NVIDIA a annoncé à la GTC 2026 un 'moment ChatGPT' pour les véhicules autonomes et les robots

NVIDIA à GTC 2026 a déplacé la conversation sur l'IA physique des démonstrations à un plan de déploiement. L'entreprise a annoncé qu'un "moment ChatGPT" est arrivé pour les véhicules autonomes, tout en montrant simultanément comment elle prévoit de mettre à l'échelle la même pile pour les robotaxis, les robots industriels et les jumeaux numériques.

Un tournant pour l'industrie automobile

La thèse principale de NVIDIA semble maximalement ambitieuse : la conduite autonome cesse d'être un projet interminable de R&D et devient une plateforme commerciale. À GTC 2026, l'entreprise a annoncé que BYD, Geely, Isuzu et Nissan construisent des programmes prêts pour L4 basés sur NVIDIA DRIVE Hyperion, tandis que Uber élargit son partenariat avec NVIDIA pour lancer une flotte de robotaxi entièrement gérée par l'IA dans 28 villes sur quatre continents d'ici 2028. Le lancement est programmé pour Los Angeles et la région de la baie de San Francisco au cours du premier semestre 2027.

Un accent important ici est non seulement sur le calcul, mais aussi sur la sécurité. NVIDIA promeut Halos OS comme une architecture de sécurité unifiée pour les véhicules alimentés par l'IA et la lie au modèle ouvert Alpamayo 1.5, qui devrait aider les véhicules à analyser les scénarios routiers rares et complexes. C'est une tentative de s'éloigner de l'ancien schéma où chaque équipe résolvait séparément les tâches de capteurs, de planification et de validation, et d'assembler plutôt une pile unifiée pour la production en série.

"La révolution du transport autonome a déjà commencé — c'est la première industrie robotique de billions de dollars", a déclaré le PDG de NVIDIA,

Jensen Huang.

Outils pour les robots

Au-delà de l'industrie automobile, NVIDIA a étendu sa pile d'IA physique pour la robotique. L'entreprise a présenté Cosmos 3 pour la génération et la simulation de mondes, Isaac Lab 3.0 pour l'entraînement de robots à grande échelle en simulation, et GR00T N1.7 comme un modèle ouvert pour les compétences robotiques universelles. L'entreprise a également annoncé le prochain modèle GR00T N2, qui, selon NVIDIA, traite les nouvelles tâches dans les nouveaux environnements plus de deux fois mieux que les principaux systèmes vision-langage-action.

Le point de ces lancements est que NVIDIA ne vend plus simplement une puce séparée ou seulement un SDK, mais un chemin complet de la formation au déploiement. Des fabricants comme ABB Robotics, FANUC, KUKA, YASKAWA, Figure, Agility et Boston Dynamics utilisent Omniverse, Isaac et Jetson pour d'abord exécuter des robots à travers des jumeaux numériques physiquement précis, puis transférer les modèles vers du matériel réel. Pour l'industrie, cela réduit le coût des erreurs : les expériences coûteuses passent de l'atelier à la simulation.

Parier sur les données

Une couche distincte d'annonces est consacrée à l'entraînement de l'IA physique plus rapidement et à moindre coût. NVIDIA a présenté le Physical AI Data Factory Blueprint — une architecture de référence ouverte qui combine la collecte de données, la génération synthétique, l'augmentation et l'évaluation des modèles dans un pipeline unique. La logique est simple : le monde réel est rare, il est trop chaotique, et les cas les plus dangereux pour les véhicules autonomes et les robots sont des occurrences rares. Cela signifie que les données non seulement doivent être collectées, mais produites en masse.

Cette couche inclut plusieurs composants :

• Alpamayo 1.5 pour la conduite autonome basée sur le raisonnement et l'analyse des scénarios de longue traîne
• Omniverse NuRec pour la reconstruction et le raffinement de scènes lors de l'entraînement des systèmes AV
• Cosmos 3 pour la génération de mondes synthétiques et la simulation d'actions
• Isaac Lab 3.0 et Jetson Thor pour la transition de la formation à l'exécution réelle
• Déploiements cloud via Microsoft Azure et Nebius pour mettre à l'échelle la data factory

Cette stratégie explique bien pourquoi NVIDIA parle de plus en plus non pas des GPU séparément, mais de l'infrastructure. Si l'approche réussit dans laquelle le calcul se transforme en données, et les données se transforment en politiques prêtes pour les machines, l'entreprise pourra capturer de la valeur à plusieurs niveaux à la fois : modèles, simulation, orchestration, ordinateurs de périphérie et nuages partenaires.

Ce que cela signifie

NVIDIA tente de s'établir comme un fournisseur d'IA physique de base de la même manière qu'elle s'est auparavant établie dans l'IA générative. Si l'entreprise exécute son plan pour Uber, les partenaires automobiles et la pile de robotique, le marché recevra non seulement une autre vitrine avec des démos, mais une infrastructure opérationnelle pour le déploiement massif de systèmes autonomes sur les routes, les entrepôts, les usines et la robotique de service.