Tout le monde veut savoir quel sera le prochain grand thème.
J'ai eu la chance d'être positionné sur le supercycle de l'optique avant la plupart des gens, et cela a changé ma vie.
Et si nous pouvions trouver le prochain thème de cette ampleur et nous positionner tôt ?
Je crois que c'est possible.
Et c'est de cela qu'il s'agit dans ce rapport.
Après avoir vraiment creusé celui-ci, je crois que c'est le bon.
Dans ce rapport, je vais donc exposer le thème, pourquoi il est investissable maintenant, où il est investissable, toutes les couches + la chaîne d'approvisionnement, et quel est mon plan pour la suite.
L'optique/la photonique reste mon thème principal, que je couvrirai en profondeur sur cette page.
Mais il y a des opportunités qui nous attendent.
Et ce thème que je vais exposer ici sera le deuxième univers de couverture principal de mon Substack au fil du temps.
Nous sommes encore en avance et nous avons le temps de nous positionner.
Trouvons la meilleure façon de le faire.
Physical AI
Une grande partie de mon portefeuille a été investie dans l'infrastructure de l'IA au cours de l'année écoulée. Ce qui a évidemment été formidable.
Maintenant, je veux de plus en plus que les nouveaux dollars que j'ai soient dépensés dans de nouvelles opportunités sur le thème de la Physical AI.
Toutes les entreprises d'infrastructure dans lesquelles j'investis rendent possible ce nouveau thème.
Mon objectif avec ce rapport est d'introduire ce thème à un niveau très accessible afin que nous puissions tous partir sur une base très solide.
Quand je pense à Physical AI, je pense au point où les machines deviennent intelligentes.
Nous parlons donc de vision, de mouvement, de reconnaissance, de force, de sécurité, de retour d'information. Pour ne citer que quelques caractéristiques de certains produits finaux.
Le flux ressemble à ceci : voir le monde (via des caméras et/ou des capteurs), comprendre cette entrée, décider des actions qui ont du sens, créer un mouvement ou une sorte de réponse, puis vérifier ce qui s'est passé et s'adapter.
La boucle de rétroaction est un élément critique ici. La machine doit apprendre du résultat, et c'est un grand différenciateur par rapport aux machines « non intelligentes » qui répètent simplement le même mouvement préprogrammé.
En lisant cet article, je veux que vous preniez des notes au fur et à mesure. Chaque fois que vous lisez un domaine que vous pensez pouvoir être investissable, arrêtez-vous et notez-le. Essayez de créer une branche de combien de façons différentes vous pensez que cette couche pourrait être investissable. Pas des entreprises, juste différentes façons de monétiser, que ce soit avec un produit ou un service. Une fois que vous avez terminé, continuez à lire. Répétez l'opération.
The Shift
De l'écran au monde réel.
Une grande partie des cas d'utilisation de l'IA aujourd'hui relève de l'IA générative avec du texte, des images, du code, de la vidéo, de la recherche, de l'analyse, etc. Pratiquement tous ceux qui lisent ceci l'ont utilisé, si ce n'est quotidiennement. ChatGPT, Claude, Gemini, etc.
La prochaine vague que nous voyons déjà est l'Agentic, où l'IA commence à exécuter des tâches au lieu de simplement donner des réponses. Ainsi, un agent peut rechercher des fichiers, mettre à jour des feuilles de calcul, rédiger des e-mails, travailler sur votre emploi du temps, etc. Donc, de « répondre » à « faire », mais uniquement dans le domaine numérique.
Ensuite, il y a la Physical AI, où vous avez le contrôle de quelque chose dans le monde réel. Au lieu de dire à un opérateur de machine ce qui n'a pas fonctionné, elle peut ajuster la machine.
Je pense que l'exemple visuel auquel la plupart des gens pensent quand ils entendent parler de Physical AI est un humanoïde. Nous venons de voir Figure faire une comparaison côte à côte en direct entre un humanoïde et un humain triant des colis.
