Merci ! Votre soumission a bien été reçue.
Une erreur est survenue lors de l'envoi du formulaire.
Sur le terrain
Ajout d'une sixième couche à la pile de l'IA
De la conception à la réalité
À l'intérieur des chaussures de marathon les plus rapides au monde
Scan du mois
À l'intérieur des manettes Joy-Con de la Nintendo Switch 2
De la conception à la réalité
À l'intérieur du Dyson CameraJet : comment une brosse à dents à 500 $ voit, réfléchit et projette
De la conception à la réalité
Analyse des couvercles récalcitrants de Talenti
L'écart de qualité
Analyse des meilleurs détecteurs de fumée
Scan du mois
Analyse par tomodensitométrie des AirPods Pro (2e génération) d'Apple
L'écart de qualité
Angles morts de la qualité électronique
L'univers des matériaux
Apple repense ses emballages en papier
De la conception à la réalité
Apple vs Meta : même problème, réponses différentes
L'univers des matériaux
Architecture des coquillages
Radar des rappels
Automne sous tension
Sur le terrain
Brève histoire des drones civils
L'univers des matériaux
Ce que la torréfaction fait subir au grain de café, vu de l’intérieur
L'écart de qualité
Ce que les fabricants de produits alimentaires ne peuvent voir
De la conception à la réalité
Ce qui a changé à l'intérieur de la batterie externe Haribo
L'écart de qualité
Ce qui ne se mesure pas vous coûtera cher
De la conception à la réalité
Comment fonctionne un allume-cigare de voiture ?
Sur le terrain
Comment les données de vérité terrain renforcent la confiance entre équipementiers et fournisseurs
L'écart de qualité
Comment les gens favorisent la qualité
L'univers des matériaux
Comment l'industrie vinicole a contourné le seul défaut du liège
Sur le terrain
Comment lire une bouteille en plastique
L'univers des matériaux
Comment nous avons appris à stabiliser un bit
Scan du mois
Comment quatre stylos résolvent le même problème
Sur le terrain
Comment Saucony utilise la tomodensitométrie pour concevoir de meilleures chaussures de course
De la conception à la réalité
Comment SawStop arrête une lame de scie en 5 millisecondes
De la conception à la réalité
Concevoir pour le cerveau : innover dans le domaine des implants neuronaux à long terme
Radar des rappels
Défaillances cachées des interfaces du quotidien
Radar des rappels
Défectueux à la réception
De la conception à la réalité
Démontage par tomodensitométrie : AirPods Pro (3e génération)
L'écart de qualité
Derrière le rapport sur les batteries
Radar des rappels
Énergie stockée et points de rupture
De la conception à la réalité
Évolution de la bouteille en plastique
De la conception à la réalité
Furbo et KONG : deux façons de récompenser un chien
De la conception à la réalité
Huit ans pour reconcevoir un bouchon de ketchup
L'écart de qualité
La contrainte cachée de la relocalisation : la qualité
De la conception à la réalité
La taxe rose : les rasoirs pour hommes et pour femmes sont-ils réellement différents ?
Sur le terrain
Le chaînon manquant dans la fabrication de batteries
L'écart de qualité
Le prix de la confiance : les coulisses du rappel Takata
De la conception à la réalité
Les câbles USB-C ne sont pas tous identiques
Sur le terrain
Le secteur manufacturier en 2026 : moins de perturbations, plus de discipline
Scan du mois
Les exigences de performance des connecteurs médicaux
L'écart de qualité
Les filtres à eau fonctionnent-ils vraiment ?
L'univers des matériaux
Les matériaux qui font ou défont une chaussure
De la conception à la réalité
Les Nothing Ear 3 n'ont rien à cacher
L'univers des matériaux
L’expression de l’acier et du saphir : la 20.01 Series 5 de MING
L'écart de qualité
L'intérieur des produits Apple contrefaits
L'univers des matériaux
Lire la roche
Sur le terrain
Matériel malveillant dissimulé à la vue de tous
De la conception à la réalité
Ma vision de la R-D (et de la transformation des idées en produits)
Radar des rappels
Même erreur, mêmes résultats
Scan du mois
Nous avons effectué une tomodensitométrie d'un sac de croustilles et imprimé les résultats en 3D
Radar des rappels
Pièces sous pression
De la conception à la réalité
Pourquoi certaines brosses à dents Dyson CameraJet à 500 $ tombent en panne en quelques minutes
L'écart de qualité
Pourquoi ces batteries externes ont-elles fait l'objet d'un rappel?
Sur le terrain
Présence de plomb dans la bouteille Quencher de Stanley
L'écart de qualité
Que cachent la batterie externe et les écouteurs Haribo ?
Scan du mois
Que contient une carte de crédit sans contact?
De la conception à la réalité
Qu'est-ce qu'une batterie contrefaite ?
L'univers des matériaux
Qu'y a-t-il à l'intérieur d'une batterie?
Radar des rappels
Testé pour la tolérance
Radar des rappels
Trop chaud, trop tranchant, trop lâche
Sur le terrain
Un sprint de 12 mois, du concept au produit prêt pour l'usine
Radar des rappels
Usages courants, risques réels
Sur le terrain
Votre cartouche de toner vous ment
Sur le terrain
August 2026

