Robotique

Kyutai présente REKI, un modèle VLA de 2,4 milliards de paramètres doté d'une mémoire efficace pour la manipulation robotique

Kyutai, en collaboration avec l'Inria et l'École des Ponts, a publié REKI, un modèle vision-langage-action (VLA) de 2,4 milliards de paramètres destiné à la manipulation robotique. Il associe un modèle de vision-langage Qwen3.5-2B (2,2 milliards de paramètres) à un expert d'action de 200 millions de paramètres, qui génère des séquences d'actions par flow matching en 10 pas d'Euler. REKI est préentraîné uniquement sur des données publiques : 1,0 milliard d'images, dont 639,8 millions issues de téléopération de robots réels, 193,9 millions de simulation et 170,9 millions de vidéo humaine égocentrique, auxquelles s'ajoutent 12,2 millions d'échantillons vision-langage. Sa particularité est une mémoire peu coûteuse, logée dans l'expert d'action : 32 jetons de registre appris, calculés une fois par image puis mis en cache, couvrent les trois dernières images espacées d'une seconde. Sur un GPU H100, une séquence d'actions prend 21,8 ms avec deux caméras en 256×256, la lecture de la mémoire n'ajoutant que 0,1 ms et environ 2 Mio par image passée. Le modèle obtient 90,4 % sur LIBERO-Plus, 65,8 % sur RoboTwin Clean2Rand et 97,6 % sur LIBERO, mais seulement 38,4 % sur RoboCasa365, loin de Xiaomi-Robotics-1 (57,4 %). Les poids sont disponibles sur Hugging Face en BF16, sous licence CC BY-NC-SA 4.0. L'intérêt tient à l'équilibre entre performance, taille et coût. Sur trois benchmarks hors distribution, seuls des modèles environ deux fois plus gros font mieux. REKI dépasse Qwen-RobotManip (4,7 milliards de paramètres, 89,0 %) et π0.5 de Physical Intelligence (85,7 % selon l'évaluation de Kyutai) sur LIBERO-Plus, tout en étant plus rapide que π0.5 (33,8 ms) et ABot-M0 (46,1 ms). La mémoire corrige aussi un défaut typique des robots, qui oscillent entre deux poses faute de pouvoir distinguer des situations visuellement identiques, un phénomène que Kyutai attribue à l'aliasing perceptuel : sur RoboTwin, la part d'épisodes oscillants passe de 18,6 % à 4,1 %. Le préentraînement apporte surtout hors distribution, avec 13,8 points de gain sur Clean2Rand et 30,3 points en environnement encombré. La mémoire ajoute 1,5 point sur LIBERO-Plus et 5,4 points sur RoboCasa365. La licence non commerciale limite toutefois les usages industriels. Cette publication s'inscrit dans une course aux modèles de fondation pour la robotique où la plupart des approches de mémoire alourdissent le calcul, en injectant les images passées dans le modèle de vision-langage, en déroulant l'entraînement ou en ajoutant des modules. REKI choisit une voie plus économe, qui préserve la latence nécessaire au contrôle en temps réel. Le laboratoire français Kyutai, connu pour ses travaux en IA ouverte, montre ici qu'un préentraînement sur données exclusivement publiques peut rivaliser avec des systèmes qui s'appuient sur des données robotiques propriétaires, comme π0.5. Les acteurs en présence incluent Qwen, Physical Intelligence, AMAP et Xiaomi. Les résultats ont été obtenus après un réglage fin séparé pour chaque benchmark et proviennent de la fiche du modèle et de la page du projet, et le faible score sur RoboCasa365 face à Xiaomi montre que l'écart n'est pas comblé partout.

💬 Le vrai sujet n'est pas le score, c'est la mémoire à 0,1 ms. Enfin une approche qui traite l'oscillation des robots (18,6 % à 4,1 % d'épisodes bloqués) sans exploser la latence, et ça compte plus que gagner trois points sur un benchmark. Selon moi, un VLA se juge désormais à ce qu'il retient à coût constant, pas à sa taille. Bon, le 38,4 % sur RoboCasa365 face à Xiaomi rappelle que le réglage fin par benchmark fait beaucoup, et la licence non commerciale ferme la porte aux industriels. Reste à voir si ça tient sur un vrai bras, hors simulation.

Robots intelligents : les défis à relever pour accélérer leur adoption

L'adoption des robots intelligents, ces machines qui combinent mécanique, capteurs et intelligence artificielle pour agir de façon autonome dans des environnements variés, se heurte à plusieurs obstacles qui freinent leur déploiement à grande échelle. Les entreprises doivent d'abord composer avec des coûts d'acquisition et d'intégration élevés, qui rendent le retour sur investissement difficile à démontrer en dehors des grands groupes. S'y ajoutent la fiabilité des systèmes face à des situations imprévues, la sécurité des personnes qui travaillent à proximité des machines, et la difficulté de faire communiquer des équipements issus de fabricants différents. Ces défis comptent parce qu'ils déterminent qui profitera de la robotisation. Dans l'industrie, la logistique, la santé ou les services, les robots promettent de compenser les pénuries de main-d'œuvre, d'alléger les tâches pénibles et d'améliorer la qualité. Mais tant que les solutions restent chères, complexes à programmer et mal adaptées aux petites structures, leurs bénéfices restent concentrés. La question de la confiance pèse aussi: salariés et clients doivent comprendre ce que fait la machine, et les employeurs doivent accompagner la transformation des métiers par la formation. Ce débat s'inscrit dans l'essor rapide de l'IA générative, qui rend les robots plus faciles à instruire par le langage naturel et plus capables de s'adapter. Constructeurs, éditeurs de logiciels, start-ups et pouvoirs publics y sont engagés. Les régulateurs, notamment en Europe, cherchent à encadrer la sécurité, la responsabilité et la protection des données. La suite dépendra de la baisse des coûts, de la standardisation des interfaces et de la capacité des acteurs à prouver, sur des cas concrets, que ces machines sont à la fois sûres, rentables et acceptées.

Amazon compte plus d'un million de robots dans ses entrepôts : quel avenir pour ses employés ?

Aucune organisation au monde n'exploite autant de robots qu'Amazon. Le géant du commerce en ligne compte désormais plus d'un million de robots dans ses entrepôts, qui fonctionnent jour et nuit pour permettre des dizaines de millions de livraisons le jour même ou le lendemain, chaque jour. L'entreprise s'apprête à étendre nettement cette flotte dans les années à venir, en ouvrant de nouvelles usines chargées de produire des robots toujours plus performants. Pourtant, Amazon reste le deuxième employeur privé de la planète, avec plus de 1,5 million de salariés à temps plein et à temps partiel, selon son rapport annuel 2025. Les dirigeants du groupe affirment que cette flotte allège la charge des employés en prenant en charge les tâches les plus pénibles des centres logistiques, celles qui exposent le plus à la fatigue physique et aux blessures. Mais des organisations de défense des travailleurs et des chercheurs indépendants nuancent ce tableau : l'automatisation des entrepôts portée par l'intelligence artificielle n'est pas bénéfique à tous égards pour les humains qui travaillent à leurs côtés. Le sujet dépasse Amazon, car il préfigure ce que pourraient vivre les salariés de tout secteur où des robots collaboratifs s'installent au plus près des équipes. Brian Greenwood, professeur de gestion à l'université George Mason, souligne une rupture historique. Pendant un siècle, explique-t-il, l'automatisation s'est le plus souvent déroulée à distance des travailleurs : on retirait une tâche dangereuse à l'ouvrier, sans qu'une machine ne partage physiquement son espace. Les robots collaboratifs changent la donne pour deux raisons. D'une part, ils évoluent à proximité immédiate des humains. D'autre part, ils sont en mesure d'imposer la cadence de travail, ce qui peut accroître la pression sur les employés même lorsque les gestes les plus lourds leur sont épargnés. Cette tension s'inscrit dans la trajectoire de long terme d'Amazon, qui a fait de la logistique automatisée un avantage concurrentiel majeur depuis le rachat de la société de robotique Kiva en 2012. L'enjeu est désormais double : poursuivre les gains de productivité tout en répondant aux critiques sur les conditions de travail, alors que les syndicats, les chercheurs et les pouvoirs publics scrutent de plus en plus l'effet des cadences algorithmiques. La question de l'avenir des emplois humains, à mesure que les robots gagnent en capacités, reste ouverte.

💬 Un million de robots pour 1,5 million de salariés : Amazon n'a pas remplacé ses employés, il les a calés sur le rythme des machines. Selon Le Fil IA, le vrai sujet n'est plus de savoir combien d'emplois l'automatisation supprime, mais qui fixe la cadence quand le robot travaille à côté de l'humain. Et là, c'est l'algorithme qui décide, pas le salarié. Bon, "moins de tâches pénibles" sur le papier, ça sonne bien, mais si le geste est plus léger et le rythme plus dur, je n'appelle pas ça un progrès. Les syndicats européens vont s'y accrocher, et ils auront raison.

