Cartographie du marché des modèles d’IA physique : les dessous de la concurrence autour de l’intelligence robotique

• Le secteur de la robotique a attiré un niveau d’investissement record de 40,7 Md$ en 2025, en hausse de 74% sur un an, représentant 9% de l’ensemble des financements venture et s’imposant, avec les logiciels d’IA, comme l’un des domaines leaders en matière d’investissement
• L’IA physique est la technologie clé qui permet aux robots d’apprendre à partir des données plutôt qu’à partir de règles préprogrammées, afin d’opérer dans le monde physique
• Contrairement aux modèles de langage, les modèles d’IA physique nécessitent des données robotiques réelles, ce qui crée une opportunité d’avance initiale pour le contrôle du marché
• Plus de 70 entreprises sont en concurrence dans 10 catégories de modèles d’IA physique, couvrant les données et la simulation, les approches de modélisation, les modèles de fondation et l’observabilité
• La collaboration multi-robots reste le principal problème non résolu de l’IA physique, et l’entreprise qui le résoudra en premier devrait mener l’extension industrielle des flottes de robots autonomes

---

Points clés

• Les données d’entraînement propriétaires constituent l’avantage concurrentiel central de l’IA physique, et les grands groupes technologiques cherchent à sécuriser l’accès aux données via des acquisitions
  • Nvidia a acquis en mars 2025 le fournisseur de données synthétiques Gretel pour plus de 320 M$
  • Meta a investi 14,8 Md$ pour prendre une participation dans Scale, spécialiste de l’infrastructure de données et du développement de modèles
  • OpenAI a tenté d’acquérir Medal pour sécuriser des données d’entraînement, mais Medal a lancé General Intuition, qui construit des modèles à partir de ces données
  • Les entreprises qui sécurisent des données d’entraînement propriétaires peuvent développer de meilleurs modèles, tandis que leurs concurrentes doivent s’appuyer sur un accès sous licence
  • Sécuriser tôt des données d’entraînement diverses et de haute qualité est essentiel pour atteindre l’échelle commerciale
• Les world models permettent aux robots de prédire et de planifier de manière autonome, une capacité que les grands modèles de langage (LLM) n’ont pas atteinte
  • Les investissements dans les world models ont bondi de 1,4 Md$ en 2024 à 6,9 Md$ en 2025
  • Les entreprises de ce segment affichent un score Mosaic moyen de 722 (top 3% de l’ensemble du marché)
  • Pour réussir, il faut des données d’entraînement de haute qualité dans des environnements contrôlés, ainsi que des partenariats étroits avec les fabricants de matériel
• La collaboration multi-robots reste le principal problème non résolu de l’IA physique
  • Les entreprises américaines ont levé plus de 17 Md$ à travers 17 opérations
  • Les entreprises chinoises ont levé 416 M$ à travers 15 opérations
  • Dans les deux régions, les efforts restent presque entièrement concentrés sur les capacités des robots individuels, et seules quelques entreprises construisent la couche d’orchestration nécessaire pour faire fonctionner ensemble différents types de robots
  • L’entreprise qui résoudra en premier le problème de la collaboration pourra contrôler l’extension industrielle des flottes de robots autonomes

Vue d’ensemble des catégories

• Données & simulation

  • Elles fournissent la base de l’apprentissage robotique : les robots ont besoin de grands volumes de données d’entraînement, mais la collecte de données réelles est lente et coûteuse
  • Trois sous-marchés :
    • Données d’entraînement synthétiques — robotique : outils générant des jeux de données synthétiques, comme des images, des données capteurs ou des scènes 3D, sans collecte réelle coûteuse
    • Fournisseurs de données de démonstration robotique : entreprises qui capturent des données réelles, comme des données de téléopération pour l’apprentissage par imitation, des trajectoires de mouvement ou des vidéos
    • Plateformes de simulation robotique : environnements virtuels pour entraîner, tester et valider les robots avant leur déploiement physique
  • La rareté des données est le principal goulet d’étranglement de l’IA physique, l’accès aux données d’entraînement réelles étant difficile en raison des coûts et de la disponibilité
    • Le score Mosaic moyen de ces marchés est d’environ 600 (moitié supérieure du marché en termes de momentum)
    • 50% des entreprises sont entrées en phase de déploiement, signe que l’infrastructure de données pour l’IA physique mûrit au-delà de la recherche vers une viabilité commerciale
  • De nombreuses entreprises s’appuient sur les données synthétiques et la simulation, avec Nvidia en tête du marché
    • Mais les seules données synthétiques ne suffisent pas, et les données robotiques réelles restent essentielles pour entraîner des modèles fiables
    • Scale a levé 16,4 Md$ et se classe dans le top 1% des scores Mosaic
    • Scale combine génération de données synthétiques et collecte de données réelles (y compris la téléopération humaine de robots et des données capteurs issues d’environnements physiques) pour étendre son activité d’annotation de données au développement de modèles
  • Les entreprises émergentes recherchent de nouvelles sources de données pour surmonter le manque de données existant
    • General Intuition a levé 134 M$ pour entraîner des modèles à partir de vidéos de gameplay applicables aux systèmes robotiques
    • micro1 a levé 35 M$ sur une valorisation de 500 M$ et construit le plus grand jeu de données d’entraînement robotique au monde à partir de vidéos d’interactions humaines
  • Sans jeux de données propriétaires ni plateforme de simulation, les entreprises robotiques risquent de devoir se fournir sous licence auprès des leaders ou de prendre du retard sur des types de données clés comme le toucher, la pression ou le mouvement physique

