À Silicon Valley, la croyance selon laquelle « le logiciel dévore le monde » est chantée depuis vingt ans. Nous sommes habitués à la légèreté du SaaS et à ce que le code coure automatiquement le long des chaînes CI/CD. Mais hors du feu des projecteurs, le monde physique — fait d’acier et de circuits — qui soutient notre survie, est resté longtemps enlisé dans la transformation numérique.Auteur de l'article, source : GD Gradient Descent
Récemment, Sequoia Capital a discuté avec les deux fondateurs de Nominal, Cameron et Jason. Cette startup, dont l'équipe compte des experts de SpaceX et d'Anduril, tente de résoudre une situation qui semble incroyable : en 2026, les ingénieurs les plus avancés en défense et aérospatial utilisent encore des PDF et des captures d'écran pour rendre compte des résultats des tests.
La physique détient le dernier mot
Au cours des dernières années, la communauté de l'ingénierie matérielle a été marquée par une croyance en « l'omnipotence de la simulation » : si nous pouvons simuler tout dans le logiciel, avons-nous encore besoin de coûteux tests sur le terrain ?
Le fondateur de Nominal a répondu avec calme : « La physique a toujours son mot à dire. »
Même le meilleur environnement de simulation ne peut pas capturer entièrement la complexité du monde réel. Lorsqu’un drone vole dans un fort vent ou qu’un bras robotisé saisit un objet inconnu, les « pics » du logiciel définissant l’hardware doivent entrer en contact avec la réalité.
Les défis actuels de l'industrie :
- Développement logiciel : commit de code, tests automatisés, déploiement automatisé (modèle GitHub, boucle fermée).
- Développement matériel : collecte des capteurs, stockage local, téléchargement manuel par les ingénieurs, exécution de programmes d'analyse, capture d'écran et insertion dans PowerPoint.
Ce processus extrêmement inefficace est précisément la chaîne que Nominal vise à briser.
Créer le GitHub du matériel
Nominal vise à devenir le System of Record pour l'ingénierie matérielle. En construisant une plateforme unifiée, il fait en sorte que les données matérielles ne soient plus des îlots isolés :
- Structuration des données : Catalogage automatique des données de télémétrie capteurs à plusieurs millions de points par seconde pour établir une « couche sémantique ».
- Réutilisation de la logique de vérification : la logique de test écrite pendant la phase de développement peut être réutilisée de manière transparente en production et lors de la maintenance sur le terrain.
- Traçabilité à tout le cycle de vie : garantir que les données de chaque vis et de chaque allumage soient transparentes et traçables.
Comme GitHub rend la collaboration sur le code transparente, Nominal rend le processus de « plier du métal » aussi itératif que l'écriture de code.
Lorsque l'IA rencontre la défense
La partie la plus passionnante de l'interview est le projet CIPHER de Nominal en collaboration avec la DARPA (Agence des projets de recherche avancée de défense des États-Unis).
Les tests traditionnels ressemblent à un tableau rigide : exécuter sous la condition A, enregistrer les données, les analyser, puis tester la condition B. Cela prend souvent plusieurs années. Nominal introduit des agents IA pour changer la donne :
Recommendation en temps réel du prochain meilleur point de test.En utilisant la technologie de jumeau numérique, l'IA peut prédire plus rapidement qu'en temps réel : quel point de test apportera le plus grand gain de connaissance ? Les tests ne sont plus une matrice linéaire, mais une courbe de gradient optimisée dynamiquement. Ce « test autonome » réduira considérablement le cycle de développement des matériels de pointe.
Le fossé protecteur de l'IA physique
Tout le monde parle d'AGI, mais les niveaux de risque de l'AGI dans le monde virtuel et le monde physique sont totalement différents :
- AGI virtuel : il peut écrire un jeu pour vos enfants, et même s'il y a des bugs, ce n'est qu'un jeu défectueux.
- AGI physique : si elle crée un jouet physique, vous devez vous assurer qu'il ne cause aucun dommage physique.
Les données de test matériel sont le seul carburant pour l'entraînement de l'IA physique. Nominal a constaté que de nombreux échecs d'entraînement de l'IA ne sont pas dus à des algorithmes défaillants, mais à une qualité de données insuffisante (capteurs endommagés ou non étalonnés). La détection automatisée d'anomalies de Nominal identifie les données véritablement « haute fidélité », fournissant ainsi le véritable carburant pour les modèles de robots et de véhicules autonomes.
À la fin de l'interview, le fondateur a révélé une vision ambitieuse : le matériel est le seul fossé compétitif réel.
Alors que les outils d'IA rendent la programmation logicielle de plus en plus économique, les véritables barrières reviendront au monde physique. Nominal ne vend pas seulement des logiciels ; il gère la « chaîne d'approvisionnement en données » du monde physique.
Le fondateur suggère même en conclusion que Nominal pourrait très probablement développer lui-même du matériel à l'avenir, car seule la maîtrise de la chaîne complète, du capteur au rapport final, permet de définir véritablement l'« AI physique ».
« All systems nominal » (tous les systèmes fonctionnent normalement), autrefois le mot le plus mélodieux lors des lancements spatiaux, devient désormais le cri de ralliement de l'efficacité pour les ingénieurs en matériel de la nouvelle génération.
En tant qu'observateur du marché IA, selon vous, quelle industrie grand public connaîtra en premier une révolution des matériels pilotés par l'IA ?