L'essor de Nvidia, qui se chiffre en milliards de dollars, est alimenté par un modeste laboratoire de recherche

En 2009, lorsque Bill Dally a rejoint la division de recherche de Nvidia, il s'agissait d'une petite équipe d'une douzaine de personnes qui se concentraient principalement sur le traçage de rayons pour les graphiques informatiques.

Ce modeste groupe de recherche s'est depuis étoffé et compte aujourd'hui plus de 400 employés, jouant un rôle essentiel dans l'évolution de Nvidia, qui est passée d'une startup de GPU pour le jeu dans les années 1990 à une entreprise de 4 billions de dollars au cœur de la révolution de l'intelligence artificielle.

Le laboratoire se concentre désormais sur le développement de la technologie de base pour la robotique et l'IA, et certains de ses travaux sont déjà commercialisés. Lundi, l'entreprise a présenté une nouvelle série de modèles d'IA, de bibliothèques et d'infrastructures de développement pour la robotique.

M. Dally, aujourd'hui directeur scientifique de Nvidia, a été consultant pour la première fois pour l'entreprise en 2003, alors qu'il était à Stanford. Des années plus tard, alors qu'il s'apprêtait à quitter la présidence du département d'informatique de Stanford pour un congé sabbatique, Nvidia avait d'autres projets pour lui.

David Kirk, alors directeur de la recherche, et le PDG Jensen Huang pensaient qu'un rôle permanent au sein du laboratoire était mieux adapté. Bill Dally a déclaré à TechCrunch que les deux hommes avaient mis en place une "pression totale" pour le convaincre de rejoindre le laboratoire, ce qu'ils ont finalement réussi à faire.

"Il s'est avéré que cela correspondait parfaitement à mes intérêts et à mes compétences", a déclaré M. Dally. "Chacun cherche l'endroit où il peut apporter sa plus grande contribution. Pour moi, cet endroit est sans aucun doute Nvidia".

Lorsque M. Dally a pris la direction du laboratoire en 2009, l'expansion a été la priorité immédiate. L'équipe est rapidement passée du traçage de rayons à de nouveaux domaines tels que la conception de circuits et l'intégration à très grande échelle (VLSI), qui consiste à intégrer des millions de transistors sur une seule puce.

Le laboratoire de recherche n'a cessé de s'agrandir depuis.

Les grands noms de la technologie et du capital-risque se joignent à l'agenda de Disrupt 2025

Netflix, ElevenLabs, Wayve, Sequoia Capital, Elad Gil - ce ne sont là que quelques-uns des grands noms qui se joindront au programme de Disrupt 2025. Ils sont là pour vous fournir les informations qui alimentent la croissance des startups et vous permettent d'affiner vos connaissances. Ne manquez pas le 20e anniversaire de TechCrunch Disrupt et la chance d'apprendre des plus grands noms de la technologie. Prenez votre billet dès maintenant et économisez jusqu'à 600 $ avant que les prix n'augmentent.

Les grands noms de la technologie et du capital-risque se joignent à l'agenda de Disrupt 2025

Netflix, ElevenLabs, Wayve, Sequoia Capital - ce ne sont là que quelques-uns des grands noms qui se joindront au programme de Disrupt 2025. Ils sont là pour fournir les informations qui alimentent la croissance des startups et vous permettent d'affiner vos connaissances. Ne manquez pas le 20e anniversaire de TechCrunch Disrupt et la chance d'apprendre des plus grands noms de la technologie. Prenez votre billet dès maintenant et économisez jusqu'à 675 $ avant que les prix n'augmentent.

"Nous cherchons à identifier ce qui aura le plus grand impact positif pour l'entreprise", a déclaré M. Dally. "Nous explorons constamment de nouveaux domaines passionnants, mais pour certains d'entre eux, il est difficile de prédire si nous obtiendrons un succès fou, même avec un excellent travail."

Pendant une longue période, l'accent a été mis sur la construction de GPU de qualité supérieure pour l'intelligence artificielle. Nvidia a anticipé le boom de l'IA en commençant à développer des concepts de GPU pour l'IA en 2010, soit plus de dix ans avant la frénésie actuelle.

"Nous avons reconnu que cette technologie était révolutionnaire et qu'elle allait changer le monde", se souvient M. Dally. "Nous devions mettre les bouchées doubles. Jensen m'a cru quand je le lui ai dit. Nous avons commencé à spécialiser nos GPU pour l'IA, à développer des logiciels complets et à collaborer avec des chercheurs du monde entier bien avant que leur pertinence ne devienne évidente."

