Intelligence artificielle physique

L'intelligence artificielle physique (aussi appelée « intelligence incarnée », ou embodied artificial intelligence, ou « intelligence matérielle ») désigne, dans le domaine des IA frontière, un nouveau paradigme, encore émergent, où l'intelligence quitte le Cloud pour être physiquement « incarnée ». Autrement dit : c’est une intelligence artificielle qui a un vrai « corps » — le corps d'un robot par exemple — et qui apprend en bougeant, en touchant, en observant et en réagissant au vrai monde autour d’elle (un peu comme un animal ou un humain), et non pas dans un monde virtuel. Cette IA ne « pense » pas seulement avec un ordinateur : son corps, ses matériaux et ses capteurs l’aident aussi à comprendre et à agir. L’idée derrière ce concept est que l’intelligence vient de l’interaction entre :

  1. Un système de contrôle (le logiciel, qui joue ici un peu le rôle d'un cerveau, doté d'une certaine capacité de mémoire) ;
  2. Un « corps » matériel. Ce corps peut être doté d'actionneurs (pour se déplacer et agir sur l'environnement). Il peut aussi être doté de capteurs (inspirés des sens, possiblement avec des capacités bien plus étendues que celle des animaux (humain compris), lui permettant par exemple de « voir », au delà de la lumière visible tout le spectre du rayonnement électromagnétique (et de produire une cartographie 3D dynamique grâce au lidar), d'« entendre » les infrasons et les ultrasons, d'être doté de capacités poussées d'intéroception, de toucher avec dextérité), etc.) ; ce « corps » pouvant en outre être composé de matériaux intelligents, de structures mécaniques programmables, de mécanismes d'auto‑adaptation, d'une mémoire physique, de capacités logiques et computationnelles intégrées ;
  3. L'environnement physique (terrestre, ou extra-terrestre).

... en postulant que les capacités cognitives émergentes peuvent apparaitre dans ces conditions.

Un courant de la robotique estime qu'à l'avenir, la robotique molle pourrait disposer d'une intelligence incarnée intégrée au corps même du robot, c'est à dire combinant formes, fonctions et mécaniques adaptatives avec des systèmes de calcul qui pourraient être centralisé, décentralisé ou embarqués, rendant des machines (robots) plus sobres en énergie tout en pouvant mieux s'adapter à des environnements complexes et changeants (terrestres, sous-marins, spatiaux...), grâce à la conception pluridisciplinaire d'une intelligence mécanique (« mechanical intelligence »).

Un autre courant de l'IA physique vise à produire des corps artificiels capables d'intelligence autonome sans électronique, qui pourraient éventuellement évoluer dans les environnements extrêmes ou à des micro‑échelles.

Toutes ces approches, notamment développées dans le cadre de l'internet des objets, ancrent l'IA dans les lois de la physique et le monde réel ; elles s'opposent aux conceptions historiques dites « désincarnées » de l'IA symbolique, qui considéraient la cognition comme un traitement abstrait d'informations, indépendamment de son support physique.

Éléments de définition

Le concept d'« intelligence embarquée » (qui inclut l' « Edge AI ») est proche de celui de l'« IA physique », mais il désigne plus généralement l'exécution locale d'algorithmes d'intelligence artificielle sur un dispositif matériel aux ressources contraintes (mémoire, puissance et/ou vitesse de calcul, mobilité, capteurs, énergie...). Un critère fondamental qui définit l'IA physique est la localisation de l'exécution du calcul : l'IA est exécutée directement par l'appareil (qui peut être un robot, un smartphone ou un capteur) sans dépendre d'une connexion permanente à un serveur distant ou au cloud, éventuellement dans le cadre d'une intelligence ambiante, facilitée par des réseaux pervasifs comme le Wifi et la communication par satellite.

À l'inverse, l'IA physique (IA incarnée ou Embodied A) renvoie spécifiquement aux approches où les capacités cognitives d'un agent émergent de l'interaction dynamique entre son corps physique, ses propriétés matérielles et son environnement (Pfeifer & Bongard, 2006) ; le critère central étant ici l'incarnation (embodiment) où les structures physiques, mécaniques et sensorielles participent activement au processus de cognition et de prise de décision, selon Brooks (1991).

Le paradigme de l'IA physique ne doit pas être confondu avec celui du CPS (Cyber-Physical Systems), qui est une architecture qui connecte simplement calcul et monde physique (tandis que l'IA physique est un paradigme d'intelligence incarnée où le « corps » et les lois physiques participent eux‑mêmes au raisonnement). Ainsi, un système d'IA peut être « embarqué » dans un bras robotique, un véhicule autonome, ou un robot humanoïde ou un autre système physique sans être une « IA physique », et il peut être physique sans nécessairement reposer sur de l'informatique embarquée :

L'IA physique intègre directement les propriétés du corps (robotique et peut-être un jour humain, dans l'hypothèse de l'augmentation de l'être humain) et des systèmes distribués — edge computing, fog computing et IoT — de sorte que cette intelligence ne repose plus seulement sur des données issues de capteurs, mais sur une cognition dite incarnée et répartie dans la matière et l'environnement.