Ajout d'une sixième couche à la pile de l'IA

Dans cet article :

  • La pile d'infrastructure de l'IA en cinq couches de Jensen Huang — énergie, puces, infrastructure, modèles, applications — nécessite une couche critique supplémentaire : les données, la matière première à partir de laquelle chaque modèle apprend.
  • Le secteur manufacturier ne possède aucun équivalent à l'Internet. Les données pertinentes sont rares, souvent dissimulées à l'intérieur d'une pièce ou d'un assemblage, dispersées dans des systèmes incompatibles et, pour la plupart, propriétaires.
  • Les scanners de Lumafield capturent la vérité physique à l'intérieur des produits manufacturés, et la semaine prochaine, l'entreprise lancera un agent de qualité basé sur l'IA, alimenté par ces données de tomodensitométrie Lumafield, une application bâtie sur la couche de données que Jensen a omise.
  • 8.26.2026

    Jensen Huang présente une pile technologique de l'IA en cinq couches depuis février : énergie, puces, infrastructure, modèles, applications. C'est une excellente structure. C'est le genre de fondation qui propulse l'économie vers de nouveaux sommets.

    Jensen a raison de dire que l'IA n'est pas une application ou un modèle unique. Il a raison d'affirmer qu'elle repose sur du matériel réel, consomme de l'énergie réelle et s'appuie sur un déploiement physique massif. Il a raison de souligner que chaque application réussie tire profit de toutes les couches sous-jacentes, jusqu'à la centrale électrique.

    Il manque toutefois une couche.

    Selon Jensen, les usines d'IA « ne sont pas conçues pour stocker des informations. Elles sont conçues pour fabriquer de l'intelligence. » L'intelligence ne se fabrique pas uniquement à partir d'électrons et de processeurs graphiques. Elle se fabrique à partir de données.

    Le gâteau comporte six couches :

    Énergie → puces → infrastructure → données → modèles → applications.

    Le gâteau de l'IA en 5 couches de Nvidia.

    Les données passent en premier

    Les systèmes d'IA les plus performants ne sont pas apparus simplement lorsqu'une personne a enfin trouvé la bonne architecture de modèle. Ils ont nécessité un corpus de données suffisamment vaste pour compléter leur entraînement.

    Les grands modèles de langage ont été entraînés sur l'accumulation de textes et d'images de l'Internet public. Le transformeur aurait pu être inventé en 1985. ChatGPT n'aurait pas pu être entraîné à cette époque, car les données d'entraînement n'existaient pas.

    Les voitures autonomes ont nécessité un ensemble différent de données d'entraînement. La flotte de Tesla a franchi cette année le cap des 10 milliards de milles parcourus avec le système FSD (supervisé), un jalon qu'Elon Musk a identifié comme étant approximativement la quantité de données nécessaire à une conduite autonome sécuritaire. Quelqu'un a dû enregistrer ces milles pour entraîner le modèle.

    AlphaFold a nécessité des décennies de biologie expérimentale. Il a appris à partir des structures de la Protein Data Bank, des séquences protéiques et des annotations d'UniProt, ainsi que de bases de données métagénomiques, dont MGnify. John Jumper, qui a dirigé l'équipe AlphaFold, l'a exprimé clairement : « Les données publiques ont été essentielles au développement d'AlphaFold. » Sans PDB, pas d'AlphaFold.

    Là où les données d'entraînement font défaut, l'IA accuse un retard.

    La manipulation robotique ne possède aucun équivalent à l'Internet. Une vidéo montrant quelqu'un plier une chemise ne contient pas les couples articulaires, les forces de contact, les actions ou les échecs nécessaires pour enseigner à une main robotisée. Le plus grand ensemble de données ouvertes pour robots réels, Open X-Embodiment, regroupe plus d'un million de trajectoires provenant de 22 types de robots. C'est un début impressionnant, mais encore minuscule par rapport à l'entraînement à l'échelle de l'Internet. Des entreprises comme Generalist développent actuellement des modèles incarnés et génèrent l'expérience physique dont ces modèles ont besoin.

