RobotiqueMIT Technology Review · 11 mars 2026, 13:38· 1 min de lecture

The Download : Pokémon Go pour entraîner des modèles du monde, et la course États-Unis/Chine pour trouver des extraterrestres

Niantic Spatial, spin-off d'IA de Niantic (créateur de Pokémon Go), exploite les données massives collectées par ses 500 millions d'utilisateurs pour construire un « world model » destiné à aider les robots de livraison à naviguer avec précision. Par ailleurs, la sonde Perseverance a découvert en juillet 2024 des formations rocheuses prometteuses pour la recherche de vie martienne, mais le programme NASA de retour d'échantillons est aujourd'hui en sursis, laissant potentiellement la Chine prendre la tête de cette course scientifique. En parallèle, Anthropic craint de perdre des milliards de dollars suite à son inscription sur liste noire par le Pentagone, tandis que Microsoft la soutient dans son recours judiciaire.

Dans nos dossiers

Microsoft Anthropic

Cet article vous a été utile ?

Vu une erreur factuelle dans cet article ? Signalez-la. Toutes les corrections valides sont publiées sur /corrections.

À lire aussi

1The Decoder

Nouveaux modèles de robotique : Ai2 met à disposition des versions entraînées uniquement en simulation pour éviter la collecte de données dans le monde réel

L'Allen Institute for AI (Ai2) franchit une étape significative dans le domaine de la robotique en publiant de nouveaux modèles entraînés exclusivement en environnements virtuels simulés, sans recourir à la moindre donnée issue du monde réel. Ces modèles sont capables d'opérer dans des environnements physiques réels malgré l'absence totale de données d'entraînement réelles, une démonstration qui remet en question une hypothèse fondamentale du domaine. L'enjeu est considérable : la collecte de données robotiques dans le monde réel est l'un des principaux goulets d'étranglement du secteur. Elle est coûteuse, lente et difficile à mettre à l'échelle. Si la simulation seule suffit à produire des modèles fonctionnels, cela ouvre la voie à un développement beaucoup plus rapide et accessible de systèmes robotiques, en particulier pour des acteurs qui ne disposent pas de flottes de robots physiques ou d'infrastructures de collecte à grande échelle. Ai2 s'inscrit dans une tendance plus large dite de "sim-to-real transfer", qui consiste à entraîner des agents dans des mondes virtuels avant de les déployer dans la réalité. Ce qui distingue ici l'approche de l'institut, c'est la revendication d'un transfert sans aucune donnée réelle, là où la plupart des méthodes actuelles combinent simulation et fine-tuning sur données physiques. Les modèles sont mis à disposition publiquement, signalant une volonté de contribuer à la recherche ouverte en robotique. Cette publication pourrait accélérer les travaux sur des architectures de modèles robotiques plus généralisables, réduisant la dépendance aux données propriétaires coûteuses, un avantage stratégique non négligeable à mesure que la compétition dans la robotique incarnée s'intensifie entre laboratoires académiques et acteurs industriels comme Google DeepMind, Figure ou Physical Intelligence.

RobotiqueActu

1 source

2The Decoder

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

Xiaomi a entraîné son modèle Xiaomi-Robotics-1 en s'appuyant sur plus de 100 000 heures de données de mouvement, collectées non pas via des robots mais grâce à des humains munis de préhenseurs portatifs équipés de caméras. Cette méthode permet de capturer des gestes naturels et variés à moindre coût, sans mobiliser de flottes de robots physiques pour l'entraînement. Le constat central de l'étude est clair : augmenter le volume de données a bien plus amélioré les performances du modèle que d'agrandir sa taille. Les chercheurs de Xiaomi notent également que les gains de performance n'ont pas encore atteint de plateau, ce qui suggère qu'il existe encore une marge de progression significative en continuant simplement à collecter davantage de données. Ce résultat a une portée importante pour l'industrie de la robotique, où le débat entre "scaling" des modèles et scaling des données reste vif, à l'image des discussions similaires dans le monde des grands modèles de langage. Si la donnée prime sur la taille du modèle, cela change la stratégie d'investissement des entreprises du secteur : plutôt que de construire des architectures toujours plus massives et coûteuses en calcul, il devient plus rentable de financer des campagnes de collecte de données à grande échelle. Toutefois, l'article souligne une limite de taille : les taux de réussite absolus des tâches restent faibles, ce qui rappelle que la robotique généraliste est encore loin d'une maturité comparable à celle du traitement du langage. Cette approche s'inscrit dans une tendance plus large de l'industrie à chercher des méthodes de collecte de données moins coûteuses que le télé-opération classique de robots, qui nécessite du matériel spécialisé et des opérateurs formés. En utilisant des préhenseurs portables, Xiaomi rejoint d'autres acteurs explorant des pipelines de données "human-first" pour l'apprentissage robotique. La question qui reste ouverte est de savoir jusqu'où cette courbe de progression liée aux données peut se poursuivre avant de rencontrer d'autres obstacles, comme la diversité des environnements réels ou la fiabilité physique des robots déployés hors laboratoire.

RobotiquePaper

1 source

3MIT Technology Review

Comment Pokémon GO contribue à faire livrer la pizza à temps par des robots

Niantic Spatial, spin-off d'intelligence artificielle issu de Niantic (créateur de Pokémon GO), exploite les données crowdsourcées de 500 millions de joueurs pour construire un modèle du monde capable de localiser un point avec une précision de quelques centimètres. La startup Coco Robotics, qui opère environ 1 000 robots livreurs dans des villes comme Los Angeles, Chicago et Helsinki, utilise cette technologie pour pallier les défaillances du GPS en milieu urbain dense, là où le signal peut dériver de 50 mètres. Avec plus de 500 000 livraisons effectuées à ce jour, Coco mise sur cette précision de localisation pour garantir des arrivées à l'heure exacte promise aux clients.

RobotiqueActu

1 source

4Frandroid

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.

RobotiqueOpinion

1 source

Recevez l'essentiel de l'IA chaque jour

Une sélection éditoriale quotidienne, sans bruit. Directement dans votre boîte mail.

Recevez l'essentiel de l'IA chaque jour

Gratuit · 1 email le matin, l'essentiel de l'IA · désinscription en un clic