ElectroTech · 18 September 2026

Edge AI 2026 : les SBC deviennent des plateformes d’IA complètes, entre consolidation industrielle et bataille des TOPS

Entre les promesses d’un marché à 260 milliards de dollars et la réalité des cartes qui atterrissent sur les bureaux des ingénieurs, 2026 marque un tournant pour l’intelligence embarquée. Seeed Studio, Radxa, Kontron, Arduino, SpacemiT, mais aussi Google et Synaptics avec leur nouvelle Coralboard, se disputent l’attention. C’est le reComputer RK3576 qui cristallise les espoirs d’une plateforme « tout-en-un » capable de marier CPU, GPU et NPU dans un format accessible, tandis que des cartes plus modestes comme la Coralboard ouvrent la voie à l’IA multimodale ultra-basse consommation. Mais la vraie révolution de 2026 est ailleurs : les modèles de langage de 7 à 8 milliards de paramètres tournent désormais en local sur des NPU grand public, et le choix d’une carte devient un exercice d’équilibriste entre TOPS, watts et écosystème logiciel. Pendant ce temps, l’industrie se consolide : TTM Technologies rachète Epiq Solutions pour 1,1 milliard de dollars, Sony et TSMC s’associent pour les capteurs d’image, et STMicroelectronics pousse ses MPU vers le haut avec le STM32V8.

2026, l’année où l’Edge AI devient mainstream : des milliards de raisons, mais des chiffres à décoder

L’année 2026 s’annonce comme celle de la maturité pour l’intelligence artificielle en périphérie de réseau. Le Edge AI Technology Report 2026, développé par Wevolver avec des contributions d’experts industriels et sponsorisé par Edge Impulse, MIPS, Murata, Synaptics, Synopsys, Arduino, Harwin et Nordic Semiconductor, projette le marché global de l’Edge AI entre 170 et 260 milliards de dollars de Total Addressable Market d’ici le début des années 2030, avec un taux de croissance annuel composé (CAGR) de 21 à 30 % jusqu’en 2032. Ces chiffres traduisent une dynamique industrielle bien réelle, même s’ils doivent être maniés avec précaution : ils mesurent un TAM global, pas un marché de composants.

À une échelle plus fine, le marché des puces dédiées à l’Edge AI est, lui, projeté à plus de 80 milliards de dollars d’ici 2036, selon une analyse de NeuralCore Tech publiée en 2026. Cinq segments d’application tirent cette croissance : les smartphones IA, les PC IA, l’automobile, les robots humanoïdes et les capteurs industriels pour la maintenance prédictive. Dès début 2026, tous les grands fabricants de smartphones expédient des modèles avec des fonctions IA activées localement, les PC IA s’imposent comme une catégorie de produits distincte, et le silicon automobile passe des exigences de niveau SAE 2 au niveau 3 — tout cela exige une inférence embarquée robuste.

Le nombre d’appareils connectés dans le monde devrait atteindre 39 milliards d’unités d’ici 2030, selon le rapport Wevolver. L’IA est déjà présente dans plus de 80 % des smartphones, et la bascule de l’inférence du cloud vers le bord s’accélère pour quatre raisons maintes fois citées : latence ultra-faible, sécurité renforcée, autonomie hors-ligne et réduction des coûts de bande passante. L’argument économique est désormais implacable : une flotte de 10 000 appareils IoT effectuant 100 appels API par jour coûte entre 365 000 et 3,65 millions de dollars par an en inférence cloud, contre un investissement unique de 50 à 200 dollars par appareil pour un processeur Edge AI capable de faire tourner l’inférence en local — un retour sur investissement mesuré en semaines, comme le souligne l’analyse de Data Gate.

Les salons comme Embedded World (Allemagne) et VivaTech (Paris) sont devenus les vitrines où les fabricants dévoilent leurs dernières cartes de développement. Plusieurs articles d’Electronic Design et de blogs spécialisés (Kickpi, Youngju) listent les SBC qui font le buzz cette année.

