Laplace Intelligence Teste Les Robots Avant Le Réel

Imaginez un instant qu’un agent d’intelligence artificielle, déjà capable de surprendre les experts dans le numérique, se mette à dérailler dans la rue, dans un entrepôt ou sur une autoroute. La simple idée donne froid dans le dos. C’est précisément cette perspective qui a poussé une jeune équipe américaine à inventer une nouvelle façon de tester les robots et les voitures autonomes bien avant qu’ils ne touchent le bitume ou le sol d’une usine.

Laplace Intelligence, la startup qui fait tester l’IA par l’IA

Basée à Ann Arbor, dans le Michigan, Laplace Intelligence s’est donné pour mission de red-teamer de manière automatisée tout ce qui relève de l’intelligence artificielle physique. En clair, la société construit des environnements de simulation ultra-réalistes et y envoie des agents d’IA spécialement conçus pour chercher les failles, les situations extrêmes et les comportements inattendus. L’objectif ? Découvrir et corriger les problèmes avant le déploiement réel, puis construire progressivement une base de preuves partageable avec clients, assureurs et régulateurs.

Howie Sun, le CEO et cofondateur, résume la démarche avec une franchise qui force le respect : « Les agents d’IA passent des ordinateurs au monde réel, et nous ne voulons vraiment pas que l’IA physique échoue dehors. » À ses côtés, Henry Liu, chief scientist et ancien directeur de thèse de Sun, apporte la profondeur académique qui a donné naissance au projet.

Des racines universitaires au produit commercial

L’aventure a commencé il y a un an seulement, mais elle s’appuie sur huit années de recherche. En 2023, Sun et Liu publient un article qui fait la couverture de la revue Nature. Le sujet ? Comment challenger les systèmes de conduite autonome en simulation. Les appels des constructeurs de véhicules autonomes affluent alors. Sun réalise qu’il veut transformer cette science pure en outil concret, utile dès aujourd’hui.

Le nom de la société n’est pas anodin. Il renvoie au démon de Laplace, cette expérience de pensée de 1814 selon laquelle, si l’on connaissait l’état exact de chaque particule de l’univers, on pourrait prédire l’avenir avec une précision absolue. « Nous utilisons la simulation pour prédire le futur du monde réel », explique Sun avec un sourire. La métaphore est belle, et surtout opérationnelle.

Une simulation reconstruite depuis le monde réel

Au cœur de la plateforme se trouve une version post-entraînée de Nvidia Cosmos, le moteur de simulation de mondes d’IA. Laplace y injecte des données réelles pour reconstruire n’importe quel environnement : une autoroute de l’Arizona, un passage piéton parisien, un entrepôt logistique ou une intersection dense. Une photo Google Street View peut servir de point de départ, mais le système la combine immédiatement avec des données cartographiques précises pour respecter les échelles et les proportions.

Les développeurs peuvent ensuite modifier le décor en langage naturel. « Ajoute un trafic dense de fin d’après-midi » et, en quelques secondes, les informations de congestion fournies en temps réel par des partenaires comme TomTom viennent peupler la scène. Plus impressionnant encore : les autres acteurs de la simulation ne sont pas de simples obstacles statiques. Ils réagissent. Lors d’une démonstration, Sun a ordonné au véhicule test de se rabattre brutalement sur la voie opposée. La voiture qui aurait dû être percutée a immédiatement manœuvré pour éviter la collision. « C’est un environnement vraiment interactif. Tout le monde réagit à tout le monde. C’est plus qu’un modèle de monde : c’est un monde avec des participants vivants. »

Des agents d’IA qui inventent les cas limites

La simulation n’est pourtant que la moitié de l’histoire. Le véritable différenciateur de Laplace, c’est l’agent d’IA qui conçoit automatiquement les scénarios les plus vicieux. Ces agents s’inspirent d’articles de presse, de rapports de police sur des collisions, de données d’accidents et de situations imaginées. Ils génèrent des corner cases que les équipes humaines peinent souvent à anticiper.

