IA et Open Source : accélérer l’arrivée de l’intelligence artificielle dans le monde physique
Depuis quelques années, notre perception de l’intelligence artificielle est fortement influencée par les modèles génératifs. Nous lui demandons de rédiger des textes, d’analyser des documents, de produire des images, de rechercher de l’information ou de nous assister dans différentes tâches intellectuelles. L’interaction se déroule essentiellement dans un univers numérique et, lorsqu’une erreur survient, ses conséquences demeurent généralement confinées à cet environnement.
Une autre évolution se développe pourtant en parallèle. L’intelligence artificielle commence à sortir des écrans pour interagir directement avec le monde physique. Des robots apprennent à reconnaître des objets, comprendre leur environnement, planifier leurs déplacements, manipuler différentes pièces et adapter leurs mouvements lorsque la situation change. Des véhicules autonomes, robots industriels, exosquelettes, drones et autres machines intelligentes commencent ainsi à réunir perception, raisonnement et action. Cette évolution est de plus en plus désignée par l’expression IA physique, ou Physical AI.
Faire fonctionner une intelligence artificielle dans un environnement numérique est déjà complexe. Lui permettre d’agir de manière fiable dans un monde physique imprévisible représente un défi d’une tout autre ampleur. Le consortium européen MAESTRO illustre à ce titre une approche particulièrement intéressante : réunir recherche et industrie autour d’une plateforme logicielle Open Source fournissant certaines des briques fondamentales nécessaires à la robotique intelligente.
Cette rencontre entre IA physique et Open Source pourrait jouer un rôle important dans l’évolution de la robotique. Pour construire les machines intelligentes de demain, l’industrie aura besoin de modèles d’intelligence artificielle performants, mais également de fondations logicielles robustes, transparentes, réutilisables et évolutives. La capacité à partager certaines de ces fondations pourrait permettre aux chercheurs et aux industriels de concentrer davantage leurs efforts sur les innovations qui différencient réellement leurs produits.
La différence fondamentale entre l’intelligence artificielle générative et l’IA physique tient à la relation qu’elles entretiennent avec leur environnement. Un modèle conversationnel reçoit généralement de l’information et produit de l’information. Nous lui transmettons un texte, une image ou un document et il retourne une réponse, une analyse ou un nouveau contenu. L’IA physique doit franchir plusieurs étapes supplémentaires. Elle doit percevoir son environnement, comprendre suffisamment ce qui s’y passe, déterminer une action appropriée puis traduire cette décision en mouvements ou en commandes capables de produire un résultat dans le monde réel.
Une instruction apparemment simple comme « prends cette boîte et dépose-la sur cette palette » illustre rapidement la complexité du problème. Un robot doit identifier la bonne boîte, déterminer sa position, connaître sa propre configuration, planifier le déplacement de son bras, éviter les obstacles, saisir l’objet avec une force appropriée, maintenir sa stabilité et adapter son mouvement lorsque la réalité diffère de ce qui était prévu. La gravité, la masse, les collisions, le frottement et les mouvements imprévus font partie du problème. Un obstacle peut apparaître, une personne peut traverser la trajectoire prévue ou un objet se trouver quelques centimètres plus loin que prévu. Contrairement à un environnement purement numérique, le monde physique ne possède pas de bouton « Annuler ».
L’industrie utilise évidemment des robots depuis plusieurs décennies et certains accomplissent leurs tâches avec une précision et une rapidité remarquables. Leur efficacité repose toutefois souvent sur des environnements fortement contrôlés. Une pièce arrive toujours au même endroit et dans la même orientation, le robot répète un mouvement programmé et des dispositifs de sécurité limitent l’accès humain à son espace de travail. Cette prévisibilité permet une automatisation extrêmement performante. Le défi change lorsque l’environnement devient variable, que les objets se présentent différemment, que plusieurs tâches doivent être accomplies ou que robots et humains partagent directement le même espace.
L’IA physique cherche précisément à augmenter cette capacité d’adaptation. Le robot doit progressivement pouvoir percevoir les variations de son environnement et modifier son comportement en conséquence. Cela nécessite de réunir plusieurs disciplines. La perception sert à interpréter l’environnement, les modèles physiques représentent le robot et ses interactions avec ce qui l’entoure, les algorithmes de planification déterminent comment atteindre un objectif, les méthodes d’optimisation recherchent des trajectoires efficaces et les systèmes de contrôle traduisent finalement ces décisions en actions exécutables par les moteurs. L’intelligence artificielle peut intervenir à différentes étapes, tout en demeurant soumise aux contraintes physiques du système.
