbit07/06 09:52

Introduction au Concept de Modèle du Monde : Une Histoire de la Psychologie à l'AI

Le concept de "modèle du monde" (World Model) est aujourd'hui central en IA, bien que sa définition reste floue. Il s'agit de doter les machines d'un "sandbox mental" interne, capable de prédire et de simuler les conséquences d'actions avant leur exécution réelle, à l'instar de la réflexion humaine. Cette capacité est cruciale pour des applications comme la conduite autonome, la robotique ou la création de contenus. L'idée puise ses racines dans les travaux du psychologue Kenneth Craik (1943) et a été reprise en IA par des pionniers comme Marvin Minsky. Le terme a été remis au goût du jour en 2018 par David Ha et Jürgen Schmidhuber. Aujourd'hui, les approches divergent. Des chercheurs comme Yann LeCun (avec son architecture JEPA) privilégient la prédiction en espace abstrait pour comprendre la physique. D'autres, comme Fei-Fei Li, proposent une taxonomie distinguant les modèles qui *rendent* (pixels), *simulent* (états physiques) ou *planifient* (actions). OpenAI (Sora), Google DeepMind (Genie 3) et NVIDIA (Cosmos) développent des "simulateurs du monde" génératifs basés sur des vidéos. Dans l'industrie, les acteurs chinois (Alibaba, Tencent, constructeurs automobiles) développent leurs propres solutions, souvent centrées sur des cas d'usage concrets comme la conduite autonome. Techniquement, trois voies coexistent : la génération de pixels (comme Sora), la prédiction en espace latent (comme JEPA), et la création d'environnements 3D paramétriques (comme Omniverse). La tendance est à leur convergence vers un modèle unifié. Un paradigme émergent en 2026 est le "World Action Model" (WAM), qui intègre directement la génération d'actions et la prédiction de l'état futur en un seul système, visant une meilleure "unité de la pensée et de l'action" pour les robots. Malgré la confusion des définitions, un consensus se dégage sur l'objectif final : créer pour les machines une représentation interne du monde, exploitable pour raisonner, planifier et agir de manière plus sûre et générale. Cette période de flou terminologique est typique des phases de rupture technologique et signale l'entrée du concept sur le champ de bataille principal de l'IA.

marsbit06/29 05:16

Introduction au Concept de Modèle du Monde : Une Histoire de la Psychologie à l'AI

marsbit06/29 05:16

Modèle du monde, métavers, jumeau numérique, IA physique : s'agit-il de la même chose ?

Ces dernières années, des concepts comme le métavers, le Web3.0, les plateformes de données de simulation, le jumeau numérique et l'IA physique sont apparus. Ils ne sont pas identiques mais s'inscrivent dans une tendance commune : l'effacement progressif des frontières entre les mondes numérique et physique. Le modèle du monde (world model) se situe au niveau "cognitif" ou comme un "système d'exploitation" sous-jacent. Son rôle est de permettre à l'IA de comprendre et de prédire l'évolution du monde physique. Voici comment il se distingue des autres concepts : * **Métavers** : C'est une destination, une expérience spatiale immersive. Un modèle du monde mature pourrait en être le moteur de génération de contenu, créant des environnements interactifs à partir de simples descriptions. * **Web3.0** : Il s'agit principalement d'un nouveau paradigme de propriété des données et d'incitations économiques via la blockchain. Il est techniquement distinct et opère à un "niveau de règles" différent de celui du modèle du monde. * **Plateformes de données de simulation** : Elles représentent une version 1.0, reposant souvent sur des règles prédéfinies ou une création manuelle. Le modèle du monde en serait la version 2.0, générant des scénarios réalistes de manière autonome et à grande échelle. * **Jumeau numérique** : C'est un miroir statique et en temps réel d'un système physique. Le modèle du monde va plus loin en ajoutant la capacité de prédire les états futurs et les conséquences d'actions. * **IA physique** (robots, véhicules autonomes) : Le modèle du monde en est un composant central, fournissant la compréhension et la capacité de prédiction nécessaires à une prise de décision éclairée dans le monde réel. En résumé, le modèle du monde agit comme une couche cognitive fondamentale. Il peut soutenir les outils d'application (simulation, jumeaux), les systèmes d'action (IA physique) et les expériences (métavers), tout en reposant sur l'infrastructure informatique. Il ne remplace pas ces concepts, mais pourrait devenir leur système d'exploitation commun, permettant de réaliser pleinement leurs ambitions initiales.

