Pourquoi la Physical AI attire l’attention aujourd’hui, et en quoi la situation diffère du passé

• Les investissements de VC augmentent de manière significative dans la Physical AI, et une série d’événements — NVIDIA GTC, Bessemer Robotics Day, IPO de Unitree, acquisition de Fauna Robotics par Amazon, apparition de l’humanoïde de Figure à la Maison-Blanche — alimente la dynamique du secteur
• Le traumatisme des échecs passés dans l’investissement en robotique demeure, mais ce cycle est fondamentalement différent car les catalyseurs clés n’agissent pas successivement mais simultanément, en parallèle et de façon composite
• L’émergence de modèles fondamentaux dédiés au monde physique — modèles vision-langage-action, modèles de conduite autonome, world models — ouvre la voie à un « cerveau robotique » généraliste
• Le goulot d’étranglement de la collecte de données pour entraîner les robots s’atténue grâce aux progrès de la simulation, de la téléopération et des vidéos égocentriques ; en parallèle, la montée en puissance de l’inférence en edge, la baisse des coûts hardware et la pénurie de main-d’œuvre créent un contexte macro favorable
• Dans la Big Tech comme dans les startups, on observe un afflux massif de talents qui rappelle les débuts du boom des LLM, et le « moment ChatGPT » de la Physical AI pourrait être plus proche que prévu

---

La dynamique actuelle de la Physical AI

• La semaine dernière, le robot Olaf est apparu lors de la keynote de NVIDIA GTC, suivi de Bessemer Robotics Day et de l’annonce de l’IPO de Unitree
• La même semaine, l’annonce du rachat de Fauna Robotics par Amazon et l’apparition de l’humanoïde de Figure à la Maison-Blanche ont ajouté à l’effervescence
• Le financement VC dans la Physical AI montre récemment une hausse significative, comme le confirme un rapport de Morgan Stanley (décembre 2025)
• Dans les prévisions pour 2026, la concurrence autour de l’Embodied AI pourrait produire des résultats plus intenses et plus importants que la guerre des LLM

Pourquoi c’est différent cette fois : l’action composite simultanée de catalyseurs parallèles

• La robotique n’a pas toujours été une catégorie « chaude », et de nombreux investisseurs gardent les cicatrices des échecs passés (scar tissue) des cycles précédents
  • Le rapport de Bessemer Venture Partners (novembre 2025) permet de constater les hauts et les bas des précédents cycles d’investissement en robotique
• La différence essentielle aujourd’hui est que les catalyseurs de la Physical AI ne se succèdent pas, mais se renforcent en parallèle (compounding in parallel)
• Cela provoque un phénomène de convergence fondamentalement différent de tout ce qu’on a connu auparavant

L’accélération des modèles fondamentaux pour la Physical AI

• Une nouvelle catégorie de modèles d’IA conçus pour le monde physique est en train d’émerger
  • Elle inclut les modèles vision-langage-action (Vision-Language-Action), les modèles de conduite autonome et les world models
• Une « couche de modèles fondamentaux » pour la robotique commence à se constituer, ouvrant la possibilité d’un « cerveau robotique » capable de penser et de raisonner à travers une grande variété de tâches, d’environnements et de form factors
• Par rapport aux approches fragiles fondées sur des règles ou à des policies entraînées sur un périmètre étroit et incapables de généraliser, il s’agit d’un saut qualitatif de type step-function improvement

Atténuation du goulot d’étranglement des données

• Pendant des années, le facteur limitant de la frontière robotique n’a pas été l’intelligence, mais les données
  • Les données nécessaires à l’entraînement des modèles robotiques (motricité, pression, manipulation, etc.) ne peuvent pas être collectées sur Internet
  • Les données de Physical AI sont non structurées et multimodales, et leur collecte dans le monde réel est coûteuse et lente
• Cette contrainte s’atténue grâce aux avancées suivantes :
  • téléopération scalable, approche simulation-first, vidéos égocentriques, world models, haptique
• Les techniques et outils associés arrivent rapidement à maturité (voir les travaux d’Emily Yu chez Boost VC)
• Le problème des données n’est pas entièrement résolu, mais ce n’est plus une barrière infranchissable comme auparavant

Une maturité opportune de l’infrastructure d’inférence

• L’intelligence robotique n’est utile que si elle permet une action en temps réel
• Des avancées majeures ont eu lieu dans l’inférence en edge (edge inference)
  • Un computing plus efficace permet désormais d’exécuter localement sur l’appareil, en temps réel, des modèles complexes
• Dans des environnements où la latence et la connectivité constituent des contraintes fortes (usines, chantiers, etc.), une action immédiate est indispensable ; ce type d’inférence est donc crucial pour les systèmes de Physical AI

Un hardware prêt à passer à l’échelle et des coûts en baisse

• Les améliorations du hardware, sa commoditisation et la baisse des courbes de coûts rendent des robots polyvalents et scalables économiquement viables
• C’est une condition indispensable pour transformer des démos prometteuses en produits réellement déployables

Des vents macroéconomiques favorables

• Les avancées technologiques convergent avec un contexte macro favorable
  • Pénurie de main-d’œuvre, fragilité des chaînes d’approvisionnement et pressions géopolitiques liées au reshoring transforment l’automatisation : elle n’est plus un pari sur l’avenir, mais un impératif stratégique immédiat
• L’autonomie devient aussi plus mainstream dans la perception du grand public
  • Voitures autonomes sur les routes, robots humanoïdes qui servent les clients dans les restaurants, etc.

Un afflux massif de talents

• Le signal le plus significatif est le mouvement des talents
• Dans la Big Tech et les startups, chercheurs, développeurs et fondateurs se tournent vers la robotique
• L’ampleur du phénomène rappelle les débuts du boom des LLM (voir le rapport Lazard de septembre 2025)

Quand surviendra le « moment ChatGPT » ?

• Les progrès récents sont remarquables, mais le débat central porte désormais sur le timing : quand surviendra le « moment ChatGPT » de la Physical AI ?
• On n’a pas encore atteint une véritable généralisation (true generalizability) à grande échelle dans des environnements réels
• Mais à mesure que de multiples catalyseurs se renforcent en parallèle, la trajectoire indique de plus en plus clairement que le point d’inflexion pourrait être plus proche que prévu