Hitachi mise sur l'expérience industrielle dans la course à l'AI physique

Dans le monde de l'intelligence artificielle, on considère généralement que l'avenir appartient à ceux qui construisent les plus grands modèles de langage et disposent des clusters de calcul les plus puissants. Mais quand il s'agit d'IA physique — les technologies qui contrôlent les robots, les convoyeurs et les systèmes industriels dans le monde réel — les règles du jeu peuvent être tout à fait différentes. C'est exactement sur cela que mise Hitachi, l'un des plus grands conglomérats industriels du Japon.

L'IA physique n'est pas un chatbot qui génère du texte, ni un réseau neuronal qui dessine des images à partir de descriptions. C'est une intelligence qui doit comprendre la physique, l'inertie, la friction, la température, la pression — tout ce qui détermine comment les objets se comportent dans le monde réel. Une erreur dans un modèle de langage conduit à une réponse inexacte. Une erreur en IA physique peut entraîner un accident industriel, l'arrêt d'une centrale électrique ou une collision impliquant un système autonome. Les enjeux ici sont fondamentalement différents, et cela change l'équilibre des forces.

Aujourd'hui, une hiérarchie distincte à trois niveaux s'est formée dans ce domaine. Au sommet se trouvent des entreprises comme OpenAI et Google, qui mettent à l'échelle des modèles fondamentaux multimodaux capables de traiter du texte, des images, des vidéos et des données de capteurs simultanément. Leur approche consiste à créer une intelligence universelle qui pourra ensuite être adaptée à n'importe quelle tâche, y compris le contrôle des systèmes physiques. Au niveau intermédiaire opère Nvidia, qui construit des plates-formes et des outils pour développer l'IA physique — des simulateurs comme Omniverse aux puces spécialisées pour la robotique. Nvidia ne crée pas de solutions finales, mais fournit l'infrastructure sans laquelle elles sont impossibles.

Et il y a un troisième camp — les fabricants industriels comme Hitachi, qui travaillent avec les systèmes physiques depuis des décennies et ont accumulé une énorme quantité de connaissances sur le fonctionnement du monde réel. Hitachi produit tout — des trains et des équipements de production d'énergie aux dispositifs médicaux et aux machines de construction. L'entreprise a géré des processus industriels complexes pendant plus d'une centaine d'années. Et c'est précisément cette expérience que, selon la direction de Hitachi, représente l'avantage concurrentiel qui ne peut pas être reproduit en entraînant simplement un réseau neuronal sur de grands volumes de données.

La logique ici est simple mais profonde. Les modèles fondamentaux d'OpenAI ou Google peuvent être aussi puissants que vous le souhaitez, mais ils sont entraînés principalement sur des textes et des images provenant d'Internet. Ils savent à quoi ressemble une turbine sur une photographie, mais ils ne savent pas comment elle vibre sous une certaine charge, quels motifs d'usure sont caractéristiques d'un type particulier de roulement, ou comment le comportement d'un système de refroidissement change à des températures anormales.

Ces connaissances vivent dans les revues d'ingénierie, dans les bases de données propriétaires, dans l'esprit de milliers de spécialistes — et c'est précisément ces connaissances que possède Hitachi. Convertir cette expérience en données d'entraînement pour l'IA est une tâche non triviale, mais celui qui y parviendra obtiendra des modèles qui comprennent véritablement le monde physique, plutôt que de simplement l'imiter.

Il est important de comprendre le contexte dans lequel se déroule cette manœuvre stratégique. Le marché de l'IA industrielle croît rapidement : selon diverses estimations, d'ici 2030, son volume dépassera 200 milliards de dollars. De plus, la plupart des entreprises industrielles du monde utilisent toujours l'IA de manière fragmentaire — pour la maintenance prédictive ou l'optimisation de processus individuels. La mise en œuvre complète de l'IA physique qui gère de manière autonome les systèmes de production reste plutôt un horizon qu'une réalité. Hitachi s'attend à capturer cette niche avant que les géants de la technologie de la Silicon Valley n'y arrivent.

La stratégie de Hitachi est aussi intéressante en ce qu'elle remet en question le paradigme dominant de l'industrie de l'IA, selon lequel la victoire revient à ceux qui disposent de plus de puissance de calcul et de données à usage général. En IA physique, cette formule peut ne pas fonctionner. Ici, l'expertise en domaine est critique, l'accès à des données industrielles réelles est essentiel, et, tout aussi important, la confiance des clients. Aucun exploitant de centrale nucléaire ne confiera le contrôle du système à un modèle créé par une startup sans expérience dans le secteur énergétique, aussi impressionnante que soit son architecture. Hitachi, en revanche, travaille avec ces clients depuis des décennies.

Bien sûr, le pari de Hitachi n'est pas sans risques. Les entreprises ayant un riche patrimoine industriel perdent souvent face aux jeunes pousses technologiques précisément parce que leur inertie et leur bureaucratie ralentissent l'innovation. De plus, OpenAI et Google se dirigent activement vers la multimodalité et la robotique, tandis que Nvidia propose chaque année des outils de plus en plus mûrs pour l'IA physique. La fenêtre d'opportunité pour Hitachi n'est pas infinie.

Néanmoins, le simple fait qu'un géant industriel japonais déclare ouvertement son intention de concurrencer la Silicon Valley dans le domaine de l'IA signale un changement important. L'ère où l'intelligence artificielle existait exclusivement dans l'espace numérique touche à sa fin. Le chapitre suivant est l'IA dans le monde physique, et ici l'avantage peut appartenir à ceux qui comprennent ce monde mieux que quiconque.