Physical AI pousse le matériel à ses limites avec des défis en matière de mémoire, d'alimentation et d'architecture

icon币界网
Partager
AI summary iconRésumé
Les systèmes d'IA physique transforment les industries, mais les marchés de la liquidité et de la crypto rencontrent de nouveaux obstacles, car les défis liés à la mémoire, à la puissance et à l'architecture tendent les conceptions matérielles. Bitjie souligne que les fabricants de puces doivent repenser les systèmes pour gérer l'IA en périphérie, en équilibrant calcul, E/S et sécurité. Strategy& prévoit que le marché de l'IA physique pourrait atteindre 43 milliards d'euros d'ici 2030. Les réglementations CFT exercent une pression supplémentaire, car des solutions matérielles et logicielles sur mesure deviennent essentielles pour la fiabilité et la sécurité dans des environnements incertains.
CoinDesk rapporte :

Les machines autonomes sont censées transformer plusieurs industries, mais les goulets d'étranglement en mémoire, les limites de consommation d'énergie, les architectures dédiées et les exigences de sécurité obligent les concepteurs de puces à repenser l'ensemble du système.

Points clés :

  • Plus de puissance de calcul seule ne peut pas résoudre les goulets d'étranglement de l'IA physique. La capacité de traitement doit être équilibrée avec la bande passante mémoire, des interfaces efficaces, une alimentation suffisante et une capacité de dissipation thermique.
  • L'architecture système de l'IA physique doit être adaptée à ses fonctions finales et à son environnement.
  • La mise en œuvre réelle dépend d'une vérification rigoureuse : couvrir les cas limites, comprendre le comportement du système et valider la sécurité.

L'IA physique progresse vers une adoption généralisée, mais pour construire ces systèmes pilotés par des capteurs, les équipes d'ingénierie doivent résoudre simultanément et en continu plusieurs défis techniques.

Les analystes prévoient une croissance significative du marché de l'IA physique. Les systèmes autonomes ont le potentiel de redéfinir fondamentalement plusieurs secteurs, notamment les transports, la fabrication, la santé et l'énergie. Strategy&, une filiale de PwC, estime que la taille mondiale du marché de l'IA physique pourrait atteindre environ 430 milliards d'euros d'ici 2030, reflétant le potentiel commercial des systèmes autonomes dans de nombreux secteurs.

Licinio Sousa, directeur général senior des IP d'interface AI physique pour l'automobile chez Synopsys, déclare : « Les systèmes d'IA physique s'étendent de l'automobile à la robotique et aux drones, et les goulets d'étranglement du développement couvrent l'ensemble du système. L'IA se déplace des centres de données vers la périphérie ; pour les machines telles que les robots, les drones et les véhicules, la poussée provient de l'autonomie, de la confidentialité, de la personnalisation, d'une réponse plus rapide et d'une réduction de la dépendance au cloud. »

La liste des défis techniques à résoudre est longue et interconnectée. La capacité mémoire et la bande passante doivent être augmentées, la latence et la consommation d'énergie doivent être réduites, la durée de vie du produit doit être prolongée et la sécurité doit être vérifiée. Plus difficile encore, la résolution de l'un de ces problèmes peut engendrer de nouveaux problèmes ailleurs.

Architecture dédiée

Pour résoudre ces goulots d'étranglement système, il faut des matériels et logiciels hautement spécialisés, optimisés pour des cas d'utilisation spécifiques.

Michal Siwinski, vice-président exécutif, directeur général des produits et du marketing et directeur général des solutions de sécurité chez Arteris, déclare : « Nous devons commencer à parler de calculs plus optimisés et plus personnalisés, conçus pour des charges de travail spécifiques — c’est là que l’IA physique devient vraiment intéressante. Ces charges de travail doivent être hautement optimisées pour le matériel. Nous revenons essentiellement à la notion traditionnelle d’ASIC — les ASIC doivent être hautement dédiés à une application, extrêmement optimisés, et non génériques. Des tendances de ce type commencent déjà à émerger. Ce sera très intéressant de voir comment des systèmes plus flexibles, orientés vers des applications très spécifiques, évolueront entre le logiciel, le matériel et les charges de travail, et continueront d’évoluer, car les modèles changent beaucoup plus rapidement. »