Mais à mon avis, c'est l'une des formes les moins pratiques de la Physical AI aujourd'hui. Ce qui est réel, ce sont les drones, les bras robotiques, les tracteurs autonomes, les systèmes d'entrepôt, les systèmes chirurgicaux, les systèmes de défense, etc.
L'idée plus profonde est que l'IA se rapproche du travail.
Pour faire le lien, l'IA générative aide pour la connaissance, l'IA agentique aide pour le travail de bureau/logiciel, et la Physical AI aide pour... eh bien... le travail physique. Heureusement qu'ils ont simplifié pour nous.
Alors, quel est le TAM ici ? Combien d'argent y a-t-il vraiment dans la Physical AI ?
La réponse est : « Oui ».
Tout. Absolument tout.
Ok mais sérieusement, l'économie physique est massive.
Nous parlons de fermes, d'entrepôts, de mines, d'hôpitaux, de systèmes de défense, de réseaux de transport, d'infrastructures énergétiques, de construction. Vous nommez.
Why This Is Hard
Ancrons ce rapport dans le réalisme.
Lorsque nous isolons l'IA à l'intérieur d'un écran, c'est beaucoup plus facile à gérer. Les erreurs sont moins critiques. Les modifications sont faciles à apporter. L'environnement est relativement contrôlé.
Entrez dans le monde réel et cela devient compliqué.
Le placement des objets est imprévisible. Les humains sont chaotiques (sans offense). Vous avez des facteurs environnementaux comme la pluie et le vent. La lumière à l'intérieur d'un entrepôt peut varier.
Donc ces systèmes doivent COMPRENDRE l'incertitude. Encore une fois, c'est la partie « intelligence ». Ces systèmes doivent fonctionner même lorsque les objets se déplacent de manière imprévisible, que les capteurs se salissent, que l'éclairage change, que des personnes traversent leur chemin, etc.
Ensuite, il y a l'aspect sécurité. Oui, il y a des problèmes de sécurité avec les logiciels, surtout si nous laissons les agents librement dans une entreprise, mais nous parlons ici de sécurité physique. L'inventaire peut être endommagé, des humains peuvent être blessés, l'équipement pourrait casser.
Ces systèmes doivent donc être précis, fiables, rapides et sûrs en même temps.
Je pense que la précision, la fiabilité et la sécurité sont du bon sens.
La vitesse peut surprendre certaines personnes. Mais réfléchissez-y. L'exemple le plus clair est la conduite autonome. Si un humain marche devant une voiture de manière imprévisible, elle doit réagir presque instantanément pour éviter une catastrophe. Il doit y avoir une latence minimale. C'est là que l'Edge AI entre en jeu, car on ne peut pas attendre un serveur cloud dans ces fenêtres de réponse.
Ensuite, il y a la coordination entre les pièces. Le cerveau seul ne suffit pas. Nous avons besoin de capteurs pour voir, de puces pour traiter les informations, de logiciels pour prendre des décisions, de moteurs pour bouger, de systèmes d'alimentation pour fournir l'énergie, de systèmes de contrôle pour rester précis, et de systèmes de sécurité pour éviter les mauvais résultats.
Cela ressemble à une chaîne d'approvisionnement... n'est-ce pas ?
Bien. Bien.
Ainsi, lorsque nous voyons des démos, le déploiement réel peut sembler très différent et plus éloigné. C'est une chose d'avoir une machine qui fonctionne en isolation. C'est très différent d'être déployée chaque jour dans des environnements réels. Donc, en plus de toutes ces choses que nous venons de dire que ces machines doivent pouvoir faire, elles doivent aussi être durables et durer.
Si tout cela ressemble à un exploit majeur... bien.
Ça l'est.
Et c'est là que réside l'opportunité.
Parce que les entreprises qui PEUVENT le faire. Et qui PEUVENT passer à l'échelle. Sont positionnées pour gagner beaucoup d'argent.
The Core Loop
Pratiquement tous les systèmes dont nous discutons ici doivent passer par un cycle similaire.
