AWS a annoncé Physical AI Toolchain on AWS, un ensemble open source destiné aux entreprises qui développent des machines capables de percevoir leur environnement physique, de prendre des décisions et de s’y adapter en temps réel. L’écosystème cible les domaines de l’automatisation industrielle, de la mobilité autonome et de la robotique humanoïde, tout en s’intégrant à l’écosystème NVIDIA de l’intelligence artificielle physique.
Cette catégorie se distingue de l’intelligence artificielle traditionnelle, qui traite des données et produit des sorties numériques : les machines intelligentes interagissent avec le monde réel par la perception, le raisonnement et l’action. Elles réinjectent également les données d’exploitation dans le cycle d’entraînement, ce qui permet d’améliorer les modèles au fil des déploiements.
De l’entraînement à l’exploitation dans un écosystème unifié
La suite réunit des recommandations architecturales, l’automatisation du déploiement et du code de référence prêt à l’emploi. Elle couvre le cycle de développement de l’intelligence artificielle physique à travers cinq axes interconnectés :
- Génération de données synthétiques : création d’environnements et de scénarios d’entraînement variés grâce à l’intelligence artificielle afin de réduire le besoin de collecter des données réelles coûteuses.
- Entraînement des modèles : apprentissage des machines à partir de démonstrations humaines et de la pratique dans des environnements simulés.
- Simulation et validation : test virtuel du comportement des machines avant leur mise en service sur le matériel réel.
- Déploiement en périphérie : envoi des modèles optimisés vers les machines afin qu’elles prennent des décisions immédiates sans connexion permanente au cloud.
- Optimisation continue : réinjection des données d’exploitation dans le cycle d’entraînement afin de générer de nouvelles données et d’améliorer les modèles.
Les services AWS utilisés comprennent Amazon SageMaker pour l’entraînement des modèles, des instances Amazon EC2 équipées de processeurs graphiques pour la simulation, AWS IoT Greengrass pour le déploiement en périphérie et Amazon Bedrock AgentCore pour l’orchestration intelligente. Du côté de NVIDIA, la suite s’intègre à Isaac Sim pour la simulation, Isaac Lab pour l’apprentissage par renforcement, Isaac GR00T pour l’entraînement des machines humanoïdes et Cosmos pour la génération de mondes synthétiques.
Qu’est-ce qui change concrètement pour les entreprises ?
Les entreprises peuvent adopter l’écosystème complet depuis un point de contrôle unique, ou sélectionner des composants individuels, comme la simulation, l’entraînement ou le déploiement, et les intégrer à leur flux de travail existant. Des capacités de gestion des flottes permettent également de configurer, sécuriser et mettre à jour à distance des milliers de machines lors du passage en production.
AWS affirme que la suite a été conçue pour réduire le temps que les équipes d’ingénierie consacrent à l’infrastructure, afin qu’elles se concentrent davantage sur le développement des applications et des machines elles-mêmes. L’entreprise indique que les déploiements peuvent être personnalisés en fonction du matériel, de l’environnement opérationnel et du cas d’usage, plutôt que de reposer sur une conception uniforme.
Tirer parti de l’expérience d’Amazon Robotics
La suite s’appuie sur l’expérience d’Amazon dans l’exploitation de plus d’un million de robots au sein de son réseau opérationnel, où les robots traitent chaque jour des millions de colis en collaboration avec des centaines de milliers d’employés. L’entreprise a également cité le robot autonome Proteus, développé par Amazon Robotics pour intervenir sur les sites nécessitant le transport d’articles.
Des entreprises comme NEURA Robotics, RLWRLD et Config utilisent des technologies liées à l’écosystème. NEURA développe des robots humanoïdes capables de voir, d’entendre et d’apprendre de l’expérience, tandis que RLWRLD travaille sur un modèle de base comprenant 8,1 milliards de paramètres pour des tâches de préhension et de manipulation d’objets. De son côté, Config a construit une chaîne destinée à collecter plus de 200 000 heures de données sur les actions des robots.
Lecture éditoriale : la valeur fondamentale de cette annonce ne réside pas dans l’ajout d’un service cloud isolé, mais dans la tentative d’AWS de réunir l’entraînement, la simulation, le déploiement et la gestion des flottes au sein d’un parcours personnalisable unique. Cela pourrait réduire l’obstacle à la construction de systèmes robotiques, mais son succès restera lié à la qualité des données, à la compatibilité du matériel et à la fiabilité des modèles lors du passage de la simulation à des environnements réels imprévisibles. L’article n’a pas précisé les détails de la licence open source ni les niveaux de disponibilité et de coût, des points qui doivent être examinés avant d’évaluer la viabilité d’une utilisation commerciale.