Concevoir une IA fiable à l'exécution : les leçons de la robotique industrielle

Standard Bots, qui se présente comme le « plus grand fabricant américain de robots industriels nativement IA », vient de lever 200 millions de dollars lors d'un tour de série C valorisant l'entreprise à 1 milliard de dollars. L'opération est menée par General Catalyst et RoboStrategy, un fonds spécialisé en robotique. Parmi ses clients figurent la NASA, Amazon et Lockheed Martin. Ses bras robotisés, conçus pour le chargement de machines, le soudage et l'assemblage, reposent sur un modèle de base commun que chaque client adapte par démonstrations et affinage. Selon le PDG et cofondateur Evan Beard, le plus gros modèle de la société compte quelques milliards de paramètres, soit peu au regard des laboratoires de pointe. L'entraînement se fait dans le cloud, mais l'inférence s'exécute en local. Leif Jentoft, responsable de l'IA, détaille le partage des rôles : pour le chargement de machines en production à forte variété, un système « zéro-shot » permet à l'utilisateur d'indiquer les pièces à repérer. Le modèle assure la perception, tandis que la programmation conventionnelle gère le mouvement et la logique de la cellule. Son réseau de base a été entraîné sur plus d'un milliard d'images, ce qui l'aide à distinguer éclairages, matériaux et objets par rapport à leur arrière-plan. Ce choix d'architecture dit beaucoup de ce que l'industrie attend de l'IA en 2026 : moins de spectacle humanoïde, davantage de fiabilité d'exécution. Standard Bots vise des tâches à horizon court, où les exigences de temps de cycle et de robustesse sont celles de la production. Jentoft insiste sur la qualité des données plutôt que sur leur volume : selon lui, des interventions sur site peuvent corriger un cas limite avec quelques dizaines d'exemples seulement. L'accès aux clients industriels donne à l'entreprise, affirme-t-il, des données de très haute valeur. Pour les usines, cela signifie des robots qu'on adapte rapidement sans équipe de recherche, et dont les parties non apprises restent prévisibles car codées de manière classique. L'inférence locale répond aussi aux contraintes de latence et de continuité de service des ateliers. Le contexte est celui de la « Physical AI », dont la difficulté tient moins à l'intelligence des modèles qu'à leur déploiement sur du matériel réel, sous contraintes de sécurité, de latence, de consommation, de coût et de fiabilité, un constat déjà exprimé par Applied Intuition en avril. Standard Bots en fait un atout en contrôlant toute la chaîne : bras, effecteur, système de commande et IA. Cette intégration verticale permet, selon Jentoft, de co-optimiser les modèles et les politiques de contrôle. Il juge qu'aucun modèle actuel n'est réellement indépendant du matériel, malgré certaines affirmations. Skild, qui ambitionne de construire une « intelligence robotique généraliste », défend la thèse inverse, avec un objectif de généralisation entre matériels différents. Ce débat entre spécialisation intégrée et généralité structure aujourd'hui le secteur, où se côtoient aussi les humanoïdes de Figure et le robot domestique NEO de 1X.

💬 Le modèle voit, le code décide : Standard Bots a compris que dans une usine, on ne veut pas d'un robot qui improvise. Bon, sur le papier, un modèle de quelques milliards de paramètres qui tourne en local, ça fait moins rêver qu'un humanoïde qui plie du linge. Mais c'est exactement ce qui se vend. Selon Le Fil IA, la robotique industrielle prouve que l'IA se déploie d'abord là où on la cantonne à la perception et où le reste reste du code prévisible. Reste à voir si leur pari du matériel intégré résiste face à Skild et sa généralisation.

The Download : les obstacles de l'IA pour les robots humanoïdes et les barrages en caoutchouc portables

La newsletter quotidienne de MIT Technology Review fait le point sur plusieurs dossiers technologiques. Le premier concerne la robotique : l'enthousiasme autour des robots humanoïdes atteint un pic, nourri par l'idée que les avancées d'IA à l'origine de ChatGPT et de Claude permettraient aux machines d'imiter les mouvements humains comme les chatbots imitent le langage. Beaucoup de chercheurs en doutent. Pour eux, une intelligence construite sur le texte et l'image peine à maîtriser l'infinie variabilité du monde physique, et assimiler humanoïdes et machines généralistes est trompeur. Côté climat, la start-up WaveSave figure parmi les 10 entreprises à suivre de 2026 du magazine avec le SlamDam, un barrage en caoutchouc portable. Chacun peut le dérouler au sol le long d'une berge ou d'un rivage, puis le remplir d'eau à la pompe. Il atteint 1,3 mètre de haut et protège les biens situés derrière lui quand les eaux montent. Parmi les autres nouvelles, des scientifiques autrichiens et chinois ont construit les premières horloges nucléaires, celle de la Chine étant six fois plus stable que celle de l'Autriche. Trois chercheurs licenciés d'OpenAI, remerciés pour avoir prétendument partagé des informations sensibles, veulent protéger la surveillance du raisonnement des IA. Samsung a enfin annoncé le plus gros bénéfice trimestriel jamais prévu pour une entreprise technologique, estimé à 80 milliards de dollars. Ces informations ont des conséquences concrètes. Si les modèles de langage ne suffisent pas à créer des robots polyvalents, les promesses d'humanoïdes bientôt présents dans les foyers et les usines risquent d'être tenues bien plus tard que prévu, ce qui compte pour les investisseurs et les industriels. Le barrage portable répond à un besoin croissant : des protections rapides et accessibles face à des inondations plus fréquentes. Les horloges nucléaires pourraient devenir les instruments de mesure du temps les plus précis au monde et aider à chercher la matière noire. Quant au différend chez OpenAI, il met en jeu un outil de sécurité clé : si les laboratoires cessent de pouvoir observer le raisonnement de leurs modèles, un levier de contrôle disparaît. Le contexte éclaire ces signaux. La sélection climatique de cette année montre que la Chine est devenue le centre de gravité de l'énergie et des technologies climatiques, que tous les acteurs veulent une part du marché des centres de données et que le réseau électrique a besoin de soutien, le stockage d'énergie étant une pièce centrale. Le bénéfice record de Samsung illustre l'effet du boom des puces d'IA, tandis que les progrès d'OpenAI en mathématiques, qui dépassent le cadre des mathématiques, et son rattrapage face à Anthropic sur le code montrent une IA qui gagne des domaines de plus en plus spécialisés. Reste à savoir si les laboratoires parviendront à dégager des profits durables.

💬 Un LLM qui a lu tout internet sait écrire un mail, pas plier un linge ou saisir un verre sans le briser. Selon Le Fil IA, la vraie question sur les humanoïdes n'est pas "quand ils arrivent" mais si le langage est le bon point de départ pour apprendre le monde physique, et rien ne le prouve à ce jour. Bon, sur le papier, l'analogie avec ChatGPT est séduisante, enfin presque : un mouvement n'a pas de grammaire à imiter. Si tu financées des promesses de robots à la maison pour 2027, relis les chercheurs qui doutent.

Le pari de Nvidia sur l'IA physique vise des robotaxis plus sûrs et des robots humanoïdes

Nvidia, dont la capitalisation boursière se chiffre en milliers de milliards de dollars grâce à l'enthousiasme des investisseurs pour les centres de données d'IA, a aussi engagé des milliards de dollars dans l'IA physique, c'est-à-dire la robotique et les véhicules autonomes. Une partie de ce pari consiste à bâtir un système de sécurité complet, sur lequel les entreprises peuvent s'appuyer pour réduire le risque que leurs machines blessent les personnes à proximité. Ce système, baptisé Halos, a été lancé en 2025 avec des outils matériels et logiciels destinés à installer des garde-fous dans les voitures autonomes et autres véhicules sans conducteur. En juin 2026, Nvidia a étendu cette architecture à d'autres technologies avec l'annonce de Halos for Robotics. L'enjeu est de permettre un déploiement sûr de robots mobiles autonomes dans les entrepôts, de robots humanoïdes qui circulent dans une usine, voire de robots chirurgicaux. Dans ces environnements, une erreur de la machine peut avoir des conséquences physiques directes sur des travailleurs, des patients ou des passants. Pour les industriels, disposer d'une base de sécurité éprouvée pourrait accélérer des déploiements aujourd'hui freinés par la crainte des accidents et l'incertitude sur la responsabilité. Pour le public, c'est la condition pour que ces machines quittent les laboratoires et les sites pilotes. Ce mouvement répond à un déplacement des difficultés. Amit Goel, responsable de l'écosystème robotique et de l'informatique embarquée chez Nvidia, l'a résumé à Ars Technica : les modèles d'IA deviennent performants, le matériel robotique aussi, et la sécurité est désormais perçue comme le prochain goulot d'étranglement. Halos for Robotics a donc été lancé, selon lui, pour libérer le potentiel de ces systèmes. En étendant à la robotique une approche née dans l'automobile, Nvidia cherche à s'imposer comme fournisseur de référence de toute la chaîne de l'IA physique, bien au-delà des puces qui alimentent les centres de données.