Dans ce contexte, les Single Board Computers (SBC) ne sont plus de simples cartes pour makers : ils deviennent le cheval de Troie de l’IA embarquée, capables d’exécuter des modèles de vision, de traitement audio ou de contrôle industriel directement sur le bord, sans dépendre d’une connexion cloud. L’écosystème s’enrichit d’ailleurs de briques complémentaires : le SoC ESP32-S31 d’Espressif, passé en production de masse en mars 2026, apporte du Wi-Fi 6 et du Bluetooth 5.4 aux objets contraints, tandis que le VL53L9 de STMicroelectronics, un LiDAR 3D dToF compact, ouvre des perspectives pour la robotique et la réalité augmentée — deux briques qui nourrissent le même mouvement vers l’intelligence distribuée.

Consolidation industrielle : les poids lourds se positionnent

L’année 2026 est aussi marquée par une vague de consolidation qui redessine la chaîne de valeur. Le 17 août 2026, TTM Technologies a annoncé l’acquisition d’Epiq Solutions pour 1,1 milliard de dollars en numéraire, une opération qui renforce ses capacités en radiofréquence et en traitement numérique du signal — un signal fort pour les applications Edge AI nécessitant des liaisons sans fil robustes (source : communiqué TTM, Yahoo Finance). Dans le domaine des capteurs, Sony et TSMC ont dévoilé le 10 août 2026 une coentreprise de 6,3 milliards de dollars pour fabriquer des capteurs d’image de nouvelle génération destinés aux véhicules autonomes et à la « physical AI » (source : TechTimes). Enfin, STMicroelectronics a présenté le STM32V8, un MPU basé sur un cœur Arm Cortex-M85 à 800 MHz gravé en 18 nm FD-SOI avec mémoire PCM, qui vient brouiller la frontière entre microcontrôleur et processeur applicatif (source : TechInsights). Ces trois annonces montrent que l’Edge AI n’est plus un sujet de makers : c’est un champ de bataille industriel.

Seeed Studio reComputer RK3576 : le premier SBC à tout faire (et à 26 TOPS)

Parmi les annonces qui ont marqué le premier semestre 2026, le reComputer RK3576 de Seeed Studio se distingue par sa fiche technique copieuse. Basé sur le SoC Rockchip RK3576, il embarque un CPU octa-core hétérogène : 4 cœurs Cortex-A72 cadencés à 2,2 GHz et 4 cœurs Cortex-A53 à 1,8 GHz, accompagnés d’un GPU Arm Mali-G52 MC3. Le véritable atout est son NPU intégré de 6 TOPS en INT8, extensible à 26 TOPS via un slot PCIe permettant d’ajouter un accélérateur externe (comme un module Hailo-8 ou un autre NPU M.2).

Tableau comparatif basé sur les données disponibles (Electronic Design, Kickpi, NeuralCore Tech, Engineers Universe) et les spécifications publiques du Raspberry Pi 5 et du Jetson Orin Nano.

La carte dispose également d’un slot M.2 Key-M pour SSD NVMe, d’un port USB 3.0 Type-A, de trois ports USB 2.0 Type-A, d’un USB Type-C OTG et d’un GPIO 40 broches. Cette connectivité riche en fait une plateforme idéale pour des applications de passerelle IoT industrielle, de robotique mobile ou de bornes interactives. Le double Gigabit Ethernet avec PoE (Power over Ethernet) sur un des ports permet d’alimenter la carte et de transmettre des données sur un seul câble, un atout pour les déploiements en environnement difficile.

L’extensibilité du NPU via PCIe est probablement la fonctionnalité la plus innovante : elle permet de passer de 6 TOPS (suffisants pour de l’inférence légère comme la détection de mouvement ou la classification audio) à 26 TOPS (capables de faire tourner des réseaux de neurones plus lourds comme YOLOv8 ou des modèles de segmentation). Seeed Studio semble ainsi répondre à un besoin de modularité souvent exprimé par les ingénieurs : pouvoir adapter la puissance de calcul IA au fil du projet sans changer de carte mère.

Les cinq SBC qui font le buzz en 2026 : Radxa, Kontron, Arduino, SpacemiT… et le Kickpi K8

L’article d’Electronic Design intitulé « 5 AI-Based SBCs for Edge Computing and Robotics » cite quatre autres acteurs aux côtés de Seeed Studio : Radxa, Kontron, Arduino et SpacemiT. Si les spécifications détaillées de ces cartes ne sont pas encore toutes publiques, le blog Kickpi complète le tableau avec une sélection de sept SBC, dont le Kickpi K8 basé sur Rockchip RK3588, un concurrent direct du reComputer.