L'IA physique en point de mire

Aujourd'hui, forte de sa position dominante sur le marché des GPU pour l'IA, Nvidia explore de nouveaux domaines de demande au-delà des centres de données pour l'IA, en les orientant vers l'IA physique et la robotique.

"Les robots deviendront un jour une industrie mondiale massive, et notre objectif est de fournir les cerveaux pour chacun d'entre eux", a déclaré M. Dally. "Pour y parvenir, nous devons développer les technologies de base dès maintenant.

C'est là que Sanja Fidler, vice-présidente de la recherche en IA de Nvidia, entre en scène. Fidler a rejoint le laboratoire de recherche en 2018, apportant l'expertise de son travail sur les modèles de simulation de robots avec une équipe d'étudiants au MIT. Lorsqu'elle a parlé de ses recherches à Huang lors d'une réception, il a été immédiatement intrigué.

"Je n'ai pas pu résister à l'idée de rejoindre le laboratoire", a déclaré Fidler à TechCrunch. "Le sujet et la culture correspondaient parfaitement. L'invitation de Jensen était personnelle : "Venez travailler avec moi", pas seulement pour l'entreprise.

Elle a rejoint Nvidia et a créé un laboratoire de recherche à Toronto axé sur Omniverse, une plateforme dédiée à la construction de simulations pour l'IA physique.

Sanja Fidler a déclaré que le premier défi majeur consistait à se procurer les données 3D nécessaires. Il s'agissait de trouver des volumes d'images suffisants et de créer la technologie permettant de convertir ces images en modèles 3D utilisables pour les simulateurs.

"Nous avons investi dans une technologie appelée rendu différentiable, qui rend le rendu compatible avec l'IA", a expliqué M. Fidler. "Le rendu traditionnel passe de la 3D à l'image. Nous devions inverser ce processus.

Modèles mondiaux

Omniverse a lancé son premier modèle d'image à 3D, GANverse3D, en 2021. L'équipe s'est ensuite attaquée au même processus pour la vidéo. À partir de séquences filmées par des robots et des voitures autonomes, elle a créé des modèles et des simulations en 3D via le NeRF (Neural Reconstruction Engine), annoncé en 2022.

M. Fidler a fait remarquer que ces technologies constituent la base de la famille Cosmos de modèles d'IA mondiaux de l'entreprise, dévoilée au CES en janvier.

La priorité actuelle du laboratoire est d'augmenter la vitesse de ces modèles. Pour les robots et les simulations, les temps de réponse doivent être en temps réel, a souligné M. Fidler, et pour la robotique, l'objectif est d'obtenir des capacités de réaction encore plus rapides.

"Un robot n'a pas besoin de percevoir le monde à la même vitesse que nous", a déclaré M. Fidler. "Il peut traiter les informations 100 fois plus vite. L'accélération significative de ces modèles les rendra extrêmement utiles pour les applications robotiques et d'intelligence artificielle physique.

L'entreprise progresse vers cet objectif. Lors de la conférence SIGGRAPH sur l'infographie qui s'est tenue lundi, Nvidia a annoncé une nouvelle flotte de modèles d'IA mondiaux permettant de générer des données synthétiques pour entraîner les robots, ainsi que de nouvelles bibliothèques et de nouveaux logiciels d'infrastructure pour les développeurs en robotique.

Malgré les progrès réalisés et l'engouement actuel pour les robots, en particulier les humanoïdes, l'équipe de recherche de Nvidia reste pragmatique.

Dally et Fidler estiment que l'industrie est encore à plusieurs années des robots humanoïdes domestiques pratiques, Fidler comparant le calendrier à celui des véhicules autonomes.

"Nous faisons d'énormes progrès, et l'IA a été le principal catalyseur", a déclaré M. Dally. "Nous avons commencé avec l'IA visuelle pour la perception des robots, et maintenant l'IA générative s'avère immensément précieuse pour la planification des tâches, la planification des mouvements et la manipulation. Au fur et à mesure que nous résolvons chaque sous-problème et que nos ensembles de données d'entraînement s'élargissent, ces robots continueront d'évoluer."

Nous cherchons toujours à nous améliorer. Partager votre point de vue et vos commentaires sur la couverture et les événements de TechCrunch peut nous aider à évoluer. Répondez à cette enquête pour nous faire part de vos commentaires. Vous aurez également la possibilité de gagner un prix !