De la puce au robot : décrypter la gamme d’IA physique de XFEON

Faire fonctionner un modèle d’IA sur un appareil, recueillir des données issues de son environnement, améliorer le modèle puis le redéployer : tel est le cycle que XFEON veut construire. L’entreprise, basée à Chengdu, en Chine, a rassemblé ces différentes briques dans sa gamme d’« IA physique » présentée le 22 septembre 2026. Il s’agit d’une stratégie de produits, pas d’une démonstration mesurée de la boucle complète. 645

Des puces adaptées à différents appareils

La puce Xinghe (星核) S1 est conçue pour l’inférence locale — l’exécution d’un modèle directement sur un appareil — dans des conditions où l’énergie, le refroidissement et la mémoire sont limités. Sa conception décrite dans les sources combine calcul à précision mixte pris en charge par le matériel, inférence à faible précision numérique, optimisation de la parcimonie et conception conjointe de la puce et des algorithmes. XBoost, la plateforme logicielle associée, intervient notamment dans l’optimisation des opérations, la quantification, la compilation et le déploiement des modèles. Ces éléments décrivent une approche technique, mais ne fournissent ni débit de calcul vérifié, ni consommation électrique chiffrée, ni gain d’efficacité mesuré pour la S1. 246

Les autres séries répondent à des usages distincts. La R vise le traitement des données de plusieurs capteurs, l’inférence en temps réel et la prise de décision à bord des robots. La K est destinée à l’inférence à bord des satellites et à l’analyse sur place des données de télédétection, c’est-à-dire des observations recueillies à distance. La gamme de septembre mentionne aussi une série E pour les applications en périphérie des réseaux, sans donner assez de caractéristiques pour préciser ce qui la distingue techniquement des autres. 245

Stations de calcul, données et « cerveau » incarné

Les stations Xinghui Token constituent l’offre de calcul intégrée de cette gamme. Un autre article fait état d’un projet de site de production de systèmes d’inférence Xinghui. Ni ce projet ni le récapitulatif de la gamme ne permettent toutefois de confirmer des configurations précises pour d’éventuelles séries D ou N, ou la taille maximale des modèles qu’elles pourraient accueillir. 4548

Côté apprentissage, XGAIA est présenté comme la composante chargée de la boucle de données, tandis qu’AGLobe tient le rôle de « cerveau » d’IA incarnée : un modèle destiné à éclairer les décisions et les actions d’un système opérant dans le monde physique. Des articles antérieurs évoquent une collecte de données provenant d’appareils réels, de vues à la première personne et de simulations. En revanche, les sources disponibles ne détaillent pas suffisamment la méthode d’« apprentissage par concepts » attribuée à AGLobe pour l’évaluer, ni la fonction technique exacte de DexCore. 645

Une architecture annoncée, pas encore une performance établie

L’ensemble dessine une pile technologique : des puces pour exécuter les modèles localement, XBoost pour faciliter leur déploiement, des stations pour une autre forme de calcul, puis XGAIA et AGLobe pour relier les données recueillies aux décisions des machines. Les sources étayent cette direction annoncée par XFEON. Elles ne fournissent pas de comparatifs de performances, de mesures de consommation, de limites vérifiées sur la taille des modèles ou de preuve que la boucle fonctionne de bout en bout avec l’efficacité recherchée. 24546