En mars 2026, AMI Labs, cofondé par Yann LeCun, lauréat du prix Turing et ancien scientifique en chef de l'IA chez Meta, a annoncé avoir levé 1,03 milliard de dollars en financement de démarrage (seed round).
Presque au même moment :
- World Labs, fondé par Fei-Fei Li, a finalisé un nouveau tour de financement d'environ 1 milliard de dollars.
- Google DeepMind a publié son modèle mondial Genie 3.
- Tesla a poursuivi le déploiement de son robot humanoïde Optimus dans ses usines.
Ces événements ne se sont pas produits de manière isolée mais pointent ensemble vers une tendance plus claire : l'IA passe de la « compréhension du monde numérique » à la « compréhension et à l'action sur le monde physique ».
Si 2024 a été l'année de l'expansion des grands modèles de langage (LLM) et 2025 celle de l'exploration de la mise en œuvre des agents, alors en 2026, le récit central de la Silicon Valley se tourne vers une question plus fondamentale : l'IA peut-elle vraiment comprendre « comment le monde fonctionne » et accomplir des tâches dans la réalité ?
Il ne s'agit pas seulement d'un changement d'orientation technologique, mais aussi d'une réécriture de la chaîne de valeur industrielle. Au cours des deux dernières années, la compétition en matière d'IA s'est principalement concentrée sur quelques maillons à haut seuil d'entrée comme les modèles, la puissance de calcul et les centres de données ; lorsque l'IA commence à entrer véritablement dans le monde physique, la compétition ne se limite plus à la couche des modèles, mais s'étend simultanément au matériel, à l'intégration système, à la collecte de données, aux environnements de simulation, à la collaboration de la chaîne d'approvisionnement et à la mise en œuvre dans des scénarios réels. En d'autres termes, l'IA Physique n'apporte pas une avancée ponctuelle, mais une refonte de tout un système d'infrastructure.
C'est précisément pour cette raison que cette vague de changements représente, pour le monde sinophone, et particulièrement pour les entrepreneurs, ingénieurs et investisseurs chinois, non seulement une nouvelle frénésie technologique, mais aussi une rare fenêtre d'opportunité structurelle. Contrairement à la précédente compétition dominée principalement par les ressources d'entraînement des grands modèles et les super-capital, l'IA Physique dépend naturellement davantage de compétences composites : il faut comprendre les algorithmes mais aussi l'ingénierie ; il faut être capable de faire de la coordination système mais aussi de pénétrer en profondeur dans les scénarios industriels, la fabrication et la chaîne d'approvisionnement. Les équipes qui combinent profondeur technique, capacité de coordination matérielle et une vision des industries chinoise et américaine ont paradoxalement plus de chances de se positionner à des endroits clés dans ce nouveau cycle.
En d'autres termes, l'IA Physique n'est pas seulement une nouvelle histoire racontée dans la Silicon Valley, c'est aussi peut-être le billet d'entrée le plus important pour les Chinois dans le prochain bouleversement des infrastructures technologiques mondiales.
01 Le débat séculaire entre deux approches : Le camp des LLM vs. le camp des Modèles Mondiaux
Au cours des trois dernières années, les grands modèles de langage (LLM) ont presque dominé le développement de l'IA, leur paradigme central étant la prédiction du token suivant (next-token prediction) basée sur des masses de données textuelles. Mais les limites de ce paradigme deviennent également apparentes : il peut « décrire » le monde physique, mais ne possède pas une compréhension exécutable ; il manque une capacité de modélisation des relations de cause à effet et des contraintes physiques ; ses performances sont également limitées dans la prise de décision continue et les tâches de longue durée.
Par conséquent, une faction représentée par Yann LeCun a commencé à pousser une autre voie : le Modèle Mondial (World Model) — prédire l'« état », et non le « texte ». La différence fondamentale entre les deux est que les LLM prennent le texte comme objet d'apprentissage et le langage comme forme de sortie, restant essentiellement au niveau de la « cognition et de l'expression » ; tandis que les modèles mondiaux prennent l'état du monde physique comme objet de modélisation, visant directement une boucle fermée de capacités « perception — décision — exécution ».
Ce n'est pas seulement le jugement de LeCun. Au premier trimestre 2026, la direction des modèles mondiaux a presque simultanément connu plusieurs avancées clés : AMI Labs, avec l'architecture JEPA au cœur, parie clairement sur une voie à long terme « recherche d'abord, produit ensuite » ; World Labs, abordant par « l'intelligence spatiale », tente de faire vraiment comprendre à l'IA les relations, les occlusions et les contraintes physiques dans un monde en trois dimensions ; Google DeepMind, quant à lui, via Genie 3, promeut la génération d'environnements dynamiques interactifs en temps réel et les utilise pour l'entraînement d'agents intelligents.
