Jensen Huang voit dans les voitures autonomes le prochain géant de l’IA

La voiture autonome est l’un des prochains grands terrains de conquête de l’intelligence artificielle, selon Jensen Huang. Au CES de Las Vegas, le dirigeant de Nvidia a défendu l’idée d’un marché susceptible d’atteindre 1 000 milliards de dollars, en s’appuyant sur une conviction simple : apprendre à une machine à circuler sans conducteur demande une puissance de calcul considérable, mais surtout des quantités gigantesques de données.

Cette vision place Nvidia à un endroit stratégique de la chaîne technologique. L’entreprise ne fabrique pas de voitures et n’exploite pas de taxis robots. Elle fournit en revanche des processeurs, des logiciels et des outils de simulation dont les constructeurs et les développeurs de systèmes de conduite automatisée ont besoin pour entraîner, tester et faire fonctionner leurs modèles d’IA.

Un marché à 1 000 milliards de dollars selon Jensen Huang

À Las Vegas, Jensen Huang a présenté les véhicules autonomes comme une opportunité d’une ampleur exceptionnelle pour le secteur technologique. Le montant de 1 000 milliards de dollars doit être compris comme sa vision du potentiel économique de l’industrie, pas comme la valeur actuelle d’un marché déjà constitué.

Son raisonnement repose sur la taille du parc automobile mondial, sur le très grand nombre de kilomètres parcourus chaque année et sur la possibilité, à terme, d’automatiser une partie des déplacements de personnes ou de marchandises. La source évoque aussi l’hypothèse de véhicules autonomes parcourant un milliard de miles par an, soit environ 1,6 milliard de kilomètres. À cette échelle, les dépenses ne se limiteraient pas à la vente d’un véhicule : elles incluraient le calcul embarqué, les logiciels, les mises à jour, l’entraînement des modèles et les infrastructures nécessaires.

Le pari est donc moins celui d’une automobile qui deviendrait soudainement autonome partout, que celui d’une industrie où chaque progrès dépendra d’importantes capacités de calcul. Nvidia espère y jouer un rôle analogue à celui qu’il occupe déjà dans les centres de données dédiés à l’IA générative.

Pourquoi les données vidéo sont au cœur de la conduite autonome

« Pour construire un véhicule autonome, il est indispensable de former une montagne de données vidéo », a déclaré Jensen Huang. Cette phrase résume l’un des défis fondamentaux du secteur : un véhicule doit percevoir son environnement, identifier les autres usagers, comprendre les marquages au sol et prendre une décision dans un laps de temps très court.

Pour y parvenir, les systèmes d’IA sont entraînés avec des images et des séquences vidéo montrant une multitude de situations : piétons, cyclistes, travaux, intersections, véhicules qui freinent, changements de voie ou météo dégradée. L’objectif est que le logiciel ne reconnaisse pas seulement des objets isolés, mais anticipe également les comportements possibles autour de lui.

Or, la circulation réelle est pleine d’exceptions. Une route barrée de façon inhabituelle, un geste d’un agent de circulation, un véhicule arrêté dans un angle mort ou un comportement imprévisible d’un autre conducteur peuvent déstabiliser un système insuffisamment préparé. C’est pourquoi les entreprises cherchent à accumuler des données couvrant la diversité des routes et des usages.

Cette dépendance aux données explique l’importance historique des processeurs graphiques de Nvidia. Conçus à l’origine pour accélérer l’affichage des jeux vidéo, les GPU sont devenus essentiels pour effectuer en parallèle les très nombreux calculs nécessaires à l’entraînement des modèles d’IA. Ils permettent notamment de traiter et d’analyser de vastes ensembles de vidéos, puis de répéter les opérations jusqu’à améliorer les résultats du modèle.

La simulation permet de tester des scénarios rares

Collecter des données sur route est indispensable, mais cela ne suffit pas. Certaines situations dangereuses ou très rares seraient longues, coûteuses, voire irresponsables à reproduire dans le monde réel. La simulation permet alors de placer virtuellement un véhicule dans une infinité de scénarios et de vérifier la réaction du logiciel.

Dans un environnement simulé, les équipes peuvent varier le trafic, les intersections, la visibilité, le comportement des autres véhicules et les événements imprévus. Elles peuvent aussi rejouer exactement le même scénario pour comparer plusieurs versions d’un modèle. Pour Nvidia, cette capacité à produire des environnements numériques et à les exploiter avec des puces puissantes est un élément central de l’apprentissage des véhicules.

La simulation ne remplace toutefois pas la route. Un monde virtuel est construit à partir d’hypothèses et de données, il peut donc oublier des détails du monde réel. Les essais sur route, les systèmes de sécurité redondants et une surveillance humaine adaptée restent essentiels pour évaluer un véhicule avant tout déploiement commercial.

GB10 et Blackwell : Nvidia veut étendre le calcul de l’IA

Lors du CES, Nvidia a également présenté le GB10, la puce Grace Blackwell qui équipe le système Project DIGITS, conçu pour apporter une puissance d’IA personnelle sur un bureau. L’annonce illustre l’ambition de l’entreprise : faire sortir une partie des capacités de calcul liées à l’IA des grands centres de données afin de les rendre accessibles à des développeurs, chercheurs et créateurs.

Il faut néanmoins éviter une confusion. Le GB10 présenté pour l’IA personnelle n’est pas le processeur qui prendra directement place dans une voiture. Son rôle est plutôt de faciliter le développement, le prototypage et l’exécution de certains travaux d’IA hors du véhicule. Dans l’automobile, Nvidia propose d’autres plateformes adaptées aux contraintes de l’embarqué, où la consommation électrique, la fiabilité et les temps de réponse comptent autant que la puissance brute.