Vasanthan Karunanithy, architecte système de la branche automobile de Micron Technology, a déclaré lors du récent JEDEC Automotive Forum : « Les robots ne constituent pas une nouvelle pile d’IA. Ils héritent de la perception en temps réel, de la planification de trajectoire et du contrôle du mouvement des systèmes ADAS. Ils héritent de la compréhension du langage naturel, du raisonnement contextuel et de l’interaction homme-machine des armoires intelligentes. Dans l’intelligence incarnée, le défi majeur consiste à exécuter simultanément ces deux types de charges de travail, puis à échanger les informations à la fin. Voilà donc la commune entre ces deux segments. Mais il existe aussi des différences, qui reflètent l’échelle des canaux. Les véhicules autonomes fonctionnent dans un environnement routier relativement structuré et tirent leur énergie d’une source plus importante — la batterie du véhicule. Toutefois, en observant les robots, ils opèrent dans un environnement tridimensionnel non structuré. [Les robots] doivent également maintenir plusieurs degrés de liberté, manipuler des objets et conserver leur équilibre, tout en comprenant les commandes dans les instructions. Comparé à une voiture, ils doivent accomplir tout cela avec une puissance bien plus limitée. »

Ces différences varient considérablement selon les applications. Les véhicules autonomes opèrent au sein des infrastructures de circulation existantes, mais doivent faire face à des conditions de circulation imprévisibles. En revanche, les robots mobiles et les robots humanoïdes peuvent devoir naviguer dans des environnements moins structurés, coordonner la manipulation et l'équilibre, et fonctionner avec des budgets de consommation énergétique plus contraints. Dans le même temps, les robots industriels peuvent opérer dans des environnements contrôlés et être connectés à une source d'alimentation fixe. Ces différences rendent difficile l'optimisation d'une architecture unique pour toutes les formes d'IA physique.

Les concepteurs doivent construire l'architecture du système dès le départ sur la base de ces exigences.

Sousa a déclaré : « À mesure que les charges de travail et les modèles évoluent, nous avons constaté l'émergence de puces dédiées conçues pour répondre aux besoins spécifiques de chaque type de machine. Nos clients font continuellement face à la demande de modèles VLA (vision-langage-action) avancés. Au niveau matériel, cela signifie des calculs plus intensifs et des moteurs IA. Dans le même temps, la diversité des cas d'utilisation rend une architecture monolithique unique de plus en plus difficile à appliquer ; nous passons donc à des solutions chiplet, où le calcul, l'IA, la mémoire et l'I/O peuvent être étendus selon les cas d'utilisation spécifiques via l'interface UCIe. »

Les chiplets offrent un chemin potentiel pour des plates-formes physiques d'IA évolutives, notamment lorsque les exigences en calcul hétérogène, mémoire et I/O justifient l'utilisation de techniques de paquetage avancées. Toutefois, ils peuvent également augmenter les coûts et la complexité en raison de l'embellissement personnalisé, de la gestion thermique et de la communication die-to-die. Pour des systèmes plus petits, fortement intégrés et soumis à des contraintes de consommation énergétique, de taille et de coût, un SoC monolithique peut être plus approprié.

Ces contraintes s'appliquent également au matériel et au logiciel. « Les capteurs seront plus axés sur les cas d'utilisation ; vous devez vous assurer d'avoir de bons cas d'utilisation, personnalisés, et qu'il existe une couche logicielle au-dessus », déclare Sathish Balasubramanian, responsable des produits EDA AI et Solido chez Siemens EDA. « Je plaisante toujours en disant que tout dans le monde réel est analogique, et nous essayons de l'abstraire en numérique ; l'une des choses les plus importantes est donc la redondance. Les capteurs sont déjà assez performants. Nous pouvons détecter la vision, la chaleur, la pression et bien d'autres choses. Nous avons également déjà fait d'excellents progrès en matière de radar et d'autres technologies. Il est plus important de s'assurer que les capteurs peuvent fonctionner dans leur environnement, en capturant l'environnement d'une manière qui ne se dégrade pas réellement, ou en intégrant une redondance. »

Cependant, l'effet de la redondance varie selon que les composants peuvent échouer indépendamment et que le système peut identifier et répondre aux pannes. Il ne suffit pas d'ajouter des capteurs pour garantir un fonctionnement fiable, notamment lorsque les conditions environnementales peuvent affecter simultanément plusieurs capteurs.

