CES 2025 : Jensen Huang trace la feuille de route de Nvidia pour l’IA physique

Le discours de Jensen Huang au CES de Las Vegas, le 6 janvier 2025, n’était pas seulement une démonstration de puissance graphique. Le dirigeant de Nvidia a relié, dans une même vision, les PC de jeu, les ordinateurs personnels dédiés à l’IA, les agents logiciels, les robots et les véhicules autonomes. Le fil conducteur est clair : après avoir appris à produire du texte, des images ou du code, l’intelligence artificielle doit désormais apprendre à percevoir et à agir dans le monde réel.

Pour Nvidia, cette transition ouvre un marché bien plus vaste que celui des centres de données. Jensen Huang l’a résumé à travers l’idée d’« IA physique », c’est-à-dire des systèmes capables de comprendre leur environnement, de simuler des situations et de commander une machine. Cette ambition reste largement à concrétiser, mais elle éclaire la cohérence entre les annonces matérielles et logicielles faites au CES 2025.

Les annonces à retenir du CES 2025

La présentation a mêlé des produits destinés au grand public et des plateformes conçues pour les développeurs, les entreprises et les industriels. Cette diversité est caractéristique de Nvidia : l’entreprise vend des puces, mais aussi les outils logiciels qui permettent de les exploiter pour l’IA, le rendu 3D, la simulation et l’automobile.

La force de cette feuille de route est son effet de chaîne. Les cartes RTX servent à créer et à utiliser des contenus numériques complexes. Project DIGITS vise à rendre le développement de l’IA plus accessible hors des grands centres de données. Cosmos et les plateformes de simulation doivent ensuite aider les machines à se confronter, d’abord virtuellement, aux contraintes du monde physique.

GeForce RTX 50 : que change la génération Blackwell pour les PC ?

L’annonce la plus immédiatement visible concerne les GeForce RTX 50. Nvidia a présenté quatre cartes graphiques de bureau : la RTX 5090 à 1 999 dollars, la RTX 5080 à 999 dollars, la RTX 5070 Ti à 749 dollars et la RTX 5070 à 549 dollars, selon les prix recommandés aux États-Unis. Les RTX 5090 et 5080 sont annoncées pour la fin janvier 2025, les RTX 5070 Ti et 5070 devant suivre en février.

Ces puces reposent sur Blackwell, l’architecture que Nvidia déploie aussi dans ses offres pour les centres de données. Dans le monde du jeu vidéo, l’enjeu n’est plus uniquement de calculer chaque pixel de manière classique. Nvidia défend le principe du rendu neuronal : une partie de l’image est reconstruite ou améliorée avec des réseaux de neurones, afin d’obtenir davantage de fluidité et de détails à partir d’une puissance de calcul donnée.

La vitrine de cette approche est DLSS 4, une évolution de la technologie de super-échantillonnage de Nvidia. Son mode Multi Frame Generation peut créer jusqu’à trois images supplémentaires entre deux images calculées de façon conventionnelle. Sur le papier, cela augmente fortement le nombre d’images affichées par seconde dans les jeux compatibles.

Il faut toutefois distinguer deux choses. Un nombre d’images plus élevé peut donner une impression de fluidité très convaincante, mais il ne remplace pas automatiquement une amélioration équivalente du calcul brut. Le résultat dépend du jeu, de sa prise en charge de DLSS et de la qualité de l’implémentation. Cette nuance compte particulièrement pour les joueurs attentifs à la réactivité et à la fidélité de l’image.

Les PC portables équipés de RTX 50 doivent, eux, démarrer à 1 299 dollars. Nvidia mise ainsi sur des machines capables de combiner jeu, création audiovisuelle et traitements d’IA exécutés localement. L’intérêt du traitement local est de limiter certains transferts de données vers le cloud, même si les modèles les plus grands restent hors de portée d’un ordinateur portable classique.

