Sur une base militaire en Californie centrale, des véhicules tout-terrain autonomes circulent sur des sentiers accidentés. L’exercice sert à un objectif précis : entraîner des modèles d’intelligence artificielle à évoluer dans des environnements de conflit, sans dépendre d’un cadre routier très “propre” ni de règles strictes. La société Scout AI, fondée récemment, avance ainsi ses pions avec une levée de fonds significative et un dispositif de formation pensé pour des véhicules et des drones.

Un financement de 100 millions de dollars et un entraînement “terrain”

Scout AI annonce une levée de Série A de 100 millions de dollars pour entraîner ses modèles. La startup, créée en 2024 par Coby Adcock et Collin Otis, avait déjà bénéficié d’un tour de 15 millions de dollars en phase d’amorçage. Pour développer son approche, l’entreprise a mis en place un “bootcamp” dans un site militaire qu’elle ne détaille pas publiquement, où ses équipes mettent les véhicules à l’épreuve lors de missions simulées.

Le principe repose sur une combinaison d’expériences réelles et de traitements d’apprentissage : les conducteurs effectuent des parcours, puis les prises de contrôle et les événements associés servent à améliorer les modèles.

Le modèle “Fury” : du soutien logistique vers des capacités offensives

Au cœur du projet, Scout développe un modèle baptisé “Fury”, destiné à piloter des actifs militaires. L’entreprise évoque d’abord des usages orientés logistique, puis indique vouloir étendre ses capacités vers l’automatisation et, à terme, des fonctions armées. À ce stade, il s’agit surtout de formation et d’itérations, dans l’objectif d’augmenter la robustesse du système face à des situations imprévues.

Dans le récit présenté sur place, les modèles s’appuient sur une logique d’autonomie capable d’adapter la conduite à la configuration du terrain : trajectoires sur des chemins plus ou moins larges, ralentissements lorsque la situation devient ambiguë, accélérations plus franches que ce qu’un humain ferait naturellement en tenant compte du confort des passagers.

Pourquoi passer par la vision et l’action (VLA)

Scout s’oriente vers une technologie décrite comme “Vision Language Action” (VLA). L’idée consiste à relier vision, langage et actions pour permettre à un robot ou à un véhicule d’interpréter une situation à partir d’images et de consignes, puis de choisir une conduite ou un comportement.

Selon les responsables rencontrés, cette approche vise à donner aux systèmes une forme d’intelligence plus générale, utile pour traiter des environnements non balisés ou difficiles à prévoir—là où les solutions d’automatisation classiques sont souvent conçues pour des conditions plus structurées.

Des applications d’abord logistiques, puis plus larges

Dans les échanges, la première extension pratique de l’autonomie sur le terrain serait la sécurisation et l’optimisation des chaînes d’approvisionnement : acheminer de l’eau, des munitions ou des fournitures vers des postes isolés, ou intégrer des véhicules autonomes dans des convois où un véhicule piloté par un équipage pourrait servir de référence. L’objectif affiché est de réduire la charge humaine sur des tâches répétitives et à faible valeur stratégique.

Scout dit aussi travailler sur des drones pour des missions de reconnaissance et d’attaque, en s’appuyant sur des modèles multimodaux. L’entreprise évoque par exemple une architecture où plusieurs drones pourraient être coordonnés par une plateforme “plus puissante”, jouant le rôle d’un chef d’orchestre en termes de calcul et de décision.

Un logiciel pour “orchestrer” les machines

La startup se présente avant tout comme une société logicielle : elle ne prétend pas fabriquer elle-même tous les véhicules, mais entend fournir une couche d’intelligence et de commande au-dessus de plateformes matérielles. Un produit annoncé, nommé “Ox”, est décrit comme un logiciel de commandement et de contrôle, destiné à permettre à des soldats d’orchestrer plusieurs drones et véhicules au moyen de consignes simplifiées.

Pour rendre cette commande opérationnelle, Scout insiste sur l’importance de l’entraînement sur les moyens réels : simulations, puis boucles d’amélioration basées sur les interventions humaines quand le système doit reprendre le contrôle.

Autonomie militaire : promesses techniques et enjeux de contrôle

Le sujet de l’autonomie armée reste sensible. Les acteurs du secteur soulignent toutefois que la difficulté principale n’est pas l’existence de systèmes automatiques, mais leur contrôle et leurs limites d’engagement. Dans ce cadre, Scout affirme chercher des mécanismes permettant de programmer des drones pour n’attaquer que dans des zones définies et, selon les scénarios, avec une validation humaine.

Des experts cités dans l’ensemble du dispositif d’analyse rappellent que l’automatisation du ciblage complet est complexe et souvent limitée à des environnements très contraints dans les premières phases. L’intérêt central mis en avant pour la technologie VLA est sa capacité à raisonner à partir de signaux visuels et de contexte, ce qui pourrait améliorer la pertinence des décisions lorsqu’elles sont effectivement autorisées.

Positionnement face au modèle économique de la “guerre” à grande échelle

Scout explique vouloir accélérer l’apprentissage grâce à la disponibilité d’actifs et de données issus d’un client institutionnel, plutôt que de compter exclusivement sur des environnements civils. Cette logique vise à rapprocher plus vite les prototypes de comportements réalistes sur le terrain—un point que la startup présente comme un avantage pour itérer plus rapidement.

Dans une perspective plus large, l’entreprise estime que la multiplication des systèmes autonomes, notamment à faible coût, pourrait nécessiter une orchestration plus performante, afin d’éviter que des humains ne soient submergés par le pilotage de chaque unité séparément.

Deux pistes produits à considérer (hors contexte militaire)

Pour les équipes travaillant sur l’intégration de vision, d’automatisation logicielle et de tests intensifs, des postes bien équipés et des périphériques fiables peuvent aider à accélérer les cycles de développement. Par exemple, un ordinateur portable orienté performance comme un portable équipé d’un GPU puissant peut être utile pour des phases de calcul et de prototypage. Pour la collecte de données et les essais sur le terrain (hors usage militaire), une caméra d’action avec stabilisation peut aussi servir à produire des séquences vidéo exploitables par des modèles de vision.