Rien ne s'oppose en effet à ce qu'une IA physique fonctionne de manière éclatée, à la manière d'un super-organisme constitué d'agents intelligents coopérant en essaim ; avec une intelligence distribuée et d'éventuelles capacités de calcul over‑the‑air où plusieurs dispositifs transmettent simultanément leurs signaux de manière à ce que le canal radio réalise lui-même des calculs (agrégation mathématique comme une somme ou une moyenne, par exemple), pendant la transmission plutôt qu'après réception ; avec alors de possibles comportements émergents liés aux propriétés des groupes d'agents intelligents coopérant en essaim).

De même les robots peuvent être dotés de capteurs plus performants que ceux des animaux, et disposés à des endroits différents (par exemple, un robot produit par la startup chinoise TARS Robotics se montre déjà capable de broder grâce à une vision artificielle stéréoscopique « embarquée » de très haute précision (sub-millimétrique), lui permettant d'enfiler un fil dans le chat d'une aiguille, et de suivre le fil et ajuster ses gestes en temps réel en positionnant correctement l'aiguille à la face inférieure du tissus, avec des résultats qui approchent ceux d’un artisan humain. La main d'un robot peut être dotée d'une caméra lui permettant de ne cueillir que des fruits murs ou de désherber uniquement là où des adventices gênantes sont présentes. Ces apports sont cependant généralement plus couteux en énergie et en ressources non renouvelables que les solutions développée par la nature et la sélection naturelle.

Historique et fondements

Représentation graphique du positionnement du sujet « cognition incarnée », comme domaine situé à la croisée de plusieurs domaines ou sciences.

On comprend intuitivement qu'un organisme vivant doté d'un cerveau ne serait pas intelligent sans ses organes des sens, et dans le corps qui sont nécessaires pour explorer le monde et y agir. Mais on se demande néanmoins si l'intelligence requiert ou non, systématiquement, un corps ou l'équivalent d'un corps pour atteindre le niveau d'une intelligence artificielle générale.

Les premières formulations explicites de l'hypothèse de l'IA incarnée apparaissent dans les années 1980 et 1990, notamment avec les travaux de Rodney Brooks au MIT. Ce dernier défend une robotique fondée sur l'action et la perception située, plutôt que sur des représentations internes complexes.

Parallèlement, un chercheur suisse en robotique et sciences cognitives, Rolf Pfeifer, pionnier de l'intelligence incarnée et de la robotique inspirée du corps humain, développe le concept de « computation morphologique » (morphological computation) ; selon ce concept, la sélection évolutive a fait que la forme, les matériaux et les propriétés mécaniques d'un corps humain ou animal contribuent directement au traitement de l'information, réduisant ainsi la charge computationnelle du système de contrôle (cerveau). Selon lui, au début du XXIe siècle, alors que les organismes vivants évoluent dans un monde sans cesse changeant et riche, les robots industriels opèrent encore dans des environnements strictement contrôlés, mais s'inspirer du vivant permettra progressivement de créer des machines.

L'histoire de l'IA physique s'inscrit donc aussi dans la continuité de la cybernétique, de la biologie du comportement et des « sciences cognitives incarnées », qui soulignent le rôle des boucles perceptions‑actions/rétroactions dans l'émergence de comportements adaptatifs.
Dans les années 1990, les recherches sur le comportement adaptatif montrent déjà que celui‑ci ne dépend pas que des neurones et des circuits neuronaux, mais résulte de l'interaction continue du système nerveux avec le corps et son environnement,. Le traitement sensoriel et les réponses motrices filtrent et structurent l'information disponible pour le système nerveux, tandis que l'évolution et le développement conjoint du corps et du système nerveux créent des formes de complémentarité fonctionnelle entre les deux. La morphologie corporelle impose des contraintes mais offre aussi des opportunités pour le contrôle moteur, et les boucles de rétroaction entre corps (qui peut être adapté à la vie terrestre, aquatique, aérienne, souterraine ou en milieu extrême) et système nerveux sont essentielles à l'expression d'un comportement intelligent et adaptatif. Dans ce cadre, la neuroéthologie computationnelle, qui modélise conjointement le contrôle neural et les propriétés périphériques des organismes, constitue une méthode prometteuse pour comprendre comment l'intelligence émerge de ces interactions couplées.

Après un demi-siècle de développement de l'IA, la notion d'IA physique est née de plusieurs constats fondamentaux : en particulier, celui qu'un système intelligent ne peut pas être compris ni conçu indépendamment du monde réel, et donc de son corps (ou de ce qui en tient lieu) et de son interaction avec le monde réel. Les systèmes incarnés (c'est à dire installés dans un corps ou équivalent) ne sont pas seulement soumis à des contraintes physiques (forces, énergie, friction, usure...) ; leur morphologie et leurs matériaux façonnent aussi, directement, la manière dont ils sélectionnent, transforment et structurent l'information qu'ils perçoivent.