💬 Nvidia ne vend plus seulement des puces, elle vend l'assurance que ton robot ne va pas écraser quelqu'un. Et c'est malin : quand la sécurité devient le goulot d'étranglement, celui qui fournit le cadre certifié fixe les règles du jeu pour tout le monde. Bon, sur le papier, Halos rassure les industriels, mais reste à voir si ça tient quand un humanoïde se plante dans une vraie usine, et qui paie ce jour-là.

Pourquoi Elon Musk doit se tourner vers la Chine pour produire son robot humanoïde Optimus en masse

Tesla cherche à conserver son avance sur ses concurrents chinois dans les robots humanoïdes, mais Elon Musk doit se tourner vers la Chine pour fabriquer Optimus à grande échelle. Le constructeur américain s'appuie désormais sur des fournisseurs de l'Empire du Milieu pour obtenir une partie des composants nécessaires à une production de masse de son robot. Le média Frandroid, qui rapporte l'information, ne détaille dans cet extrait ni les pièces concernées ni les volumes visés. Ce choix illustre une réalité industrielle : même l'entreprise qui affiche l'ambition la plus visible dans ce secteur dépend de la chaîne d'approvisionnement chinoise pour passer du prototype à la série. Pour Tesla, l'enjeu est de faire baisser les coûts et d'atteindre des cadences que peu d'acteurs occidentaux peuvent égaler seuls. Pour les rivaux chinois, la situation est ambiguë. Ils peuvent profiter de ces commandes, mais ils fournissent aussi, indirectement, un concurrent direct. Ce paradoxe s'inscrit dans la course mondiale aux robots humanoïdes, où les entreprises chinoises ont multiplié les modèles et bénéficient d'un écosystème dense de fabricants de moteurs, de capteurs et d'actionneurs. Tesla, elle, mise sur son expérience de la production automobile et de l'intelligence artificielle embarquée. Cette dépendance expose toutefois le groupe aux tensions commerciales entre Washington et Pékin, notamment aux droits de douane et aux restrictions d'exportation, qui pourraient peser sur le calendrier et le prix d'Optimus.

L'ancien responsable d'Optimus chez Tesla lance une startup de robots industriels

Ashish Kumar, ancien responsable IA des robots humanoïdes Optimus chez Tesla, a cofondé une startup qui développe des robots non humanoïdes. Ces machines sont conçues pour accomplir des tâches normalement confiées à des travailleurs très qualifiés, notamment dans l'industrie manufacturière et l'aérospatiale, selon deux personnes ayant une connaissance directe du dossier. Baptisée Intelligent Machines et installée à San Francisco, la jeune pousse a déjà recruté plusieurs anciens membres de l'équipe Optimus. Elle est en train de lever un tour d'amorçage qui pourrait atteindre environ 100 millions de dollars, d'après l'une de ces sources. Pour l'instant, l'entreprise se concentre sur le logiciel destiné aux robots, même si ses dirigeants ont évoqué la possibilité de concevoir aussi le matériel. Un tour d'amorçage de cette ampleur est exceptionnel et témoigne de l'appétit des investisseurs pour la robotique pilotée par l'IA. Le projet suggère aussi que la valeur à court terme pourrait se trouver moins dans les humanoïdes polyvalents que dans des robots spécialisés, taillés pour des gestes complexes que l'automatisation classique peine à reproduire. Pour les industriels, cela ouvrirait la voie à l'automatisation de postes qualifiés, où le savoir-faire humain restait jusqu'ici difficile à transférer à une machine. Le départ de plusieurs ingénieurs d'Optimus illustre en outre la concurrence pour les talents du secteur. Intelligent Machines mise sur l'apprentissage par renforcement, une méthode qui récompense une IA lorsqu'elle atteint certains objectifs et la pénalise dans le cas contraire, afin de lui apprendre des tâches complexes. C'est la spécialité de Ashish Kumar, dont les recherches doctorales à l'Université de Californie à Berkeley portaient sur ce domaine. Cette approche s'inscrit dans la course actuelle à l'IA dite incarnée, où Tesla fait d'Optimus un pilier de sa stratégie. La suite dépendra de la capacité de la startup à finaliser son financement, à préciser son choix entre logiciel seul et conception de machines complètes, et à prouver ses résultats auprès de clients industriels.

HiPHI : un benchmark à grande échelle pour le mouvement humain et l'interaction avec les objets en haute précision

HiPHI est un nouveau jeu de données de capture de mouvement à grande échelle, présenté dans un livre blanc destiné aux chercheurs et ingénieurs en robotique. Son nom complet est HiPHI: A Large-Scale Benchmark for High-Precision Human Motion and Object Interaction. Il vise à combler le manque de données qui freine l'apprentissage des robots humanoïdes. Pour organiser la collecte, les auteurs s'appuient sur FrameNet, un cadre linguistique de description des actions humaines. Cela leur permet de couvrir de façon systématique un large éventail de mouvements du corps entier. Le jeu de données synchronise aussi les trajectoires et les maillages 3D des objets manipulés. Des politiques d'apprentissage par renforcement entraînées sur ces données voient leurs performances progresser avec l'échelle, puis sont transférées de la simulation vers un robot humanoïde physique. L'enjeu touche au cœur de l'IA incarnée et de la « Physical AI ». Les vidéos d'Internet n'offrent pas la précision nécessaire pour enseigner des mouvements exploitables à une machine, et les jeux de données de capture de mouvement existants restent limités en couverture. En associant mouvements humains précis et données d'objets, HiPHI rend possible l'apprentissage de tâches concrètes comme porter, pousser ou tirer. Le fait que les résultats s'améliorent avec la taille du corpus suggère qu'investir dans la collecte de données peut produire des gains réguliers. La démonstration sur un robot réel montre que ces gains ne se limitent pas à la simulation, ce qui intéresse directement les équipes qui développent des humanoïdes. Ce travail s'inscrit dans une course à la donnée en robotique. Les modèles de langage et de vision ont progressé grâce à des corpus massifs, alors que les robots manquent de démonstrations de qualité sur des interactions physiques. La capture de mouvement fournit des références précises, que l'apprentissage par renforcement et le transfert simulation vers réel peuvent reproduire sur des machines. Le recours à FrameNet illustre une tendance à structurer la collecte selon une taxonomie plutôt qu'au hasard. Les suites probables concernent l'élargissement du catalogue d'actions et d'objets, ainsi que la comparaison de HiPHI avec d'autres références du domaine.

Création d'un pipeline d'apprentissage robotique en streaming avec NVIDIA Cosmos3-DROID

NVIDIA publie un tutoriel qui montre comment construire une chaîne complète d'apprentissage robotique en streaming autour du jeu de données Cosmos3-DROID, sans télécharger les 707 Go du dépôt. Le code commence par inspecter la structure du format LeRobotDataset v3.0. Il construit un graphe de métadonnées à partir du fichier info.json, des métadonnées de tâches, des tables d'épisodes et des statistiques du jeu de données. Il utilise ensuite des accès HTTP par plages d'octets avec PyArrow pour lire seulement les groupes de lignes et les colonnes Parquet nécessaires. Chaque épisode est converti en trajectoire état-action. Le tutoriel analyse les mouvements des articulations, les événements de la pince, les trajectoires cartésiennes de l'effecteur et le spectre de fréquence des actions. Il décode ensuite uniquement les fenêtres vidéo AV1 requises, grâce à un accès par seek via PyAV et FFmpeg. Les observations et les actions sont normalisées avec les statistiques du jeu de données. Un dataset PyTorch par blocs d'actions, de style ACT, avec conditionnement visuel optionnel, alimente l'entraînement d'une politique multimodale de clonage de comportement. La configuration par défaut retient 48 épisodes, un horizon de 8 pas, un historique de 2 observations, 12 époques et des lots de 256. Les images, de 96 pixels de côté, proviennent de la caméra du poignet gauche, à 15 images par seconde. L'intérêt tient à l'accessibilité. Un jeu de données de 707 Go dépasse le disque et le budget de la plupart des laboratoires, des startups et des étudiants, surtout dans un notebook cloud gratuit. Lire à la demande quelques colonnes et quelques fenêtres vidéo ramène le coût d'entrée à quelques minutes de calcul et à un volume réseau modeste. La démarche est aussi reproductible : une bonne partie du travail réel en robotique d'apprentissage consiste à comprendre les données, à les normaliser et à les valider avant d'entraîner un modèle. Le tutoriel évalue enfin la politique en boucle ouverte, avec des blocs d'actions combinés par moyennage temporel. Il rapporte l'erreur quadratique moyenne par articulation et le coefficient R² face à une référence qui prédit l'action moyenne, puis compare visuellement actions prédites et réelles. Il sauvegarde le point de contrôle complet de la politique pour des usages ultérieurs. Cette évaluation reste toutefois une validation de cohérence, et non une preuve de performance sur un robot réel. Le contexte est celui de la montée des grands jeux de données de manipulation robotique. DROID, collecté sur de nombreux sites avec des bras Franka, est devenu une référence, et NVIDIA en propose ici une version organisée en sous-ensembles « success » et « failure », avec des vidéos compressées en AV1. Le format LeRobot, porté par Hugging Face, standardise le stockage en Parquet et en vidéo, ce qui rend possible ce type d'accès partiel. L'architecture ACT, qui prédit des séquences d'actions, s'est imposée comme base simple pour le clonage de comportement. Pour la suite, les mêmes outils pourraient servir à entraîner sur davantage d'épisodes, à exploiter le sous-ensemble d'échecs, ou à tester les politiques en simulation et sur matériel.

