Pourquoi la plupart des robots humanoïdes sont en difficulté face aux tâches simples ?
Les robots humanoïdes de dernière génération peuvent exécuter des sauts périlleux, enchaîner des prises de combat ou sprinter sur terrain accidenté, des performances qui impressionnent les foules sur les vidéos virales de Boston Dynamics, Figure AI ou Tesla Optimus. Pourtant, ces mêmes machines échouent régulièrement devant une poignée de porte, un emballage plastique ou un fruit à éplucher. Ce paradoxe apparent est en réalité l'un des défis fondamentaux de la robotique moderne.
Résumé et traduction réalisés par Le Fil IA à partir de Presse-citron. Lire l'article original →
Ce phénomène porte un nom dans la communauté scientifique : le paradoxe de Moravec. Formulé dans les années 1980 par le chercheur Hans Moravec, il stipule que les tâches considérées comme "simples" par un humain, percevoir, saisir, manipuler des objets du quotidien, sont en réalité computationnellement extrêmement complexes pour une machine. À l'inverse, les calculs et les mouvements reproductibles à haute vitesse, difficiles pour les humains, sont précisément ce que les ordinateurs et les actionneurs maîtrisent le mieux. L'enjeu est colossal pour une industrie qui ambitionne de déployer des robots dans les usines, les entrepôts et les foyers.
La distinction technique est claire : un sprint ou un salto peut être pré-programmé sous forme de trajectoire optimisée, le robot reproduit une séquence fixe avec une précision mécanique. Éplucher une orange, en revanche, exige une perception tactile en temps réel, une estimation continue de la force exercée, une adaptation permanente à la forme irrégulière du fruit, et une compréhension contextuelle de l'objet. Les capteurs de pression embarqués restent loin de la sensibilité des 70 000 récepteurs nerveux présents dans la main humaine. Des entreprises comme Sanctuary AI ou Apptronik investissent massivement dans des mains robotiques à retour haptique, mais les progrès restent graduels.
La vague actuelle de modèles d'IA générative et d'apprentissage par renforcement ouvre de nouvelles perspectives : des laboratoires comme Physical Intelligence (Pi) ou Google DeepMind entraînent des robots à généraliser des gestes à partir de millions d'exemples simulés. Les résultats sont prometteurs, un robot peut désormais apprendre à plier du linge ou à déboucher une bouteille sans programmation explicite, mais la robustesse en environnement réel demeure insuffisante pour un déploiement à grande échelle. Le consensus industriel table sur 2027-2030 avant que les robots humanoïdes puissent gérer de façon fiable les manipulations fines du quotidien.
Pas d'impact direct sur la France/UE