Portée par une vision qui conjugue rigueur scientifique et mise à l’échelle industrielle, la trajectoire d’Alex Kendall et de Wayve illustre la bascule d’une intelligence artificielle centrée sur le texte vers une intelligence physique qui observe, anticipe et agit. Selon les données récentes, l’Embodied AI s’impose comme un paradigme de R&D et de déploiement, où la voiture autonome devient un laboratoire grandeur nature : densité sensorielle, risques réels, hétérogénéité des scènes et contraintes réglementaires en font un banc d’essai sans équivalent. Une analyse approfondie révèle que, loin d’être un horizon lointain, la conduite autonome a déjà fait émerger des briques techniques réutilisables en robotique mobile — perception multimodale, apprentissage auto-supervisé, génération d’actions, contrôle et évaluation d’incertitude. Il est essentiel de considérer que l’ambition de Wayve dépasse l’automobile : construire un foundation model « incarné », adaptable à d’autres plateformes. Entre percée algorithmique et montée en puissance capitalistique, le pari est d’aligner qualité des données, puissance de calcul et frugalité des capteurs embarqués pour passer de démonstrations locales à des déploiements multi-marchés. À ce titre, Londres et Cambridge forment un écosystème où recherche académique, acteurs industriels et régulateurs testent pas à pas la viabilité d’une IA qui s’éprouve au contact du réel.
Embodied AI et voiture autonome : pourquoi l’intelligence physique passe d’abord par la route
Dans la perspective de Wayve, la route cristallise les défis de l’Embodied AI : scènes évolutives, interactions humaines, normes de sécurité et météo variable. En reliant perception, compréhension et action, un système d’intelligence physique doit apprendre des régularités du trafic tout en gérant l’imprévu. C’est le cœur d’un modèle unifié, entraîné par les données, qui privilégie la généralisation plutôt que la dépendance à des règles codées à la main.
Cette orientation s’oppose à des approches plus modulaires et carto-dépendantes. En privilégiant la caméra et l’inférence temps réel, l’équipe a cherché à réduire la complexité système et le coût des capteurs embarqués, tout en s’ouvrant à des scénarios variés. Le résultat attendu : un modèle réutilisable au-delà de la conduite autonome, sur des robots de livraison ou des plateformes industrielles.
De Cambridge à la Twizy : les débuts méthodiques d’Alex Kendall et Wayve
Formé à Cambridge, où il a contribué à la segmentation de scènes et à l’estimation d’incertitudes, Alex Kendall a testé très tôt l’hypothèse d’un système end-to-end. Les premiers essais sur une Renault Twizy bardée de caméras ont validé l’idée : apprendre à conduire « par la donnée » plutôt qu’en codant chaque règle. Cette intuition rejoint une littérature foisonnante autour de l’agent autonome, des simulateurs à la rue, et nourrit une feuille de route plus large vers des comportements généralisables.
Pour replacer ces jalons, on se reportera à son analyse de la feuille de route vers l’Embodied AI et à son intervention à la Cambridge Philosophical Society, qui explicitent les contraintes d’échelle et les métriques de robustesse. Cette articulation recherche–terrain reste l’axe structurant du projet.
Dans cette lignée, des échanges publics, de conférences à des interviews spécialisées, détaillent l’évolution du modèle, des premières démonstrations aux pilotes en flotte, marquant le passage de l’exploration scientifique au produit.
Wayve face au marché : du prototype à un foundation model pour la conduite autonome
Wayve s’éloigne du modèle intégré de certains constructeurs pour licencier un foundation model « hardware-agnostic » à des OEM et opérateurs de mobilité. Contrairement à l’intégration verticale de Tesla, la stratégie consiste à agréger des jeux de données hétérogènes, multipliant contextes de conduite et cas limites. Cette différence d’architecture et de go-to-market redéfinit la place du fournisseur d’IA dans la chaîne de valeur automobile.
La présence de Kendall sur des scènes internationales, comme l’illustre sa présence annoncée à TechCrunch Disrupt 2025, souligne les enjeux de partenariats industriels. Pour une mise en perspective éditoriale, le premier volet d’Architects of the Future retrace la montée en puissance de l’entreprise et les jalons techniques qui soutiennent sa thèse.