• Approches des modèles

  • Elles donnent aux robots des capacités de vision, de raisonnement et d’action, chaque modèle étant construit au-dessus d’un autre
  • Elles permettent de s’adapter à de nouvelles tâches au lieu de s’en tenir à une programmation rigide
  • Trois sous-marchés :
    • Développeurs de modèles vision-langage (VLM) : modèles multimodaux combinant compréhension visuelle et langage naturel, qui servent de couche de perception pour les robots
    • Développeurs de modèles vision-langage-action (VLA) : systèmes d’IA fondés sur les VLM, qui combinent perception visuelle, compréhension du langage et contrôle moteur pour convertir directement des commandes en actions physiques
    • Développeurs d’IA de world models : modèles qui simulent les changements de l’environnement afin de prédire les relations spatiales, les lois physiques et les causalités
  • L’IA physique fait évoluer la robotique d’une programmation codée en dur vers des systèmes flexibles et adaptatifs aux tâches, les modèles VLA s’imposant comme l’architecture dominante
    • Des leaders du robot humanoïde comme Figure, 1X et Galbot construisent leurs propres modèles VLA
    • Des géants technologiques comme Nvidia et Meta développent des modèles destinés à être concédés sous licence commerciale aux fabricants de robots
  • Les world models pourraient constituer la véritable rupture en ajoutant un raisonnement prédictif
    • Des entreprises comme World Labs et Runway construisent des world models
    • Alors que les VLA réagissent à des entrées immédiates, les world models simulent l’évolution de l’environnement dans le temps
    • Ils permettent aux robots d’anticiper les résultats, de planifier des actions en plusieurs étapes et de récupérer après des erreurs

• Modèles de fondation

  • Ils combinent données et architecture pour fournir une intelligence robotique préentraînée capable de perception, de raisonnement et d’action
  • Certains sont des modèles généraux pour la manipulation, d’autres sont spécialisés
  • Les développeurs peuvent appliquer cette intelligence sous licence, sans tout construire à partir de zéro
  • Trois sous-marchés :
    • Développeurs de modèles de fondation robotiques : modèles généraux aidant les robots à voir, penser et bouger sur différents matériels
    • Développeurs de modèles de fondation pour la conduite autonome : entraînés sur de vastes jeux de données de conduite, ils unifient perception, prédiction, planification et contrôle, et remplacent les systèmes autonomes existants pour les robotaxis, le transport routier et la livraison
    • Développeurs de modèles de collaboration multi-robots : algorithmes multi-agents qui gèrent la répartition des tâches, l’évitement des collisions et la prise de décision distribuée pour permettre à des essaims de robots de coopérer
  • Le marché des modèles de fondation est très dynamique
    • Les géants technologiques américains (Microsoft, Google, Amazon) et les leaders chinois (Huawei, Baidu) rivalisent avec des startups en vue comme DeepSeek et Physical Intelligence
  • De nombreuses entreprises travaillent sur plusieurs types de modèles de fondation
    • Les données d’entraînement d’un domaine peuvent améliorer les performances des modèles d’un autre domaine
    • Nvidia est la seule entreprise active dans les trois catégories de modèles de fondation, se positionnant comme l’infrastructure de toute la pile d’IA physique
  • La collaboration multi-robots est la prochaine frontière
    • Par exemple, dans un entrepôt où des humanoïdes, des robots mobiles autonomes et des chariots élévateurs autonomes travaillent ensemble
    • La collaboration entre différents types de robots nécessite une couche d’orchestration qui gère tâches, ressources et évitement des collisions sans contrôle central
    • Seules quelques startups (Field AI, Intrinsic) et quelques grands groupes technologiques s’y attaquent
    • La plupart des travaux en sont encore au stade de la recherche plutôt qu’à celui du déploiement commercial
  • Les entreprises disposant de modèles propriétaires peuvent obtenir des marges plus élevées grâce à la différenciation et à l’intégration verticale
  • Celles qui licencient une IA tierce peuvent profiter de coûts plus faibles liés à la banalisation des modèles, mais elles rivaliseront sur la vitesse de déploiement et la qualité d’intégration plutôt que sur la technologie cœur

• Observabilité

  • Elle capture ce qui se passe lorsque les robots fonctionnent en production et comble l’écart entre le développement en laboratoire et le déploiement réel
  • Plateformes d’observabilité robotique : plateformes permettant de superviser, déboguer et optimiser les robots en développement comme en production
  • Lorsque les robots échouent ou se comportent de manière inattendue, les ingénieurs peuvent rejouer les incidents, identifier la cause et déployer des correctifs
  • Les cas limites du monde réel sont réinjectés dans la simulation et l’entraînement afin d’améliorer les modèles et les performances
  • Foxglove et Formant en sont des exemples représentatifs : ils suivent les performances, analysent les défaillances et réinjectent les enseignements du déploiement dans les jeux de données d’entraînement, la simulation et les modèles
  • Les entreprises dotées d’une forte observabilité peuvent apprendre rapidement des échecs pour améliorer leurs modèles
  • Les situations inattendues se transforment en avantage d’apprentissage, ce qui devient un élément clé pour distinguer les systèmes prêts pour la production des prototypes de laboratoire