Dans un paysage technologique où l’intelligence artificielle physique (Physical AI), l’IoT industriel et les véhicules définis par logiciel (Software-Defined Vehicles) redéfinissent l’architecture des données, la performance du stockage est devenue un pivot stratégique. À mesure que l’IA est intégrée dans le monde réel à travers les robots humanoïdes, la mobilité autonome et les machines intelligentes, l’explosion de la volumétrie à traiter impose une refonte globale des infrastructures pour répondre aux exigences critiques de capacité, de fiabilité et de traitement en temps réel. Dès lors, la maîtrise des architectures de mémoire s’impose comme un levier central d’intelligence économique et de souveraineté technologique, conditionnant la compétitivité industrielle, la résilience des chaînes de valeur et la protection des actifs stratégiques de la périphérie (edge) jusqu’au cloud.
Au cœur des défis du stockage : accompagner la transformation numérique et l’IA embarquée
Spécialiste reconnu des architectures de mémoire flash appliquées aux systèmes embarqués, à l’automobile et à l’IoT industriel (IIoT), Christophe Vaissade occupe les fonctions d’OEM Sales Director EMEA, Embedded & Cloud Market chez Sandisk. Fort de près de deux décennies d’expérience commerciale au sein de la marque, il pilote aujourd’hui les ventes OEM à l’échelle de la région Europe, Moyen-Orient et Afrique. Basé en France, il accompagne la transformation numérique des industriels en structurant les réseaux de distribution locaux et les équipes de vente directes. Expert de la chaîne de valeur de la donnée, il intervient régulièrement sur les défis d’intégration matérielle liés au traitement des flux massifs, à la réduction de la latence dans les machines autonomes et aux exigences des datacenters cloud. Christophe Vaissade décrypte les enjeux de souveraineté opérationnelle, le rôle stratégique de la mémoire flash dans la montée en puissance de l’IA embarquée et les arbitrages technologiques auxquels font face les décideurs EMEA.
L’intelligence artificielle passe aujourd’hui du monde virtuel et des modèles conversationnels au monde physique. En quoi cette émergence de la Physical AI redéfinit-elle les exigences technologiques et l’importance du stockage au plus près de l’action ?
« L’intelligence artificielle s’est d’abord imposée à travers des interfaces conversationnelles capables de générer du texte, des images ou du code. Mais une nouvelle étape est déjà en marche : celle de l’IA physique (Physical AI). L’IA ne se contente plus d’analyser des informations ou de répondre à des requêtes ; elle pilote désormais des robots, des véhicules autonomes ou encore des machines capables de percevoir leur environnement, de raisonner et d’interagir avec le monde réel. Cette évolution marque un changement profond. Les systèmes d’IA ne sont plus uniquement conçus pour comprendre des données : ils doivent désormais agir en temps réel dans des environnements complexes, où chaque décision peut entraîner des conséquences immédiates. Cette transformation redéfinit les architectures technologiques qui soutiennent ces nouveaux usages, avec des implications majeures pour l’edge computing, la réduction de la latence… mais aussi pour le stockage des données. »
L’impossibilité de s’appuyer sur le cloud pour des décisions en quelques millisecondes pousse l’IA vers la périphérie. En quoi les technologies de stockage ultra-rapides comme le NVMe changent-elles la donne pour éviter les goulots d’étranglement dans l’Edge AI ?
« Pendant longtemps, les modèles d’intelligence artificielle reposaient principalement sur des infrastructures cloud centralisées. Les données étaient envoyées vers des centres de calcul, analysées, puis les résultats renvoyés vers les appareils. Ce fonctionnement atteint aujourd’hui ses limites dès lors que les systèmes doivent prendre des décisions en quelques millisecondes. C’est pourquoi l’intelligence se rapproche désormais de la source des données. Les traitements sont réalisés directement sur les équipements, au plus près des capteurs, selon une approche connue sous le nom d’Edge AI. Cette évolution est indispensable pour les véhicules autonomes, les drones ou encore les robots mobiles autonomes (AMR) utilisés dans les entrepôts, qui doivent analyser en permanence leur environnement, adapter leur trajectoire et réagir immédiatement à un obstacle. »
« Mais rapprocher l’intelligence du terrain suppose également de rapprocher les données. À mesure que ces équipements gagnent en autonomie, ils embarquent des volumes croissants d’informations qu’ils doivent pouvoir enregistrer, consulter et exploiter localement. Dans ce contexte, les technologies de stockage flash haute performance deviennent un élément clé de l’architecture des systèmes d’IA physique. Des technologies comme les SSD NVMe, conçues pour offrir un accès extrêmement rapide aux données, permettent de réduire la latence et d’alimenter les moteurs d’IA sans créer de goulot d’étranglement. Le stockage flash n’est plus un simple composant d’infrastructure : il devient un facteur déterminant des performances de ces systèmes intelligents. »
Les robots humanoïdes ne se contentent plus d’exécuter un programme, ils apprennent en continu sur le terrain. En quoi cet apprentissage permanent modifie-t-il la gestion et les besoins en stockage de données embarquées ?