Financement, alliances et calendrier industriel
Après un cap décisif en 2024 avec un investissement mené par SoftBank, complété par Microsoft et Nvidia, Wayve a consolidé sa trajectoire par un nouveau tour de table de 1,2 milliard de dollars, pour une valorisation d’environ 8,6 milliards. Selon les informations communiquées localement, un engagement additionnel potentiel de 300 millions de dollars par Uber est conditionné au déploiement de robotaxis à Londres, signe d’un passage assumé de la preuve de concept au service urbain.
Des relais institutionnels confirment cette dynamique, à l’instar de la mise en avant académique en Nouvelle-Zélande sur les financements majeurs de l’entreprise, visible via l’université d’Auckland (retour sur le parcours de l’alumnus). En parallèle, des entretiens approfondis, comme cet échange exclusif consacré à l’avenir des voitures et des robots, décrivent l’ambition trans-sectorielle du modèle.
À mesure que la feuille de route se précise, l’exécution dépend d’un alignement délicat : données variées, déploiement sécurisé et courbe d’apprentissage économique soutenable.
Architecture d’Embodied AI : de la perception à l’action, une pile technique unifiée
La robustesse d’un système incarné repose sur une chaîne cohérente, des signaux sensoriels à la décision. Dans la vision de Wayve, l’empilement n’est pas une juxtaposition de modules étanches : il s’agit d’un modèle généraliste qui apprend à voir, raisonner et agir, avec un contrôle explicite des incertitudes et une capacité d’adaptation cross-plateformes.
- Perception multi-caméras et fusion des capteurs embarqués : compréhension sémantique, profondeur et mouvement, calibrées pour l’inférence temps réel.
- Raisonnement et génération d’actions : du suivi de couloir à la négociation d’intersections, avec estimation d’incertitude pour des comportements prudents.
- Apprentissage auto-supervisé et apprentissage par renforcement ciblé : exploitation de grands volumes de vidéo conduite, complétés par du RL pour le fine-tuning de politiques et la sécurité opérationnelle.
- Interfaces multimodales (ex. LINGO, GAIA) : description de scènes, styles de conduite et copiloting par langage, vers une supervision humaine plus intuitive.
- Généralisation cross-véhicules : un socle réutilisable pour la robotique mobile au-delà de la conduite autonome.
Cette pile, entraînée par la donnée et pensée pour la transférabilité, vise à réduire le temps de portage sur de nouvelles plateformes, élément clé d’un modèle économique scalable.
Régulation, compétition et chaînes de valeur en recomposition
Le paysage concurrentiel évolue rapidement. D’un côté, l’intégration verticale façon Tesla continue de structurer le débat, avec des enjeux de gouvernance mis en lumière par l’actualité (lecture critique des équilibres de pouvoir). De l’autre, des coalitions émergent entre opérateurs et constructeurs, comme l’illustre une initiative conjointe d’Uber et Volkswagen autour de nouvelles offres de mobilité et de cloud.
Sur le plan technique, la localisation et la résilience des signaux GNSS restent des sujets sensibles. À ce titre, la bataille pour remplacer le GPS met en évidence l’intérêt d’approches alternatives et complémentaires, propices à l’intelligence artificielle embarquée et à la réduction de la dépendance aux cartes HD. Ces mouvements convergent vers un même objectif : fiabiliser le service à grande échelle tout en maîtrisant les coûts système.
Dans ce contexte, la route n’est pas un aboutissement mais un passage obligé : un milieu riche en signaux et en contraintes, idéal pour éprouver une intelligence physique appelée à investir nos villes, nos usines et nos infrastructures.
Journaliste spécialisée en énergie et industrie, je décrypte depuis plus de quinze ans les évolutions des marchés énergétiques et les innovations industrielles. Mon parcours m’a conduite à collaborer avec des publications de renom, où j’ai analysé les défis liés à la transition énergétique et aux politiques industrielles.
