Xiaomi-Robotics-1 montre que plus de données valent mieux que des modèles plus grands pour entraîner des robots à se déplacer

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.

Les jeux vidéo vont-ils entraîner les robots de demain ?

Les jeux vidéo occupent une place de plus en plus centrale dans l'entraînement des intelligences artificielles physiques, à mesure que les limites des données textuelles se font sentir. Les grands modèles de langage comme GPT ou Llama se sont nourris de milliards de pages web, mais cette source s'épuise et ne suffit plus pour les nouveaux besoins de l'IA incarnée. Les robots, les véhicules autonomes et les agents capables d'interagir avec le monde physique nécessitent un tout autre type de données : des environnements 3D riches, des scènes dynamiques, des interactions complexes entre objets et personnages. Les jeux vidéo, avec leurs mondes simulés à grande échelle, leur physique réaliste et leurs millions d'heures de gameplay généré par les joueurs, constituent un gisement quasiment inexploité pour ce type d'apprentissage. Cette bascule change la donne pour l'industrie du jeu vidéo, qui pourrait voir ses moteurs graphiques et ses bases d'assets valorisés bien au-delà du divertissement. Pour les constructeurs de robots et les entreprises de véhicules autonomes, disposer de simulations réalistes permet d'entraîner des agents à moindre coût et sans risque, avant tout déploiement dans le monde réel. Les studios de jeux, les éditeurs de moteurs comme Unreal Engine ou Unity, et les fabricants de cartes graphiques se retrouvent ainsi au cœur d'une nouvelle chaîne de valeur stratégique. Ce virage s'inscrit dans une tendance plus large où l'industrie de l'IA cherche de nouvelles sources de données après avoir épuisé le texte accessible sur internet. Des acteurs comme Nvidia investissent déjà massivement dans la simulation pour la robotique, tandis que plusieurs studios explorent des partenariats avec des laboratoires d'IA. La question qui se pose désormais est celle de la propriété de ces données et du partage de valeur entre créateurs de jeux et développeurs d'intelligence artificielle.

Robots domestiques : la collecte de données d’entraînement passe par le ménage gratuit

La startup allemande MicroAGI a lancé à New York un service baptisé Shift qui propose le nettoyage gratuit d'appartements par des professionnels, en échange d'un consentement précis : les agents portent des caméras filmant chacun de leurs gestes pendant l'intervention. Ces vidéos constituent des données d'entraînement pour des intelligences artificielles destinées à piloter des robots domestiques. L'entreprise rémunère par ailleurs des volontaires 20 dollars de l'heure pour enregistrer leurs tâches quotidiennes chez eux ou au travail. Au premier trimestre 2026, MicroAGI affirme avoir versé plus de 5 millions de dollars à 10 000 "opérateurs" répartis dans une dizaine de pays. Ce modèle répond à un problème structurel que toute l'industrie de la robotique humanoïde bute sur le même mur : l'absence de corpus de données équivalent à ce dont disposent les modèles de langage. Là où une IA générative peut s'alimenter de milliards de textes produits par l'humanité, un robot domestique a besoin de voir des milliers d'heures de mains humaines en train de frotter, plier, trier, saisir. Le constructeur 1X l'a illustré concrètement avec son humanoïde Neo, qui dépend encore régulièrement d'un téléopérateur humain pour accomplir certaines tâches chez le client. Shift contourne le problème en finançant la collecte par la valeur même des enregistrements, transformant le nettoyage en une transaction data contre service. La question de la vie privée est au coeur du modèle, et MicroAGI la gère avec des promesses techniques et juridiques dont la robustesse reste à éprouver. Les caméras floutent automatiquement visages, documents, écrans et pièces d'identité directement à la capture, avant tout téléversement. L'entreprise invoque le RGPD pour garantir un droit à l'effacement, mais considère simultanément que les données anonymisées échappent au champ des lois sur la protection des données, une position juridique contestable. Shift s'inscrit dans une tendance plus large de "travail du clic" appliqué à la robotique, où des entreprises comme Scale AI ou Labeling Tech ont construit des modèles comparables pour d'autres types de données. Avec des investissements massifs dans les humanoïdes chez Figure, Apptronik ou Tesla, la compétition pour ces corpus d'entraînement va s'intensifier, et les appartements new-yorkais ne seront vraisemblablement pas les derniers à servir de terrain de collecte.

La Chine entraîne ses robots dans le monde réel plutôt qu’en laboratoire

Selon les informations disponibles, des chercheurs chinois développent leurs robots humanoïdes en les testant directement en conditions réelles plutôt qu'en environnement contrôlé de laboratoire. L'approche consiste à sortir les machines des centres de recherche pour les confronter à des situations concrètes de la vie quotidienne, où elles doivent interagir avec des humains dans des contextes non scénarisés. Cette stratégie d'apprentissage par l'expérimentation directe vise à accumuler des données issues de situations variées et imprévisibles, difficiles à reproduire artificiellement en laboratoire. Les équipes de recherche chinoises misent ainsi sur le volume et la diversité des interactions réelles pour affiner les capacités de leurs robots. Cette méthode répond à un défi central de la robotique humanoïde : un robot qui excelle dans un environnement contrôlé échoue souvent face à l'imprévisibilité du monde réel, que ce soient les irrégularités d'un trottoir, les réactions imprévues d'un passant ou les obstacles non répertoriés. En multipliant les expositions à ces situations concrètes, la Chine cherche à accélérer l'acquisition de comportements adaptatifs plus robustes que ceux obtenus par simulation seule. L'enjeu est de taille pour l'industrie : la capacité à déployer des robots réellement fonctionnels en environnement humain conditionne l'ensemble des applications commerciales visées, du service à la personne à l'assistance logistique, et pourrait déterminer qui prendra l'avantage sur ce marché émergent. Cette approche s'inscrit dans la compétition mondiale intense autour de la robotique humanoïde, où la Chine investit massivement pour rattraper puis dépasser les acteurs occidentaux et notamment américains sur ce terrain. Les entreprises chinoises du secteur bénéficient d'un soutien étatique important et d'un écosystème industriel favorable au déploiement rapide de prototypes à grande échelle. Reste à savoir si cette stratégie du terrain, plus risquée en termes de sécurité et d'image, permettra réellement de combler l'écart technologique avec des acteurs qui misent davantage sur la simulation et les tests contrôlés avant tout déploiement public.