Conduire ou choisir son resto ? Alibaba ne veut plus que vous choisissiez

Au Japon, les robots occupent les postes que personne ne veut

Le Japon accélère le déploiement de robots physiques et de systèmes d'intelligence artificielle incarnée pour répondre à une pénurie de main-d'oeuvre structurelle. Face à une population active en déclin, les entreprises japonaises font passer ces technologies du stade expérimental à une intégration opérationnelle réelle dans des secteurs comme la logistique, l'agriculture, l'hôtellerie et les services à la personne, des domaines où recruter des humains est devenu quasiment impossible. L'enjeu n'est pas le remplacement de travailleurs existants, mais le comblement de postes que personne ne veut ou ne peut occuper. Pour les entreprises japonaises, l'alternative au robot n'est pas un employé humain, c'est un poste vacant. Ce changement de paradigme modifie profondément la manière dont l'industrie mondiale perçoit la robotique : non plus comme une menace sociale, mais comme une réponse pragmatique à des contraintes démographiques réelles. Le Japon a longtemps été pionnier en robotique industrielle, mais la nouvelle vague concerne des robots autonomes capables d'évoluer dans des environnements non structurés. Avec un taux de fécondité parmi les plus bas au monde et un recours à l'immigration limité par choix politique, le pays n'a pas d'autre voie. Ce laboratoire grandeur nature attire l'attention des entreprises technologiques mondiales, qui y voient un marché d'adoption précoce pour une physical AI amenée à se déployer partout où le vieillissement démographique frappe.

Tesla et Optimus : pourquoi Elon Musk ne peut plus se passer de la Chine

Tesla a officiellement annoncé un pivot stratégique majeur : la production de ses modèles historiques est réduite au profit du robot humanoïde Optimus, qu'Elon Musk présente comme l'avenir de l'entreprise. L'objectif affiché est de produire plusieurs millions d'unités d'Optimus par an à terme, un volume qui dépasse largement les capacités actuelles des usines américaines et européennes. Pour atteindre cette échelle industrielle, Tesla s'appuie de façon croissante sur sa Gigafactory de Shanghai et sur le tissu de fournisseurs chinois spécialisés dans les moteurs, actionneurs et composants mécaniques nécessaires aux robots. Cette dépendance pose un problème stratégique de taille. Dans un contexte de guerre commerciale entre Washington et Pékin, Pékin dispose d'un levier considérable : les terres rares et les composants électroniques avancés, dont la Chine contrôle une part dominante de la production mondiale. Une restriction d'exportation ciblée pourrait paralyser la montée en cadence d'Optimus bien avant que Tesla n'ait pu diversifier ses approvisionnements. Pour Musk, qui cherche à positionner Optimus comme une réponse à la pénurie de main-d'oeuvre industrielle, l'enjeu est directement lié à la valorisation future de Tesla. Ce paradoxe illustre une tension plus large dans l'industrie robotique américaine : les entreprises qui veulent produire à grande échelle n'ont pas d'alternative crédible à court terme aux chaînes d'approvisionnement chinoises. BYD, Huawei et plusieurs groupes industriels de Shenzhen développent leurs propres robots humanoïdes, ce qui signifie que Tesla est simultanément dépendante et concurrencée par le même écosystème industriel chinois.

💬 Tesla mise tout sur Optimus, mais le pari repose sur des composants que Pékin peut couper en deux coups de stylo. C'est le genre de dépendance qu'on accepte quand on veut aller vite, et là Musk veut aller très vite. Sauf qu'être à la fois client et concurrent du même écosystème chinois, c'est une position qui tient jusqu'à ce qu'elle ne tienne plus.