Les chemins des trois entreprises diffèrent, mais ils indiquent la même tendance : le prochain saut de l'IA ne consiste pas seulement à générer de meilleurs textes, mais à modéliser le monde plus précisément et à y mener des actions.
02 La guerre du matériel : Qui construit le « corps » ?
Les modèles mondiaux résolvent le problème du « cerveau » — comment l'IA comprend le monde physique. Mais l'autre moitié du champ de bataille de l'IA Physique est tout aussi intense : qui construit le « corps » ?
En 2026, le secteur des robots humanoïdes est passé de la « démo de laboratoire » au stade de la « production de masse en usine ». Quelques chiffres clés :
Tesla Optimus Gen 3 : Plus de 1000 unités déjà déployées dans les usines Gigafactory Texas et Fremont, exécutant des tâches de manipulation et d'assemblage de pièces. Il s'agit du plus grand déploiement en usine de robots humanoïdes de l'histoire. Tesla construit actuellement une usine dédiée à Giga Texas avec une capacité annuelle de 10 millions d'unités, visant un coût unitaire ramené à 20 000 dollars — alors que le prix moyen du secteur était encore de 50 000 à 250 000 dollars il y a deux ans.
Boston Dynamics Atlas : La version produit d'Atlas présentée au CES 2026, mesurant 6,2 pieds, avec 56 degrés de liberté, peut soulever des charges de 110 livres. Plus remarquable encore est son « âme » — Boston Dynamics a annoncé une collaboration avec Google DeepMind pour intégrer des modèles de base de pointe dans Atlas. La capacité de production pour 2026 a déjà été réservée par Hyundai et Google DeepMind, une usine de 30 000 unités/an est en cours de planification.
Figure 03 : Figure AI a levé 1 milliard de dollars avec une valorisation de 39 milliards de dollars, son modèle Figure 02, lors d'une période d'essai de 11 mois dans l'usine BMW Spartanburg, a participé à la production de plus de 30 000 BMW X3, déplacé plus de 90 000 pièces et cumulé 1250 heures de fonctionnement. Le Figure 03 est une version améliorée, équipée de 48+ degrés de liberté et de la plateforme IA Helix propriétaire.
Mind Robotics : A annoncé en mars un financement de 500 millions de dollars, se concentrant sur le déploiement de robots IA à l'échelle industrielle.
Mais dans cette course au matériel, un maillon sous-estimé émerge : la main habile (Dexterous Hand).
Les jambes du robot humanoïde résolvent le problème de la mobilité, le torse celui du support, mais ce qui détermine vraiment si un robot peut travailler dans un environnement complexe, ce sont les mains. Prenez Tesla Optimus par exemple : le coût des mains représente 17 % du coût total de la machine, environ 9500 dollars — c'est le composant unique le plus cher.
La difficulté des mains habiles réside dans une contradiction fondamentale : l'espace dans les doigts est trop petit pour y loger de gros moteurs ; les petits moteurs n'ont pas assez de couple, ce qui nécessite des boîtes de vitesses à haut taux de réduction pour amplifier la force ; et les boîtes de vitesses à haut taux de réduction entraînent une distorsion inertielle, une perte de retour de force et une usure mécanique — ces trois problèmes « empoisonnent » physiquement le processus d'apprentissage de l'IA.
De nouvelles entreprises tentent de franchir ce goulot d'étranglement. Certaines utilisent une architecture de moteur à flux axial magnétique pour comprimer le taux de réduction de 288:1 à 15:1, réalisant une main habile entièrement rétroactionnable ; d'autres, grâce à la conception simultanée de gants de capture de données, permettent une migration sans perte des données d'opération humaine vers le matériel robotique. Ces innovations matérielles apparemment mineures pourraient être l'une des infrastructures les plus cruciales de tout l'écosystème de l'IA Physique.
03 NVIDIA : Le « vendeur de pelles » de l'ère de l'IA Physique
À chaque vague technologique, un « vendeur de pelles » apparaît.
À l'ère des grands modèles, NVIDIA, grâce à ses GPU et à l'écosystème CUDA, est devenu le plus grand bénéficiaire ; à l'ère de l'IA Physique, son rôle évolue encore — il ne s'agit plus seulement de fournir de la puissance de calcul, mais de tenter de construire toute l'infrastructure de l'ère robotique.