Adapter l'architecture de calcul en fonction de la charge de travail ou de l'utilisation entraîne également des compromis. « La question est de savoir à quelle proximité l'intelligence doit se trouver de l'endroit où la perception se produit réellement ; il existe ici une tension », explique Yasmine King, vice-présidente entreprise et responsable du secteur automobile chez Analog Devices. « Si l'intelligence est répartie sur tout le système, les mises à jour deviennent plus complexes. La centralisation permet des mises à jour OTA via un seul point, facilitant les correctifs et les réparations, mais elle peut entraîner des latences lorsque vous avez besoin de répondre rapidement à ces données. Dans un véhicule, si un piéton traverse soudainement la route devant vous, vous devez être capable de réagir extrêmement vite. Ainsi, l'endroit où placer l'intelligence dépend du type d'informations de capteur que vous souhaitez collecter et de la rapidité avec laquelle vous devez réagir. »

Yasmine King a pris la parole le 27 octobre 2026 lors de Reuters Automotive 2026.

L'emplacement intelligent est une décision d'architecture qui va au-delà des performances de calcul. Elle nécessite un équilibre entre le temps de réponse, la bande passante de communication, la consommation d'énergie, la mise à jour et la coordination des composants distribués. Le calcul centralisé peut simplifier la gestion, tandis que le traitement local réduit la latence de communication et préserve les fonctions critiques en cas de perte de connexion.

Le mur de mémoire de l'IA physique

La capacité mémoire, la bande passante, la latence et la consommation énergétique constituent les goulets d'étranglement clés pour l'IA physique ; certaines technologies de mémoire pourraient également faire face à des contraintes d'approvisionnement. Le véritable défi ne réside pas simplement dans l'ajout d'un nombre suffisant de composants mémoire, mais dans la conception d'un sous-système mémoire capable de fournir des données aux charges de travail IA de plus en plus exigeantes, dans des limites strictes de consommation énergétique et de chaleur.

Sousa a déclaré : « Des milliards de paramètres de modèle associés doivent également être stockés et transférés entre le stockage, la mémoire et les unités de traitement. Aujourd'hui, cela est appelé le « mur de mémoire ». Avec la croissance continue de l'occupation mémoire, la DRAM nécessite des interfaces ultra-rapides, comme la LPDDR6, pour ne plus constituer un goulot d'étranglement du traitement. »

Les performances dépendent également du modèle d'accès, de la latence, de la réutilisation des données, de la capacité du cache, de l'efficacité du contrôleur mémoire et de l'énergie requise pour déplacer les données. Si la charge de travail est limitée par d'autres parties de la hiérarchie mémoire, les gains apportés par une augmentation uniquement de la bande passante brute peuvent être limités.

La conception système adaptée aux charges de travail peut aider à alléger une partie de la charge mémoire. « La mémoire de taille appropriée, le calcul de taille appropriée et la redondance, ainsi que tout ce qui doit entrer dans les contraintes thermiques et de consommation énergétique, seront extrêmement critiques », déclare Balasubramanian. « Le plus important, c’est la taille. Vous ne mettez pas un réservoir de 100 gallons dans une Prius. Vous avez besoin d’un réservoir de 10 gallons. J’utilise cette analogie pour la mémoire. Vous pouvez gérer la mémoire d’une manière qui n’exige pas de DRAM énorme, mais qui dispose d’un bon cache et d’une SRAM intégrée. Vous pouvez toujours stocker les exigences critiques en DRAM, mais lorsque cela est nécessaire, vous pouvez déplacer d’autres éléments vers la mémoire flash ou la SRAM. En ce qui concerne les chemins mémoire, du DRAM à la SRAM, puis au calcul réel, jusqu’à la mise en œuvre physique de l’IA, la cohérence du cache sera extrêmement critique. »

Les compromis entre ces technologies de mémoire sont importants. La SRAM intégrée et les caches offrent un accès rapide aux données fréquemment utilisées, mais leur capacité est limitée par la surface de silicium et les coûts. La DRAM externe offre une capacité plus importante, tandis que la mémoire flash fournit un stockage non volatile pour les modèles, les logiciels et d'autres informations qui n'ont pas besoin d'être conservées en mémoire active.