Project DIGITS veut mettre un superordinateur d’IA sur un bureau

Avec Project DIGITS, Jensen Huang a également présenté une machine qui ne vise ni le joueur ni le simple usage bureautique. Annoncé à partir de 3 000 dollars et prévu pour mai 2025, ce format compact doit offrir aux développeurs un accès local à une partie de la puissance habituellement associée aux infrastructures d’IA.

Au cœur de l’appareil se trouve le superprocesseur GB10 Grace Blackwell, conçu avec MediaTek. Nvidia annonce jusqu’à 1 pétaflop de performances d’IA au format FP4, une précision de calcul réduite adaptée à certaines opérations des réseaux neuronaux. L’objectif n’est pas de remplacer les énormes grappes de GPU utilisées pour entraîner les plus grands modèles du marché. Il est de permettre à une personne ou à une petite équipe de prototyper, d’affiner et d’exécuter localement des modèles pouvant atteindre 200 milliards de paramètres.

Deux machines Project DIGITS peuvent être reliées pour travailler avec des modèles allant jusqu’à 405 milliards de paramètres, selon Nvidia. Le mot « paramètres » désigne les variables internes qu’un modèle ajuste pendant son apprentissage. Plus leur nombre est élevé, plus un modèle peut être complexe, mais plus il exige aussi de mémoire et de puissance de calcul.

Cette annonce répond à un besoin concret : nombre de développeurs veulent expérimenter avec des modèles d’IA sans dépendre systématiquement d’une location coûteuse de serveurs distants. Project DIGITS n’enlève pas les contraintes, notamment celles liées au prix, à l’énergie et à la maîtrise technique. Il illustre toutefois la volonté de Nvidia de faire descendre l’IA avancée des centres de données vers les bureaux.

Les trois moteurs de l’IA selon Jensen Huang

Le discours de Jensen Huang s’est aussi attardé sur la manière dont les modèles progressent. Nvidia distingue trois leviers complémentaires : le pré-entraînement, le post-entraînement et l’augmentation de la puissance de calcul au moment où le modèle répond à une demande.

Le pré-entraînement consiste à exposer un modèle à de très grandes quantités de données pour qu’il acquière des connaissances générales et des régularités du langage, des images ou du code. C’est l’étape qui a permis l’émergence des assistants génératifs connus du grand public.

Le post-entraînement intervient ensuite. Il sert à spécialiser un modèle, à améliorer son respect des consignes et à optimiser ses réponses. L’apprentissage par renforcement, évoqué par Jensen Huang, fait partie des méthodes possibles : un système est récompensé lorsqu’il produit un comportement jugé préférable, ce qui l’incite à améliorer progressivement sa stratégie.

Enfin, les modèles peuvent consacrer davantage de calcul à une requête au moment de l’utilisation. Cette approche est particulièrement utile lorsqu’une tâche demande plusieurs étapes de raisonnement, de vérification ou de planification. Elle a toutefois un coût : plus de calcul peut signifier une réponse plus lente et des infrastructures plus onéreuses.

L’IA physique ne constitue donc pas une simple quatrième formule magique. Elle applique ces progrès à une difficulté supplémentaire : une machine ne doit pas seulement produire une réponse plausible à l’écran. Elle doit interpréter des capteurs, anticiper un mouvement, choisir une action et fonctionner dans un environnement imparfait.

Cosmos, la simulation au service des robots et des véhicules

C’est précisément le rôle que Nvidia attribue à Cosmos, une plateforme de modèles fondamentaux du monde. L’idée est de générer ou d’analyser des séquences qui respectent davantage les règles visuelles et physiques d’un environnement : déplacement d’un objet, comportement d’un piéton, circulation d’un véhicule, interaction entre un robot et son espace de travail.

Pour entraîner un robot ou une voiture autonome, les données réelles sont indispensables, mais elles sont difficiles et coûteuses à collecter. Elles posent aussi un problème de couverture : il faut rencontrer une immense variété de cas rares, comme un obstacle inattendu, une météo dégradée ou un comportement humain imprévisible. La simulation permet de produire beaucoup plus de scénarios et d’exposer le système à des situations dangereuses sans prendre de risque dans le monde réel.