Lors de la conférence GTC de mars 2026, NVIDIA a publié un ensemble complet de capacités de plateforme centrées sur l'IA Physique : incluant le modèle visuel-langage-action Isaac GR00T pour les robots humanoïdes, la série Cosmos pour générer des données synthétiques à grande échelle, ainsi qu'une chaîne d'outils couvrant l'entraînement, l'évaluation et le déploiement (comme Isaac Lab et OSMO). Ces capacités ne sont pas des outils ponctuels, mais forment progressivement un système complet de développement et d'exécution.
Plusieurs entreprises de robotique, dont Boston Dynamics, Caterpillar, Franka Robotics, LG, NEURA Robotics, construisent déjà leurs systèmes de nouvelle génération sur la plateforme NVIDIA.
Leur stratégie est également très claire :
Ne pas participer directement aux produits finaux, mais devenir la norme sous-jacente de toute l'industrie.
Si l'IA Physique est une ville en construction, alors NVIDIA fournit simultanément le ciment, l'acier et le réseau électrique.
04 Les données : Le « pétrole » le plus rare de l'IA Physique
Dans le monde des grands modèles de langage, Internet fournit des données textuelles presque illimitées. Mais dans l'IA Physique, une question plus fondamentale émerge :
Les données de manipulation du monde réel sont extrêmement rares.
Cela fait des données l'une des ressources les plus cruciales et les plus rares de toute la chaîne industrielle.
Actuellement, l'industrie explore principalement trois voies.
La voie des données réelles. Représentée par Physical Intelligence, son modèle π0 est entraîné sur plus de 10 000 heures de données réelles d'opération robotique, couvrant divers types de robots et de tâches, capable d'effectuer des manipulations complexes (comme plier des vêtements, assembler des cartons, etc.). Son action open source fournit essentiellement à l'industrie une « base pré-entraînée pour la manipulation ».
La voie des données synthétiques. Genie 3 de Google DeepMind et Cosmos de NVIDIA tentent de générer de vastes environnements simulés via des modèles mondiaux, d'effectuer l'entraînement dans le monde virtuel, puis de migrer vers le monde réel. Le défi central de cette voie est le fossé simulation-réalité (sim-to-real gap), mais à mesure que la précision de la simulation s'améliore, cet écart se réduit progressivement.
La voie de la téléopération humaine. Via des équipements comme des gants de capture de données, les opérations humaines sont directement mappées sur les systèmes robotiques. Cette méthode offre les données de la plus haute qualité, mais présente encore des limitations en termes de coût et de capacité de mise à l'échelle.
Tesla essaye quant à lui une voie hybride : collecter continuellement des comportements opérationnels humains via des vidéos d'usine et les utiliser pour entraîner les capacités motrices d'Optimus.
À long terme, le paysage concurrentiel de l'IA Physique ne dépendra probablement pas de qui a le meilleur modèle, mais de qui possède le plus de données d'interaction avec le monde physique, de la plus haute qualité. Une fois que la roue des données se mettra à tourner, ses barrières se renforceront de manière exponentielle.
05┃ Ce que dit l'argent : Une carte complète des financements en IA Physique au T1 2026
Les chiffres ne mentent pas. Voici les principaux événements de financement dans le domaine de l'IA Physique au premier trimestre 2026 :
【Couche Modèle Mondial】
· AMI Labs (LeCun) — 1,03 Md$ tour de seed, valorisation 3,5 Md$
· World Labs (Fei-Fei Li) — 1 Md$ nouveau tour, Autodesk investit 200 M$
【Couche Modèle de Base】
· Physical Intelligence — Négociations en cours pour un nouveau tour de 1 Md$, valorisation dépassera 11 Md$
· RLWRLD — Extension de tour de seed de 41 M$
【Robots Humanoïdes Complets】
· Figure AI — Auparavant levé 1 Md$ à 39 Md$ de valorisation (2025)
· Mind Robotics — 500 M$, déploiement à l'échelle industrielle
· Galaxea — 434 M$, Série B licorne
· Humanoid — 290 M$ tour de seed, licorne directe
· Generative Bionics — 70 M€ tour de seed
【Infrastructure et Outils】
· NVIDIA — Investissement continu dans les plateformes Isaac GR00T / Cosmos
· RoboForce — 52 M$, plateforme de main-d'œuvre en IA Physique
Rien que ces données publiques, le T1 dépasse les 6,4 milliards de dollars. Et cela n'inclut pas les investissements internes des grands acteurs comme Tesla, Hyundai/Boston Dynamics, Google DeepMind, etc.