Déplacer des informations entre ces niveaux peut réduire certaines exigences en matière de capacité, mais augmente la surcharge de transmission et la latence. Parallèlement, la cohérence du cache vise à maintenir la cohérence entre les copies des données dans le cache et en mémoire, et non simplement à déplacer les informations entre différentes technologies de stockage, ce qui génère également une surcharge supplémentaire. Les ingénieurs doivent donc, lorsqu'ils décident de la quantité de mémoire à allouer à chaque niveau, prendre en compte l'ensemble de travail, la localité des données et la fréquence d'accès.

L'innovation en matière de mémoire automobile occupera probablement une place importante dans la résolution des problèmes d'IA physique.

Rob Fisher, directeur principal de la gestion produit chez Imagination Technologies, déclare : « Actuellement, il est très étroitement lié à notre ligne de produits automobiles, et la plupart des demandes provenant du domaine robotique proviennent directement du secteur automobile. De nombreux constructeurs automobiles positionnent désormais leurs puces à la fois comme des plateformes automobiles et robotiques ; par conséquent, le support 4, 6 et 8 bits sera réellement bénéfique pour la bande passante mémoire et l’occupation mémoire dans les applications embarquées de bord. Pour les centres de données, cela n’est pas aussi critique, mais l’impact est différent. Vous pourriez, dans les centres de données, exécuter des modèles plus grands en utilisant des largeurs de bits plus petites sur la largeur des mots. Dans les applications automobiles et robotiques, vous pourriez au contraire exploiter cet avantage en réduisant l’occupation mémoire. Vous limiteriez le modèle à n’effectuer que les tâches nécessaires, puis réduiriez la mémoire et la bande passante nécessaires pour le héberger. »

Une représentation de moindre précision peut réduire les besoins en stockage et en bande passante mémoire du modèle, ce qui la rend particulièrement attrayante pour l'IA embarquée. Toutefois, ses avantages dépendent de la capacité de l'accélérateur à prendre en charge efficacement le format numérique choisi et de la capacité de la quantification à maintenir la précision requise par l'application. Des formats tels qu'une représentation sur 6 bits peuvent également introduire des coûts de regroupement ou d'implémentation, limitant ainsi les gains sur du matériel non conçu spécifiquement pour ces formats.

The flash memory also plays a key role in managing the memory of autonomous systems.

Sousa déclare : « La DRAM est limitée en termes de capacité, de consommation d'énergie et de disponibilité. Une bande passante de stockage plus rapide réduit les temps de chargement, permettant ainsi de prendre en charge des modèles plus volumineux avec le même budget DRAM. Ces systèmes fonctionnent en continu sur batterie et n'ont généralement pas de refroidissement actif, ce qui signifie que chaque transfert de données consomme de l'énergie et augmente la latence ; par conséquent, chaque composant — mécanique, électronique et logiciel — doit réduire sa consommation d'énergie et améliorer son efficacité. Les interfaces telles que MIPI, UFS, LPDDR et PCIe intègrent des technologies permettant de transférer rapidement les données en rafale, puis de passer à un mode veille à faible consommation prolongé. »

Un stockage non volatile plus rapide réduit la latence de chargement du modèle et permet, lorsqu'il est associé à des techniques appropriées de partitionnement du modèle ou de diffusion des poids, aux systèmes à DRAM limité d'exécuter des charges de travail dont l'empreinte totale du modèle dépasse la mémoire active disponible. Toutefois, la bande passante de stockage n'augmente pas la quantité de données pouvant être contenues dans le DRAM à un moment donné.