« Les robots humanoïdes constituent aujourd’hui l’exemple le plus emblématique de cette nouvelle génération d’intelligence artificielle. Selon plusieurs projections, le parc mondial de robots humanoïdes pourrait atteindre près de 1,4 million d’unités d’ici le milieu des années 2030, un chiffre qui pourrait être revu à la hausse compte tenu de l’accélération des investissements dans ce secteur. Contrairement aux robots traditionnels, ces machines ne se contentent pas d’exécuter un programme prédéfini. Elles apprennent continuellement de leurs interactions avec le monde réel, enrichissent leurs modèles et affinent leurs capacités au fil de l’expérience. Un robot peut, par exemple, apprendre progressivement quelle pression exercer pour manipuler un objet fragile ou adapter ses mouvements selon un environnement qu’il découvre. »
« Cet apprentissage permanent s’accompagne d’une explosion des besoins en stockage local. Les robots doivent conserver des modèles d’IA, des données issues de multiples caméras, des informations provenant de capteurs tels que le LiDAR (Light Detection and Ranging), mais aussi l’historique de leurs interactions et de leurs mouvements. Une partie de ces données est exploitée immédiatement pour permettre la prise de décision en temps réel, tandis que les informations les plus pertinentes sont ensuite transférées vers les data centers afin d’entraîner les modèles d’IA à plus grande échelle. »
« Les besoins varient naturellement selon les usages. Un robot industriel dédié à des opérations de précision n’embarquera pas les mêmes volumes de données qu’un robot humanoïde polyvalent appelé à évoluer dans des environnements variés et à interagir avec des personnes. Mais dans tous les cas, la tendance est la même : plus les systèmes deviennent autonomes, plus les besoins en stockage local rapide, fiable et évolutif augmentent. »
L’IA physique ne remplace pas les datacenters, elle rééquilibre la chaîne globale du stockage. Comment des technologies à haute densité comme l’UltraQLC permettent-elles de répondre à ce besoin d’infrastructures centrales plus performantes et énergétiquement efficaces ?
« L’essor de l’IA physique ne transforme pas uniquement les machines. Il fait également évoluer l’ensemble des infrastructures numériques qui les accompagnent. Les données produites par les robots, véhicules autonomes ou autres systèmes intelligents continueront d’être transférées vers les data centers pour l’entraînement des modèles d’intelligence artificielle, la simulation ou l’archivage. Cette évolution accroît considérablement les besoins en capacité de stockage tout en imposant des accès toujours plus rapides aux données. »
« Dans ce contexte, les nouvelles générations de stockage flash à haute capacité, notamment celles reposant sur des technologies comme UltraQLC, devraient jouer un rôle croissant pour répondre aux exigences des charges de travail liées à l’IA. Elles permettent de concilier densité de stockage, performances et efficacité énergétique, aussi bien à l’edge que dans les infrastructures centrales. »
« L’avenir de l’IA physique ne dépendra donc pas uniquement de la puissance des modèles ou des processeurs. À mesure que les machines gagneront en autonomie, leur capacité à accéder rapidement aux bonnes données, à les conserver localement et à les exploiter efficacement deviendra tout aussi déterminante. Les technologies de stockage flash s’imposent ainsi comme l’un des fondements technologiques de cette nouvelle génération d’intelligence artificielle, aussi bien à l’edge que dans les infrastructures qui soutiennent son développement. »
