explainer
Physical AI vu depuis la data
Ce que change le passage des pipelines tabulaires à la perception, l’action et la simulation — sans se déguiser en roboticien.
Point de départ
Un background data sait déjà : provenance, évaluation, dérive, coût, latence. Physical AI pose les mêmes questions sur des capteurs, des politiques et des simulateurs. Ce n’est pas un autre métier magique. C’est un autre type de signal.
Vocabulaire utile (sans expertise)
- VLM — un modèle qui relie image et langage.
- VLA — une boucle voir → raisonner/dire → agir.
- ROS2 — le middleware robot, pas encore pratiqué ici en public.
- World models / simu — là où l’on voudrait évaluer sans casser de matériel.
Ce que je ne revendique pas
Pas d’expérience robotics professionnelle. Pas de run ROS2 publié. PhotoMind (photothèque intelligente) est un projet perso privé : intention multimodale, pas une preuve Lab tant qu’il n’est pas ouvert.
Lien avec le Lab
Le lab Premières notes Physical AI fixe l’entrée. Un premier run pixels est publié : Un baseline vision mesurable depuis la data (UCI digits 8×8). Decision Copilot et Knowledge Copilot restent des preuves data / agents / RAG. Physical AI est la direction, pas le CV actuel.
Piste SignalLab
Plus tard, séparer accélération recherche (papiers VLA) et adoption réelle (repos, produits, jobs). Un tweet n’est pas un déploiement.