GENESIS AI veut apprendre aux robots les gestes humains à grande échelle

Vidéo du vendredi : un robot humanoïde apprend à jouer au tennis face à des humains

Le monde de la robotique humanoïde franchit de nouvelles étapes spectaculaires cette semaine, avec deux démonstrations particulièrement marquantes. D'un côté, le système LATENT (Learns Athletic humanoid TEnnis skills from imperfect human motion daTa) parvient à reproduire des échanges de tennis face à de vrais joueurs humains, une prouesse que l'on croyait encore lointaine, compte tenu de la vitesse et de l'imprévisibilité inhérentes à ce sport. De l'autre, la startup Sharpa revendique être la première entreprise robotique à démontrer un robot capable d'éplucher une pomme avec deux mains dotées de doigts articulés. Ces avancées illustrent un tournant dans la manipulation robotique dite contact-rich : là où les pinces industrielles classiques atteignent leurs limites, des mains à haute dextérité commencent à rivaliser avec la motricité humaine. L'enjeu dépasse le gadget, maîtriser la manipulation bimanuelle fine ouvre la voie à des applications en cuisine automatisée, en logistique, en chirurgie assistée et dans les environnements domestiques non structurés. Le système de Sharpa repose sur une architecture baptisée MoDE-VLA (Mixture of Dexterous Experts), qui fusionne données visuelles, linguistiques, de force et tactiles via un ensemble de modules spécialisés. Plutôt que de téléopérer chaque doigt individuellement, ce qui s'avère quasi impossible en pratique, l'opérateur déclenche des primitives de mouvement pré-apprises (rotation d'objet, saisie précise) via une simple touche clavier. Cette approche de shared autonomy rend la collecte de données d'entraînement scalable et ouvre la voie à l'apprentissage par renforcement sur des tâches complexes. Côté tennis, LATENT contourne l'absence de données cinématiques parfaites en apprenant à partir de captures de mouvement imparfaites, une approche pragmatique qui pourrait s'appliquer bien au-delà du sport. Parmi les autres développements notables de cette sélection hebdomadaire de l'IEEE Spectrum : le laboratoire KAIST DRCD Lab présente son humanoïde v0.7 entraîné par apprentissage profond par renforcement, NVIDIA Isaac Lab est cité pour son rôle dans l'entraînement de politiques de contrôle acrobatiques, et des chercheurs s'attaquent à la question croissante des déchets électroniques générés par l'essor même de la robotique, une mise en perspective bienvenue dans un secteur souvent peu enclin à l'autocritique.

Il apprend vos gestes ! Tesla dévoile son robot Optimus 3 aux mains incroyables

Tesla a levé le voile sur Optimus Gen 3 lors du salon AWE 2026 à Shanghai, présentant la première version de son robot humanoïde conçue pour une production industrielle à grande échelle. L'innovation centrale : des mains d'une précision inédite et un système d'apprentissage par imitation permettant au robot d'observer un humain et de reproduire ses gestes presque instantanément. Une rupture technologique qui marque un tournant dans la trajectoire du projet robotique de Tesla. L'enjeu dépasse la simple prouesse technique. Là où les robots industriels classiques excellent dans des tâches répétitives et bornées, Optimus Gen 3 vise à s'intégrer dans des environnements conçus pour les humains, ateliers, usines, espaces de travail polyvalents. La capacité à manipuler un tournevis, saisir un objet fragile ou utiliser des outils standards représente l'un des défis les plus persistants de la robotique humanoïde, et Tesla prétend l'avoir significativement résolu grâce à une refonte complète de l'architecture mécanique des mains. Pour y parvenir, Tesla affirme avoir appliqué sa méthode dite des premiers principes, repartir des lois fondamentales de la physique plutôt qu'améliorer un design existant. Les nouvelles mains apparaissent nettement plus articulées que celles des générations précédentes, autorisant des mouvements fins et rapides. Sur le volet IA, la technique d'apprentissage par imitation élimine la nécessité de programmer chaque geste manuellement : il suffit de montrer l'action au robot pour qu'il l'intègre. Le média spécialisé CnEVPost, présent à Shanghai, confirme qu'Optimus Gen 3 est officiellement la première version destinée à la production industrielle. Elon Musk a par ailleurs confirmé l'arrêt de la production des Model S et Model X afin de libérer des chaînes d'assemblage pour la fabrication des robots. L'objectif affiché : atteindre un million de robots par an, déployés en priorité dans les Gigafactories de Tesla. L'entreprise se repositionne ainsi ouvertement comme une société d'intelligence artificielle et de robotique, plaçant Optimus au cœur de sa stratégie industrielle pour la prochaine décennie.

Genesis AI lance Nyx, Quadrants et Genesis World 1.0, une plateforme physique pour évaluer les modèles de robotique à grande échelle