Dans les coulisses d'IsaacTeleop de NVIDIA : du suivi des mains et des manettes aux actions du robot grâce au moteur de retargeting par graphes

NVIDIA propose avec IsaacTeleop un cadre qui convertit le suivi des mains en réalité étendue (XR) et les signaux de manettes de mouvement en commandes pour des robots simulés ou réels. Un tutoriel détaille le moteur de retargeting, cœur du framework, en reconstruisant chaque entrée avec NumPy, sans casque ni runtime OpenXR ni simulateur. L'ensemble tourne sur un simple processeur Colab et affiche à chaque étape le résultat calculé. Le parcours commence par l'installation du paquet stable isaacteleop, en version 1.4.145 avec l'extra retargeters-lite, qui n'ajoute que SciPy. Il se poursuit par la génération de données synthétiques de mains et de manettes, l'écriture d'un retargeter personnalisé aux paramètres ajustables en direct, puis le pilotage des retargeters intégrés de pince et SE(3). Un graphe complet émet ensuite un vecteur d'action par pas, avec une transformation vers le repère monde, une exécution pas à pas, la mise en pause et l'arrêt de la machine à états. Le tutoriel se termine par une correspondance entre manette et main dextre, ainsi qu'un réglage de paramètres conservé d'un redémarrage à l'autre. Cette approche abaisse nettement la barrière d'entrée pour les équipes qui veulent expérimenter la téléopération robotique. Sans matériel XR coûteux ni simulateur lourd, un ingénieur peut comprendre et tester la logique de conversion entre les gestes humains et les actions d'un robot depuis un navigateur. La conception en graphe de nœuds, où chaque élément parle le même langage typé, facilite la composition, le débogage et la réutilisation des briques. Le contrat de types est strict : écrire un tableau de 26 points de 3 coordonnées en float32 dans les positions d'articulations est accepté, alors que le même tableau en float64 est rejeté dès l'écriture, et lire un emplacement jamais renseigné déclenche une erreur explicite. Ces garde-fous évitent des erreurs silencieuses qui, sur un vrai robot, peuvent devenir dangereuses. Les paramètres réglables à chaud et persistants accélèrent aussi l'ajustement des comportements. Le paquet se divise en trois couches. Des modules d'entrée-sortie enveloppent OpenXR et CloudXR, un module de schéma regroupe les types de messages FlatBuffer émis par chaque suiveur, et un moteur de retargeting en Python pur fait le travail de conversion. Les mains suivent le standard OpenXR, avec 26 articulations dont le poignet, le bout du pouce et celui de l'index. Cette architecture s'inscrit dans l'essor de la téléopération pour collecter des démonstrations qui servent à entraîner des robots, notamment humanoïdes, dans un écosystème où NVIDIA multiplie les outils autour d'Isaac. Les étapes suivantes logiques consistent à brancher ces graphes sur de vrais casques et sur des simulateurs, afin de passer des données synthétiques à des opérations réelles.

💬 Le vrai verrou de la téléopération robotique, ce n'est pas le casque XR, c'est la couche de conversion entre un geste humain et une action robot, et NVIDIA la rend enfin testable sur un simple CPU Colab. Le contrat de types strict (un tableau en float64 rejeté à l'écriture) est le détail qui m'a marqué : sur une vraie machine, une erreur silencieuse ne se contente pas de planter, elle tape dans quelque chose. Bon, ça reste des données synthétiques, et le passage aux vrais casques et au simulateur, c'est là qu'on verra si le graphe tient. Mais pour comprendre la mécanique sans dépenser un euro de matos, c'est plus intéressant que ça en a l'air.

Des chercheurs branchent GPT-6 Astra sur un robot et le laissent nettoyer une cuisine inconnue

Des chercheurs de Stanford et Caltech ont fait tourner un robot humanoïde directement piloté par GPT-6 Astra pour ranger seul une cuisine qu'il n'avait jamais vue auparavant. Le système, baptisé HomeBody, se distingue par son architecture : contrairement aux approches classiques de robotique qui reposent sur une couche de contrôle spécialement entraînée pour traduire les décisions du modèle en mouvements physiques, HomeBody laisse le modèle de langage appeler directement des compétences modulaires préexistantes, comme saisir un objet ou se déplacer dans l'espace. Le robot a ainsi identifié seul les tâches à accomplir dans un environnement inconnu et enchaîné les actions nécessaires pour nettoyer et ranger la pièce, sans supervision humaine directe ni entraînement spécifique à ce lieu. Cette démonstration marque une étape notable dans la robotique assistée par grands modèles de langage, car elle simplifie radicalement la chaîne technique entre la compréhension du langage et l'action physique. Se passer d'une couche de contrôle intermédiaire spécialisée réduit le temps et les coûts d'ingénierie nécessaires pour adapter un robot à de nouveaux environnements, ce qui pourrait accélérer le déploiement de robots domestiques capables de s'adapter à des maisons ou des lieux de travail qu'ils n'ont jamais explorés. Pour l'industrie, cela suggère que les modèles de langage généralistes, déjà capables de raisonnement complexe, pourraient devenir le cerveau de décision universel des robots, réduisant la dépendance à des systèmes de contrôle sur mesure coûteux à développer et à maintenir. Ce projet s'inscrit dans une tendance de fond où les grands laboratoires et universités cherchent à connecter les modèles de langage les plus avancés directement à des corps robotiques, plutôt qu'à des simulateurs ou des interfaces textuelles seules. Les enjeux restent nombreux : fiabilité en environnement réel, sécurité physique, gestion des erreurs et généralisation à des tâches plus complexes que le rangement d'une cuisine. Les prochaines étapes attendues par la communauté incluent des tests dans des environnements plus variés et potentiellement des comparaisons avec les architectures robotiques traditionnelles pour évaluer les gains réels de cette approche directe.

💬 Ce qui change vraiment, c'est l'architecture : plus de couche de contrôle sur mesure entre le langage et le geste, le modèle appelle direct les compétences du robot. Sur le papier ça fait tomber le coût d'ingénierie qui plombait la robotique domestique depuis des années. Reste que nettoyer une cuisine une fois sous les caméras de Stanford, c'est loin d'une flotte de robots fiables chez les gens, alors avant de crier au domestique universel, j'attends de voir la même démo sans filet.

L'Optimus de Tesla rencontre des difficultés côté mains et fournisseurs au moment de monter en cadence

Tesla a multiplié par environ dix la production de son robot humanoïde Optimus au cours des derniers mois, mais l'entreprise peine toujours à le fabriquer de façon fiable à grande échelle. Le mois dernier, les chaînes de production ont assemblé plusieurs centaines de robots par semaine, contre seulement quelques dizaines au deuxième trimestre, période durant laquelle Tesla menait des tests de production par petits lots, selon des personnes proches du dossier. Les responsables du projet ont indiqué en interne vouloir mettre en place une ligne de production automatisée et continue capable de produire plus de mille robots par semaine d'ici la fin de l'année. Ce chiffre reste toutefois très loin de l'objectif final de Tesla, qui vise environ 20 000 robots par semaine. Les équipes rencontrent des difficultés persistantes sur plusieurs fronts, notamment la fabrication des mains du robot, particulièrement complexes, ainsi que des problèmes liés aux équipements automatisés et aux contraintes imposées par les fournisseurs. Ces difficultés sont importantes car Optimus constitue l'un des paris industriels les plus ambitieux de Tesla, présenté par Elon Musk comme un relais de croissance potentiellement plus important que l'activité automobile elle-même. Le fait que la production reste bloquée à quelques centaines d'unités hebdomadaires, loin des dizaines de milliers visées, illustre l'écart persistant entre les annonces de l'entreprise et sa capacité réelle à industrialiser un robot humanoïde complexe. Pour l'ensemble du secteur de la robotique humanoïde, cet épisode rappelle que la fabrication de mains articulées fiables et peu coûteuses demeure l'un des principaux verrous technologiques, davantage que la locomotion ou l'intelligence artificielle embarquée. Le contexte plus large est celui d'une course mondiale à la robotique humanoïde, dans laquelle Tesla affronte des concurrents comme Figure AI, Boston Dynamics ou plusieurs entreprises chinoises, qui progressent elles aussi rapidement sur ce segment. Tesla avait déjà repoussé à plusieurs reprises ses objectifs de production d'Optimus, un projet qu'Elon Musk présente régulièrement comme central pour l'avenir de l'entreprise, y compris devant les investisseurs et les actionnaires. La montée en cadence prévue d'ici la fin de l'année, avec un objectif de plus de mille unités hebdomadaires, constituera un test important pour juger si Tesla parvient à résoudre ses problèmes de fournisseurs et d'automatisation avant d'envisager le saut d'échelle bien plus massif vers 20 000 robots par semaine.