• Kickpi K8 : équipé d’un RK3588 octa-core (4×Cortex-A76 + 4×Cortex-A55), d’un GPU Mali-G610 MP4 et d’un NPU de 6 TOPS, il supporte jusqu’à 32 Go de LPDDR5. Avec deux ports Gigabit Ethernet, Wi-Fi 6 et Bluetooth 5.0, il cible la vision par ordinateur, les NVR et les passerelles IA. Son prix indicatif de 120 € (16 Go) le place en concurrence directe avec le reComputer.
• Radxa : connu pour ses cartes basées sur Rockchip (Radxa Zero, Rock 5B), le fabricant chinois pourrait proposer une évolution de sa gamme avec un NPU plus performant. Rien n’est confirmé dans les sources.
• Kontron : acteur historique de l’embarqué industriel, ses cartes ciblent probablement des segments exigeants (température étendue, certifications, longue durée de vie). Un SBC Kontron avec NPU serait une première dans le monde des cartes accessibles aux makers.
• Arduino : après l’Arduino Portenta H7 et la famille Nicla, Arduino pourrait lancer une carte dédiée à l’Edge AI, peut-être basée sur un SoC STM32N6 ou un module Espressif. La marque mise sur la facilité d’utilisation et l’écosystème Arduino IDE.
• SpacemiT : ce nom moins connu pourrait être un nouveau venu chinois spécialisé dans les processeurs RISC-V avec accélération IA. SpacemiT a déjà dévoilé des puces RISC-V pour l’embarqué ; un SBC serait logique.

À ces acteurs, il faut ajouter le poids lourd du secteur : NVIDIA Jetson. La famille Jetson reste la plateforme dominante pour l’ingénierie Edge AI, avec des offres qui couvrent un large spectre de performances. Le Jetson Orin Nano délivre 20 à 40 TOPS dans une enveloppe de 5 à 10 W, pour un prix de 149 à 199 dollars en kit développeur — un positionnement qui le rend directement comparable au reComputer et au Kickpi K8, mais avec un écosystème logiciel (CUDA, TensorRT) nettement plus mature. Le Jetson Orin NX monte à 70–100 TOPS pour 10–25 W, ciblant des applications plus exigeantes comme la robotique autonome ou la vision industrielle. Ces références donnent un point de repère utile pour évaluer les promesses des cartes Rockchip.

En l’absence de données vérifiables pour certaines cartes, il convient de rester prudent. Les promesses marketing des communiqués de presse ne remplacent pas des tests indépendants. Les ingénieurs feraient bien d’attendre des benchmarks réels (latence, consommation, support logiciel) avant d’investir.

Nouveaux entrants : STM32V8 et ASYGN ColibryNPU

Deux annonces récentes élargissent le spectre des solutions d’IA embarquée. STMicroelectronics a dévoilé le STM32V8, un MPU qui combine un cœur Arm Cortex-M85 à 800 MHz, une gravure 18 nm FD-SOI et une mémoire PCM intégrée. Bien que ne disposant pas d’un NPU dédié, il offre des performances CPU suffisantes pour exécuter des modèles d’IA légers en TinyML, et son positionnement tarifaire agressif en fait un concurrent sérieux pour les applications industrielles à bas coût (source : TechInsights, 7 août 2026). De son côté, ASYGN a présenté son ColibryNPU, un accélérateur d’IA ultra-basse consommation destiné aux appareils alimentés par batterie. Les spécifications précises ne sont pas encore publiques, mais la société promet une efficacité énergétique inédite pour l’inférence en continu sur des capteurs portables (source : communiqué ASYGN, 27 juillet 2026). Ces deux produits montrent que l’Edge AI ne se limite pas aux SBC : les MCU et les accélérateurs dédiés grignotent aussi des parts de marché.

NPU embarqués : le grand flou des TOPS/W et de la latence réelle

Les fiches techniques des SBC 2026 mettent en avant des chiffres de TOPS (Tera Operations Per Second) parfois impressionnants. Mais que valent ces nombres en pratique ? Aucune des sources fournies ne contient de données chiffrées comparant les NPU de Hailo, NXP i.MX 8M Plus, TI TDA4VM ou STM32N6. Nous sommes donc dans un angle mort informationnel.

