L’IA on-device s’impose sur smartphones, voitures et robots

L’IA on-device progresse rapidement sur smartphones, véhicules et robots, portée par les géants mondiaux malgré des défis persistants de mémoire, chaleur et puissance embarquée.

Une nouvelle ère de l’intelligence embarquée

De plus en plus d’acteurs majeurs misent sur le déploiement de l’IA on-device, c’est-à-dire l’exécution directe de modèles intelligents sur les appareils eux-mêmes — des smartphones aux robots humanoïdes, en passant par les véhicules connectés. En optant pour cette approche locale, ces technologies réduisent la latence, renforcent la confidentialité des données et limitent la dépendance vis-à-vis du réseau. Pourtant, au-delà de l’enthousiasme général, cette dynamique mondiale s’accompagne déjà d’obstacles techniques bien concrets.

Bataille mondiale sur le marché mobile et IoT

La compétition se joue à plusieurs échelles. En Chine, des groupes comme Xiaomi multiplient les annonces ambitieuses : acquisition massive de GPU pour entraîner leur propre LLM MiMo, développement d’une puce propriétaire (XRING) et lancement prochain d’un smartphone intégrant un OS maison et une IA locale basée sur DeepSeek. Non loin derrière, Huawei poursuit son offensive souveraine avec la combinaison puce 5G – OS – IA sur sa gamme HarmonyOS. La Corée du Sud n’est pas en reste : Samsung, dopé par son partenariat avec Google Gemini, vise déjà 800 millions d’appareils Galaxy AI équipés dès 2026. Les États-Unis, quant à eux, avancent à leur rythme : le modèle local d’Apple Intelligence, annoncé lors de la WWDC 2025 pour l’iPhone 16, a suscité moins d’enthousiasme que prévu. À l’inverse, Meta, avec ExecuTorch et sa compatibilité multi-backends (Apple, Qualcomm…), occupe désormais une place stratégique dans les applications à très grande échelle comme Instagram ou WhatsApp.

L’IA embarquée conquiert véhicules et robots

Sur un autre front, les constructeurs automobiles accélèrent l’adoption du calcul embarqué. Le framework open source TensorRT Edge-LLM proposé par NVIDIA équipe déjà plusieurs plateformes,,DRIVE AGX Thor ou Jetson Thor en collaboration avec des partenaires tels que Bosch, ThunderSoft ou encore MediaTek. L’alliance entre Mercedes-Benz et Liquid AI devrait matérialiser ses premières productions dès fin 2026. Côté robotique, le rythme s’accélère aussi : Figure AI a dévoilé un modèle VLA associant vision et action temps réel tandis qu’en Chine, Unitree Robotics projette de déployer jusqu’à 20 000 robots dès 2026.

À retenir parmi les principales applications observées :

• L’intégration de LLM dans les smartphones haut de gamme (Samsung S24/Galaxy AI).
• L’expansion vers les objets connectés domestiques (réfrigérateurs Family Hub…).
• L’automatisation intelligente des lignes industrielles via robots humanoïdes.

Avenir prometteur mais défis persistants

Cependant, tout n’est pas si simple. La plupart des architectures actuelles restent hybrides, mêlant traitement local et cloud faute d’une puissance mémoire suffisante ou face à la chaleur dégagée lors des traitements lourds. Même les modèles « allégés » restent volumineux : DeepSeek nano pèse encore près de 3,5 Go mais il y a des solutions de compression, dans le podcast ci-dessous on aborde ce point. Dans la robotique enfin, l’absence de standard HAL complique l’unification des déploiements. Si l’on se fie aux projections sectorielles citées lors de salons comme le CES ou l’IAA, il faudra patienter encore avant que cette révolution ne s’impose massivement… Mais déjà le ton est donné : l’intelligence s’installe au cœur même de nos terminaux quotidiens.

Le Podcast