Michelle Lu, cofondatrice et PDG de Vsim Technology, a contribué à créer Isaac Gym, présenté comme le tout premier framework d'apprentissage par renforcement de bout en bout accéléré par GPU, alors qu'elle était directrice de la technologie de simulation chez NVIDIA. Le 2 octobre 2026, elle a été interviewée par l'animatrice Claire sur la simulation pour l'apprentissage des robots : comment la simulation et l'intelligence artificielle peuvent servir à enseigner de nouvelles compétences aux robots.
De NVIDIA à Vsim
Michelle Lu a passé une partie de sa carrière chez NVIDIA, où elle était directrice de la technologie de simulation. Avec son cofondateur, elle y a conçu Isaac Gym, un framework d'apprentissage par renforcement de bout en bout qui s'exécute sur GPU. Ce framework a défini le modèle de référence pour la manière dont l'apprentissage par renforcement en simulation, accéléré par GPU, est aujourd'hui mis en œuvre en robotique.
En 2022, Michelle Lu et son cofondateur ont quitté NVIDIA pour lancer Vsim. L'entreprise est désormais le véhicule de ses travaux sur l'apprentissage des robots par la simulation. Elle en est la PDG.
L'entretien s'articule autour de ce changement de cap : passer de la conception d'un framework d'entraînement très répandu au sein d'un grand fabricant de puces à la direction d'une start-up qui s'attaque au même grand problème.
Les problèmes que Vsim cherche à résoudre
Michelle Lu et son cofondateur ont créé Vsim pour répondre à ce que l'entretien décrit comme les limites qui handicapent l'IA robotique fondée sur la simulation. Trois sont citées : l'efficacité, la capacité de passage à l'échelle et l'écart entre simulation et réalité (sim-to-real gap).
L'efficacité renvoie à la puissance de calcul et au temps nécessaires pour entraîner une politique de contrôle de robot en simulation. Le passage à l'échelle consiste à savoir si cet entraînement peut s'étendre à davantage de tâches et à des robots plus complexes. L'écart entre simulation et réalité désigne la différence entre le comportement d'un robot dans un environnement simulé et celui qu'il adopte lorsque la compétence apprise est transférée sur du matériel physique.
L'apprentissage par renforcement est la méthode au cœur de ces travaux. Un robot, ou sa version simulée, tente des actions et est récompensé selon les résultats ; au fil de nombreux essais répétés, il apprend une compétence. Mener ces essais en simulation évite l'usure, le coût et les risques liés à l'utilisation de machines physiques. C'est la raison pour laquelle la simulation est au centre de l'approche décrite par Michelle Lu.
Ce que couvre l'entretien
La conversation porte sur l'usage de la simulation et de l'intelligence artificielle pour enseigner de nouvelles compétences aux robots. Les éléments disponibles sur cet épisode ne donnent pas de détail sur la technologie, les produits, les clients, le financement ou le calendrier de Vsim, et aucun de ces points n'est rapporté ici.
L'épisode porte le numéro 164 d'une série hebdomadaire consacrée à la robotique, à l'intelligence artificielle et aux machines autonomes. Des épisodes ultérieurs ont reçu des invités travaillant sur les robots de chantier, l'évolution conjointe des corps et des cerveaux de robots, ou encore les robots utilisés dans des installations scientifiques, ce qui inscrit l'entretien avec Vsim dans un large éventail de sujets de recherche et d'industrie.
Pourquoi c'est important, et ce qui reste à démontrer
Le parcours de Michelle Lu donne du poids à l'entretien sur un point précis. Isaac Gym est reconnu pour avoir fixé le modèle de l'apprentissage par renforcement accéléré par GPU en robotique : celle qui a aidé à définir cette méthode construit maintenant une entreprise autour de ses faiblesses persistantes. Quand les créateurs d'un framework le quittent pour s'attaquer à ses limites, c'est un indice utile de l'endroit où ils situent le travail restant. Ici, la liste annoncée est courte : efficacité, passage à l'échelle et écart entre simulation et réalité.
Cette liste est aussi remarquable par ce qu'elle omet. La vitesse d'entraînement était le principal gain de la simulation accélérée par GPU, et pourtant l'efficacité est toujours citée comme une limite. Cela suggère que la première génération d'outils n'a pas réglé le problème, même si elle a changé la manière standard de travailler. L'écart entre simulation et réalité est le problème le plus tenace pour toute équipe qui s'entraîne en simulation avant de déployer sur du matériel, car une politique performante dans un environnement virtuel peut échouer sur un robot physique.
Reste à démontrer que Vsim a résolu l'un de ces trois problèmes. Le compte rendu disponible expose la motivation de l'entreprise, pas ses résultats. Il n'y a ni benchmarks publiés, ni déploiements nommés, ni comparaison avec d'autres plateformes de simulation. Sans ces éléments, les affirmations de l'entreprise ne peuvent pas être confrontées aux approches existantes, et le lecteur doit considérer Vsim comme une start-up dotée d'une équipe fondatrice crédible et d'un objectif clairement énoncé, et non comme une solution éprouvée.
L'épreuve décisive sera celle des preuves. Parmi les mesures utiles : le temps d'entraînement pour une tâche donnée, l'éventail de robots et de compétences pouvant être entraînés à grande échelle, et la fréquence à laquelle une politique entraînée en simulation fonctionne sur du matériel réel sans réglages importants. Tant que Vsim ou ses clients ne publieront pas de chiffres de ce type, l'entretien se lit surtout comme une déclaration d'intention de la part d'une personne qui connaît de l'intérieur la genèse des outils actuels.