Tech • IA • Robotique • Jeu
Des super agents IA pour la science, la fabrication et l’ingénierie | Édition GTC Berlin 2026
INTRO
Nvidia met en place une pile complète de création d’agents qui combine modèles, données d’entreprise, outils de simulation et contrôles d’exécution sécurisés afin de permettre aux entreprises de déployer des agents d’IA spécialisés pour la recherche, les opérations d’usine et la conception d’ingénierie.
POINTS CLÉS
Architecture d’agent en cinq parties
Nvidia décrit les agents d’IA comme des systèmes construits à partir de cinq composants essentiels: un modèle pour la perception, le raisonnement et la planification; un harnais pour coordonner les tâches; une base de connaissances reliée aux données structurées et non structurées de l’entreprise; des outils pour la simulation, l’expérimentation et l’action; et Open Shell pour contrôler ce à quoi l’agent peut accéder et ce qu’il peut exécuter. Le cadre vise à transformer l’expertise métier en agents personnalisés, plutôt que de s’appuyer uniquement sur un chatbot généraliste.
Choix du modèle et personnalisation pour l’entreprise
Les entreprises peuvent partir d’un modèle fermé de pointe ou personnaliser un modèle ouvert, puis le connecter à Nvidia’s Agent Toolkit. L’accent est mis sur l’ancrage de l’agent dans les connaissances métier propriétaires et sur son couplage à des flux logiciels et instrumentaux capables de produire des résultats mesurables.
Conception de médicaments contre le lymphome à cellules B
Chez Lyra Sciences, l’objectif est une thérapie contre le lymphome à cellules B. Son agent Lyra Iris, construit sur Nvidia NeMo Triton, convertit cet objectif scientifique en plan expérimental, tandis que des agents utilisant la boîte à outils BioNeMo appellent des modèles de conception de protéines et d’optimisation de l’ARN pour exécuter des millions d’expériences virtuelles dans un laboratoire informatique à sec.
Automatisation de laboratoire en boucle fermée
Les candidats-médicaments les plus prometteurs passent ensuite dans une usine scientifique pilotée par l’IA, où des robots et instruments autonomes, développés avec Nvidia Omniverse et Cosmos, les fabriquent et les testent physiquement. Les résultats expérimentaux sont réinjectés dans Iris, créant une boucle répétée de conception-test-affinage destinée à accélérer la découverte.
Planification industrielle chez Siemens
Dans l’usine d’électronique de Siemens à Erlangen, des agents d’IA sont utilisés pour préparer la fabrication de nouveaux produits. Les agents Process Preparation X utilisent Nvidia Cosmos pour générer des prototypes virtuels et des données synthétiques, ce qui permet d’entraîner et de valider des modèles d’inspection avant le début de la production.
Validation de la production avec des jumeaux numériques
Les agents Intelligence Center X utilisent les commandes, les approvisionnements et les configurations de ligne pour recommander des plans de production. Un Digital Twin Composer construit sur les bibliothèques Nvidia Omniverse valide ensuite ces plans grâce à une simulation physique et à des données d’usine en temps réel avant qu’un changement n’atteigne l’atelier.
Refonte automobile avec Dassault Systèmes
Dans un flux de travail de Dassault Systèmes, un ingénieur adaptant la porte d’une Volkswagen Golf pour le Tiguan utilise Aura et Leo, alimentés par Nvidia Nemotron, pour raisonner sur les exigences d’ingénierie. Le harnais préserve le contexte entre planification, conception et simulation afin que des sous-agents spécialisés puissent fonctionner comme un système coordonné.
Logiciels d’ingénierie intégrés dans la boucle
Aura utilise ENOVIA pour planifier selon les dimensions du véhicule, les limites de poids et d’autres contraintes. Leo sélectionne une conception de porte compatible et la remodèle dans CATIA, tandis qu’un agent de simulation utilise Simulia, accéléré par les bibliothèques Nvidia CUDA-X, pour tester la modification, identifier un problème de vibration et renvoyer les résultats pour un affinement supplémentaire avant l’approbation humaine finale.
CONCLUSION
Dans la biotechnologie, l’industrie manufacturière et l’ingénierie automobile, Nvidia soutient que des agents d’IA utiles dépendent autant d’un accès sécurisé, de données métier et d’outils appuyés par la simulation que du modèle sous-jacent. La stratégie consiste à intégrer l’IA dans des boucles opérationnelles où les recommandations logicielles peuvent être testées, validées et améliorées avant un déploiement dans le monde réel.
Poser une question