Une idée centrale est que — a priori —, tant qu'une IA est désincarnée elle sera limitée dans sa connaissance du monde, et ne pourra pas évoluer vers l'IA générale ou la superintelligence, cette affirmation est faite par le philosophe américain Hubert Dreyfus dès les années 1970, puis notamment reprise par divers chercheurs du domaine de l'IA dans les années 1990 : l'australien Rodney Brooks — pionnier de la robotique comportementale — affirme que « Le monde est son propre meilleur modèle » et qu'une IA ou tout système désincarné ne pourra devenir vraiment intelligente qu'en étant physiquement engagée dans ce monde,. En 1991, dans The Embodied Mind, Francisco Varela, Evan Thompson et Eleanor Rosch affirment que la cognition est enaction, c'est‑à‑dire que c'est une propriété qui émerge de l'interaction dynamique entre un organisme et son environnement. Dans Being There (1997), Andy Clark qui s'intéresse à la philosophie de l'esprit, à la théorie de l'esprit et à la cognition incarnée soutient que la cognition humaine est fondamentalement incarnée, située et étendue, et que toute tentative de reproduire l'intelligence humaine sans corps est vouée à rester partielle ; un thème repris en 2006 par Rolf Pfeifer et Josh Bongard dans un livre publié par le MIT ou par Claxton en 2015 .

Une autre idée centrale est ici que le « corps » (vivant ou celui d'un robot) simplifie activement le traitement de l'information : en interagissant avec l'environnement, un agent incarné génère des régularités dans ses entrées sensorielles (capteurs), ce qui lui permet de réduire la complexité du traitement cognitif nécessaire. L'intelligence n'est plus vue comme la simple résultante d'un calcul abstrait, mais comme le résultat émergent d'un couplage dynamique entre :

Dans cette perspective, le comportement façonne la cognition, car il résulte de l'interaction continue entre dynamique physique et dynamique informationnelle, plutôt que d'un contrôle centralisé ou d'un traitement symbolique isolé,.

Ce cadre théorique a ouvert la voie à l'IA physique : une approche où l'on utilise des robots et des systèmes incarnés pour quantifier, caractériser et exploiter la structure informationnelle produite par l'embodiment.

Exemples

La dextérité dans la préhension d'objets de toutes natures et de nature inconnue par un robot est un défi qui — après au moins un siècles de tentatives diverses — semble en passe d'être résolu. Les travaux sur les « mains robotiques » montrent que les comportements passifs du corps — en particulier quand on utilise la « robotique molle » (pour des « mains » plus souples) — jouent un rôle essentiel dans la perception, l'action et le contrôle. En s'appuyant sur la morphologie, les matériaux et les interactions physiques avec l'environnement, ces systèmes peuvent produire des comportements adaptatifs avec moins de contrôle complexe, ce qui améliore leur robustesse et leur capacité à fonctionner dans des environnements incertains. Cette approche, notamment inspirée de la main humaine, met en évidence l'intérêt de concevoir des robots dont l'intelligence émerge en partie des dynamiques physiques du corps, l'un des principes centraux de l'IA physique. Certains experts estiment que l'intelligence (sous forme d'architectures de calcul de type computation centralisée, décentralisée ou embarquée), peut être intégrée dans le corps même d'un robot souple, en exploitant ses matériaux, sa forme et ses interactions physiques avec le milieu. Vera Gesina et ses collègues parlent à ce sujet d'« intelligence mécanique » (mechanical intelligence).

Les robots sociaux et notamment les robots de soin (« carebots », robots capables de déterminer et de répondre aux besoins de leurs utilisateurs, y compris malades et/ou handicapés) sont actuellement très limités par leurs difficultés à improviser, à manifester une sensibilité et une chaleur émotionnelles crédible, à développer une juste empathie et à ajuster finement leurs gestes et comportements aux situations humaines. Mais ils pourraient, s'ils intégraient une intelligence physique et embarquée avancée, devenir des agents de soin dotés de capacités sensori‑motrices, adaptatives et interactionnelles nettement supérieures à celles observées aujourd'hui. Des chercheurs imaginent leur donner une sorte d'intelligence corporelle leur permettant de percevoir, interpréter et répondre aux signaux humains de manière plus fluide et contextuelle. Une telle évolution reposerait sur des matériaux sensibles et intelligents, des architectures mécaniques adaptatives et des capacités d'apprentissage situées, renforçant leur aptitude à observer et interprêter avec attention, leur capacité de connexion inclusive et d'action réactive, trois dimensions identifiées comme constitutives du « bon soin ».

Enjeux scientifiques et techniques

Selon Muther, Temoor et al. (2023), l'avenir de l'IA physique passe par l'intégration explicite des lois physiques dans les modèles d'apprentissage automatique, via les approches de « physics‑informed machine learning » (ou PIML).

Du point de vue scientifique et de la R&D, les enjeux incluent la compréhension des mécanismes d'acquisition de compétences robustes dans des environnements incertains, la théorie du contrôle, la modélisation d'interactions sensorimotrices, et l'intégration de matériaux intelligents, de structures mécaniques programmables, de mécanismes d'auto‑adaptation, d'une mémoire physique, de capacités logiques et computationnelles intégrées à ce « corps ». Parmi ces matériaux intelligents, figurent des matériaux élastiques ou déformables pouvant contenir des capteurs et des circuits électroniques eux-mêmes déformables (robotique souple ou soft robotics) ; d'autres types de matériaux intelligents, multi‑fonctionnels permettent aussi et par exemple, selon Fangzhou Xia et a. (2022), de créer, aux l'échelle micro‑ et nanométrique, des transducteurs et des robots dont une partie du comportement découlera directement de leurs propriétés physiques, et décrit comment des modèles en réalité mixte — wistronics et microscopie AFM — peuvent aider à comprendre ces phénomènes difficiles à observer et à les exploiter dans la conception de systèmes micro‑électromécaniques.