Aujourd’hui, la plupart des développeurs de véhicules autonomes s’appuient encore sur des enregistrements de trajets réels transformés en simulation, ou sur l’imagination d’ingénieurs. Certaines entreprises, comme Waabi dans le camionnage autonome, ont déjà commencé à utiliser l’IA pour créer des cas limites. Mais Sun estime que le besoin va exploser avec l’arrivée des robots généralistes. « Il y a beaucoup moins de données sur la robotique généralisée. Personne ne sait vraiment quels seront les cas limites dans le monde réel. »

Premiers clients et premiers revenus

Malgré l’absence de pedigree Silicon Valley classique, Laplace a déjà généré des revenus et même un petit bénéfice. La majorité des contrats concernent encore la conduite autonome. Parmi les clients figurent le constructeur japonais de camions Isuzu et la société texane Bot Auto. Nvidia est également client. Ensemble, avec T-Mobile, les trois partenaires travaillent sur un pilote de ville intelligente gratuite à San José, en Californie, dédié à la gestion du trafic à haut niveau. Laplace commence aussi à collaborer avec des acteurs de la robotique humanoïde destinée aux entrepôts.

Pour l’instant, les contrats sont surtout projet par projet. L’ambition à court terme est de basculer vers un modèle de revenus récurrents. Participer au Startup Battlefield 200 de TechCrunch Disrupt 2026, où Laplace a présenté son pitch le 13 octobre, doit justement aider à lever des fonds et à accélérer cette transition.

Face à Applied Intuition et aux géants

Le concurrent le plus visible s’appelle Applied Intuition. La startup a déjà levé 1,2 milliard de dollars et affiche une valorisation post-money de 15 milliards. Isuzu figure d’ailleurs aussi parmi ses clients. Sun n’est pas intimidé. Il estime que l’approche de Laplace – faire tester l’IA par l’IA de façon dynamique et interactive – constitue un nouveau paradigme. « Cela change entièrement la façon de tester l’IA physique. Ce sera notre plus grand fossé concurrentiel. »

Cette conviction s’appuie sur une observation simple : plus les robots deviennent polyvalents, moins les jeux de données historiques suffisent. Les scénarios rares, les interactions complexes entre humains et machines, les conditions météo extrêmes ou les comportements imprévisibles des piétons doivent être générés et testés en boucle fermée. C’est exactement ce que propose Laplace.

Pourquoi le red-teaming automatisé devient critique

Le red-teaming n’est pas une nouveauté dans le monde de la cybersécurité. Mais l’appliquer à des systèmes physiques change complètement la donne. Une faille logicielle peut coûter de l’argent ou des données. Une faille dans un robot ou une voiture autonome peut coûter des vies. Les assureurs et les régulateurs commencent d’ailleurs à exiger des preuves de robustesse bien plus solides qu’un simple journal de tests manuels.

Laplace positionne sa plateforme comme un outil de confiance. Chaque session de simulation produit des traces exploitables, des métriques de performance et des scénarios documentés. À terme, l’idée est de constituer une sorte de « mémoire collective » de ce qui a déjà été testé et validé, utile pour toute l’industrie.

• Reconstruction d’environnements à partir de données cartographiques et d’images réelles
• Modification en langage naturel des conditions de circulation et météo
• Agents d’IA capables d’inventer des scénarios extrêmes à partir de sources ouvertes
• Comportement interactif des autres usagers de la route ou de l’espace de travail
• Génération de rapports exploitables par les équipes de validation et les assureurs

Le défi des robots généralistes

Si les véhicules autonomes ont déjà accumulé des millions de kilomètres de données, la robotique humanoïde ou polyvalente part presque de zéro. Un robot capable de manipuler des objets dans un entrepôt, d’aider une personne âgée ou de circuler dans un magasin doit gérer une infinité de situations nouvelles. Les développeurs ne peuvent plus se contenter de rejouer des scènes filmées. Ils ont besoin d’un système qui explore activement l’espace des possibilités et qui pousse le robot dans ses retranchements.

C’est là que Laplace se démarque. En combinant un modèle de monde haute fidélité et un agent de red-teaming autonome, la startup propose un cycle de test beaucoup plus dense et moins dépendant de l’expertise humaine. Les ingénieurs restent dans la boucle pour analyser les résultats et corriger les modèles, mais la découverte des failles devient largement automatisée.

Une vision long terme : la confiance partagée

Howie Sun insiste souvent sur un point : le but n’est pas seulement de vendre un outil de simulation. C’est de construire, au fil du temps, une base de preuves que l’ensemble de l’écosystème pourra consulter. Clients, assureurs, régulateurs et même le grand public pourraient un jour accéder à des indicateurs de robustesse standardisés. Cette transparence pourrait accélérer l’adoption des robots et des véhicules autonomes en réduisant les peurs légitimes liées à la sécurité.

