Lorsque des ingénieurs d’un grand constructeur aéronautique doivent tester le comportement de l’écoulement d’air autour d’un nouveau profil d’aile, l’approche classique impose de configurer un solveur de dynamique des fluides computationnelle (CFD), d’attendre des heures ou des jours pour que la simulation converge, d’analyser les résultats, d’ajuster les paramètres, puis de relancer le solveur. Multipliez ce cycle par des dizaines de variantes de conception, et des mois s’écoulent avant qu’un premier prototype ne soit construit.
PhysicsX, une start-up londonienne fondée en 2019, a développé une plateforme qui compresse ce processus de plusieurs jours à quelques secondes. Le 8 juin 2026, elle a annoncé une levée de fonds de 300 millions de dollars en Série C menée par Temasek, le fonds souverain de Singapour, valorisant la société à environ 2,4 milliards de dollars. Cette opération confirme que l’« IA physique » — entraîner des réseaux de neurones profonds sur les équations physiques régissant l’aérodynamique, le transfert de chaleur, la mécanique des structures et le comportement des semi-conducteurs — s’impose comme la prochaine grande verticale du deep tech d’entreprise, distincte mais inspirée de la révolution des grands modèles de langage (LLM).
Des pistes de Formule 1 à une plateforme valorisée 2,4 Md$
PhysicsX a été cofondée par Jacomo Corbo, ancien scientifique en chef et cofondateur de la division QuantumBlack AI de McKinsey, et Robin Tuluie, ancien directeur R&D de Renault Alpine F1 et directeur des technologies véhicule chez Bentley Motors. La Formule 1 constitue un terrain d’essai particulièrement exigeant pour la simulation : les équipes lancent des milliers de simulations aérodynamiques par semaine pour gagner des millièmes de secondes par tour. C’est dans cet environnement que les fondateurs ont pu constater de première main comment les pipelines de simulation classiques — puissants mais lents — deviennent le goulot d’étranglement qui bride la créativité des ingénieurs.
La société est sortie de sa discrétion en 2023 après avoir levé 32 millions de dollars en Série A menée par General Catalyst. Sa Série B, bouclée moins d’un an avant ce dernier tour, valorisait la société à environ un milliard de dollars. Le bond à 2,4 milliards de dollars en moins de douze mois — conjugué à un chiffre d’affaires réservé triplé, un chiffre d’affaires reconnu doublé, un nombre de clients plus que doublé, et un effectif passé de 150 à plus de 350 collaborateurs — traduit une véritable traction commerciale, et non un simple enthousiasme des investisseurs.
Ce que PhysicsX construit réellement : les Grands Modèles Physiques
Le produit phare de la société est ce qu’elle appelle une plateforme d’ingénierie native IA, construite autour de « Large Physics Models » (LPM) — une analogie explicite aux grands modèles de langage, mais entraînés sur les équations gouvernantes des systèmes physiques plutôt que sur du texte. Là où un modèle transformer apprend des patterns statistiques sur des milliards de mots, un Grand Modèle Physique apprend les mathématiques sous-jacentes décrivant la dissipation thermique dans une aube de turbine, la propagation des contraintes dans un châssis sous impact, ou la distribution des champs électromagnétiques à l’intérieur d’un boîtier de semi-conducteur.
Le résultat pratique est saisissant : au lieu de lancer un solveur d’analyse par éléments finis (FEA) pendant six heures pour obtenir une carte de contraintes sur un nouveau composant en alliage, un ingénieur interroge un modèle PhysicsX entraîné et reçoit une prédiction haute fidélité en quelques secondes. La plateforme est conçue pour s’intégrer dans les workflows d’ingénierie existants plutôt que de les remplacer entièrement — elle fonctionne aux côtés d’outils comme ANSYS et COMSOL, en accélérant les étapes de simulation intensive tout en préservant le jugement de l’ingénieur.