💬 Le vrai goulot d'étranglement d'Optimus, c'est pas l'IA, c'est la main : personne n'a encore réussi à fabriquer un truc articulé, fiable et pas trop cher à des milliers d'exemplaires. Mille robots par semaine d'ici fin d'année, ça sonne bien sur le papier, mais fais le calcul : on reste à 5% de l'objectif final de 20 000. Musk vend Optimus comme plus gros que l'automobile, faudrait déjà qu'il sorte de l'artisanat.

Black Forest Labs lance FLUX 3 Action, un modèle d'action pour le monde réel en poids ouverts de 7 milliards de paramètres, en tête de RoboLab-120

Black Forest Labs (BFL), le laboratoire derrière les modèles d'images FLUX, a lancé FLUX 3 Action, un modèle de contrôle robotique en poids ouverts de 7 milliards de paramètres. Ce « World Action Model » lit les images de caméra, l'état du robot et une instruction textuelle, puis prédit conjointement les futures images vidéo et la prochaine séquence d'actions. Sur le classement RoboLab-120 (120 tâches simulées sous Isaac Sim, dix essais chacune sur un bras Franka de type DROID), il obtient 42,92% de réussite, devançant Cosmos 3 Nano de NVIDIA (36,8%, 16 milliards de paramètres) et π0.5 (28%, 3,3 milliards), avec 56% de paramètres en moins que Cosmos 3 Nano. Sur un bras robotique réel, une évaluation à l'aveugle de Positronic Robotics confirme l'écart: 28 succès sur 30 essais (93,3%), contre 27 pour Cosmos 3 Nano et 13 pour π0.5. Le modèle demande 32 Go de mémoire GPU en BF16 sur H200, ou 24 Go en FP8, sous licence FLUX Kommunity non commerciale. L'enjeu est un compromis classique en robotique open source: les modèles qui prédisent la vidéo, comme Cosmos 3 Nano, sont précis mais lents (BFL mesure un temps de calcul environ 4,7 fois supérieur à π0.5 par seconde de mouvement), tandis que les modèles vision langage action légers comme π0.5 sont rapides mais moins fiables. En conservant la prédiction conjointe vidéo/action mais avec un squelette plus compact et de la distillation, BFL réduit cet écart de vitesse. Trois versions sont proposées: la base, une variante distillée par guidage (1,8 à 2 fois plus rapide, pour un score légèrement supérieur) et une version distillée à une seule étape (jusqu'à 4 fois plus rapide, pour 3,5 à 4,3 points de réussite en moins). De quoi rendre des politiques robotiques ouvertes exploitables sur du matériel plus modeste, un atout pour les équipes qui veulent affiner ces modèles, comme celles de LeRobot ou Jetson AI. FLUX 3 Action dérive du socle multimodal FLUX 3, préentraîné sur de l'image, de la vidéo et de l'audio (plus de 95% des tokens issus de vidéo), puis affiné sur un mélange de données de préentraînement et de vidéo alignée sur l'action, tirée de jeux vidéo, de vidéos de mains humaines, de pinces portables et de téléopération couvrant quatorze morphologies de robots, la plupart partageant un espace d'action commun à 50 dimensions appelé EE50. Ce préentraînement est décisif: sans lui, un entraînement limité aux seules données DROID plafonne sous 1% de réussite sur RoboLab, contre 11,6% avec. BFL a aussi testé un pilotage hybride avec le modèle de raisonnement GPT 6 Astra: à effort faible, la combinaison résout 90% des épisodes pour 8,77 dollars et 8 minutes par succès, contre 100% mais 13,47 dollars et plus de 16 minutes pour Astra seul à effort maximal, signe de la recherche d'un équilibre entre coût, vitesse et fiabilité face à des rivaux comme NVIDIA.

💬 Je retiens surtout le chiffre: un modèle de 7 milliards de paramètres qui bat un Cosmos 3 Nano deux fois plus gros, parce que le préentraînement vidéo massif de FLUX compense la taille brute. Sur bras réel, 93% de réussite contre à peine 43% en simu, l'écart est trop large pour crier victoire tout de suite. Et vu que la licence reste non-commerciale, ne t'attends pas à voir ça tourner dans une usine demain: c'est une démonstration de force d'un labo allemand face à NVIDIA, pas encore un produit.

Black Forest Labs lance FLUX 3 Action, un modèle d'IA ouvert pour la robotique

Black Forest Labs a dévoilé FLUX 3 Action, son premier modèle d'intelligence artificielle destiné à la robotique. Ce modèle « open-world-action » analyse des flux vidéo captés par des caméras pour déterminer en temps réel l'action que doit exécuter un robot. Avec seulement sept milliards de paramètres, une taille relativement modeste pour ce type de tâche, il établit un nouveau record sur le benchmark RoboLab-120, la référence utilisée pour évaluer les modèles de contrôle robotique, tout en tournant jusqu'à 3,95 fois plus vite que le précédent modèle le plus performant sur ce classement. Cette combinaison de rapidité et de légèreté change la donne pour l'industrie robotique. Un modèle compact et rapide se déploie à moindre coût sur du matériel embarqué aux capacités de calcul limitées, une condition essentielle pour des robots autonomes devant réagir en temps réel à leur environnement. En le publiant en accès ouvert, Black Forest Labs offre aux chercheurs, startups et fabricants de robots une base technique qu'ils peuvent adapter librement, sans dépendre de solutions propriétaires fermées, ce qui pourrait accélérer l'innovation dans des domaines comme la logistique, la manipulation d'objets ou l'assistance domestique. Ce lancement marque une diversification stratégique pour Black Forest Labs, jusqu'ici surtout connue pour ses modèles de génération d'images de la famille FLUX. L'entreprise entre ainsi dans la course à l'IA incarnée, un domaine où de nombreux acteurs de la tech et de la robotique investissent massivement pour doter les machines physiques de capacités de perception et de décision proches de celles des modèles de langage. En misant sur l'open source, FLUX 3 Action pourrait peser face aux concurrents privilégiant des modèles fermés, en démocratisant l'accès à une technologie jusque là réservée à des laboratoires disposant de moyens considérables.

💬 Sept milliards de paramètres et 3,95 fois plus rapide que le meilleur modèle existant, sur un benchmark de référence : c'est le genre de ratio qui ne se bidouille pas. Ce qui change vraiment, c'est l'open source, un modèle propriétaire qui bat ce score, ça reste un joujou de labo avec un gros budget cloud derrière. Là, une petite boîte de logistique ou un fabricant de robots domestiques peut le faire tourner sur du matériel limité sans payer de licence, et ça, ça vaut plus qu'un record de benchmark isolé.

Les gagnants du XPRIZE Wildfire détectent les feux en 10 minutes, mais sans pouvoir les arrêter

Le concours XPRIZE Wildfire, doté de 11 millions de dollars, a désigné ses finalistes sans qu'aucune équipe ne remporte l'un des deux grands prix. La compétition comportait deux volets : le premier, axé sur la détection des incendies depuis l'espace, demandait aux équipes de repérer avec précision tous les départs de feu sur une vaste zone d'Australie en moins de dix minutes. Le second, baptisé Autonomous Response Prize, mettait au défi des systèmes autonomes de détecter et d'éteindre un incendie à haut risque situé quelque part dans une zone rurale de l'Alaska, tout en ignorant des feux leurres, également dans un délai de dix minutes après le départ de flamme. Malgré l'absence de vainqueur pour ces deux grands prix, plusieurs équipes ont été récompensées lors de la cérémonie de finalistes pour leurs technologies de détection satellite et leurs drones de lutte contre les incendies. Ces avancées technologiques, même inabouties, arrivent à un moment critique où le coût des catastrophes liées aux feux de forêt ne cesse d'augmenter à l'échelle mondiale. Andrea Santy, directrice du programme XPRIZE Wildfire, a expliqué à Ars Technica que l'objectif est de fournir aux pompiers des outils qui leur permettent de mieux faire leur travail sans être exposés inutilement au danger. Selon elle, les professionnels du feu excellent dans leur métier, mais il devient injustifiable de continuer à les mettre en danger alors que des technologies capables de les protéger, ainsi que les communautés et les écosystèmes, sont en cours de développement. Le fait qu'aucune équipe n'ait atteint le niveau de performance exigé, détection totale en dix minutes pour le premier volet, extinction autonome complète pour le second, illustre l'écart qui subsiste entre la promesse de l'intelligence artificielle appliquée à la surveillance environnementale et son application opérationnelle fiable sur le terrain. Le concours s'inscrit dans une dynamique plus large de compétitions XPRIZE destinées à accélérer l'innovation face à des défis globaux, ici l'intensification des mégafeux liée au changement climatique. Les technologies primées, imagerie satellite rapide et drones d'intervention, pourraient néanmoins être affinées et déployées progressivement par les autorités et les agences de gestion forestière dans les années à venir.

