La simulation est devenue un pilier indispensable du développement de l'intelligence artificielle physique. Contrairement aux modèles linguistiques ou visuels qui s'entraînent sur des corpus massifs accessibles en ligne, les systèmes robotiques doivent apprendre en interagissant avec le monde réel. Or, la collecte de données physiques est lente, coûteuse, risquée et parfois impossible pour des tâches potentiellement destructrices. La simulation comble ce déficit en générant à grande échelle des environnements photoréalistes et physiquement cohérents. Grâce au parallélisme sur GPU, les développeurs produisent désormais des milliers d'heures d'expérience robotique à une fraction du coût et des risques du déploiement réel. L'usage de la simulation a considérablement évolué depuis une décennie. D'outils destinés au débogage géométrique ou à la visualisation de mouvement, elle s'intègre désormais directement dans la boucle de développement des modèles. Elle sert à générer des jeux de données de perception, entraîner des politiques d'apprentissage par renforcement, collecter des démonstrations, augmenter des données réelles et tester des algorithmes face à des scénarios rares ou adversariaux avant leur déploiement sur le terrain. Cette transformation explique pourquoi les laboratoires industriels et académiques développent ou contribuent activement à de nouveaux moteurs de simulation. Le paysage des outils s'est structuré autour de plateformes aux spécialisations complémentaires. MuJoCo reste une référence pour sa précision physique et sa gestion rigoureuse des contacts, idéale pour le contrôle et l'optimisation. Pour répondre aux besoins de l'apprentissage automatique à grande échelle, sa version GPU, MuJoCo Warp, permet d'exécuter simultanément des milliers d'environnements virtiques, réduisant les goulets d'étranglement CPU-GPU. De son côté, NVIDIA Isaac Sim propose un cadre de travail haute fidélité reposant sur OpenUSD et PhysX, intégrant un rendu photoréaliste et une simulation précise de capteurs variés. Son extension, Isaac Lab 3.0, a récemment dissocié sa dépendance à l'écosystème Omniverse pour offrir une architecture modulaire. Elle permet aux chercheurs de basculer entre un rendu visuel complet et un moteur physique léger optimisé pour le débit. Newton, développé en open source par NVIDIA, DeepMind et Disney, s'impose comme une couche physique moderne et différentiable. Il propose plusieurs solveurs numériques adaptés à des corps rigides, déformables ou à la simulation de tissus, et s'intègre directement dans les pipelines d'apprentissage par renforcement. D'autres solutions comme PyBullet, Drake ou les backends de Gazebo continuent de répondre à des niches spécifiques, du prototypage rapide à l'optimisation de trajectoires. En 2026, le débat sur la simulation a changé de paradigme. La question n'est plus seulement de savoir quel moteur offre la meilleure performance brute, mais quelle architecture deviendra l'infrastructure de base sur laquelle s'appuieront les développements futurs. L'écosystème se structure progressivement en une pile logicielle modulaire où chaque outil spécialise ses fonctionnalités tout en interagissant avec les autres. Une tendance majeure reste le recours croissant à des projets open source et à une gouvernance ouverte. Grâce à des outils compatibles avec les GPU grand public, les barrières à l'entrée baissent considérablement, accélérant l'itération et démocratisant l'accès à l'IA incarnée. La simulation n'est plus un simple outil de validation, mais le fondement indispensable sur lequel se construisent les prochains pas de l'industrie robotique.