Les interfaces utilisées pour transmettre ces données varient également en termes de mécanismes de gestion d'alimentation et de caractéristiques de fonctionnement. Leur efficacité dépend des spécifications spécifiques, de l'implémentation, du mode de transmission et des opportunités d'entrée en mode faible consommation.

Si le marché est suffisamment grand, la demande en mémoire de Physical AI pourrait finir par justifier le développement de nouvelles technologies de mémoire ou de variantes des technologies existantes.

Steven Woo, ingénieur distingué et inventeur distingué chez Rambus, déclare : « La mémoire est une technologie clé dont tous les systèmes d’IA physique auront besoin. La différence réside dans le fait que certains marchés n’utiliseront que la mémoire existante, mais il est également possible que certains marchés deviennent suffisamment grands pour nécessiter leur propre type de mémoire, ou une variante de la mémoire existante. Nous avons déjà observé cela avec le HBM. Les gens utilisaient auparavant d’autres types de mémoire, puis le marché a soudainement explosé. Si l’on remonte à l’époque précédant l’apparition du LPDDR, les téléphones portables utilisaient simplement des composants DDR sélectionnés et triés pour leur faible consommation. Lorsqu’un marché atteint une certaine taille, les gens disent : ‘Bon, faisons un composant dédié.’ L’IA physique pourrait devenir un marché suffisamment vaste pour qu’une autre mémoire émerge, si les différences de demande sont suffisamment importantes. »

La mise en œuvre de cette spécialisation dépendra de l’échelle et de la cohérence de la demande. Contrairement aux centres de données, les applications physiques d’IA présentent des exigences très variées en matière de coût, de capacité, de durabilité, de bande passante, de température et d’efficacité énergétique. Cette diversité peut rendre certains marchés plus enclins à adapter les technologies de mémoire existantes, tandis que d’autres seront mieux adaptés à des solutions spécifiquement conçues.

Vérifier les cas limites

Assurer le fonctionnement du système dans des conditions sécurisées, y compris dans des cas rares et imprévus, constitue un autre défi majeur. Alors que les développeurs d'IA physique ciblent des machines lourdes, des équipements médicaux et d'autres technologies critiques pour la sécurité, résoudre le problème de la vérification est particulièrement important.

Balasubramanian déclare : « Avant d’introduire l’IA physique dans n’importe quel environnement de production, il est essentiel de mettre en place une boucle de validation, et je dirais que c’est la chose la plus importante que nous devons faire. Par exemple, que se passe-t-il en cas de panne massive, d’un tremblement de terre, de la coupure des câbles à fibre optique externes ou d’une coupure d’électricité ? Comment gérez-vous ce type de scénario en périphérie ? Il sera crucial de conserver un certain calcul, une certaine mémoire et une certaine intelligence près des capteurs, et la manière dont les gens y parviennent consiste à identifier, en fonction des besoins du cas d’utilisation, ce qu’ils considèrent comme le plus important. Dans un environnement industriel, quand dois-je arrêter la ligne d’assemblage ? Quand dois-je savoir qu’il faut appeler, déclencher une alarme ou effectuer une autre action ? Ce sont toutes des tâches qui doivent être gérées au sein du capteur lui-même. »

Ces scénarios montrent que les fonctions critiques pour la sécurité ne peuvent pas toujours dépendre d'une connexion cloud continue ou de décisions centralisées. Un traitement local peut être nécessaire pour identifier les pannes, déclencher des actions de protection ou amener l'appareil à un état de sécurité défini en cas de défaillance des systèmes de communication ou d'alimentation.

Cependant, la vérification et la validation traitent des parties différentes du problème. La vérification sert à confirmer que la conception répond aux exigences établies, tandis que la validation examine si le système se comporte de manière appropriée dans son environnement de fonctionnement prévu. La sécurité peut également nécessiter une analyse des risques, des tests d'injection de défaillances, une évaluation des défaillances communes et des preuves de conformité aux normes applicables.

Ainsi, le système doit établir et vérifier la confiance autour du matériel et de la pile logicielle associés, tout en alignant les exigences de sécurité sur chaque cas d'utilisation.