La participation au Startup Battlefield 200 de TechCrunch Disrupt 2026 arrive à un moment clé. Laplace a prouvé qu’elle pouvait générer des revenus rapidement. Elle doit maintenant scaler, recruter et transformer ses contrats ponctuels en abonnements. Le marché de la simulation et de la validation pour l’IA physique est encore jeune, mais il grandit vite. Les acteurs qui sauront automatiser le red-teaming auront un avantage décisif.

Ce que Laplace change concrètement dans les tests

Traditionnellement, tester un système de conduite autonome ou un robot demande des équipes nombreuses, du temps et une créativité limitée par l’expérience humaine. On rejoue des trajets connus, on invente quelques scénarios à la main, on espère avoir couvert l’essentiel. Avec Laplace, le processus devient dynamique. L’agent de red-teaming explore en continu de nouvelles combinaisons, apprend des échecs précédents et affine ses attaques. Le système testé est forcé de s’adapter ou de révéler ses faiblesses.

Cette approche s’apparente à un jeu permanent entre deux intelligences : celle qui conduit ou manipule, et celle qui cherche à la mettre en défaut. Le résultat est une validation beaucoup plus dense et, potentiellement, plus honnête. Les failles découvertes en simulation peuvent ensuite être corrigées avant qu’elles n’apparaissent dans le monde réel.

Les prochaines étapes pour Laplace Intelligence

Après le pitch au Disrupt, l’équipe prévoit de lever des fonds pour accélérer le développement des agents de red-teaming et élargir la bibliothèque d’environnements simulés. Les robotiques humanoïdes et les solutions de villes intelligentes représentent des relais de croissance importants. Sun et Liu veulent aussi renforcer les partenariats avec les constructeurs de puces et les opérateurs télécoms, comme le montre déjà la collaboration avec Nvidia et T-Mobile.

À plus long terme, la société pourrait jouer un rôle de standard de facto pour la validation de l’IA physique. Si elle parvient à convaincre suffisamment d’acteurs d’utiliser sa plateforme, les données de test accumulées deviendront un actif stratégique. Les régulateurs pourraient même s’y référer pour définir des exigences minimales de robustesse.

Une leçon pour toute l’industrie de l’IA physique

L’incident OpenAI-Hugging Face a rappelé que les agents logiciels peuvent se comporter de façon imprévisible. Transposé au monde physique, le même type de surprise pourrait avoir des conséquences dramatiques. Laplace Intelligence part du principe que la seule façon sérieuse de se prémunir est de faire tester l’IA par une autre IA, dans un environnement contrôlé mais ultra-réaliste.

Cette idée simple, portée par deux chercheurs qui ont choisi de quitter le confort académique pour construire un produit, pourrait bien devenir la norme. Les robots et les voitures autonomes n’entreront vraiment dans nos vies que lorsque nous aurons la certitude qu’ils ont été poussés dans leurs derniers retranchements… en simulation. Et c’est exactement ce que Laplace s’emploie à faire, un scénario extrême après l’autre.

En attendant que les premiers robots humanoides peuplent les entrepôts ou que les camions autonomes sillonnent les autoroutes sans surveillance humaine, les équipes de validation ont désormais un nouvel allié. Un allié qui ne dort jamais, qui invente des situations auxquelles personne n’avait pensé, et qui transforme la peur de l’échec en moteur d’amélioration continue. Laplace Intelligence ne promet pas un monde sans risque. Elle propose simplement de découvrir ces risques plus tôt, plus vite, et de façon beaucoup plus systématique. Dans un domaine où chaque erreur peut coûter cher, cette promesse a de fortes chances de trouver un large écho.

La suite de l’histoire s’écrira sans doute dans les prochains mois, au gré des levées de fonds, des nouveaux contrats et des avancées techniques. Mais dès aujourd’hui, une chose est claire : le red-teaming de l’IA physique vient de gagner un acteur déterminé, ambitieux et déjà opérationnel. Et dans un secteur qui avance à toute vitesse, ce type de vigilance proactive n’est plus un luxe. C’est une nécessité.