Genesis AI a lancé Genesis World 1.0, une plateforme de simulation conçue pour accélérer le développement des modèles de fondation en robotique. La suite se compose de quatre éléments : un moteur physique, Nyx (un moteur de rendu par lancer de rayons en temps réel), Quadrants (un compilateur Python vers GPU), et une interface de simulation. Le problème que tente de résoudre cette plateforme est concret : évaluer une politique robotique sur une centaine de tâches avec plusieurs centaines d'épisodes chacune nécessite normalement plus de 200 heures de fonctionnement continu avec un opérateur humain et un seul robot. Genesis World 1.0 ramène cette même évaluation à moins de 30 minutes, sans intervention humaine ni matériel physique, avec une reproductibilité bit à bit des résultats. C'est un gain d'environ deux ordres de grandeur sur le temps de cycle d'évaluation. Ce bond de performance change fondamentalement la manière dont les équipes de recherche peuvent comparer des variantes de modèles. Jusqu'ici, la lenteur de l'évaluation réelle obligeait à faire des choix brutaux sur le nombre de checkpoints testés, biaisant de facto les décisions de développement. Genesis AI a délibérément choisi d'utiliser la simulation pour l'évaluation avant de l'utiliser pour la génération de données d'entraînement, et ce pour une raison méthodologique précise : si entraînement et évaluation partagent la même distribution simulée, un gain de performance peut simplement refléter une meilleure adaptation au simulateur, et non un progrès réel. L'approche retenue, baptisée "zero-shot real-to-sim", consiste à évaluer en simulation des politiques entraînées exclusivement sur des données réelles. Les résultats de corrélation sont probants : la corrélation de Pearson entre les performances en simulation et sur robot physique atteint 0,8996 (intervalle de confiance à 95 % : [0,7439 ; 0,9314]), calculée sur trois variantes de modèles (Small, Medium, Large), 14 tâches et 200 épisodes par tâche, avec un million d'itérations bootstrap. Le Mean Maximum Rank Violation (MMRV) s'établit à 0,0166, ce qui signifie que le simulateur préserve fidèlement le classement relatif des modèles entre eux. Genesis AI évolue dans un secteur en pleine structuration, où des acteurs comme Google DeepMind, Physical Intelligence ou encore Boston Dynamics investissent massivement dans les modèles de fondation pour la robotique généraliste. La qualité du simulateur est devenue un avantage compétitif direct : Genesis revendique un écart de réalité réduit de 45 % par rapport au meilleur simulateur concurrent, mesuré par le score FID sur leur jeu de données. Pour diagnostiquer précisément les sources de divergence simulation-réalité, l'équipe a construit un banc de test côte à côte permettant de faire fonctionner simultanément le simulateur et un robot physique depuis la même initialisation, en permutant les sources d'observations (caméra, proprioception) pour isoler si les écarts viennent de la physique, du rendu, des communications ou du contrôle. Nyx, le moteur de rendu intégré, vise des images 1080p sans bruit en moins de 4 millisecondes sur un GPU grand public haut de gamme, en s'appuyant sur le lancer de rayons matériel et des splats gaussiens 3D pour les zones où la reconstruction en maillage reste insuffisante.

💬 200 heures d'évaluation robotique ramenées à 30 minutes, c'est pas un gain marginal, c'est un changement de paradigme dans la façon dont on peut itérer sur les modèles. Ce qui m'intéresse surtout, c'est leur choix de séparer les distributions d'entraînement et d'évaluation : simuler les deux ensemble, c'est se mentir à soi-même, et ils l'ont compris. Bon, la corrélation à 0,89 est impressionnante sur le papier, reste à voir si ça tient sur des tâches vraiment hors distribution.

Unitree : cette IA apprend aux robots humanoïdes à gérer seuls les tâches du quotidien

Il y a environ 40 mètres d'écart entre le titre du poste et le sujet réel : c'est un article, pas une tâche de code. Je le résume directement. Unitree a dévoilé un nouveau modèle d'intelligence artificielle baptisé UnifoLM-OminiA-0.3, destiné à ses robots humanoïdes. Contrairement à l'approche classique qui consiste à entraîner un robot pour chaque tâche spécifique, ce modèle unique gère simultanément de nombreux scénarios différents. Il combine en temps réel plusieurs sources d'information : l'analyse visuelle via les caméras, la compréhension des commandes vocales et l'interprétation de l'environnement. Unitree qualifie cette approche d'interaction « omni-modale », c'est-à-dire une intelligence capable de traiter plusieurs types de données à la fois pour prendre la meilleure décision possible. Une vidéo de démonstration d'environ deux minutes illustre ces capacités : le robot identifie un coussin mal placé et le repositionne, récupère une boîte de médicaments précise en tenant compte de sa couleur et de son emplacement, range des vêtements dans une panière, place des assiettes dans un lave-vaisselle, et contrôle un lit médicalisé tout en s'arrêtant immédiatement sur commande vocale. Ce qui distingue cette annonce des précédentes démonstrations robotiques, ce n'est pas la nature des tâches elles-mêmes, déjà réalisées par d'autres machines en environnement contrôlé, mais la capacité du modèle à enchaîner plusieurs opérations en comprenant le contexte global, sans reprogrammation entre chaque étape. Un robot équipé de ce système ne se contente plus de chercher un objet à saisir : il identifie ses caractéristiques précises, planifie son geste, puis ajuste sa trajectoire si un obstacle survient en cours de route. Pour l'industrie de la robotique domestique et de service, cette avancée représente un pas vers des machines réellement utilisables au quotidien, capables de s'adapter à des environnements changeants plutôt que de répéter des séquences figées apprises à l'avance. Unitree met également en avant la robustesse de son système, censé maintenir une exécution stable même lorsqu'un élément extérieur perturbe le robot en pleine action. Cette annonce s'inscrit dans une course plus large que se livrent les fabricants de robots humanoïdes pour doter leurs machines d'une véritable autonomie décisionnelle, un enjeu central pour transformer des prototypes spectaculaires en produits réellement déployables chez les particuliers ou en entreprise. Unitree, fabricant chinois déjà reconnu pour ses robots quadrupèdes et humanoïdes à prix relativement accessibles, cherche ainsi à se distinguer sur le terrain de l'intelligence embarquée plutôt que sur la seule mécanique. L'enjeu des mois à venir sera de vérifier si ces capacités tiennent leurs promesses hors des vidéos de démonstration, dans des environnements domestiques réels bien plus imprévisibles, avec des objets, des obstacles et des demandes humaines qui ne suivent aucun script préétabli.