L'IA physique représente la prochaine phase de la révolution de l'intelligence artificielle (IA), à mesure que l'intelligence pilotée par logiciel évolue sous forme de machines incarnées et autonomes opérant dans le monde physique. Avec la convergence des progrès en matière d'edge computing, de détection, de robotique et d'IA, l'intelligence quitte les centres de données pour s'intégrer aux systèmes physiques tels que les usines, les entrepôts, les hôpitaux et les réseaux de transport.
WisdomTree Physical AI, Humanoids and Drones UCITS ETF offre une exposition ciblée à cette transformation en investissant dans des sociétés développant des systèmes incarnés et autonomes ainsi que du matériel, des composants et des plates-formes qui permettent aux machines intelligentes de fonctionner dans des environnements du monde réel.
L’intelligence artificielle a toujours apporté de la valeur grâce aux applications logicielles, et nombre d’entre nous comptent désormais sur l’IA pour diverses tâches quotidiennes dans le monde virtuel. Mais contrairement à l’IA numérique, l’IA physique concerne les machines qui interagissent avec le monde réel, ont un impact sur l’économie réelle et relèvent des défis structurels tels que les pénuries de main-d’œuvre, les contraintes de productivité et la sécurité opérationnelle dans les industries mondiales.
Pour plus d'informations sur l'IA numérique et l'investissement dans la chaîne de valeur de l'IA, veuillez consulter notre page sur la stratégie en matière d'intelligence artificielle.
| IA physique | IA numérique | |
|---|---|---|
| Domaine opérationnel | Les environnements physiques réels (par exemple, les usines, les routes et les maisons) | Les environnements numériques et virtuels (par exemple, les plateformes logicielles, le cloud et Internet) |
| Facteur de forme | Les équipements intégrés qui perçoivent l'environnement et réalisent des actions physiques (par exemple, les robots humanoïdes, les drones, les véhicules autonomes) | Existe entièrement sous forme de logiciels, d'algorithmes et de données ; interagit avec l'information |
| Applications | Automatisation de la production, transport autonome, robotique médicale, entrepôts intelligents | Service à la clientèle, finance, gestion des données, recherche et analyse |
Plusieurs forces à long terme accélèrent son adoption :
Blake Heimann
Leading AI labs are scaling revenue at an unprecedented pace, but this growth depends on a vast physical infrastructure buildout. From semiconductors and servers to networking, power and data centres, a multi-year investment cycle is reshaping the AI value chain. Discover how the WisdomTree AI Infrastructure UCITS ETF provides exposure to the companies enabling AI at scale.
Baoqi Zhu
Physical AI is beginning to move from concept to commercial deployment, with applications increasingly appearing in factories, transport networks and industrial automation systems. China is playing an important role in this trend, supported by its manufacturing ecosystem, hardware supply chain and growing group of robotics companies. This blog looks at three Chinese companies, UBTech, Pony AI and Shenzhen Dobot, which illustrate different paths to physical AI adoption across humanoid robotics, autonomous mobility and smart manufacturing.
Ayush Babel, Baoqi Zhu, Blake Heimann, Elvira Kuramshina
The Nasdaq-100 recorded its strongest monthly performance in over 23 years, but the underlying story extends beyond the headline index. A range of technology themes, spanning AI, robotics, and quantum computing, are gaining momentum, with several innovative companies and thematic strategies outperforming the Nasdaq-100 in April. This broadening opportunity set highlights how growth is being increasingly driven by diverse and emerging areas across the tech landscape.
Baoqi Zhu
Recent rallies in AMD and Intel have brought CPUs back into the AI infrastructure debate. While GPUs remain the central engine for AI training and inference, the next phase of AI workloads may require much more supporting compute around GPU clusters. Agentic AI involve more planning, routing, tool calls, code execution, verification and data movement, many of which are CPU-intensive tasks. This suggests the AI semiconductor opportunity is broadening beyond GPUs and CPUs could be the next bottleneck of AI Infrastructure. 