1 - Voir le monde
2 - Comprendre ce qui se passe
3 - Décider quoi faire
4 - Vérifier les résultats
5 - Améliorer
Prenons un exemple pratique.
Un robot d'entrepôt.
D'abord, il doit voir l'allée. Il peut utiliser une caméra, un lidar, des capteurs de profondeur ou d'autres capteurs pour comprendre où se trouvent les étagères, où sont les cartons et où se déplacent les autres robots ou les personnes.
Ensuite, il doit prendre cela et le comprendre. Il doit comprendre qu'un objet est un carton, un autre est un humain, etc. Il doit comprendre la distance, la vitesse, la direction et le risque.
Vient ensuite la décision. Doit-il continuer à avancer ? Ralentir ? Tourner à gauche ? C'est là que la perception commence à se transformer en action.
Ensuite vient le mouvement. Les moteurs tournent, les bras robotiques s'ajustent, la pince se ferme. Quoi que ce soit. Nous sommes maintenant dans le domaine physique.
Ensuite, il vérifie le résultat. A-t-il atteint la bonne étagère ? A-t-il saisi le bon article ? C'est une étape cruciale car le monde réel est imprévisible.
Enfin, il s'améliore. Il utilise le retour d'information de ce qui s'est passé pour prendre une meilleure décision la prochaine fois. C'est fondamentalement ainsi que nous fonctionnons en tant qu'humains. Peut-être apprend-il qu'un certain objet est plus difficile à saisir ou qu'un certain itinéraire est encombré à une certaine heure.
Cette boucle de rétroaction est ce qui sépare la Physical AI de l'automatisation de base. L'ancien automatisme est un ensemble d'instructions fixes. La Physical AI s'adapte, observe, réagit, s'ajuste.
Toutes ces étapes expliquent pourquoi la pile investissable est si vaste. Nous parlons de capteurs, de puces, de logiciels, de moteurs, d'énergie, de contrôles, de systèmes de sécurité, de données. Un corps robotique seul est inutile sans la boucle.
The Investible Stack
Maintenant, nous pouvons entrer dans plus de détails sur ce que chaque couche contient.
Nous n'entrons pas encore dans les entreprises. Nous devons poser les fondations.
J'aime l'idée de comparer la Physical AI à une personne. Pas dans l'aspect humanoïde/esthétique. Mais dans les fonctions et les sens.
Les humains ont besoin d'un cerveau, d'yeux, de muscles, de nerfs, d'énergie, d'équilibre, de mémoire et de pratique. Un système de Physical AI a besoin de la version machine de toutes ces choses sous une forme ou une autre.
Le robot/machine littéral que vous voyez n'est qu'une partie du système.
Ce qui se cache derrière la machine est beaucoup plus vaste et plus profond.
Et c'est là que se trouve vraiment l'exposition aux entreprises publiques.
Avant même que la pile ne commence, nous avons la formation.
Avant qu'une machine puisse fonctionner dans le monde réel, l'IA doit apprendre.
Nous avons donc besoin de données, de modèles, d'exemples de ce à quoi ressemblent les bonnes actions.
Elle peut donc s'entraîner sur des données du monde réel, des données synthétiques, des données de simulation ou des démonstrations humaines.
C'est comme un nouvel employé qui apprend à effectuer un travail avant de le commencer.
Ensuite vient la simulation.
C'est là que la machine s'entraîne dans un monde virtuel.
Ainsi, un robot d'entrepôt peut s'entraîner à se déplacer dans des allées numériques. Un drone peut s'entraîner à voler sur un champ de bataille numérique, etc.
C'est important car la pratique dans le monde réel est coûteuse, plus lente et parfois risquée.
Ensuite vient la perception.
Pour lire le reste de ce rapport, cliquez ici :
Je plonge dans le reste des couches investissables, où je vois ce thème aller, et quel sera mon processus.
Avec l'optique, la Physical AI est désormais le deuxième thème majeur que je couvre en profondeur.
Construction complète du portefeuille
Déballer toutes les couches
Présenter des entreprises spécifiques
Couverture des bénéfices, etc.
