NVIDIA tisse des ponts entre puces coréennes et robots plus adaptatifs

Deux annonces distinctes, publiées début novembre 2026, montrent à quel point l’IA se joue désormais autant dans les data centers que dans les gestes des robots. D’un côté, NVIDIA approfondit sa collaboration avec la Corée du Sud autour de puces, de modèles et de sécurité des agents. De l’autre, des chercheurs du MIT et de New York University présentent FLEX, un système qui ajuste les trajectoires d’un robot à partir de corrections conversationnelles, avec l’idée simple de faire mieux comprendre ce que l’utilisateur veut vraiment éviter, déplacer ou protéger.

En Corée, NVIDIA prépare des racks hybrides pour l’inférence

NVIDIA a annoncé le 8 novembre 2026 une collaboration avec Rebellions et SK Telecom pour connecter les prochains processeurs R200 de Rebellions à NVLink Fusion, avec une mise en service visée en 2028. Le projet s’inscrit dans une stratégie de souveraineté technologique coréenne, soutenue par le ministère des Sciences et des TIC, et vise des systèmes capables de combiner puces NVIDIA et accélérateurs NPU coréens dans une même architecture de rack. En clair, chaque composant garde sa spécialité, mais tout le monde partage le même châssis.

Le schéma retenu repose sur une inférence dite disagrégée : les GPU NVIDIA prendraient en charge la phase de préremplissage, tandis que les NPUs Rebellions assureraient le décodage. Cette répartition doit améliorer le débit et l’efficacité énergétique sur des modèles de très grande taille, y compris des modèles à plusieurs milliers de milliards de paramètres [à vérifier sur l’échelle exacte des modèles ciblés]. MGX fournit, de son côté, une base commune pour le format des racks, l’alimentation et le refroidissement, ce qui facilite la planification des data centers autant que l’intégration industrielle.

Le pari coréen mêle matériel, modèles et formation

SK Telecom ne se contente pas d’héberger les machines. L’opérateur prévoit de relier cette infrastructure à ses modèles propriétaires, dont A.X K2, ainsi qu’à des services publics développés dans le cadre du programme AI for All. NVIDIA doit aussi accompagner trois consortiums sélectionnés et quatre bâtisseurs coréens de modèles fondamentaux, avec des recettes d’optimisation fondées sur Dynamo, un framework open source d’inférence distribuée. L’objectif est de faire passer plus vite des modèles open source coréens en production. Là encore, la promesse n’est pas seulement technique ; elle touche à la chaîne complète, du silicium au service final.

Le volet formation n’est pas anecdotique. NVIDIA annonce des programmes de certification, des hackathons et des séminaires techniques pour renforcer l’usage des GPU dans les équipes locales. Cette couche “compétences” compte autant que les serveurs : sans opérateurs capables de les faire tourner correctement, les beaux racks restent surtout de jolis meubles très coûteux. Bae Kyung-hoon, vice-Premier ministre et ministre coréen des Sciences et des TIC, a déclaré que cela permettrait aux NPU conçus en Corée d’“entrer sur le marché de l’infrastructure de calcul aux côtés de NVIDIA”.

FLEX veut corriger les robots comme on reformule une consigne

Au MIT et à NYU, FLEX, pour Flexible Feature Editing Pipeline, attaque un problème plus discret mais très concret : comment faire comprendre à un robot ce qu’un humain veut corriger sans lui imposer une liste de règles interminable. Le système utilise des corrections en langage naturel pour modifier les “caractéristiques” qu’un robot surveille dans son environnement. Dans l’exemple donné par les chercheurs, dire à un robot qui porte un café de ne pas renverser sur un ordinateur portable ne conduit pas seulement à éviter cet ordinateur ; FLEX infère aussi une préférence plus large pour éviter les appareils électroniques à proximité, comme un téléphone posé juste à côté.

Le pipeline sépare la formulation de la préférence et l’optimisation du comportement. Une correction passe par trois étapes : ADD vérifie si les caractéristiques existantes suffisent ; sinon, le modèle de langage propose une variable manquante et génère le code associé. GENERALIZE remplace une règle trop spécifique par une intention plus large. MASK retire les éléments devenus hors sujet. Dans l’exemple du bowling ball cité par le papier, une contrainte limitée à une tasse devient une consigne plus générale d’évitement des objets fragiles. Cette séquence vise à limiter les représentations à moitié justes, trop précises ou franchement mal placées.

Des résultats prometteurs, mais encore surtout en simulation

Les chercheurs disent avoir testé FLEX sur des grilles de navigation 9 x 9 et sur des tâches simulées avec un bras Franka à sept degrés de liberté, autour d’un café, d’une bougie allumée et d’une boule de bowling. Dans les sept scénarios de navigation, FLEX a obtenu le meilleur score moyen de récompense normalisée. Dans le cas nécessitant les trois opérations, il atteint 0,99 contre 0,69 pour ALGAE, 0,83 pour MFE et 0,78 pour la baseline non structurée. Côté étude utilisateur, 12 participants ont donné des corrections textuelles sur trois blocs de cinq séquences ; FLEX a obtenu la meilleure note moyenne sur les cinq dimensions évaluées, avec un score de 6,3 sur 7 pour la compréhension de l’intention.

Reste une limite importante : l’étude humaine ne s’est pas déroulée en boucle fermée sur un vrai robot. Les participants ont observé des trajectoires simulées, car certaines méthodes de comparaison produisaient des mouvements erratiques. Les auteurs reconnaissent aussi que FLEX reste limité à la manipulation quasi statique d’objets rigides, dont les propriétés pertinentes peuvent être décrites en langage. Les tâches dynamiques, les objets déformables ou les préférences très personnelles demanderont autre chose. Pour un robot domestique, cela veut dire que la conversation aide, mais ne remplace pas encore le bon sens de terrain.