À la GTC 2026, NVIDIA proclame le « moment ChatGPT » des voitures autonomes et des robots

À la GTC 2026, NVIDIA a fait passer la conversation sur la physical AI des démonstrations à un plan de déploiement. L'entreprise affirme que le « moment ChatGPT » est arrivé pour les voitures autonomes et a montré comment elle compte appliquer la même pile aux robotaxis, aux robots industriels et aux jumeaux numériques.

Un tournant pour l'industrie automobile

La thèse centrale de NVIDIA est on ne peut plus ambitieuse : la conduite autonome cesse d'être un projet de R&D sans fin pour devenir une plateforme commerciale. À la GTC 2026, l'entreprise a indiqué que BYD, Geely, Isuzu et Nissan développent des programmes L4-ready sur NVIDIA DRIVE Hyperion, et qu'Uber étend son partenariat avec NVIDIA pour lancer une flotte de robotaxis entièrement pilotée par IA dans 28 villes sur quatre continents d'ici 2028. Le lancement est prévu à Los Angeles et dans la région de la baie de San Francisco au premier semestre 2027.

L'accent porte non seulement sur la puissance de calcul, mais aussi sur la sécurité. NVIDIA promeut Halos OS comme architecture de sécurité unifiée pour les voitures à IA et l'associe au modèle ouvert Alpamayo 1.5, censé aider les véhicules à gérer des scénarios routiers rares et complexes. L'entreprise cherche ainsi à rompre avec l'ancien schéma, où chaque équipe traite séparément les capteurs, la planification et la validation, pour assembler à la place une pile unifiée destinée à la production en série.

«

La révolution du transport autonome a déjà commencé : c'est la première industrie robotique valant plusieurs milliers de milliards de dollars », a déclaré le patron de NVIDIA, Jensen Huang.

Des outils pour les robots

Au-delà de l'automobile, NVIDIA a aussi étoffé le volet robotique de sa pile physical AI. L'entreprise a présenté Cosmos 3 pour générer et modéliser des mondes, Isaac Lab 3.0 pour l'entraînement de robots à grande échelle en simulation, et GR00T N1.7, un modèle ouvert de compétences robotiques généralistes. Sur scène, elle a également annoncé un futur modèle, GR00T N2, qui, selon NVIDIA, réussit plus de deux fois mieux que les principaux systèmes vision-language-action sur des tâches nouvelles dans des environnements nouveaux.

Ces annonces signifient que NVIDIA ne vend plus seulement une puce, ni même un simple SDK, mais le parcours complet de l'entraînement au déploiement. Des fabricants comme ABB Robotics, FANUC, KUKA, YASKAWA, Figure, Agility et Boston Dynamics utilisent Omniverse, Isaac et Jetson pour d'abord faire évoluer les robots dans des jumeaux numériques physiquement fidèles, puis transférer les modèles vers le matériel réel. Pour l'industrie, cela réduit le coût des erreurs : les expériences coûteuses quittent l'usine pour la simulation.

Le pari des données

Un autre volet d'annonces porte sur la manière d'entraîner la physical AI plus vite et à moindre coût. NVIDIA a présenté le Physical AI Data Factory Blueprint, une architecture de référence ouverte qui réunit dans un même pipeline la collecte de données, la génération synthétique, l'augmentation et l'évaluation des modèles. La logique est simple : le monde réel fournit peu de données, il est trop chaotique, et les cas les plus dangereux pour les voitures autonomes et les robots sont justement les plus rares. Il faut donc non seulement collecter les données, mais aussi les produire en masse.

Cette couche comprend plusieurs composants :

• Alpamayo 1.5 pour la conduite autonome fondée sur le raisonnement et la gestion des scénarios long-tail
• Omniverse NuRec pour reconstruire et affiner les scènes lors de l'entraînement des systèmes AV
• Cosmos 3 pour générer des mondes synthétiques et simuler des actions
• Isaac Lab 3.0 et Jetson Thor pour passer de l'entraînement à l'exécution dans le monde réel
• Des déploiements cloud via Microsoft Azure et Nebius pour faire monter en charge la data factory

Cette stratégie explique pourquoi NVIDIA parle de plus en plus d'infrastructure plutôt que de GPU seuls. Si l'approche où le calcul devient données, et les données des politiques prêtes à l'emploi pour les machines, s'impose, l'entreprise pourra capter de la valeur sur plusieurs couches à la fois : modèles, simulation, orchestration, ordinateurs edge et clouds partenaires.

Ce que cela signifie

NVIDIA cherche à s'imposer comme fournisseur de base de la physical AI, comme elle l'a fait dans l'IA générative. Si l'entreprise tient son plan avec Uber, ses partenaires automobiles et sa pile robotique, le marché obtiendra non pas une énième vitrine de démos, mais une infrastructure opérationnelle pour déployer massivement des systèmes autonomes sur les routes, dans les entrepôts, les usines et la robotique de service.