Nvidia entend relier Cosmos à ses outils de simulation et à son écosystème Omniverse. Un robot peut ainsi s’entraîner dans un environnement virtuel, recevoir des données synthétiques et tester sa capacité à accomplir une tâche avant un déploiement sur le terrain.

Pourquoi Nvidia parle d’IA physique

L’expression « IA physique » permet à Nvidia de distinguer deux univers. D’un côté, les modèles génératifs opèrent principalement dans l’espace numérique : ils écrivent un texte, résument un document, créent une image ou proposent du code. De l’autre, une IA physique doit composer avec les lois du réel, la géométrie, les objets, les délais de réaction et les conséquences de ses décisions.

Jensen Huang a présenté cette évolution comme une opportunité pour des secteurs traditionnels, en particulier la fabrication, les entrepôts et la logistique. Nvidia évalue l’ensemble de ces domaines à un marché de 50 000 milliards de dollars. Ce chiffre traduit l’ampleur de l’ambition affichée par le groupe : apporter des plateformes de calcul et de simulation à des activités où l’automatisation ne se résume pas à installer un chatbot.

Les robots industriels existent depuis longtemps, mais ils excellent surtout dans des tâches très répétitives et soigneusement définies. Pour manipuler des objets variés, partager un espace avec des humains ou s’adapter à un entrepôt changeant, ils doivent progresser en perception et en planification. C’est là que Nvidia voit un rôle pour ses modèles, ses GPU, ses environnements virtuels et ses outils de développement.

Automobile : Toyota, Aurora et Continental dans l’écosystème Nvidia

Le CES est aussi un rendez-vous majeur pour l’automobile, et Nvidia y a conforté sa présence. Toyota a annoncé son intention de développer ses véhicules de nouvelle génération avec la plateforme Nvidia DRIVE AGX Orin. Le constructeur de camions autonomes Aurora et l’équipementier Continental s’appuient, eux, sur Nvidia DRIVE Thor, une puce conçue pour les besoins de calcul de nouvelle génération dans les véhicules.

Ces partenariats montrent que la bataille automobile ne se joue plus uniquement sur le moteur, la batterie ou le design. Les véhicules modernes embarquent des caméras, des radars, des logiciels d’aide à la conduite et des systèmes de calcul capables de traiter en temps réel de grandes quantités d’informations.

Pour autant, une puce plus puissante ne signifie pas qu’un véhicule devient instantanément autonome. L’autonomie dépend aussi des logiciels, de la redondance des systèmes, de la qualité des cartes et capteurs, des essais sur route, du cadre réglementaire et du comportement des autres usagers. Nvidia fournit l’infrastructure de calcul, mais les constructeurs restent responsables de l’intégration et de la validation de leurs systèmes.

Ce qu’il faut surveiller en 2025

Les annonces de Las Vegas donnent une direction, pas encore un résultat définitif. Du côté du PC, la réception des RTX 50 dépendra de leur disponibilité réelle, des performances observées dans les jeux et du bénéfice concret de DLSS 4. Les prix annoncés aux États-Unis ne préjugent pas non plus des tarifs français, soumis notamment aux taxes, à la distribution et aux taux de change.

Pour Project DIGITS, le principal test sera celui de l’usage. La machine devra prouver qu’elle simplifie effectivement le travail des développeurs face aux solutions cloud, sans devenir un produit réservé à une poignée de spécialistes déjà équipés.

Enfin, Cosmos et l’IA physique constituent le pari le plus ambitieux. Ils pourraient accélérer le développement de robots et de systèmes de conduite avancés, mais ils se heurtent à une réalité exigeante : dans le monde physique, une erreur ne se limite pas à une mauvaise réponse textuelle. La démonstration de fiabilité, de sécurité et d’utilité économique sera donc décisive pour transformer la vision de Jensen Huang en déploiements concrets.