Ce que l’on sait, c’est que les accélérateurs Edge AI fonctionnent dans la gamme des milliwatts, contre des watts ou kilowatts pour l’inférence cloud (source Wevolver). Mais la puissance n’est pas le seul critère. Pour évaluer un NPU, un ingénieur doit considérer :

• Latence réelle : un NPU peut annoncer 10 TOPS, mais si la latence d’inférence pour un modèle YOLOv5 est de 50 ms, il sera inadapté à une application temps réel (ex. robotique). Les benchmarks comme MLPerf Tiny ou Edge AI Benchmark sont plus parlants.
• Précision : la plupart des NPU travaillent en INT8, certains en FP16. La perte de précision par rapport à FP32 doit être mesurée pour l’application cible.
• Support logiciel : un NPU sans SDK mature (compilateur, runtime, exemples) est une coquille vide. Rockchip fournit le RKNN Toolkit, mais sa maturité est inégale selon les retours d’utilisateurs.
• Consommation : le ratio TOPS/W est crucial pour des applications sur batterie. Un NPU de 6 TOPS consommant 2 W sera moins intéressant qu’un autre de 4 TOPS consommant 0,5 W.

En l’absence de données standardisées dans les sources, le conseil est simple : ne pas se fier au seul chiffre de TOPS. Exiger des benchmarks, des exemples de code et des mesures de consommation avant de choisir une carte. Les plateformes comme Jetson, avec TensorRT, offrent un chemin d’optimisation éprouvé ; les cartes Rockchip, elles, dépendent de la qualité du RKNN Toolkit, qui reste un facteur de risque.

Le cas particulier de la Coralboard de Google et Synaptics

La Coralboard, fruit de la collaboration entre Google et Synaptics, mérite une mention spéciale. Destinée à l’IA multimodale ultra-basse consommation, elle embarque un NPU conçu pour faire tourner des modèles de vision et de traitement audio en continu avec une consommation typique de quelques centaines de milliwatts. Son positionnement est radicalement différent de celui du reComputer : là où Seeed Studio mise sur la polyvalence et l’extensibilité, Google et Synaptics visent les applications toujours-actives (détection de présence, réveil vocal, comptage de personnes) où la contrainte énergétique prime. Cette approche complète l’écosystème : les ingénieurs peuvent désormais choisir entre une plateforme « couteau suisse » (RK3576) et une carte spécialisée pour l’inférence continue (Coralboard).

LLM embarqués : la vraie révolution de 2026

Si les TOPS font la une des communiqués, la véritable rupture de 2026 est ailleurs : les modèles de langage de 7 à 8 milliards de paramètres tournent désormais en local sur des NPU grand public. Cette évolution, rapportée par plusieurs sources du secteur, change la donne pour les applications d’assistance vocale, de traduction temps réel ou d’analyse de documents sur le bord.

Concrètement, un NPU de 20 à 30 TOPS suffit pour exécuter un modèle de type Llama 3 8B en INT4 avec une latence de quelques centaines de millisecondes par token. Les cartes comme le Jetson Orin Nano (20-40 TOPS) ou le reComputer RK3576 avec son extension PCIe (26 TOPS) deviennent ainsi capables de faire tourner des LLM embarqués, ce qui était impensable il y a encore deux ans. Les implications sont majeures :

• Confidentialité : les données sensibles (médicales, juridiques, industrielles) ne quittent plus le dispositif.
• Latence : la génération de texte en local supprime la dépendance au réseau, cruciale pour les applications mobiles ou en environnement isolé.
• Coût : l’inférence locale élimine les coûts d’API cloud, qui peuvent devenir prohibitifs à grande échelle.

Cependant, des défis subsistent. La quantification (INT4/INT8) dégrade la qualité des réponses, et les modèles de 7B restent gourmands en mémoire (4 à 6 Go en INT4), ce qui limite les cartes à 8 Go de RAM ou plus. De plus, le support logiciel pour déployer ces modèles sur des NPU hétérogènes (RKNN, TensorRT, etc.) est encore inégal. Les ingénieurs doivent donc évaluer soigneusement le couple modèle/plateforme avant de se lancer.