C’est pourquoi un robot moderne doit aussi être considéré comme une immense pile logicielle. Les moteurs, bras articulés, roues, jambes, caméras et capteurs constituent la partie visible de la machine, mais une grande partie de son intelligence demeure invisible. Des logiciels représentent mathématiquement sa structure, calculent ses mouvements, détectent les collisions, simulent les interactions physiques, optimisent les trajectoires et contrôlent les actions. MAESTRO cherche justement à réunir plusieurs de ces fonctions dans une pile cohérente comprenant notamment des composants consacrés à la dynamique des robots, à la détection des collisions, au contrôle optimal, à l’optimisation numérique et à la simulation physique différentiable.
C’est ici que l’Open Source peut devenir un accélérateur particulièrement puissant. Sa valeur stratégique dépasse largement la simple gratuité d’un logiciel. Lorsqu’une infrastructure logicielle fondamentale est ouverte, différentes organisations peuvent utiliser la même base, l’examiner, la tester, l’améliorer et développer leurs propres innovations au-dessus de celle-ci. L’informatique moderne s’est largement construite de cette manière. Une entreprise qui développe une application Web ne recrée généralement ni son propre système d’exploitation, ni son langage de programmation, ni son serveur Web, ni l’ensemble de ses bases de données. Elle s’appuie sur des couches technologiques accumulées pendant des années par des communautés, des entreprises et des organismes de recherche.
Cette accumulation collective permet à chaque nouvelle génération de développeurs de commencer plus loin que la précédente. La robotique pourrait bénéficier du même phénomène. Si chercheurs et industriels disposent de fondations communes pour la modélisation, la simulation, l’optimisation et le contrôle, ils peuvent consacrer davantage de ressources aux problèmes propres à leurs produits. Un constructeur automobile et un fabricant d’exosquelettes peuvent utiliser certaines bibliothèques fondamentales identiques tout en développant des produits radicalement différents. Un constructeur aéronautique et une entreprise de robotique industrielle peuvent partager certains outils mathématiques tout en conservant leurs données, leurs modèles, leurs procédés, leurs interfaces et leur savoir-faire.
Partager les fondations ne signifie donc pas partager l’avantage concurrentiel. Linux, Python, Kubernetes et plusieurs autres technologies Open Source sont déjà utilisés par des entreprises directement concurrentes sans uniformiser leurs produits. La différenciation se construit dans la manière dont ces fondations sont combinées, adaptées et enrichies par les connaissances propres à chaque organisation. Dans le domaine de l’IA physique, cette mutualisation peut être particulièrement importante puisque les problèmes fondamentaux de robotique sont suffisamment complexes pour absorber d’immenses ressources avant même qu’une entreprise commence à travailler sur ce qui rend son produit véritablement distinctif.
L’Open Source peut également contribuer à réduire la distance entre la recherche scientifique et l’industrie. Développer un algorithme performant dans un laboratoire constitue une étape importante, mais son utilisation quotidienne dans une usine exige beaucoup plus. Il faut le transformer en logiciel robuste, documenté, maintenable, compatible avec d’autres composants et suffisamment performant pour fonctionner continuellement. Cette transition nécessite un important travail d’ingénierie. Un écosystème Open Source bien structuré peut servir de pont entre ces deux mondes : les chercheurs peuvent intégrer leurs avancées à une plateforme commune, les industriels peuvent les confronter à des problèmes réels et les difficultés observées en production peuvent ensuite influencer les priorités de recherche.
MAESTRO a précisément été conçu autour de cette relation. Des organismes scientifiques comme Inria et le CNRS y côtoient des partenaires industriels provenant de différents secteurs. La recherche alimente les fondations technologiques tandis que les entreprises confrontent ces technologies aux réalités industrielles. Cette boucle entre recherche, ingénierie et utilisation réelle peut contribuer à accélérer la maturation de technologies qui demeureraient autrement plus longtemps confinées aux laboratoires.
L’ouverture du logiciel possède également une dimension particulièrement importante lorsque celui-ci participe au contrôle d’une machine physique : l’auditabilité. Lorsqu’un logiciel intervient dans les mouvements d’un robot industriel, d’un exosquelette ou d’un système opérant dans un environnement sensible, la capacité à comprendre son fonctionnement prend une valeur différente. L’accès au code permet aux spécialistes d’examiner les composants, d’en comprendre l’architecture, de rechercher certaines vulnérabilités et de vérifier leur comportement. Un logiciel Open Source n’est évidemment pas automatiquement sécuritaire. Il peut contenir des vulnérabilités, être mal entretenu ou dépendre de composants problématiques. L’ouverture crée toutefois une possibilité essentielle : celle d’inspecter.