    La science des matériaux présente une lacune similaire. The Materials Project contient des données calculées pour plus de 200 000 matériaux, pourtant le Berkeley Lab indique que les propriétés expérimentales sont disponibles dans la littérature ouverte pour moins d'un pour cent des composés. Un modèle peut proposer un cristal stable sur ordinateur. Cela ne signifie pas que quiconque puisse le fabriquer, ni qu'il aura les mêmes propriétés dans le monde réel. Lila Sciences et Periodic Labs construisent des laboratoires autonomes, car la simulation seule ne peut fournir la vérité terrain manquante.

    Les données constituent une couche, pas un détail

    Il est tentant de considérer les données comme un élément contenu dans la couche des modèles, mais elles représentent bien plus que cela.

    L'énergie et les puces sont transférables d'un domaine à l'autre. Le même processeur graphique peut entraîner un modèle linguistique, un modèle protéique ou une politique robotique. Les données ne se transfèrent pas aussi facilement. Le texte d'un fil de discussion Reddit ne peut pas apprendre à un robot à saisir un verre. Les données d'entraînement d'une voiture autonome ne peuvent pas révéler la porosité interne d'une pièce moulée. Les structures protéiques ne peuvent pas vous dire si une batterie risque de prendre feu.

    Chaque nouvelle catégorie d'application d'IA nécessite sa propre vision instrumentée de la réalité.

    C'est aussi pourquoi les données ont leur place dans la boucle de renforcement de Jensen. De meilleurs instruments produisent de meilleures données. De meilleures données produisent de meilleurs modèles. De meilleurs modèles permettent de nouvelles applications. Les applications réussies justifient le déploiement d'instruments supplémentaires et la collecte de davantage de données. Chaque cycle de cette boucle accroît la demande en infrastructure, en puces et en énergie.

    La couche de données ne se situe pas passivement entre l'infrastructure et les modèles. La pile est incomplète sans elle.

    Le secteur manufacturier n'a pas d'Internet

    L'« IA physique » est devenue un terme générique pour désigner les robots humanoïdes, les voitures autonomes, les systèmes industriels et presque tout ce qui relève de l'interaction entre le logiciel et le monde réel. Le secteur manufacturier pose un problème plus spécifique.

    Les données pertinentes sont difficiles à collecter. Les défauts de fabrication importants sont rares. Beaucoup sont dissimulés à l'intérieur d'une pièce ou d'un assemblage. La relation entre la conception, le processus, la structure interne et la performance sur le terrain est généralement répartie entre des systèmes incompatibles, lorsqu'elle est enregistrée. De plus, la plupart des données manufacturières sont propriétaires. Il n'y aura pas de <aux translate="no">Common Crawl</aux> des usines du monde entier.

    La CAO décrit ce que les ingénieurs ont l'intention de fabriquer. Mais les fabricants doivent savoir ce qui a été réellement produit, à l'intérieur comme à l'extérieur. Associée aux informations sur les processus et aux résultats d'inspection, cette information devient la vérité terrain vérifiable sur laquelle un modèle manufacturier peut s'appuyer.

    Porosité interne dans une pièce moulée en aluminium, visualisée dans le logiciel <aux translate="no">Voyager</aux> de Lumafield.

    C'est la couche que Lumafield construit depuis la création de l'entreprise. Nos <aux translate="no">scanners</aux> capturent la vérité physique à l'intérieur des produits manufacturés. Notre <aux translate="no">logiciel</aux> rend ces données exploitables par les équipes et au fil du temps. Nos modèles d'IA personnalisés peuvent ensuite apprendre de la géométrie, des défauts et des décisions contenus dans ces données, propres à chaque client.

    La semaine prochaine, nous lancerons un agent de qualité IA alimenté par les données CT de Lumafield. Il s'agit d'une application au sommet de la pile. Sa capacité provient de la couche que Jensen a omise.

    Les usines ne tireront pas pleinement profit de l'IA tant qu'elles ne pourront pas voir, enregistrer et apprendre de ce qu'elles fabriquent réellement.

    La pile comporte six couches. Nous construisons la sixième pour le secteur manufacturier.

    Bon scan,

    Eduardo

    Références
    Aucun élément trouvé.