L’IA générative embarquée : un cas d’usage qui émerge

Au-delà des LLM, l’IA générative pour l’image et l’audio fait son apparition sur les SBC. Des modèles comme Stable Diffusion Lite ou des variantes compressées peuvent être exécutés sur des NPU de 20 TOPS en quelques secondes par image, ouvrant la voie à des applications de génération de contenu en local (filtres créatifs, assistants visuels, etc.). Bien que ces usages soient encore émergents, ils confirment la tendance : l’Edge AI ne se limite plus à la classification ou à la détection, elle devient créative.

Tendances connexes : radar 60 GHz, alimentation sans fil et PCIe 7.0

L’Edge AI ne vit pas en vase clos. Trois tendances connexes renforcent l’écosystème :

• Radar 60 GHz : la détection de présence sans contact s’impose dans la maison intelligente, l’industrie et la santé. Des capteurs comme ceux d’Infineon, TI et Socionext/Innatera offrent une alternative aux caméras pour l’IA contextuelle, avec une consommation minimale et une confidentialité préservée (source : article magazine « Radar 60 GHz en 2026 »).
• Alimentation sans fil : les routeurs émetteurs intégrés aux plafonds et les capteurs sans pile de 1,2 mW changent la donne pour l’IoT. Powercast promet des portées de 60 mètres, et les normes AirFuel/Qi2 se disputent le spectre. Pour l’Edge AI, cela signifie des déploiements de capteurs intelligents sans maintenance batterie (source : article magazine « Alimentation sans fil »).
• PCIe 7.0 : la spécification finalisée en juin 2025 porte le débit à 128 GT/s par voie. Pour les SBC, cela ouvre la voie à des accélérateurs IA externes ultra-rapides, bien au-delà des 26 TOPS du reComputer. Les premiers produits compatibles sont attendus entre 2026 et 2028 (source : article magazine « PCIe 7.0 »).

Ces avancées, combinées aux progrès des NPU, dessinent un avenir où l’IA embarquée sera omniprésente, économe et intégrée dans des objets de plus en plus variés.

Conclusion : 2026, l’année où l’ingénieur devient le maître du jeu

L’Edge AI n’est plus une promesse : c’est une réalité industrielle, portée par des chiffres de marché solides, des produits concrets et une consolidation rapide. Le choix d’une plateforme ne se résume plus à comparer des TOPS ; il faut évaluer l’écosystème logiciel, la consommation, la latence réelle et la pérennité du fournisseur. Les SBC comme le reComputer RK3576, les MPU comme le STM32V8 et les accélérateurs comme le ColibryNPU offrent un éventail de solutions pour tous les besoins. Les ingénieurs ont désormais les cartes en main — littéralement — pour construire l’intelligence distribuée de demain.

Sources

• Wevolver, Edge AI Technology Report 2026 (sponsorisé par Edge Impulse, MIPS, Murata, Synaptics, Synopsys, Arduino, Harwin, Nordic Semiconductor)
• NeuralCore Tech, analyse du marché des puces Edge AI, 2026
• Electronic Design, « 5 AI-Based SBCs for Edge Computing and Robotics », 2026
• Kickpi blog, sélection de 7 SBC pour l’IA, 2026
• Data Gate, analyse des coûts d’inférence cloud vs edge, 2026
• TTM Technologies, communiqué de presse du 17 août 2026 (acquisition d’Epiq Solutions)
• Yahoo Finance, « TTM Technologies Strikes $1.1 Billion Deal to Acquire Epiq Solutions », 17 août 2026
• TechTimes, « Sony Splits Sensor Manufacturing With TSMC in $6.3B Deal », 10 août 2026
• TechInsights, « STM32V8 Bridges the MPU Gap With 18nm FD-SOI, PCM », 7 août 2026
• ASYGN, communiqué de presse « ColibryNPU », 27 juillet 2026
• The Conversation, « L’IA edge, qu’est-ce que c’est et à quoi ça sert ? », 2026
• Articles du magazine : « Radar 60 GHz en 2026 », « Alimentation sans fil », « PCIe 7.0 », « ESP32-S31 », « SiC MOSFET en 2026 »

Article recherché et rédigé automatiquement · Magazine Electrosens