Les recherches contemporaines mobilisent l'apprentissage par renforcement profond, les architectures neuromorphiques, la simulation physique à grande échelle et la locomotion biomimétique. La littérature académique souligne que l'incarnation matérielle permet la production de comportements émergents et favorise la généralisation dans des environnements non structurés. Par ailleurs, les travaux en sciences cognitives computationnelles (notamment de Brenden Lake ou Joshua Tenenbaum) montrent que l'intelligence intuitive repose sur des modèles internes étroitement liés à l'expérience corporelle (Judd Gabor et ses collègues, en 2019 parlent de « morphologie computationnelle »).

L'IA physique peut aussi s'inspirer de petits organismes vivants capables d'adaptation sans système nerveux, par exemple pour produire des robots miniatures disposant d'une forme d'intelligence incarnée, capable d'agir en environnements extrêmes voire dans le corps humain (micro-robots, nanorobots). Cette « intelligence », éventuellement distribuée, peut être décrite selon la hiérarchie suivante :

  1. intelligence physique matérielle, qui provient des propriétés du matériau (élasticité, capillarité, mémoire de forme) ;
  2. intelligence physique structurelle, venant de la géométrie ou de la mécanique du corps (formes, plis, ressorts, architectures) ;
  3. intelligence physique fonctionnelle, quand le système combine des matériaux et des structure pour réaliser des fonctions adaptatives nouvelles (locomotion, capture, auto‑réglage) ;
  4. intelligence physique comportementale : le robot manifeste des comportements autonomes émergents (navigation, adaptation, réponse à l'environnement).

Malgré les progrès rapides des modèles multimodaux, l'évaluation de l'IA physique reste très difficile en raison de la nouveauté du concept et du fossé entre compréhension sémantique et ancrage physique. Au milieu des années 2020, des chercheurs travaillent à formuler un nouveau cadre d'évaluation — de type Perception ‑ Cognition ‑ Planification ‑ Action — pour évaluer les agents physiques intelligents, tester leurs limites, standardiser les tests et rapprocher l'intelligence incarnée de performances réellement fiables en conditions réelles.

Enjeux industriels, financiers et commerciaux

Ces enjeux incluent la conception de robots autonomes et ayant accès à un modèle du monde, par exemple pour des besoins militaires, de logistique, d'assistance médicale, d'exploration spatiale ou encore pour l'industrie lourde ou l'industrie 4.0.

Mi-2026, General Intuition, une startup qui se présente comme spécialisée dans l'IA incarnée, veut lever 300 millions $ pour développer des modèles du monde et atteindre une valorisation d'environ 2 milliards $. Elle entraîne ses modèles sur le dataset géant de Medal (2 milliards de vidéos par an, issues de 10 millions d'utilisateurs mensuels).

Le tournant des modèles de fondation (milieu des années 2020)

Au milieu des années 2020, le domaine entre dans une nouvelle phase caractérisée par la convergence entre les modèles d'IA générative multimodaux (modèles Vision-Langage-Action ou VLA) et la robotique.

Cette transition permet aux agents de passer de la simple analyse de données à des capacités de plus en plus sophistiquées de raisonnement, de planification et d'action directe dans le monde réel.

Lors du Consumer Electronics Show (CES) de 2026, l'omniprésence de l'IA physique a mis en lumière des avancées de la robotique cognitive, notamment portées par des constructeurs (comme Nvidia avec un modèle de raisonnement Alpamayo pour les véhicules autonomes, la famille Cosmos pour la compréhension du monde (modèles du monde), et le projet Isaac GR00T, premier modèle de fondation ouvert au monde pour entrainer le raisonnement et les compétences de robots humanoïdes. Les experts du secteur prévoient que l'émergence de robots dotés de capacités haptiques d'une motricité fine et de capacités cognitives quasi-humaines pourrait se généraliser d'ici la fin des années 2020.

Articulation avec l'Edge computing (informatique en périphérie de réseau)

À partir du milieu des années 2020, l'articulation entre le multi‑access edge computing (ou MEC, c'est‑à‑dire le traitement de données au plus près des utilisateurs (Edge computing), en périphérie des réseaux informatique qu'il utilise, plutôt que dans un cloud situé dans un lointain datacenter) et l'IA physique (ou embodied AI, approche où l'intelligence émerge de l'interaction entre un agent, son corps et l'environnement) soulève des enjeux majeurs pour la conception des systèmes autonomes futurs.

Le MEC vise à réduire la latence et à optimiser l'« offloading » (transfert de calcul, par exemple vers une infrastructure de bord) dans des environnements complexes et dynamiques, tandis que l'IA physique met l'accent sur l'intelligence incarnée, où la morphologie, les matériaux et les propriétés mécaniques du robot participent directement au contrôle et à la perception.