Ce robot cuisine mieux que vous… et il a tout appris en regardant une vidéo

Physical Intelligence, startup basée à San Francisco, a présenté π0.7, un modèle d'IA robotique capable d'exécuter des tâches pour lesquelles il n'a reçu presque aucun entraînement spécifique. La démonstration phare : un robot utilisant une friteuse à air chaud pour cuire une patate douce, alors que ses données d'apprentissage ne contenaient que deux séquences vaguement pertinentes, un robot fermant une friteuse, et un autre manipulant une bouteille en plastique issue d'un dataset open source. Sans assistance verbale, le taux de réussite du robot était d'environ 5 %. Après une demi-heure d'instructions orales en temps réel, ce taux a bondi à 95 %, sans réentraînement ni collecte massive de nouvelles données. Sergey Levine, cofondateur de Physical Intelligence, décrit cette capacité comme une recomposition inédite de connaissances acquises dans des contextes disparates, notamment issues du web. Ce qui distingue π0.7 de la majorité des systèmes robotiques actuels, c'est précisément ce qu'il n'a pas besoin : des millions d'heures de vidéos pour chaque nouvelle tâche. La robotique industrielle et domestique bute depuis des années sur ce mur : chaque situation légèrement différente exige un nouvel entraînement coûteux. Si π0.7 tient ses promesses, il ouvre la voie à des robots capables de s'adapter à des environnements inconnus simplement en recevant des consignes verbales, un changement de paradigme potentiellement majeur pour les secteurs de la logistique, de l'aide à domicile ou de la restauration automatisée. La chercheuse Shi, doctorante à Stanford impliquée dans les travaux, note toutefois qu'il reste difficile d'identifier précisément d'où le modèle tire les connaissances qu'il mobilise, ce qui soulève des questions sur la prédictibilité et la fiabilité du système. Physical Intelligence s'inscrit dans une vague de startups qui parient sur des modèles de fondation pour la robotique, à l'image de ce que GPT-4 a représenté pour le texte. L'entreprise a levé des fonds significatifs ces dernières années et concurrence directement des laboratoires comme Google DeepMind ou Figure AI sur le terrain des robots généralistes. Le vrai enjeu n'est plus de construire des bras articulés précis, mais de créer des systèmes capables de raisonner sur le monde physique avec un minimum d'exemples. π0.7 représente une étape crédible dans cette direction, même si les tests restent pour l'instant en conditions contrôlées. Les prochains mois diront si cette capacité d'adaptation tient face à la complexité désordonnée du monde réel.

L'IA de conduite autonome entraînée 50 000 fois plus vite qu'en temps réel

General Motors développe une infrastructure d'entraînement pour ses systèmes de conduite autonome capable de simuler des scénarios à 50 000 fois la vitesse réelle. L'entreprise combine simulation à grande échelle, apprentissage par renforcement et modèles de fondation pour préparer ses véhicules aux situations rares et imprévisibles — ce que les ingénieurs appellent la « longue traîne » : une panne généralisée de feux de signalisation à San Francisco, un matelas sur la chaussée, un chantier de construction guidé par des ouvriers qui font des gestes. Pour traiter ces scénarios complexes, GM développe des modèles Vision-Language-Action (VLA), issus des grands modèles de vision par langage, auxquels sont ajoutées des têtes de décodage spécialisées pour la conduite. Ces modèles permettent au véhicule de comprendre, par exemple, qu'un geste d'un policier a priorité sur un feu rouge, ou d'identifier visuellement une zone de chargement dans un aéroport. Face au problème de latence inhérent aux modèles de grande taille, GM a conçu une architecture dite « Dual Frequency VLA » : un grand modèle tourne à basse fréquence pour les décisions sémantiques de haut niveau (« cet objet est-il une branche ou un parpaing ? »), tandis qu'un modèle léger gère en temps réel le contrôle spatial — direction et freinage. Cette séparation permet de bénéficier du raisonnement profond sans compromettre les temps de réaction nécessaires à la sécurité. Les modèles génèrent également des traces de raisonnement lisibles par les ingénieurs, facilitant le débogage et la validation des comportements du véhicule. La conduite autonome reste l'un des défis les plus exigeants de l'intelligence artificielle physique : un système doit interpréter un environnement chaotique en temps réel, anticiper le comportement humain et fonctionner de manière fiable dans une infinité de configurations. GM, qui vise d'abord la conduite autonome sur autoroute sans surveillance avant d'atteindre une autonomie totale, mise sur la simulation massive pour compenser l'impossibilité de collecter suffisamment de données réelles sur ces situations exceptionnelles.