Les secteurs ciblés comprennent l’aérospatiale et la défense, les semi-conducteurs, les machines industrielles, l’automobile, l’énergie et la production de matériaux. L’application aérospatiale est particulièrement bien documentée : la société a démontré qu’elle pouvait comprimer les cycles de conception d’aéronefs de plusieurs mois à quelques jours, permettant aux équipes d’ingénieurs d’évaluer des milliers de variantes de conception là où elles n’en géraient auparavant qu’une poignée.
Au-delà de la conception initiale, la plateforme s’étend aux jumeaux numériques opérationnels — des modèles d’IA persistants qui reproduisent le comportement des équipements réels et prédisent leur comportement dans des conditions d’exploitation réelles, permettant la maintenance prédictive et l’optimisation en temps réel.
Les investisseurs et la signification stratégique du tour
Temasek, le fonds souverain de Singapour gérant plus de 280 milliards de dollars d’actifs, a mené la Série C — un signal fort. Temasek n’est pas connu pour ses paris spéculatifs ; sa participation indique généralement une confiance dans la maturité commerciale. L’accent mis par le fonds sur la transformation industrielle en Asie-Pacifique laisse également entrevoir l’expansion planifiée de PhysicsX à Singapour, qui servira de siège asiatique.
Les nouveaux co-investisseurs M&G Investments et Intrepid Growth Partners ont rejoint des investisseurs existants augmentant leurs participations : NVIDIA, Applied Materials, Atomico, General Catalyst, Siemens, NGP, July Fund et Radius. La présence de NVIDIA et d’Applied Materials — deux sociétés dont les revenus dépendent directement de la chaîne d’approvisionnement des semi-conducteurs — est particulièrement significative : accélérer la simulation de conception et de fabrication de puces accélère directement les cycles de développement de leurs propres clients.
Siemens, acteur historique de longue date dans les logiciels de simulation industrielle, qui investit dans une start-up adjacente à sa concurrence, reflète une dynamique sectorielle plus large : les éditeurs traditionnels de CAO/IAO investissent de plus en plus dans des acteurs natifs IA plutôt que de tenter de construire une IA physique en interne.
Les 300 millions de dollars financeront trois objectifs principaux : l’expansion mondiale (dont le nouveau bureau de Singapour et l’accélération de la croissance aux États-Unis), l’élargissement des capacités de la plateforme, et la recherche de pointe sur des modèles physiques d’IA toujours plus grands et plus puissants.
Publicité
La thèse de l’IA physique : pourquoi ce moment, pourquoi maintenant
Les logiciels de simulation classiques constituent l’épine dorsale de l’ingénierie matérielle depuis cinquante ans. Des outils comme ANSYS, COMSOL, NASTRAN et OpenFOAM sont extraordinairement performants mais coûteux en calcul : ils discrétisent les domaines physiques en millions d’éléments de maillage et résolvent des équations différentielles couplées de manière itérative, nécessitant des clusters HPC spécialisés et une expertise approfondie.
Trois tendances convergentes créent les conditions pour que l’IA physique supplante — ou plus précisément, augmente considérablement — cette pile classique :
Premièrement, l’abondance de données d’entraînement. Des décennies de simulations CFD et FEA ont produit d’immenses datasets de résultats. Ces datasets, auparavant sous-exploités sur des serveurs d’ingénierie, constituent désormais le signal d’entraînement pour les modèles d’IA physique.
Deuxièmement, l’infrastructure GPU. Les mêmes écosystèmes GPU construits pour l’entraînement des LLM sont applicables à l’IA physique. L’investissement de NVIDIA dans PhysicsX n’est pas anodin — son matériel est le substrat de calcul des deux types de modèles.