L'inférence déportée pour la robotique physique en conditions réelles

Une nouvelle étude sur l'infrastructure d'inférence pour les robots remet en question l'approche dominante consistant à embarquer un GPU directement sur chaque robot pour exécuter ses modèles d'IA. Les chercheurs à l'origine de ces travaux ont mené ce qu'ils présentent comme la première étude systématique des charges de calcul robotiques, en se concentrant sur la manipulation mobile, illustrée par une tâche type : repérer des déchets dans une cuisine et les jeter à la poubelle, ce qui suppose de planifier un trajet, percevoir l'environnement, naviguer, saisir l'objet puis revenir à la poubelle. Trois capacités clés ont été évaluées, la cartographie et la planification sémantiques, la navigation et la manipulation, sur une gamme de configurations matérielles allant du GPU embarqué au calcul en périphérie de réseau (edge) puis dans le cloud. Résultat marquant : certains GPU embarqués de faible capacité ne parvenaient tout simplement pas à faire tourner la pile logicielle complète de manipulation mobile, tandis que même sur des GPU dotés de mémoire suffisante, les tâches de cartographie et de planification pouvaient ralentir de manière très significative, jusqu'à 383 % dans certains cas, lorsque l'inférence restait limitée au matériel embarqué. À l'inverse, délester une partie du calcul vers des serveurs distants a permis d'améliorer le taux de réussite des tâches, d'exécuter des modèles d'IA plus volumineux et donc plus performants, et de rendre les robots plus réactifs dans des environnements réels et changeants. L'enjeu dépasse la simple performance technique. Les GPU embarqués consomment beaucoup d'énergie, alourdissent le coût et le poids des robots, et limitent la capacité à faire tourner les modèles d'IA les plus récents et les plus gourmands. En remplaçant ce matériel de calcul lourd par des composants embarqués légers et en reportant l'inférence vers l'edge ou le cloud, l'autonomie des batteries progresse nettement, ce qui permet aux robots de fonctionner plus longtemps entre deux charges. Pour des secteurs comme la logistique, la fabrication industrielle ou l'assistance à domicile, où la robotique physique doit encore gagner en fiabilité et en accessibilité économique, cette approche pourrait accélérer le déploiement à grande échelle de flottes de robots plus légers, moins coûteux et plus capables. Ces travaux s'inscrivent dans un mouvement plus large visant à combler un angle mort du développement de l'IA physique : si le matériel robotique et les modèles d'IA embarqués ont beaucoup progressé ces dernières années, l'infrastructure d'inférence distribuée restait peu explorée. Une nouvelle brique logicielle, intégrée à une boîte à outils dédiée à l'IA physique, permet désormais aux développeurs de conteneuriser, déployer et orchestrer ces charges de travail robotiques entre robots, infrastructures en périphérie de réseau et cloud, via des outils fondés sur Kubernetes. Cette orientation ouvre la voie à des systèmes robotiques pensés comme des architectures distribuées plutôt que comme des machines autonomes isolées, une évolution qui pourrait redéfinir la manière dont l'industrie conçoit le calcul embarqué dans les prochaines générations de robots.

💬 Le réflexe "un GPU sur chaque robot", tu le vois partout dans les specs marketing, mais cette étude dit l'inverse : jusqu'à 383% de ralentissement sur la cartographie quand tout reste embarqué, et certains GPU d'entrée de gamme qui plantent carrément sur la pile logicielle complète. Ça confirme un truc que je pressens depuis un moment : le goulot d'étranglement de la robotique physique n'est plus le modèle d'IA, c'est l'endroit où on le fait tourner. Reste que déporter le calcul vers le edge ou le cloud suppose une connexion fiable en permanence, et un robot qui perd sa liaison réseau au mauvais moment, ça n'a rien d'un détail.

Toyota demande à ses salariés de former des robots humanoïdes, mais assure qu'ils ne seront pas remplacés

Toyota a confirmé que ses employés participent déjà à l'entraînement de robots humanoïdes dans ses usines, dans le cadre d'un plan visant à déployer 400 000 robots industriels à terme. Selon Nikkei Asia, le groupe automobile japonais prévoit d'investir 6,42 milliards de dollars par an à partir de 2028 pour moderniser ses sites de production avec cette nouvelle main-d'œuvre robotique. L'objectif est d'installer 150 000 robots dans ses propres usines automobiles et 250 000 supplémentaires chez les entreprises du groupe qui fabriquent composants et matériaux. Toyota a déjà commencé à déployer des unités de son robot humanoïde ELEY sur ses lignes d'assemblage. Ces robots, montés sur roues, apprennent des ouvriers humains, qui leur enseignent des gestes nécessitant une précision manuelle fine en utilisant des gabarits ("jigs") calqués sur la forme des doigts des humanoïdes. Un responsable de Toyota a néanmoins tenu à préciser que cette initiative ne vise pas à remplacer directement les employés. Cette annonce illustre l'ampleur inédite que prend l'automatisation robotique dans l'industrie automobile, avec un investissement chiffré en milliards de dollars sur plusieurs années. Pour les salariés de Toyota, le message se veut rassurant : les robots seraient conçus comme des compléments plutôt que des substituts, chargés des tâches répétitives ou physiquement exigeantes. Mais le choix même de faire former les robots par les travailleurs pose la question du transfert de savoir-faire humain vers des machines appelées à devenir de plus en plus autonomes, un enjeu suivi de près par les syndicats et les observateurs du marché du travail dans le secteur manufacturier. Cette stratégie s'inscrit dans une course plus large de l'industrie vers la robotique humanoïde, où des constructeurs comme Tesla ou des entreprises spécialisées en robotique développent également des machines capables d'opérer dans des environnements conçus pour des humains. Toyota mise sur une approche progressive, où l'apprentissage par observation et imitation, via des capteurs et des gabarits physiques, permet aux robots ELEY d'acquérir la dextérité nécessaire aux tâches d'assemblage fines. La montée en puissance prévue à partir de 2028, avec des dizaines de milliers d'unités déployées tant chez Toyota que chez ses fournisseurs, pourrait redéfinir l'organisation du travail dans toute la chaîne de production automobile japonaise et influencer les choix technologiques d'autres grands groupes industriels.

Isaac ROS 5.0 de NVIDIA fait progresser la robotique open source a base d'agents

NVIDIA a présenté Isaac ROS 5.0 le 22 septembre 2026 lors de la conférence ROSCon à Toronto, une nouvelle version de sa collection de logiciels accélérés par GPU construits sur ROS, le framework open source de robotique développé par Open Robotics. Cette mise à jour ajoute la prise en charge de ROS Lyrical et d'Ubuntu 24.04, et introduit des flux de travail agentiques destinés à accélérer le développement robotique. NVIDIA a collaboré avec l'Open Source Robotics Alliance pour intégrer à ROS Lyrical une interface standard de gestion des données, permettant d'exploiter plus efficacement différents matériels de calcul, dont les GPU via CUDA. La version inclut aussi de nouvelles compétences agentiques pour la configuration et la manipulation de robots, une documentation pensée pour être exploitée par des agents IA, ainsi qu'une compétence de réglage fin pour le modèle de perception stéréo FoundationStereo. Le modèle FoundationPose, dédié à l'estimation et au suivi de la position d'objets, bénéficie désormais d'une bibliothèque d'inférence jusqu'à 5,5 fois plus rapide. Isaac ROS s'adresse aux quelque 1,3 million d'utilisateurs de ROS dans le monde. Cette évolution marque un tournant dans la manière dont les robots sont conçus : les agents IA prennent en charge des tâches auparavant purement manuelles, comme l'adaptation d'un modèle de perception à une caméra spécifique ou l'automatisation de workflows complexes de préhension et de placement d'objets, qui combinent détection, estimation de profondeur et calcul de pose. Pour les développeurs, cela signifie un passage plus rapide de l'idée à l'application fonctionnelle, avec moins de code écrit à la main et davantage de tâches déléguées à des agents capables de comprendre l'intention et de mobiliser les bons outils. Pour l'industrie robotique dans son ensemble, l'enjeu est de rendre le développement accessible à un public plus large tout en conservant les performances nécessaires aux applications exigeantes, qu'il s'agisse de navigation, de manipulation ou de perception embarquée. Cette annonce s'inscrit dans un mouvement plus large de rapprochement entre l'intelligence artificielle générative et la robotique open source. L'écosystème s'organise déjà autour de cette approche agentique : le projet open source AgenticROS, soutenu par le fabricant de capteurs 3D RealSense, connecte Isaac ROS aux modèles ouverts NVIDIA Nemotron et aux blueprints NemoClaw pour permettre à des agents IA de piloter des robots basés sur ROS. RealSense optimise en parallèle ses caméras de profondeur stéréo, dont la D585 Pro, pour la plateforme Jetson Thor. De son côté, Intrinsic a lancé Intrinsic Core, une suite open source de services d'exécution préconfigurés pour l'industrie, incluant une solution de référence pour l'alimentation de machines à commande numérique, compatible avec les outils NVIDIA. Ces initiatives dessinent un écosystème robotique de plus en plus interopérable, où matériel, modèles de fondation et agents IA convergent pour accélérer le déploiement de robots autonomes dans des environnements réels.