Owen Kent, cofondateur de la startup de robots d'assistance ATDev, déclare : « Lorsque nous concevons des produits pour fauteuils roulants, comme pour toute application d'IA physique, nous avons des exigences spécifiques. Vous devez pousser ces composants matériels à leurs limites dans le cadre de votre système de gestion de la qualité et des tests d'immunité électromagnétique effectués par un tiers. Quel que soit le matériel utilisé, qu'il soit personnalisé ou non, vous devez être en mesure de vérifier sa sécurité. »

Pour les développeurs, cela signifie qu'il faut non seulement évaluer si les composants fonctionnent correctement en conditions normales, mais aussi évaluer la réponse du système complet face à la dégradation des capteurs, les pannes de communication, les entrées inattendues et autres dangers prévisibles. Dans de nombreuses applications, le passage des tests au niveau composant est une condition nécessaire, mais cela ne suffit pas à prouver la sécurité au niveau système.

Conclusion

Les limites réelles de l'IA physique traversent l'ensemble du parcours, de la perception à l'action. Les concepteurs doivent faire correspondre les modèles et le matériel aux tâches, déplacer les données dans les limites de consommation énergétique et de budget thermique disponibles, et vérifier le comportement de la machine en cas de changement de conditions ou de connexion. L'augmentation de la puissance de calcul n'est véritablement utile que si les autres composants du système sont capables de la soutenir.

Balasubramanian a déclaré : « Commencez par une interface standard, à faible consommation et éprouvée, tout au long du chemin — du capteur au processeur, puis à l'actionneur. Elles offrent aux concepteurs des comportements prévisibles, une interopérabilité d'écosystème et des blocs de construction validés en silicium. »

Un exemple pertinent est le MIPI Camera Security Framework, qui combine la spécification Camera Service Extensions (CSE) 2.0 avec des spécifications de sécurité complémentaires. CSE 2.0 prend en charge la protection de l'intégrité des données des caméras CSI-2, ainsi qu'un chiffrement facultatif ; le cadre plus large gère l'authentification des composants du système d'imagerie et l'établissement de sessions sécurisées.

Il a déclaré : « Il assure une sécurité end-to-end pour les données de la caméra, couvrant l'intégrité, l'authentification et la confidentialité depuis le capteur d'image jusqu'au SoC. Il offre également aux concepteurs des options flexibles pour minimiser la charge de calcul, la consommation d'énergie et la latence, permettant ainsi d'adapter la sécurité aux applications plutôt que de la concevoir pour le pire des cas. »

Cette distinction est importante car la confidentialité est facultative, et le niveau de protection dépend des services de sécurité et de la configuration mis en œuvre. Le cadre plus large permet aux développeurs d'équilibrer protection, surcharge de traitement, consommation d'énergie et latence, plutôt que d'imposer le même niveau de protection à chaque flux de données.

Il ne suffit pas de rendre les machines autonomes plus puissantes. Elles doivent également fonctionner de manière fiable dans les contraintes du monde réel. Pour l’IA physique, les choix d’architecture permettant d’économiser de la mémoire, de la consommation d’énergie et de la bande passante doivent également garantir un comportement prévisible, une résilience et les sécurités nécessaires au déploiement à grande échelle.

L'extension de déplacement de données pour l'IA physique : aucune solution ne convient à tous les scénarios.

Redéfinir le rôle de l’edge et de l’IA cloud : la course à l’intelligence locale est en cours.

Brendan Heffernan

Clause de non-responsabilité : les informations sur cette page peuvent avoir été obtenues auprès de tiers et ne reflètent pas nécessairement les points de vue ou opinions de KuCoin. Ce contenu est fourni à titre informatif uniquement, sans aucune représentation ou garantie d’aucune sorte, et ne doit pas être interprété comme un conseil en investissement. KuCoin ne sera pas responsable des erreurs ou omissions, ni des résultats résultant de l’utilisation de ces informations. Les investissements dans les actifs numériques peuvent être risqués. Veuillez évaluer soigneusement les risques d’un produit et votre tolérance au risque en fonction de votre propre situation financière. Pour plus d’informations, veuillez consulter nos conditions d’utilisation et divulgation des risques.