Troisièmement, la vague d’adoption de l’IA en entreprise. Les organisations d’ingénierie qui ont expérimenté les LLM pour la documentation et la génération de code de 2023 à 2025 se demandent désormais ce que l’IA peut faire pour leurs workflows techniques de base. La simulation est la cible à plus forte valeur ajoutée : l’accélérer de plusieurs ordres de grandeur se traduit directement par des cycles de développement produit plus courts et des coûts de calcul réduits.
Paysage concurrentiel et facteurs de risque
PhysicsX n’opère pas dans le vide. Ansys (récemment acquis par Synopsys pour 35 milliards de dollars), Cadence Design Systems et Siemens Digital Industries ont tous des programmes actifs de simulation augmentée par l’IA. Un certain nombre de start-ups bien financées — notamment Luminary Cloud, Monolith AI et Pasteur Labs — occupent des positions adjacentes.
Le différenciateur clé mis en avant par PhysicsX est son architecture « native IA » : plutôt que de greffer l’IA sur un solveur classique, elle entraîne des modèles physiquement fondés dès le départ. Le positionnement sur les Grands Modèles Physiques prépare également la société à un avenir où les LPM pourraient devenir aussi commoditisés que les LLM fondateurs — permettant un écosystème de plateforme avec des applications tierces, des modèles de domaine affinés et des intégrations API.
Ce que les équipes d’ingénierie devraient faire
1. Identifier vos simulations les plus coûteuses et quantifier le goulot d’étranglement
Avant d’évaluer des plateformes d’IA physique, les responsables techniques devraient réaliser un audit interne de la concentration réelle du temps de simulation. Dans la plupart des organisations, 20 % des simulations consomment 80 % du temps de calcul — typiquement les simulations plein système haute fidélité qui interviennent en fin de cycle de conception. Quantifiez à la fois le coût de calcul et le temps calendaire : une simulation CFD de six heures sur un cluster de 128 cœurs a un coût réel, mais le vrai prix est la vitesse d’itération d’ingénierie qu’elle contraint. Cet audit vous donne un business case pour piloter l’IA physique et une métrique de succès claire.
2. Tester un outil d’IA physique en parallèle de votre stack FEA/CFD classique existant
Plutôt que de remplacer vos outils de simulation classiques, commencez par une piste parallèle : faites tourner les mêmes scénarios de conception sur votre solveur existant et un modèle de substitution IA physique simultanément, et mesurez les compromis précision/vitesse. PhysicsX et les plateformes similaires sont conçues pour s’intégrer dans les workflows existants, et non pour imposer un remplacement complet de la pile. Un pilote de trois mois sur un sous-système non critique pour la sécurité — par exemple, la gestion thermique d’un module électronique de puissance ou la prédiction de traînée aérodynamique sur un composant intérieur — génère des données concrètes sur la question de savoir si la précision se situe dans les tolérances d’ingénierie admissibles.
3. Développer dès maintenant une expertise ML interne dans les domaines de simulation, avant que le fossé de compétences ne s’élargisse
Les ingénieurs capables d’entraîner, de valider et de déployer des modèles d’IA physique sont rares aujourd’hui et le deviendront davantage à mesure que l’adoption s’accélérera. Les organisations d’ingénierie qui attendront que l’IA physique soit éprouvée à grande échelle se retrouveront en compétition pour les talents face à des acteurs bien financés. L’investissement pratique est modeste : identifiez deux ou trois ingénieurs combinant connaissance du domaine (CFD, FEA, électromagnétisme) et maîtrise de Python/ML, accordez-leur du temps dédié pour expérimenter avec des frameworks scientifiques ML open source (JAX, DeepXDE ou NVIDIA Modulus), et développez une compétence interne avant un déploiement commercial complet.
Le tableau d’ensemble : l’IA physique comme prochaine vague deep tech
La vague des LLM de 2022 à 2025 a démontré qu’entraîner des réseaux de neurones massifs sur des données spécifiques à un domaine pouvait produire des capacités surprenant même les experts. L’IA physique est la prochaine application de ce paradigme au monde physique : au lieu de prédire le prochain mot, les modèles prédisent l’état suivant d’un système physique.