marsbit06/28 10:45

Modèle du monde, métavers, jumeau numérique, IA physique : s'agit-il de la même chose ?

marsbit06/28 10:45

La guerre sans nom unifié : la cartographie mondiale des modèles des grandes entreprises chinoises

Le terme « modèle du monde » n’a pas encore de désignation unique dans l'industrie. Chaque grand acteur développe sa propre version sous différents noms : modèle du monde, modèle physique d'IA, ou intégré dans des systèmes de conduite autonome, de VLA ou d'intelligence incarnée. L'objectif commun est de permettre aux machines de créer un environnement dynamique interne, simulable et rejouable, réduisant ainsi la dépendance aux données réelles et transformant le monde physique en un moteur de données génératif et infini. Les géants d'Internet comme Alibaba, Tencent, ByteDance, Huawei et Baidu explorent divers aspects, des mondes langagiers et virtuels aux reconstructions 3D et jumeaux numériques, souvent en lien avec leurs écosystèmes (jeux, réseaux sociaux, cloud). Les constructeurs automobiles (NIO, Li Auto, XPeng, Geely, etc.) l'utilisent comme un « simulateur de conduite » avancé pour générer des scénarios complexes, entraîner les systèmes de pilotage autonome et accélérer les itérations. Les fournisseurs de solutions de conduite autonome (Momenta, Horizon Robotics, Haomo.ai, etc.) en font un « moteur invisible » intégré à leurs plateformes, visant une validation massive et la future norme L4. Les startups, bien qu'agiles et innovantes, manquent souvent de données, de puissance de calcul et de débouchés industriels comparés aux grands groupes. Ces derniers transforment progressivement le modèle du monde d'un projet de R&D en une infrastructure opérationnelle au cœur de leurs produits (voitures, robots, jeux). La compétition évolue ainsi de « qui a un modèle » vers « dont le modèle comprend et simule réellement le monde physique de manière utile et déployable ». La course est désormais lancée pour maîtriser cette nouvelle couche fondamentale de l'intelligence artificielle.

marsbit06/25 06:59

La guerre sans nom unifié : la cartographie mondiale des modèles des grandes entreprises chinoises

marsbit06/25 06:59

En trois mois, 35 milliards de yuans, les investisseurs se disputent l'"OpenAI du monde physique"

Une course effrénée des investisseurs s'engage vers l'AGI physique. La start-up chinoise Jijia Shijie (Excellent Vision) vient de boucler un financement de 3,5 milliards de yuans en seulement trois mois, portant sa valorisation à plus de 10 milliards. Dirigée par Huang Guan, un docteur de 30 ans de l'Université Tsinghua, l'entreprise attire un large éventail de fonds d'investissement nationaux et internationaux. La stratégie de Jijia Shijie repose sur un système en « double pyramide » combinant algorithmes et données, et centré sur un « modèle du monde » pour comprendre et interagir avec l'environnement physique. Ses modèles phares, GigaBrain et GigaWorld, ont obtenu des premières places dans des benchmarks mondiaux. La société vise le « moment GPT-3 » de l'AGI physique, où des capacités émergentes se manifesteront. Concrètement, Jijia Shijie déploie sa technologie sur deux fronts : grand public (robot domestique polyvalent « Shiguang S1 ») et industriel (robots « Maker » pour l'automatisation des usines et modèle de conduite autonome « DriveDreamer »). Ces déploiements génèrent des données et des revenus essentiels pour alimenter la boucle d'amélioration de ses modèles. L'objectif ultime est de dépasser l'AGI purement numérique pour créer une intelligence capable d'agir dans le monde physique, remodelant potentiellement les modes de production et la vie quotidienne. Les investisseurs parient que ce futur est proche.