Cette capacité peut également contribuer à la souveraineté technologique. La robotique et l’intelligence artificielle deviennent progressivement des capacités industrielles stratégiques. Une industrie entièrement dépendante d’une pile logicielle contrôlée par quelques fournisseurs peut voir sa marge de manœuvre réduite lorsque les licences, les prix, les orientations commerciales ou la disponibilité de ces technologies changent. Des fondations ouvertes peuvent préserver davantage d’options, à condition que les organisations conservent également les compétences permettant de les comprendre, de les maintenir et de les faire évoluer. Posséder le code sans posséder les connaissances nécessaires pour l’exploiter ne crée qu’une souveraineté théorique.
La véritable autonomie technologique repose donc sur un ensemble plus large comprenant l’accès aux technologies, les compétences, la documentation, la vitalité des communautés, la capacité d’intégration et la gouvernance. Une pile Open Source abandonnée ou incompréhensible peut devenir une dépendance aussi problématique qu’une technologie propriétaire. L’objectif de MAESTRO de contribuer à une fondation logicielle européenne ouverte pour la robotique prend ainsi une dimension qui dépasse le développement logiciel : il participe à la construction d’une capacité collective à comprendre, maîtriser et faire évoluer certaines technologies fondamentales.
Des fondations communes peuvent également réduire la fragmentation. À mesure que les robots se multiplient, chaque fabricant pourrait être tenté de développer ses propres outils, interfaces, formats et méthodes. Cette diversité peut stimuler l’innovation, mais elle peut également rendre l’intégration extrêmement coûteuse. Des composants communs peuvent progressivement créer un langage technique partagé, faciliter l’adaptation d’un algorithme entre différentes plateformes, permettre aux chercheurs de comparer leurs approches et rendre les compétences plus transférables entre les entreprises.
L’histoire du Web fournit un précédent intéressant. Sa croissance ne provient pas d’une entreprise ayant contrôlé toute l’infrastructure, mais en grande partie de standards communs permettant à des technologies développées par des acteurs différents de communiquer entre elles. L’IA physique pourrait elle aussi avoir besoin de fondations et d’interfaces suffisamment communes pour atteindre une véritable échelle industrielle. L’objectif n’est pas d’uniformiser les robots, mais de réduire la quantité de travail consacrée à reconstruire continuellement les mêmes couches fondamentales.
Cette approche exige toutefois une gouvernance solide. Publier du code sur Internet ne suffit pas à créer une infrastructure industrielle durable. Les vulnérabilités doivent être corrigées, les nouvelles versions testées, les changements documentés et les contributions évaluées. Les orientations technologiques doivent être coordonnées et la compatibilité doit être gérée dans le temps. Ces responsabilités deviennent particulièrement importantes lorsque les logiciels sont intégrés à des environnements industriels critiques. L’Open Source devient alors une infrastructure collective, soutenue par un écosystème capable d’en assurer la continuité, plutôt qu’un simple dépôt de code accessible publiquement.
À mesure que ces fondations et les capacités d’intelligence artificielle progresseront, elles pourraient également modifier la frontière économique de l’automatisation. La robotique industrielle traditionnelle excelle dans les environnements répétitifs, prévisibles et fortement standardisés. Cette caractéristique explique en partie pourquoi certaines formes d’automatisation sont très rentables pour de grands volumes de production et beaucoup moins accessibles aux entreprises qui fabriquent de petites séries ou de nombreux produits différents. Une robotique davantage capable de percevoir et de s’adapter pourrait rendre l’automatisation pertinente dans des environnements beaucoup plus variables.
Une ligne de production pourrait ainsi accepter davantage de variations sans exiger une reprogrammation complète. Des robots pourraient apprendre de nouvelles manipulations, des machines mobiles évoluer dans des environnements partagés avec des personnes et certains systèmes adapter leurs mouvements selon ce qu’ils observent. Cette flexibilité pourrait progressivement rapprocher la robotisation d’entreprises qui n’avaient jusqu’ici ni le volume ni le niveau de standardisation nécessaires pour justifier certaines formes d’automatisation.
Cette évolution ne signifie pas que les environnements industriels deviendront simplement des espaces vidés de leurs travailleurs. Une partie importante des développements concerne justement la capacité des robots à mieux travailler dans des environnements où se trouvent des personnes. Des systèmes adaptatifs peuvent assister des employés dans des manipulations pénibles, des exosquelettes peuvent augmenter ou restaurer certaines capacités physiques et des robots mobiles peuvent prendre en charge le déplacement de matériel pendant que les personnes se concentrent sur les tâches nécessitant davantage de jugement, d’expérience, de relation humaine ou de dextérité.