Les implications dépassent largement l’accélération des simulations. À mesure que les Grands Modèles Physiques gagnent en taille, ils pourraient permettre une optimisation de conception sur des espaces de recherche actuellement intractables par le calcul — découvrant automatiquement des géométries de profils aérodynamiques, des compositions de matériaux ou des architectures de puces que des ingénieurs humains n’auraient jamais le temps d’explorer manuellement.
La valorisation de 2,4 milliards de dollars de PhysicsX en Série C la place dans la catégorie restreinte des start-ups deep tech ayant atteint une véritable échelle d’entreprise dans un seul domaine produit. Pour les investisseurs, le signal est clair : les plateformes d’IA verticales qui s’implantent profondément dans un domaine technique spécifique, construisent des avantages défensifs de données d’entraînement propriétaires et s’intègrent dans des workflows d’entreprise à forte valeur ajoutée sont les entreprises d’IA les plus défendables de la prochaine décennie.
Questions Fréquemment Posées
Q : Quelle est la différence entre l’IA physique et les logiciels de simulation classiques comme ANSYS ou COMSOL ?
Les outils de simulation classiques (ANSYS, COMSOL, NASTRAN) résolvent les équations physiques numériquement en divisant un domaine en éléments de maillage et en itérant jusqu’à convergence — un processus très précis mais lent, nécessitant souvent des heures à des jours par simulation sur des serveurs puissants. Les approches d’IA physique comme les Large Physics Models de PhysicsX entraînent des réseaux de neurones profonds sur les sorties de ces solveurs classiques, apprenant à approximer leur comportement. Une fois entraîné, le modèle IA produit une prédiction en quelques secondes, permettant aux ingénieurs d’explorer beaucoup plus de variantes de conception.
Q : Qui sont les principaux investisseurs de PhysicsX et que signifie leur implication ?
La Série C a été menée par Temasek, le fonds souverain de Singapour, avec des co-investisseurs incluant NVIDIA, Applied Materials, Siemens, General Catalyst, Atomico, M&G Investments, Intrepid Growth Partners et d’autres. La combinaison est stratégiquement significative : Temasek apporte un capital institutionnel à long terme et un accès au marché Asie-Pacifique ; NVIDIA et Applied Materials ont des incitations commerciales directes à voir la simulation d’ingénierie s’accélérer ; et Siemens — acteur historique des décennies dans la simulation industrielle — qui investit aux côtés d’un concurrent potentiel signale que même les acteurs traditionnels perçoivent la simulation native IA comme inévitable.
Q : En quoi le concept de « Grand Modèle Physique » de PhysicsX diffère-t-il des modèles d’IA généralistes ?
Les grands modèles de langage généralistes (GPT-4, Claude, Gemini) sont entraînés sur du texte et n’ont pas de compréhension intrinsèque de la physique. Les Grands Modèles Physiques sont entraînés sur des données de simulation physique et sont contraints ou guidés par des équations gouvernantes (Navier-Stokes pour la dynamique des fluides, équations de Maxwell pour l’électromagnétisme, etc.), rendant leurs sorties physiquement cohérentes plutôt que statistiquement plausibles. Cette spécificité de domaine est à la fois une force (haute précision dans leur distribution d’entraînement) et une limitation (ils ne se généralisent pas au-delà des domaines physiques sur lesquels ils ont été entraînés).
Sources et lectures complémentaires
🔗 Intelligence Connexe
L’IA pour la découverte scientifique : de la prévision météo à la science des matériaux
L’Intelligence Physique : La Vague Hardware-IA Atteint des Levées de 230 M$ en Mai 2026
Le tour de 250 M$ d’Exa : le moteur de recherche qu’il faut aux agents IA
Ingénieur IA vs. Ingénieur Logiciel : L’Écart de Salaire de 56% qui Remodèle le Recrutement Tech