marsbit06/15 01:36

En trois mois, 35 milliards de yuans, les investisseurs se disputent l'"OpenAI du monde physique"

marsbit06/15 01:36

Le Manifeste du Modèle du Monde de Li Fei-Fei

« Le monde est tout ce qui arrive. » C'est par cette citation de Wittgenstein que l'experte en IA, Fei-Fei Li, commence un récent article de blog, soulignant un paradoxe crucial de l'IA moderne. Alors que les modèles de langage comme ChatGPT excellent à manipuler les mots, ils restent ignorants de la nature physique du monde qu'ils décrivent. Face à la confusion grandissante autour du terme « modèle du monde », souvent utilisé à tort pour tout projet génératif, Li propose un cadre théorique rigoureux. Pour elle, un véritable modèle du monde doit permettre à une machine d'interagir avec la réalité physique, en comprenant ses lois fondamentales - la lumière, la gravité, la collision. Elle s'appuie sur le processus de décision markovien partiellement observable (POMDP), cœur de l'apprentissage par renforcement, qui décrit la boucle interaction-perception-action d'un agent intelligent. Li décompose ensuite la construction d'une intelligence incarnée en trois piliers technologiques : 1. Le **Rendu** : Génère des pixels visuellement plausibles et esthétiques (ex. : Sora, DALL-E). C'est le domaine le plus mature commercialement, mais il ne comprend pas la physique sous-jacente. 2. Le **Simulateur** : Reproduit fidèlement les lois physiques (masse, friction, gravité). C'est le maillon crucial mais sous-estimé, essentiel pour les robots et l'industrie. NVIDIA, avec Omniverse, est un leader dans ce domaine. 3. Le **Planificateur** : Prend des décisions et planifie des actions dans des environnements complexes. C'est le lien entre la perception et l'action, le défi le plus avancé. Li identifie le simulateur comme le « carrefour » central, reliant le rendu et la planification, et ouvrant la voie à un marché immense (industrie, santé, autonomie). Cependant, des défis majeurs persistent : le manque de données 3D annotées physiquement et les risques des modèles purement génératifs qui produisent des incohérences physiques (« clipping »). Malgré ces obstacles, Li est optimiste. Elle prévoit une convergence vers un **modèle de monde unifié**, où les frontières entre rendu, simulation et planification s'estomperont. Ce futur modèle sera interactif, capable de basculer entre la génération d'images réalistes et la simulation d'états physiques précis. En conclusion, cette quête du modèle du monde représente bien plus qu'une avancée algorithmique. Il s'agit d'un saut évolutif pour l'IA, passant de la maîtrise du langage à l'intelligence spatiale – la capacité de comprendre et d'agir dans l'espace physique. Si le chemin est long (Yann LeCun estime qu'il faudra encore 5 à 10 ans pour atteindre l'intelligence d'un chien), c'est une étape essentielle vers une intelligence artificielle générale (IAG) véritablement incarnée. Nous passons de l'ère où l'IA parle du monde à celle où elle commence à le comprendre et à le modeler.

marsbit06/09 00:43

Le Manifeste du Modèle du Monde de Li Fei-Fei

marsbit06/09 00:43

Du code à la cognition : un guide de dix mille mots sur l'évolution du cerveau robotique