Toyota estime son activité robotique à 6,4 milliards de dollars, l'IA physique en ligne de mire

Toyota Motor a présenté à des investisseurs, début septembre 2026, une estimation selon laquelle l'extension de l'automatisation dans ses usines, ses filiales et ses principaux fournisseurs pourrait nécessiter environ 400 000 robots et un investissement annuel d'environ 1 000 milliards de yens, soit près de 6,4 milliards de dollars, à partir de 2028, selon des informations rapportées par Reuters. Le constructeur japonais n'a pas précisé si ce plan sera intégralement mis en œuvre, ni pendant combien d'années ce niveau de dépenses serait maintenu. Le chiffre de 400 000 unités inclut à la fois le remplacement de machines existantes et l'installation de nouveaux robots, humanoïdes ou non, couvrant la robotique industrielle, la logistique automatisée et la collaboration future entre humains et robots sur les lignes de production. Toyota utilise déjà des robots dans plusieurs de ses processus de fabrication, notamment pour le transport et le tri de pièces, ainsi que pour le transport d'équipements médicaux, comme l'a détaillé l'entreprise dans ses résultats financiers de l'exercice 2026. Cette annonce illustre l'ampleur des moyens que les grands industriels sont prêts à engager pour répondre à la pénurie de main-d'œuvre qualifiée et au transfert de compétences, deux enjeux centraux dans l'industrie automobile japonaise. En misant sur ce que l'entreprise appelle l'IA physique, c'est-à-dire des robots capables de percevoir leur environnement via des capteurs et d'adapter leurs actions de façon autonome, Toyota cherche à sécuriser sa production face au vieillissement démographique et à la difficulté de recruter des techniciens de maintenance qualifiés, y compris à l'étranger. Un investissement de cette taille, s'il se concrétise, pourrait aussi accélérer la diffusion de technologies robotiques avancées auprès de ses fournisseurs, avec des répercussions potentielles sur l'ensemble de la chaîne d'approvisionnement automobile et sur la compétitivité industrielle japonaise face à la Chine et aux États-Unis dans le domaine de la robotique de production. Ce projet s'appuie sur près de vingt ans d'expérience accumulée par Toyota en matière d'automatisation. Dès 2008, l'entreprise avait commencé à introduire des robots sur certaines lignes, avant de rencontrer des contraintes de maintenance lors de l'expansion de sa production de moteurs à l'étranger, certains sites manquant de personnel qualifié, ce qui avait conduit à repasser temporairement en production manuelle. Les enseignements tirés de cette période ont nourri le développement de systèmes plus récents, comme la ligne d'assemblage de pistons de l'usine de Kamigo, entièrement automatisée depuis janvier 2025. Le centre de recherche Frontier Research Center de Toyota développe par ailleurs des robots tels que KumiPro, déjà utilisé chez Toyota Motor East Japan pour manipuler des pièces mal positionnées grâce à la reconnaissance visuelle, ou ELEY, conçu pour les tâches nécessitant un contact physique avec retour de force. Toyota reconnaît devoir encore progresser sur la fiabilité à long terme, la précision répétée des mouvements et l'infrastructure de données nécessaire à l'apprentissage de ces robots, notamment via l'apprentissage par renforcement.

Des IA légères permettent aux drones d'identifier et d'attaquer seuls des cibles sur le champ de bataille

La société suédoise Scaleout Systems développe des modèles d'intelligence artificielle compacts capables de fonctionner directement sur de petits drones pour détecter et sélectionner de manière autonome des cibles sur le champ de bataille, dans le cadre de missions de surveillance et d'attaque. Fondée en 2018 par des chercheurs de l'université d'Uppsala, en Suède, l'entreprise s'était d'abord consacrée à l'entraînement et au déploiement de modèles d'apprentissage automatique directement sur le matériel embarqué de camions commerciaux et d'autres véhicules. Le tournant est survenu après l'invasion à grande échelle de l'Ukraine par la Russie en 2022, qui a poussé Scaleout Systems à réorienter ses activités vers les applications de défense. Andreas Hellander, cofondateur et directeur général de l'entreprise, a expliqué au site Ars Technica que la guerre en Ukraine et l'évolution du contexte géopolitique avaient révélé l'importance stratégique de cette technologie pour exploiter les données de capteurs en périphérie de réseau au bénéfice des armées alliées de l'OTAN. Cette évolution illustre un changement de fond dans la manière dont l'intelligence artificielle s'intègre aux systèmes militaires occidentaux : plutôt que de dépendre d'une connexion permanente à des centres de calcul distants, des drones bon marché peuvent embarquer des modèles suffisamment légers pour identifier et engager des cibles sans supervision humaine constante. Pour les armées européennes, cela promet une autonomie accrue sur des terrains où les communications sont brouillées ou instables, un enjeu central du conflit ukrainien. Mais cette autonomisation soulève aussi des questions éthiques et juridiques majeures sur le contrôle humain des systèmes d'armes létaux, un débat déjà vif au sein de l'OTAN et des organisations de défense des droits humains. Le pivot de Scaleout Systems reflète une tendance plus large chez les start-up technologiques européennes, qui réorientent leurs innovations civiles vers la défense depuis 2022, portées par l'augmentation des budgets militaires des pays membres de l'OTAN et la volonté de réduire la dépendance technologique envers les grandes puissances non européennes. L'entreprise, née dans un laboratoire universitaire suédois, s'inscrit désormais dans un écosystème de défense en pleine expansion, où l'edge computing et l'apprentissage automatique embarqué sont présentés comme des leviers d'avantage stratégique face à la Russie.

💬 Ce qui frappe, c'est le mot "seuls". On est passé du drone télécommandé au drone qui décide, et la raison c'est bête comme chou : en Ukraine, le brouillage coupe les liaisons, donc si ton arme dépend d'un opérateur à distance, elle est juste morte. Scaleout fait le pari inverse, tout le cerveau embarqué, zéro dépendance réseau, ça marche même GPS et comms coupés. Reste que ce virage civil-vers-défense n'a rien d'isolé : chaque start-up europénne qui bascule là-dessus depuis 2022 pousse un peu plus loin la question de qui décide de tirer, et l'OTAN n'a toujours pas de réponse claire.

Cette usine chinoise vise un robot humanoïde toutes les 10 minutes… avec des robots

UBTECH a mis en service le 12 septembre 2026 une nouvelle usine à Liuzhou, dans la région du Guangxi, en Chine. Le site, qui s'étend sur 14 000 mètres carrés, vise une production annuelle supérieure à 10 000 robots humanoïdes, avec un objectif affiché d'une unité assemblée toutes les dix minutes, en priorité pour les gammes Walker S et Cruzr. La particularité de cette chaîne tient à son organisation : des robots humanoïdes et des machines autonomes, comme les modèles Cruzr Y1 et S2, ainsi que des chariots et véhicules à guidage automatique, prennent en charge le chargement, le déchargement, l'empilage et le transport des pièces entre les postes. À l'assemblage, des bras collaboratifs et des manipulateurs à distance travaillent aux côtés des opérateurs humains sur des établis rotatifs à 360 degrés. Chaque robot terminé passe ensuite par plus de quatre heures de tests, dont une inspection complète à 360 degrés dans un tunnel de contrôle inspiré de l'industrie automobile. L'usine intègre aussi un entrepôt automatisé de seulement 65 mètres carrés, capable de stocker 112 robots, soit un gain de place que UBTECH évalue à plus de 50 % par rapport à un espace équivalent classique. Cette usine illustre un changement d'échelle pour la robotique humanoïde, jusqu'ici cantonnée à des démonstrations ou à de petites séries. Produire des robots avec des robots répond à une contrainte très concrète : un humanoïde assemble des centaines de pièces avec des tolérances mécaniques proches de celles de l'automobile, ce qui rend la régularité du flux et le contrôle qualité aussi déterminants que la cadence elle-même. Pour l'industrie, cela signifie que la viabilité économique des humanoïdes ne dépendra pas seulement de leurs capacités logicielles, mais de la capacité à les fabriquer en masse sans multiplier les défauts ni les coûts de retour en atelier. Un robot défectueux livré à un client, notamment dans un usage industriel ou de service, représente un risque coûteux, tant financièrement que pour la réputation de la marque. Ce projet s'inscrit dans une course plus large que se livrent les industriels chinois pour dominer la production de robots humanoïdes à grande échelle, alors que des groupes comme Tesla, Figure ou Unitree investissent eux aussi massivement dans ce secteur. La Chine, qui contrôle déjà une large part des chaînes d'approvisionnement en composants électroniques et en actionneurs, cherche à transformer cet avantage industriel en leadership sur le volume de production. L'enjeu pour UBTECH sera de démontrer, dans la durée, que cette automatisation poussée de l'usine tient ses promesses de qualité, condition nécessaire avant tout déploiement massif de ses humanoïdes chez des clients industriels ou commerciaux.