Les compétences devront néanmoins évoluer. Les organisations auront besoin de personnes capables de configurer, superviser, entretenir et améliorer ces systèmes. Les opérateurs devront comprendre suffisamment leur fonctionnement pour reconnaître les comportements inhabituels et intervenir lorsque les conditions sortent du cadre prévu. Comme nous l’observons déjà avec l’IA générative et les agents IA, la transformation technologique devient donc également une transformation des processus, des rôles et des connaissances organisationnelles.
L’arrivée de l’intelligence artificielle dans le monde physique rapproche enfin deux disciplines que les organisations ont parfois traitées séparément : la cybersécurité et la sécurité opérationnelle. Lorsqu’un système informatique contrôle une machine, une compromission numérique peut produire une conséquence physique. Modifier les paramètres d’une application et modifier la trajectoire d’un bras robotisé ne présentent évidemment pas le même niveau de risque. L’identité des machines, leurs permissions, l’intégrité des logiciels, les mécanismes de mise à jour, la sécurité des communications et la provenance des composants logiciels deviennent donc des éléments directement liés à la sécurité des opérations.
Les principes de moindre privilège, de Zero Trust, de segmentation et de défense en profondeur devront ainsi s’étendre aux infrastructures robotiques. L’Open Source peut contribuer à l’auditabilité de certaines composantes, mais la sécurité dépendra toujours de l’architecture complète dans laquelle elles sont intégrées. La capacité d’examiner une bibliothèque ne suffit pas si les identités sont mal gérées, si les permissions sont excessives, si les mises à jour ne sont pas maîtrisées ou si les communications entre les systèmes peuvent être compromises.
Cette convergence constitue une évolution importante de l’Hypersécurité. À mesure que l’intelligence artificielle acquiert une capacité d’action dans le monde physique, la protection des systèmes numériques devient directement liée à la protection des opérations physiques. La sécurité doit alors couvrir l’ensemble de la chaîne qui relie la perception, les données, les modèles, les logiciels, les identités, les permissions, les décisions et les actions exécutées par la machine. Plus l’intelligence artificielle entre dans le monde physique, plus la cybersécurité devient elle-même une question de sécurité opérationnelle.
L’IA physique représente une évolution majeure de l’intelligence artificielle. Elle ajoute au traitement de l’information la capacité de percevoir un environnement, d’interpréter certaines situations et de transformer des décisions numériques en actions dans le monde réel. Cette évolution demande beaucoup plus que des modèles performants. Les robots doivent comprendre leur propre mécanique, anticiper leurs mouvements, éviter les collisions, optimiser leurs trajectoires, gérer leurs interactions avec les objets et les personnes et réagir suffisamment rapidement lorsque leur environnement change. Derrière chacun de ces comportements se trouve une infrastructure logicielle considérable.
L’approche Open Source portée par des initiatives comme MAESTRO devient particulièrement intéressante dans ce contexte. En mutualisant certaines briques fondamentales de modélisation, de simulation, d’optimisation et de contrôle, chercheurs et industriels peuvent construire sur une base commune, l’examiner, contribuer à son amélioration et concentrer davantage leurs ressources sur les innovations propres à leurs applications. Cette approche peut également accélérer le passage entre recherche et industrie, améliorer l’interopérabilité, favoriser l’auditabilité et préserver une capacité collective à comprendre et faire évoluer des technologies qui pourraient devenir essentielles à l’industrie de demain.
Pour Quantum Beyond, cette évolution rejoint plusieurs dimensions que nous considérons comme profondément liées : intelligence artificielle, infrastructures Edge, identité des machines, Hypersécurité, souveraineté technologique, gouvernance et transformation organisationnelle. À mesure que les systèmes numériques acquièrent une capacité d’action dans le monde physique, les organisations devront comprendre les architectures qui les contrôlent, sécuriser leurs interactions et conserver suffisamment de maîtrise technologique pour les faire évoluer. Nos experts peuvent travailler aux côtés des équipes technologiques, opérationnelles et de cybersécurité pour structurer cette transition et relier ces nouvelles capacités aux infrastructures et aux compétences déjà présentes dans l’organisation.
L’Open Source ne résoudra évidemment pas à lui seul les défis de l’IA physique. Sa contribution peut néanmoins être déterminante s’il permet aux entreprises, laboratoires et fabricants de construire collectivement certaines fondations plutôt que de consacrer continuellement leurs ressources à les recréer séparément.
L’IA générative nous a montré ce qui devient possible lorsque des machines apprennent à manipuler le langage et l’information. L’IA physique ouvre maintenant une étape beaucoup plus concrète : apprendre à ces machines à comprendre suffisamment notre monde pour pouvoir y agir. Si une partie des fondations nécessaires demeure ouverte, maîtrisable et partagée, nous pourrions également apprendre à construire cette nouvelle génération de machines beaucoup plus rapidement ensemble que séparément.