La convergence de ces approches conduit à des agents hybrides susceptible de combiner calcul embarqué, IA agentique, calcul distribué et « intelligence mécanique » (capacité du corps à réaliser une partie du traitement via sa structure physique), mais impose une coconception étroite entre robotique, réseaux informatiques et apprentissage automatique. Ces enjeux s'enracinent dans les travaux fondateurs de l'intelligence incarnée, dont ceux de Rodney Brooks (Intelligence Without Representation, 1991) et de Rolf Pfeifer & Josh Bongard (How the Body Shapes the Way We Think, 2006).

Pour généraliser l'IA physique, l'essor de l'« edge intelligence » (c'est à dire l'exécution locale de traitements d'intelligence artificielle, au plus près des sources de données, directement sur les appareils ou serveurs en périphérie du réseau) répond au besoin de rapprocher les capacités d'apprentissage automatique et d'inférence des IA embarquées, des lieux où les données qui leur sont utiles ou nécessaires sont produites, et des lieux où ces agents agissent physiquement ; dans un contexte de prolifération des dispositifs mobiles et IoT qui génère d'immenses volumes de données au bord du réseau, rendant nécessaire le déplacement des capacités d'IA vers l'edge pour réduire latence, coût, consommation énergétique et dépendance au cloud (l'edge computing permet théoriquement aussi d'améliorer la protection de la vie privée et la contextualisation locale) — qui sont des critères recherchés pour des systèmes intelligents embarqués dans des corps robotiques,.
Cette évolution semble nécessaire au développement de l'IA incarnée, pour qui implique de rapprocher la boucle perception–décision–action des agents physiques (« intelligents » ou connectés et activables), une condition essentielle à leur réactivité et à leur autonomie dans des environnements réels.

Enjeux de sécurité

L'IA physique peut aussi être piratée ou victime d'accidents ou d'attaques physique par exemple par canaux auxiliaires (side-channel analysis - SCA) et par injection de fautes (fault injection analysis - FIA).

Enjeux philosophiques éthiques

Les débats philosophiques portent sur la nature de l'intelligence et la question de savoir si une intelligence artificielle générale (IAG) peut véritablement émerger sans ancrage corporel (cognition située, ou embarquée),,.

Au XXIe siècle, la nature même de la cognition est repensée. Au lieu de la concevoir comme un ensemble d'opérations abstraites sur des symboles manipulés par des cerveaux vivants, la perspective de systèmes de cognition incarnée ou embarquée affirme que la pensée est avant tout une activité située, enracinée dans l'action et dans l'interaction avec l'environnement. Dans cette perspectives, les êtres pensants pourraient être compris d'abord comme des êtres agissants plutôt que comme des calculateurs symboliques. Des chercheurs travaillent sur des projets d'ancrage physique (physical grounding project), qui visent à comprendre comment les capacités cognitives émergent de l'engagement corporel dans le monde réel.

En 2021, en Chine, Xiaoxia Li propose et décrit un concept d'« human cyber physical intelligence » (ou HCPI, une nouvelle forme d'intelligence, ternaire), qui serait aussi un nouveau champ de recherche, fondé sur la fusion organique du monde physique, avec l'espace informationnel (noosphère) et l'espace social par le truchement de l'IA.

Au milieu des années 2020, l'intelligence artificielle et la conscience ne peuvent plus être comprises comme de simples calculs désincarnés ; un cadre intégratif nouveau émerge, où l'IA, la cognition incarnée et la phénoménologie convergent pour montrer que les qualia et l'expérience consciente sont enracinés dans des structures corporelles, contextuelles et vécues, plutôt que dans une computation abstraite.

Sur le plan éthique et sécuritaire, le déploiement dans le monde physique, dans les écosystèmes et dans des environnements sociaux humains, d'IA et d'agents intelligents agissant de manière autonome, éventuellement portées par des machines pensantes (avec lesquelles il est devenu possible de dialoguer, via les LLM), soulève des questions critiques de cybersécurité, de sécurité physique et psychiques, de responsabilité juridique en cas d'accident ou de désalignement, et d'impact socio-économique, sur le marché de l'emploi et des services notamment. Parmi les nombreux enjeux, figurent le besoin que ces IA restent interprétables et explicables ; et que soient évités les risques liés aux armes intelligentes et autonomes et à d'autres usages où des IA physiques suffisamment autonomes pourraient, si elles étaient mal contrôlées ou contrôlées par des personnes ou entités malveillantes, développer des capacités d'action dans le monde réel dépassant l'intention de leurs concepteurs, créant des risques pour la sécurité humaine voire pour l'humanité entière. Leur puissance opérationnelle — mobilité, manipulation, rapidité coordination distribuée — pourrait être détournée par des entités mafieuses, des acteurs étatiques non démocratiques ou des groupes criminels pour automatiser la surveillance de masse, la coercition, le terrorisme. Sans cadres de gouvernance robustes, ces systèmes pourraient devenir des instruments d'action opaque et difficilement traçable, capable d'auto-amélioration récursive (contre la quelle Anthropic a publié, en 2026, une sérieuse mise en garde), amplifiant des menaces déjà existantes plutôt que de servir l'intérêt général et le bien commun.