Jensen Huang a qualifié la demande pour la plateforme Blackwell d’« incroyable ». Il a aussi anticipé que les revenus générés par Blackwell dépasseraient ceux de Hopper, la génération précédente de produits de Nvidia. Cette dynamique est importante pour la stratégie du groupe : les mêmes avancées matérielles peuvent alimenter l’entraînement de modèles dans les centres de données, la simulation industrielle, la création de contenus et, à plus long terme, certains usages automobiles.

Pour le grand public, cette course aux puces peut sembler éloignée de la mobilité quotidienne. Pourtant, elle conditionne directement la vitesse à laquelle les entreprises peuvent entraîner leurs modèles, tester de nouvelles situations et réduire le coût de ces opérations. Dans le domaine de la conduite automatisée, le calcul est une composante du produit autant qu’un outil de conception.

Toyota, un partenariat pour passer du laboratoire à la route

Nvidia a souligné sa collaboration avec Toyota, un partenariat destiné à développer les systèmes de prise de décision des futurs véhicules. Le constructeur japonais prévoit d’utiliser la plateforme NVIDIA DRIVE AGX Orin et le système d’exploitation DriveOS pour ses véhicules de prochaine génération.

Ce type d’alliance est déterminant, car concevoir un système de conduite automatisée ne consiste pas uniquement à entraîner une IA. Il faut l’intégrer dans un véhicule réel, avec ses capteurs, ses contraintes mécaniques, ses exigences de cybersécurité et ses règles de sûreté. Le constructeur maîtrise l’industrialisation automobile, tandis que l’entreprise technologique fournit une partie de la plate-forme matérielle et logicielle.

L’intérêt de Nvidia est de devenir un fournisseur incontournable de cette couche de calcul. Plus les véhicules embarquent de fonctions d’assistance, de perception et de décision, plus les constructeurs ont besoin de composants capables de traiter rapidement les informations provenant des caméras et des autres capteurs.

Pour autant, un accord industriel ne résout pas les questions les plus difficiles. Les performances doivent être validées dans des situations concrètes, les responsabilités doivent être clairement définies, et les véhicules doivent respecter les règles propres à chaque pays ou territoire. L’adoption dépendra autant de ces conditions que de la puissance des puces.

Jeux vidéo et intelligence artificielle : un même socle technologique

Jensen Huang a également lié les progrès de l’IA à l’avenir du jeu vidéo, un secteur au cœur de l’histoire de Nvidia. Selon lui, l’IA peut « revitaliser » l’industrie aussi bien pour les créateurs que pour les joueurs. Il estime que les coûts de création de contenu vont diminuer, ce qui pourrait favoriser des jeux « plus captivants et esthétiquement plaisants ».

Le rapprochement n’est pas seulement commercial. Les jeux vidéo, la simulation et les véhicules autonomes partagent un besoin de calcul graphique et de mondes numériques crédibles. Les technologies capables de générer ou de simuler des environnements peuvent servir à créer des contenus interactifs, mais aussi à mettre des véhicules virtuels face à des situations de circulation complexes.

Cette convergence explique pourquoi Nvidia présente ses activités comme un ensemble cohérent. Les GPU issus du jeu vidéo ont servi à accélérer l’IA moderne. L’IA peut à son tour réduire certains coûts de production dans les jeux et contribuer à améliorer les outils de simulation utilisés dans l’industrie automobile.

L’AGI en cinq ans, une projection à manier avec prudence

La vision de Jensen Huang ne se limite pas aux véhicules autonomes. Il a évoqué la possibilité d’atteindre une forme d’intelligence artificielle générale, souvent désignée par le sigle anglais AGI, d’ici cinq ans.

Cette notion reste discutée. Elle désigne généralement une IA capable de réussir un large éventail de tâches intellectuelles avec une souplesse proche de celle d’un humain. Or, il n’existe pas de test universellement accepté permettant d’affirmer qu’un système a atteint ce stade. La réponse dépend donc de la définition retenue, des capacités mesurées et du niveau de fiabilité exigé.

Dans le contexte de la conduite autonome, cette prudence est particulièrement importante. Une IA n’a pas besoin d’être une AGI pour assister un conducteur ou piloter un véhicule dans un cadre bien délimité. En revanche, gérer toute la diversité de la route, dans tous les pays et toutes les circonstances, est un défi extrêmement exigeant. Il impose des preuves de sûreté bien plus solides qu’une démonstration impressionnante.

Ce qu’il faut surveiller dans les prochaines étapes

La promesse de Nvidia repose sur une combinaison de facteurs : des données abondantes, des simulations de meilleure qualité, des puces de plus en plus performantes et des partenariats avec les constructeurs. Le CES 2025 montre que la voiture est devenue l’un des débouchés les plus stratégiques de l’IA dite physique, celle qui doit percevoir et agir dans le monde réel.

Les prochains progrès devront toutefois être jugés sur des éléments concrets : la capacité des systèmes à gérer des conditions difficiles, leur fiabilité dans la durée, la clarté de la responsabilité en cas d’incident, la protection des données collectées et les règles autorisant leur circulation. La technologie peut faire évoluer la sécurité, l’accessibilité et l’organisation des transports, mais aucune de ces promesses ne doit être tenue pour acquise avant des validations rigoureuses.

Le pari de Jensen Huang est donc double. Nvidia veut vendre les outils qui rendront cette révolution possible et démontrer que la voiture autonome peut devenir l’une des plus grandes applications industrielles de l’IA. Entre cette ambition et une autonomie réellement généralisée, la différence se jouera sur la qualité des systèmes, leur intégration dans les véhicules et la confiance qu’ils sauront gagner sur la route.