Auteur: Matt White, CTO AI mondial de la Linux Foundation. Compilé par: Felix, PANews. Cette longue exploration retrace l'évolution de l'intelligence des robots, des systèmes classiques codés à la main aux approches modernes fondées sur l'IA. **L'ère pré-LLM** était dominée par une pile logicielle modulaire (perception, estimation d'état, planification, contrôle) et des arbres de comportement, prévisible mais peu adaptable. **L'apprentissage automatique** a ensuite révolutionné la perception (réseaux neuronaux) et le contrôle (apprentissage par renforcement, imitation), mais chaque compétence restait étroite et spécifique. **L'avènement des LLM** a introduit un planificateur en langage naturel, capable de décomposer une instruction en séquences d'actions atomiques exécutées par des contrôleurs existants (ex: SayCan de Google). Le saut suivant fut les **modèles Vision-Langage-Action (VLA)**, comme RT-2 de DeepMind ou OpenVLA. Ces réseaux de neurones unifiés fusionnent flux visuel et instruction linguistique pour générer directement des commandes motrices, couplant raisonnement et action. Les architectures les plus performantes, comme le GR00T de NVIDIA ou Helix de Figure AI, adoptent une **stratégie à "deux cerveaux"** : un système 2 lent (VLA, ~7-9 Hz) pour la réflexion et un système 1 rapide (~200 Hz) pour l'exécution réactive, avec parfois un système 0 réflexe pour l'équilibre. Les calculs critiques s'exécutent localement (ex: sur module NVIDIA Jetson) pour la latence et la fiabilité. **L'essor des modèles open-source** (OpenVLA, GR00T N1.7, π0) est crucial, permettant aux startups de raffiner des bases pré-entraînées avec leurs propres données, accélérant le développement et favorisant l'audit de sécurité. Cependant, des défis persistent : récupération après erreur, efficacité des données, généralisation entre corps robotiques, planification à long terme et raisonnement physique/spatial. C'est là qu'interviennent les **modèles du monde (World Models)**, comme NVIDIA Cosmos ou Meta V-JEPA 2. Ces réseaux prédisent les conséquences futures d'une action (simulant une vidéo). Ils permettent au robot d'évaluer mentalement plusieurs scénarios avant d'agir, améliorant la reprise, la généralisation et la planification. Différentes approches architecturales coexistent (diffusion de pixels, JEPA, modèles à actions latentes). L'acquisition de **données** (téléopération) reste un gouffre clé. La simulation (Isaac Sim) permet un entraînement massif. Les coûts matériels chutent rapidement (ex: robots humanoïdes à ~2500$). Les modes de défaillance des robots pilotés par LLM peuvent être étranges, nécessitant des contraintes de sécurité. En conclusion, l'intelligence robotique migre progressivement du code des ingénieurs vers des modèles apprenant le monde lui-même. Nous en sommes à une phase de progression constante (analogue à GPT-2 pour l'IA physique), promettant à terme des robots bien plus généraux et adaptatifs. La question évolue de "que peuvent-ils faire ?" vers "que devrions-nous leur faire faire ?".

marsbit06/07 13:08

Du code à la cognition : un guide de dix mille mots sur l'évolution du cerveau robotique

marsbit06/07 13:08

L'IA physique fait fureur : quelques nouvelles réflexions personnelles

Ces dernières années, l'IA physique (Physical AI) connaît un développement significatif, visant à doter l'intelligence artificielle d'une compréhension et d'une capacité d'action dans le monde physique, au-delà du traitement de données numériques. L'année 2026 marque un tournant, passant de simples démonstrations à des déploiements concrets, notamment dans les usines. Des entreprises comme l'américaine Figure AI (avec son système Helix) et la chinoise Zhiyuan montrent la voie, cette dernière ayant réussi à produire en série des robots humanoïdes. La coopération de Nvidia avec les géants de la robotique industrielle et l'entrée en scène des fournisseurs automobiles, dont les technologies (capteurs, contrôle) sont transférables, accélèrent l'industrialisation. Le progrès fondamental réside dans l'essor des "modèles du monde" (comme Cosmos de Nvidia), générant des données synthétiques pour entraîner efficacement les robots aux lois physiques dans des environnements simulés. Cela change la donne par rapport à la collecte de données réelles, coûteuse et limitée. Cette évolution s'accompagne d'un changement d'architecture : on passe d'un modèle traditionnel "perception-planification-contrôle" (rigide) à un nouveau paradigme "perception-raisonnement-exécution", où le système apprend et raisonne par lui-même. Le secteur est désormais engagé dans une course où la capacité à produire à grande échelle et à gérer la chaîne d'approvisionnement, héritée par exemple de l'industrie automobile, devient aussi cruciale que l'algorithme d'IA. Si la direction est tracée, la compétition pour définir les leaders de cette nouvelle ère où l'IA "travaille" réellement ne fait que commencer.

marsbit05/18 04:48

L'IA physique fait fureur : quelques nouvelles réflexions personnelles