Face aux capacités exponentiellement croissantes des modèles de langage de grande taille, de nombreux experts et organisations — dont le Future of Life Institute (ex : Appel de mars 2023), des chercheurs en IA comme Yoshua Bengio et Stuart Russell, ainsi que des instances internationales comme l'UNESCO (Recommandation sur l'éthique de l'IA, 2021) — et l'ONU appellent à urgemment prévenir la militarisation de l'IA, à encadrer la course à l'IA générale ou à la superintelligence, et à créer une gouvernance mondiale dédiée, potentiellement sous l'égide des Nations unies.

Références

  1. 1 2 3 (en) F. Iida et al., Embodied Artificial Intelligence, Springer, 2004, p. 9 : « An agent typically has certain sensory-motor abilities, i.e. it can perceive aspects of the environment, and depending on this information and its own state, performs a particular behavior [...]. One point of interest has been the emergence of complex global behavior from simple rules and local interactions ». Voir aussi C. G. Langton, Artificial life: an overview, Cambridge, MIT Press, .
  2. 1 2 (en) Metin Sitti, « Physical intelligence as a new paradigm », Extreme Mechanics Letters, vol. 46,‎ , p. 101340 (DOI 10.1016/j.eml.2021.101340, lire en ligne, consulté le ).
  3. ↑ Bin Cao, Long Zhang, Yun Li et Daquan Feng, « Intelligent Offloading in Multi-Access Edge Computing: A State-of-the-Art Review and Framework », IEEE Communications Magazine, vol. 57, no 3,‎ , p. 56–62 (ISSN 1558-1896, DOI 10.1109/MCOM.2019.1800608, lire en ligne, consulté le ).
  4. 1 2 3 (en) Pfeifer R et Bongard J (2006), How the body shapes the way we think : a new view of intelligence, MIT press.
  5. 1 2 3 (en) Rodney A. Brooks, « Intelligence without representation », Artificial Intelligence, vol. 47, nos 1-3,‎ , p. 139–159 (DOI 10.1016/0004-3702(91)90053-M, lire en ligne, consulté le ).
  6. ↑ Mäkelburg, J., Perez-Palacin, D., Mirandola, R., & Acosta, M. (2026). Surveying uncertainty representation: a unified model for cyber-physical systems. Computing, 108(5), 68 |https://link.springer.com/article/10.1007/s00607-026-01657-6. |consulté le=2026-06-19.
  7. ↑ Lyshevski, S. (2026). Design and Control of Physical and Cyber-Physical Systems. CRC Press.
  8. ↑ (en) Partha Pratim Ray, « A review on TinyML: State-of-the-art and prospects », Journal of King Saud University - Computer and Information Sciences, vol. 34, no 4,‎ , p. 1595–1623 (DOI 10.1016/j.jksuci.2021.11.019, lire en ligne, consulté le ).
  9. ↑ (en) Yingbo Li, Zhao Li, Yucong Duan et Anamaria-Beatrice Spulber, « Physical artificial intelligence (PAI): the next-generation artificial intelligence », Frontiers of Information Technology & Electronic Engineering, vol. 24, no 8,‎ , p. 1231–1238 (ISSN 2095-9184 et 2095-9230, DOI 10.1631/FITEE.2200675).
  10. ↑ Nikos G. Evgenidis, Nikos A. Mitsiou, Vasiliki I. Koutsioumpa et Sotiris A. Tegos, « Multiple Access in the Era of Distributed Computing and Edge Intelligence », Proceedings of the IEEE, vol. 112, no 9,‎ , p. 1497–1526 (ISSN 1558-2256, DOI 10.1109/JPROC.2024.3417528, lire en ligne, consulté le ).
  11. ↑ [vidéo] « TARS Humanoid Does the Impossible — Hand Sewing with Robot Precision », , 2:3 min (consulté le ).
  12. ↑ (en) Hillel J. Chiel, Lena H. Ting, Örjan Ekeberg et Mitra J. Z. Hartmann, « The Brain in Its Body: Motor Control and Sensing in a Biomechanical Context », The Journal of Neuroscience, vol. 29, no 41,‎ , p. 12807–12814 (ISSN 0270-6474 et 1529-2401, DOI 10.1523/JNEUROSCI.3338-09.2009, lire en ligne [archive du ], consulté le ).
  13. ↑ (en) Katrin Weigmann, « Does intelligence require a body? The growing discipline of embodied cognition suggests that to understand the world, we must experience the world », EMBO reports,, vol. 13, no 12,‎ , p. 1066–1069 (ISSN 1469-3178, PMID 23146886, PMCID 3512413, DOI 10.1038/embor.2012.170, lire en ligne, consulté le ).
  14. ↑ (en) Rolf Pfeifer, Max Lungarella et Fumiya Iida, « Self-Organization, Embodiment, and Biologically Inspired Robotics », Science, vol. 318, no 5853,‎ , p. 1088–1093 (ISSN 0036-8075 et 1095-9203, DOI 10.1126/science.1145803, lire en ligne, consulté le ).
