Physical AI : comment les modèles fondateurs affranchissent la robotique du mur de la data
Le laboratoire de robotique Generalist, fondé en 2024 par Pete Florence, Andy Zeng et Andrew Barry, vient d'atteindre une valorisation de 3 milliards de dollars après avoir levé près de 200 millions de dollars supplémentaires sous la conduite du fonds 8VC. Ce complément de financement, annoncé le 26 août 2026, prolonge une Série B de 400 millions de dollars menée par Radical Ventures en juin, portant le montant total réuni à environ 600 millions de dollars. L'entreprise compte parmi ses soutiens Nvidia, Bezos Expeditions et la chercheuse Fei-Fei Li. Son modèle phare, baptisé Gen 1.5, permet à un robot d'apprendre une nouvelle tâche à partir d'une simple démonstration vidéo de 3 à 12 secondes, sans réentraînement lourd ni programmation spécifique au cas par cas.
Résumé et traduction réalisés par Le Fil IA à partir de Le Big Data. Lire l'article original →
Cette avancée change concrètement la donne pour les industriels. Jusqu'ici, l'automatisation physique exigeait un codage manuel complexe et de longues heures de téléopération pour chaque nouvelle tâche, ce qui rendait les déploiements coûteux et rigides face aux variations des lignes de production. Avec des modèles capables de généraliser un mouvement observé sur vidéo, les équipes techniques peuvent ajuster le comportement d'une machine en quelques minutes plutôt qu'en plusieurs semaines, sans mobiliser de spécialistes en science des données. Le modèle de Generalist est en outre conçu pour interagir avec différents bras robotiques, préhenseurs et capteurs déjà présents dans les usines et entrepôts, évitant aux entreprises de remplacer leur parc matériel existant. Pour les directeurs industriels et informatiques, cela signifie des déploiements plus agiles et un retour sur investissement nettement accéléré.
Cette percée s'inscrit dans l'essor plus large de la Physical AI, qui vise à transposer à la robotique la logique des grands modèles de langage. Le problème est que ces derniers s'entraînent sur des exaoctets de texte disponibles sur le web, alors que la robotique manquait cruellement de données d'interaction réelles avec le monde physique. Les foundation models comme Gen 1.5 contournent cet obstacle en apprenant directement à partir de vidéos humaines et de représentations physiques multimodales, en s'appuyant notamment sur une architecture de type Flow Matching censée garantir la stabilité des modèles sur des équipements hétérogènes. Le transfert du virtuel vers le réel reste toutefois un défi de recherche actif, selon des travaux publiés sur ResearchGate. Avec le soutien d'investisseurs comme Nvidia et de figures telles que Fei-Fei Li, Generalist se positionne parmi les acteurs les plus dotés de cette nouvelle vague de start-up misant sur la robotique généraliste comme prochaine grande frontière de l'intelligence artificielle après les modèles de langage.
Pas d'impact direct sur la France/UE