Ajout automatique par WPeMatico
Les voitures Waymo, celles qui se baladent toutes seules à San Francisco, Phoenix ou Los Angeles… ne seraient pas si autonomes que ça en fait. Hé oui, quand elles sont paumées, ce sont des opérateurs aux Philippines qui leur disent quoi faire.
C’est le chef de la sécurité de Waymo lui-même, Mauricio Peña, qui a lâché le morceau lors d’une audience au Congrès américain le 4 février dernier. Du coup on apprend que ces fameux robotaxis, quand ils bloquent sur une situation (un carrefour bizarre, un chantier, une route pas cartographiée…), envoient une demande d’aide à des opérateurs humains qui pour certains sont basés aux États-Unis et d’autres aux Philippines.
Entraîner une voiture autonome c’est un peu comme apprendre à nager… sauf que si vous vous plantez, c’est pas juste votre ego d’informaticien qui coule mais ce sont des choses graves qui peuvent arriver. Ça tombe bien puisque Waymo vient de dévoiler cette semaine un truc plutôt pas con pour aider à régler ce problème.
Ça s’appelle le World Model et c’est un modèle génératif capable de fabriquer des simulations ultra-réalistes de conduite. Comme ça, au lieu d’attendre qu’un éléphant traverse une route de Phoenix en Arizona pour savoir comment réagir (oui, c’est un de leurs exemples !), l’IA génère elle-même ces scénarios complètement dingues dans son propre monde virtuel.
Après Blackwell, après les GPU qui chauffent comme des radiateurs nucléaires, après les promesses de révolution IA à chaque keynote, voici Rubin ! Et cette fois, NVIDIA ne se contente pas de balancer une nouvelle puce, mais lâchent carrément un modèle open source pour la conduite autonome.
Rubin, c’est donc la nouvelle architecture qui succède à Blackwell. Mais attention, on ne parle pas d’une simple évolution. C’est un système à 6 puces qui travaillent de concert : le GPU Rubin évidemment, mais aussi le CPU Vera avec ses 88 cœurs Olympus, le NVLink 6 qui balance du 3,6 To/s par GPU, et toute une armada de DPU et de switches réseau. Le tout crache 50 pétaflops en NVFP4 et divise par 10 le coût d’inférence par token par rapport à Blackwell. Pour entraîner des modèles MoE, vous aurez besoin de 4 fois moins de GPU. Pas mal pour faire baisser la facture électrique.