  15. 1 2 (en) Hillel J. Chiel et Randall D. Beer, « The brain has a body: adaptive behavior emerges from interactions of nervous system, body and environment », Cell, vol. 20, no 12,‎ , p. 553–557 (ISSN 0166-2236 et 1878-108X, PMID 9416664, DOI 10.1016/S0166-2236(97)01149-1).
  16. ↑ (en) Iida F et Pfeifer R (2006) « Sensing through body dynamics», Robotics and Autonomous Systems, 54(8), p. 631-640 [lire en ligne].
  17. 1 2 3 4 (en) Rolf Pfeifer, Max Lungarella, Olaf Sporns et Yasuo Kuniyoshi, « On the Information Theoretic Implications of Embodiment – Principles and Methods », dans 50 Years of Artificial Intelligence, vol. 4850, Springer Berlin Heidelberg, 76–86 p. (ISBN 978-3-540-77295-8, DOI 10.1007/978-3-540-77296-5_8 date=2007).
  18. ↑ (en) Rodney A. Brooks, « Elephants don't play chess », Robotics and Autonomous Systems, vol. 6, nos 1-2,‎ , p. 3–15 (DOI 10.1016/S0921-8890(05)80025-9, lire en ligne, consulté le ).
  19. ↑ (en) Claxton, G. (2015). Intelligence in the flesh: Why your mind needs your body much more than it thinks, Yale University Press.
  20. ↑ (en) Pfeifer, R., Iida, F., et Lungarella, M. (2014). « Cognition from the bottom up: on biological inspiration, body morphology, and soft materials », Trends in cognitive sciences, vol. 18, no 8, p. 404-413, [lire en ligne].
  21. ↑ Piazza C, Grioli G, Catalano MG, et al. A century of robotic hands. Annu Rev Control Robot Auton Syst, 2019; 2:1–32.|url=https://www.annualreviews.org/content/journals/10.1146/annurev-control-060117-105003
  22. ↑ (en) Kieran Gilday, Josie Hughes et Fumiya Iida, « Sensing, Actuating, and Interacting Through Passive Body Dynamics: A Framework for Soft Robotic Hand Design », Soft Robotics, vol. 10, no 1,‎ , p. 159–173 (ISSN 2169-5172 et 2169-5180, DOI 10.1089/soro.2021.0077).
  23. ↑ (en) Vera Gesina Kortman, Barbara Mazzolai, Aimeé Sakes et Jovana Jovanova, « Perspectives on Intelligence in Soft Robotics », Perspectives on Intelligence in Soft Robotics, vol. 7, no 1,‎ , p. 2400294 (ISSN 2640-4567, DOI 10.1002/aisy.202400294).
  24. ↑ (en) Shaun Respess, « The Emergent Normativity of Carebots: Evaluating the Proficiencies of Embodied Artificial Intelligence », Philosophy & Technology, vol. 39, no 1,‎ (ISSN 2210-5433 et 2210-5441, DOI 10.1007/s13347-025-01028-7).
  25. ↑ (en) Temoor Muther, Amirmasoud Kalantari Dahaghi, Fahad Iqbal Syed et Vuong Van Pham, « Physical laws meet machine intelligence: current developments and future directions », Artificial Intelligence Review, vol. 56, no 7,‎ , p. 6947–7013 (ISSN 0269-2821 et 1573-7462, DOI 10.1007/s10462-022-10329-8).
  26. ↑ Fangzhou, Xia et al. (2022) Physical Intelligence in the Metaverse : Mixed Reality Scale Models for Twistronics and Atomic Force Microscopy 2022 IEEE/ASME International Conference on Advanced Intelligent Mechatronics (AIM), 11-15 juillet 2022 (pages=1722–1729) ; 2022-07-11 ; isbn=978-1-6654-1308-4 |doi=10.1109/AIM52237.2022.9863383 |consulté le=2026-06-19
  27. ↑ Moez Krichen, Apprentissage par Renforcement Profond, (lire en ligne).
  28. ↑ Judd, E., Soter, G., Rossiter, J., & Hauscr, H. (2019, April). Sensing through the body-non-contact object localisation using morphological computation. In 2019 2nd IEEE International Conference on Soft Robotics (RoboSoft) (pp. 558-563). IEE |date=2019-04 |doi=10.1109/ROBOSOFT.2019.8722714 |lire en ligne=https://ieeexplore.ieee.org/abstract/document/8722714/ |consulté le=2026-06-18.
  29. ↑ (en) Huyue Chen et Metin Sitti, « Physical Intelligence in Small‐Scale Robots and Machines », Advance materials, vol. 38, no 12,‎ (ISSN 0935-9648 et 1521-4095, PMID 41103202, PMCID 12933020, DOI 10.1002/adma.202510332).
  30. ↑ Hou L, Gao L, Wu Y & Chang Y (2026) A survey on evaluation of embodied ai. https://www.authorea.com/doi/full/10.22541/au.177023340.02874343/v1
  31. ↑ (en-US) Rebecca Bellan, « General Intuition in talks to raise $300M at around $2B valuation », sur TechCrunch, (consulté le ).