Le flux de capital indique une chose : l'IA Physique a dépassé le stade de la « preuve de concept » et est entrée dans la phase de « construction d'infrastructure ». Les investisseurs ne demandent plus « si les robots peuvent être utilisés », mais « quelle infrastructure permet la mise à l'échelle la plus rapide des robots ».
06 Réflexion froide : Bulle ou point d'inflexion ?
Bien sûr, la Silicon Valley n'est jamais à court de bulles. Face à l'engouement pour l'IA Physique, quelques questions méritent une réflexion froide :
Démo ≠ Déploiement. Comme l'ont convenu les professionnels lors de Davos 2026 : le fossé entre une démo impressionnante et un système capable de fonctionner 10 000 fois de suite sans erreur est bien plus grand que ce que la communication laisse entendre. Le Figure 02 a bien participé à la production de 30 000 véhicules dans l'usine BMW, mais il exécutait des tâches de manutention de pièces relativement standardisées, et non un assemblage habile.
Sim-to-real reste un os dur à ronger. La fidélité des modèles mondiaux s'améliore, mais la complexité de la longue traîne du monde physique — variations d'éclairage, différences de matériaux, collisions non prévues — reste le plus grand défi de la voie des données synthétiques.
Le modèle économique n'est pas encore éprouvé. LeCun lui-même dit qu'AMI Labs ne fera que de la recherche la première année. World Labs expérimente un modèle gratuit+payant. Physical Intelligence a open sourcé son modèle central. Actuellement, les revenus de ces entreprises sont presque nuls, le capital parie sur un monopole de paradigme dans 3 à 5 ans.
Le rhinocéros gris de la sécurité et de la réglementation. Lorsque des milliers de robots dotés de capacités de décision autonome entreront dans les usines et même les foyers, qui sera responsable des accidents ? Le cadre réglementaire mondial pour l'IA Physique est actuellement presque vide.
Mais précisément, ces problèmes indiquent que nous en sommes aux premiers stades d'un point d'inflexion technologique, et non au sommet d'une bulle. Chaque véritable changement de paradigme — Internet, les smartphones, le cloud computing — a été accompagné, dans ses débuts, d'une phase où « la démo était bien meilleure que le produit ». La différence clé est : la technologie sous-jacente progresse-t-elle vraiment, ou est-ce seulement le PowerPoint qui progresse ?
De l'architecture JEPA de LeCun, à la génération mondiale en temps réel de Genie 3, aux capacités de généralisation à 68 tâches de π0, au déploiement en usine d'Optimus à l'échelle de 1000 unités — les progrès du T1 2026 sont de véritables percées d'ingénierie, pas des châteaux en l'air.
07 L'IA Physique n'est pas une piste indépendante, c'est la forme ultime de l'IA.
L'IA Physique n'est pas une nouvelle piste, elle ressemble plus à l'une des formes finales de l'IA.
Lorsque l'IA passe de la « compréhension du monde » à l'« entrée dans le monde », ce qui est réellement réécrit n'est pas seulement la frontière des capacités des modèles, mais aussi la division du travail industriel et les modes de répartition de la valeur. La future compétition n'aura pas lieu uniquement dans les paramètres des modèles et les clusters de calcul, mais aussi dans le corps des robots, les mains habiles, la collecte de données, les systèmes de simulation, les scénarios industriels et la capacité d'organisation de la chaîne d'approvisionnement.
C'est aussi pourquoi cette vague est particulièrement importante pour les Chinois.
Parce que l'une des accumulations les plus profondes des Chinois au cours des vingt dernières années n'a jamais été une étiquette technologique unique, mais la capacité à réellement relier les technologies de pointe, l'exécution technique, la fabrication de matériel et la collaboration industrielle transrégionale. Que ce soient les entrepreneurs, les ingénieurs, les investisseurs ou les organisateurs de ressources industrielles, ceux qui parviennent à saisir cette migration de l'intelligence numérique vers l'intelligence physique auront une chance non seulement de participer à la tendance, mais aussi de devenir, à certains niveaux clés, une partie de la tendance elle-même.
En 2026, l'IA Physique est peut-être encore loin d'être mature ; mais précisément parce qu'elle en est encore à ses débuts, la fenêtre vient juste de s'ouvrir. Pour les Chinois, il ne s'agit peut-être pas d'un autre cycle de « participation suiveuse », mais d'un nouveau point de départ offrant plus d'opportunités de pénétrer profondément dans les couches d'infrastructure, de plateforme et de composants clés.
Cet article provient du compte WeChat officiel « Silicon Rabbit君 » (ID:gh_1faae33d0655), auteur : Silicon Rabbit君
