Les robots et l’intelligence artificielle physique (Physical AI) passent progressivement du laboratoire au monde réel, transformant des usines, des entrepôts et même des espaces publics. Cette transition soulève des défis infrastructuraux sans précédent, car les systèmes robotiques doivent apprendre, s’adapter et agir en temps réel dans des environnements dynamiques et imprévisibles. Contrairement aux modèles linguistiques comme les LLM, qui s’entraînent sur des textes du web, l’IA physique nécessite des données spécifiques : images, vidéos, données LiDAR, flux de capteurs et informations de mouvement, toutes directement liées à des actions concrètes. La collecte de ces données en milieu réel est lente, coûteuse et limitée par la variabilité des conditions. La simulation devient donc essentielle pour générer des données synthétiques, tester des scénarios extrêmes et accélérer le développement. Mais exploiter la simulation à grande échelle exige une infrastructure dédiée : gestion de milliers de GPU, orchestration parallèle, préparation d’actifs 3D « prêts à simuler », et des GPU spécialisés pour l’inference en simulation, qui doit être optimisée pour le débit, pas la latence. La fiabilité matérielle est cruciale : une panne dans une simulation à grande échelle peut compromettre tout un cycle d’entraînement. Une fois déployés, les robots produisent des volumes massifs de données multimodales, souvent bruitées, contextuelles et temporellement sensibles. Stocker ces données dans un simple objet stockage ne suffit pas. Il faut des systèmes capables de les indexer, synchroniser et organiser automatiquement pour permettre une recherche efficace et une sélection précise des données d’entraînement. La latence est un facteur décisif : les réponses doivent se faire en millisecondes, ce qui exclut les traitements par lots centralisés. L’IA physique repose donc sur une architecture hybride : inférence rapide au bord (edge), avec des modèles de planification plus complexes dans le cloud, interconnectés en temps réel. Le déplacement des données devient alors le goulot d’étranglement principal. Les flux continus de vidéos, capteurs et mouvements nécessitent des pipelines à haut débit, une latence faible et une fiabilité prévisible. Transférer ces données peut coûter plus que de les stocker, rendant une expansion naïve inappropriée. L’infrastructure doit donc être optimisée non seulement pour le calcul, mais aussi pour la vitesse de lecture/écriture et la bande passante. Face à ces défis, une nouvelle pile d’infrastructure, conçue spécifiquement pour l’IA physique, émerge. Elle combine simulation à grande échelle dans le cloud, entraînement de modèles fondamentaux, inférence au bord et apprentissage continu. Le succès dépend moins de la puissance brute que de la coordination, de la performance des données et de l’orchestration fluide entre mondes virtuel et physique. À Nebius, nous développons une infrastructure dédiée à ces contraintes : GPU à meilleur rapport coût-performances, stockage à haut débit, orchestration flexible pour les charges de travail robotiques dynamiques. Que ce soit pour lancer des simulations massives via Slurm ou entraîner des modèles fondamentaux sur des clusters fiables, Nebius offre les fondations pour innover rapidement, échelonner avec confiance et opérer dans les environnements physiques réels. Le futur de l’IA physique ne se construit pas avec des outils existants, mais avec une infrastructure pensée pour le monde réel. Le moment est venu de passer à l’action. Evan Helda, responsable de l’IA physique chez Nebius.