  32. ↑ « NVIDIA Alpamayo », sur NVIDIA Alpamayo (consulté le ).
  33. ↑ (en) « NVIDIA Isaac GR00T », sur NVIDIA Developer (consulté le ).
  34. ↑ (en) Naga Venkat Prasad Janapareddy et Surya Sekhar Chapala, « AI and Edge Computing: A Deep Dive into the Convergence of Intelligence and Proximity », dans Revolutionizing the Cloud: Generative AI, Security, and Sustainability, Nature Springer, Cham, 349–367 p. (ISBN 978-3-032-07479-9, DOI 10.1007/978-3-032-07479-9_17).
  35. ↑ Pallaprolu, S. (2025). Edge Computing and AI Integration: New infrastructure paradigms. World Journal of Advanced Research and Reviews, 26(2), 3845-3852 |https://www.researchgate.net/profile/Sudhakar-Pallaprolu/publication/398474490_Edge_Computing_and_AI_Integration_New_infrastructure_paradigms/links/69378d1b0c98040d481c2d47/Edge-Computing-and-AI-Integration-New-infrastructure-paradigms.pdf ; consulté le=2026-06-19
  36. ↑ Zhi Zhou, Xu Chen, En Li et Liekang Zeng, « Edge Intelligence: Paving the Last Mile of Artificial Intelligence With Edge Computing », IEEE Xplore, vol. 107, no 8,‎ , p. 1738–1762 (ISSN 1558-2256, DOI 10.1109/JPROC.2019.2918951).
  37. ↑ Zhi Zhou, Xu Chen, En Li et Liekang Zeng, « Edge Intelligence: Paving the Last Mile of Artificial Intelligence With Edge Computing », Proceedings of the IEEE, vol. 107, no 8,‎ , p. 1738–1762 (ISSN 1558-2256, DOI 10.1109/JPROC.2019.2918951, lire en ligne, consulté le ).
  38. ↑ Moellic P.A (2025) Sécurité de l'Intelligence Artificielle Embarquée: attaques Physiques contre l'Intégrité et la Confidentialité de Réseaux de Neurones (Doctoral dissertation, Université Jean Monnet (EPSCPE))|url=https://theses.hal.science/tel-05556449/ ; |consulté le=2026-06-18
  39. ↑ (en) M.L. Anderson (2003), « Embodied cognition: a field guide », Artificial Intelligence, no 149, p. 91-130.
  40. ↑ (en) A. Clark (1999), « An embodied cognitive science? », Trends in Cognitive Sciences, vol. 3, no 9, p. 345-351.
  41. ↑ (en) V. Gallese et G. Lakoff (2005) « The brain's concepts: The role of the sensory-motor system in conceptual knowledge », Cognitive Neuropsychology, vol. 22, no 3-4, p. 455-479 ; consulté le=2026-06-18
  42. ↑ (en) Michael L Anderson, « Embodied Cognition: A field guide », Artificial Intelligence, vol. 149, no 1,‎ , p. 91–130 (DOI 10.1016/S0004-3702(03)00054-7, lire en ligne, consulté le ).
  43. ↑ Xiaoxia Li, « The New Development Direction of Artificial Intelligence—Human Cyber Physical Intelligence », dans 2021 10th International Conference on Educational and Information Technology (ICEIT), Chengdu, China, (ISBN 978-1-6654-2295-6, DOI 10.1109/ICEIT51700.2021.9375623), p. 249-252.
  44. ↑ Saakshi Anand, « Embodied Intelligence and the Phenomenology of AI: », dans Advances in Computational Intelligence and Robotics, IGI Global Scientific Publishing, , 247–284 p. (ISBN 979-8-3373-5530-6, DOI 10.4018/979-8-3373-5530-6.ch008).
  45. ↑ (en) Rodrick Wallace, « On Embodied Machine Consciousness », dans Mathematical Essays on Embodied Cognition, vol. 72, Springer Nature Switzerland, 191–219 p. (ISBN 978-3-031-83708-1, DOI 10.1007/978-3-031-83709-8_12).
  46. ↑ Davide Loconte, « Models and methods for eXplainable Artificial Intelligence in pervasive Cyber-Physical Systems (Ingegneria Elettrica e dell'Informazione) », tesidottorato.depositolegale.it,‎ (lire en ligne, consulté le ).
  47. ↑ (en-US) Future of Life Institute, « Statement: Anthropic warns of AI self-improvement risks, considers a pause », sur Future of Life Institute, (consulté le ).
  48. ↑ (en-US) « Pause Giant AI Experiments: An Open Letter », sur Future of Life Institute (consulté le ).
  49. ↑ « Recommendation on the Ethics of Artificial Intelligence », sur unesdoc.unesco.org (consulté le ).
  50. ↑ (en) United Nations, « AI Advisory Body », sur United Nations (consulté le ).
  51. ↑ (en-US) « Home », sur Future of Life Institute (consulté le ).

Voir aussi

Articles connexes

Bibliographie

Cette section est vide, insuffisamment détaillée ou incomplète. Votre aide est la bienvenue ! Comment faire ?