Le nouveau robot humanoïde d'Agility s'arrête et s'accroupit pour ne pas blesser ses collègues humains

Agility Robotics a dévoilé Digit 5, la nouvelle version de son robot humanoïde, conçue cette fois pour évoluer en toute sécurité à proximité immédiate de travailleurs humains. Selon Pras Velagapudi, directeur technique de l'entreprise, interrogé par Ars Technica, la machine embarque un système de mouvement sécurisé capable d'adapter sa réaction selon la présence humaine détectée. Lorsqu'une personne est repérée à distance, Digit 5 peut s'écarter de son chemin ou s'immobiliser pour la laisser passer. Si quelqu'un s'approche de trop près, le robot va jusqu'à s'accroupir et adopter une posture assise afin d'écarter tout risque de collision ou de blessure. Il s'agit du premier robot humanoïde d'Agility explicitement conçu autour de cette logique de cohabitation directe avec des opérateurs, plutôt que d'une simple cohabitation à distance encadrée par des protocoles rigides. Cette avancée pourrait changer la donne pour le déploiement des robots humanoïdes en entrepôt et dans l'industrie automobile. Jusqu'à présent, la plupart des installations exigeaient des cellules de travail isolées et des barrières physiques séparant strictement les machines des employés, ce qui limitait les usages possibles et renchérissait les coûts d'installation. En supprimant potentiellement ce besoin de séparation, Agility ouvre la voie à une intégration plus fluide des robots dans des espaces partagés avec des humains, sur des lignes de production ou dans des zones de logistique où l'espace et la flexibilité comptent autant que la sécurité. La sécurité reste l'un des principaux obstacles à l'adoption massive des robots humanoïdes dans l'industrie, un secteur où des acteurs comme Figure, Tesla avec son Optimus ou Boston Dynamics rivalisent pour démontrer la fiabilité de leurs machines en environnement réel. Agility Robotics, déjà connue pour ses précédents modèles Digit testés notamment dans des entrepôts logistiques, mise ici sur une approche de mitigation graduée plutôt que sur un simple arrêt d'urgence, une différence technique qui pourrait devenir un argument de vente décisif face à la concurrence dans les mois à venir.

Pony.ai dévoile un camion électrique autonome pour flottes logistiques

Pony.ai, entreprise chinoise spécialisée dans la conduite autonome, a dévoilé un camion électrique autonome destiné aux flottes logistiques, développé conjointement avec GAC Commercial Vehicle. Présenté au salon IAA Transportation 2026, ce poids lourd de niveau 4 (L4) constitue la quatrième génération de la plateforme Robotruck de Pony.ai et repose sur l'architecture du camion électrique à batterie T9 de GAC Commercial Vehicle. La production de masse doit débuter avant la fin de l'année, avec un déploiement initial sur les trajets longue distance, les corridors logistiques dédiés et le transport portuaire. Le véhicule embarque un kit de conduite autonome de qualité automobile composé de neuf lidars, trois radars à ondes millimétriques et treize caméras, assurant une couverture à 360 degrés. Le coût matériel de ce système de quatrième génération a chuté de 70% par rapport à la génération précédente, et les coûts d'exploitation par tonne-kilomètre devraient baisser de 30%. Grâce à un coefficient de traînée de 0,4 et aux algorithmes de contrôle de Pony.ai, la consommation d'énergie diminue de 10% par rapport aux camions conventionnels. He Xing, vice-président de Pony.ai et responsable de l'activité Robotruck, a qualifié ce lancement d'étape importante vers la production et le déploiement commercial à grande échelle. Cette annonce illustre l'accélération de l'industrialisation du camionnage autonome, un secteur où la rentabilité dépendait jusqu'ici largement du coût du matériel embarqué. Une baisse de 70% du coût des composants et de 30% des dépenses d'exploitation change la donne économique pour les opérateurs de flottes, rapprochant ces véhicules d'une viabilité commerciale à grande échelle plutôt que de simples démonstrations technologiques. Pour les transporteurs et les gestionnaires de ports, cela ouvre la voie à une réduction des coûts de main-d'œuvre et à une meilleure efficacité énergétique sur les segments les plus rentables du fret, comme le transport longue distance et la logistique portuaire. L'unification du logiciel entre les robotaxis et les camions, via la plateforme "Virtual Driver" partagée avec les véhicules Gen-7 de Pony.ai, permet aussi de mutualiser les investissements en recherche et développement entre plusieurs segments de marché. Ce projet s'inscrit dans une stratégie de diversification que Pony.ai poursuit depuis 2018 dans le camionnage autonome, en parallèle de son activité de robotaxis déjà déployée dans des marchés comme les Émirats arabes unis, le Qatar, la Croatie, le Luxembourg, Singapour et la Corée du Sud. L'accord stratégique avec GAC Commercial Vehicle, signé le 16 avril 2026, a permis de boucler la validation du véhicule en seulement cinq mois. Après cette première production en Chine, Pony.ai prévoit d'étendre ses opérations Robotruck vers l'Europe et le Moyen-Orient dans les deux prochaines années, en s'appuyant sur les implantations déjà établies grâce à ses robotaxis. Cette expansion place Pony.ai en concurrence directe avec d'autres acteurs du transport autonome et de la logistique automatisée, dans un marché mondial où la redondance matérielle complète (direction, freinage, alimentation, calcul, capteurs, communications) devient un standard de sécurité incontournable pour obtenir les autorisations réglementaires nécessaires au déploiement sans conducteur.

Reward AI dévoile OM-1, une politique robotique entraînée uniquement sur des démonstrations humaines, sans téléopération

Reward AI, une startup de robotique fondée par une équipe déjà à l'origine des projets DexCap, HumanPlus et ALOHA, a présenté OM-1, pour Omnibody Model 1, une politique de manipulation à usage général. Le système apprend en observant des humains équipés d'un gant capteur baptisé Omnibody Hand, un dispositif à sept degrés de liberté qui capture le pincement pouce-index, la flexion du pouce et de l'index ainsi que le mouvement couplé des doigts médian, annulaire et auriculaire au niveau des articulations métacarpo-phalangiennes. Aucune donnée de téléopération ni donnée collectée directement sur un robot n'entre dans l'entraînement : le modèle suit un principe unique, « un modèle, une interface de données, n'importe quel corps ». Le gant combine capteurs tactiles haute fréquence, détection de proximité pour l'approche avant contact et caméras à obturateur global embarquées dans la main. Reward AI rapporte un premier résultat chiffré sur le suivi de la pose de la main : en testant huit vitesses allant de 3 à 67 cm/s sur dix essais chacune, le suivi électromagnétique enrichi de compensation des perturbations affiche une erreur de dépassement moyenne passant d'environ 0,4 mm à 9,5 mm, contre 2,1 mm à 24,9 mm pour le suivi visuo-inertiel classique, soit une réduction de 60 % à la vitesse la plus élevée. OM-1 reste toutefois un outil interne : aucun poids, code, jeu de données ni API n'a été publié, ce qui empêche pour l'instant tout développeur externe de le déployer sur son propre matériel. Cette approche répond à un problème central des politiques robotiques actuelles, généralement entraînées sur des données de téléopération ou collectées directement par les robots, ce qui lie chaque jeu de données à une seule morphologie de machine. En s'appuyant uniquement sur des démonstrations humaines converties dans un format unique, Reward AI affirme pouvoir entraîner dès aujourd'hui des politiques capables de piloter demain des corps robotiques qui n'existent pas encore, qu'il s'agisse de bras industriels ou d'humanoïdes. Si la méthode tient ses promesses, elle pourrait réduire la dépendance de l'industrie aux flottes coûteuses de robots physiques nécessaires pour générer des données d'entraînement, un goulot d'étranglement majeur pour les modèles fondation en robotique. Cette publication s'inscrit dans la continuité des travaux antérieurs de l'équipe sur la capture de mouvement portable et les politiques de contrôle bimanuelles. Reward AI justifie son choix en citant l'article classique de Philip Anderson, « More Is Different », pour soutenir que la dextérité de niveau humain ne viendra pas simplement de l'accumulation de données robotiques ou de puissance de calcul supplémentaire, mais d'une refonte conjointe de la capture, de l'apprentissage et du contrôle. L'absence de publication du code ou des poids laisse cependant en suspens la question de savoir quand, ou si, cette technologie sera accessible au reste de la communauté robotique.

GPT-6 Astra montre un "changement radical" en raisonnement spatial selon des premiers tests

Un nouveau benchmark de robotique met en évidence des progrès significatifs du modèle GPT-6 Astra en matière de raisonnement spatial. Sur StationeryBench, un test évaluant des robots à double bras dans des tâches de manipulation d'objets de bureau, GPT-6 Astra a réussi à accomplir 7 tâches sur 100, tandis que son concurrent direct, MolmoAct2, n'en a mené à bien aucune. Un chercheur impliqué dans l'évaluation qualifie ce résultat de "changement de palier" (step change) dans la capacité des modèles à comprendre et manipuler l'espace physique. Ces chiffres, bien que modestes en valeur absolue, marquent un écart net entre les deux systèmes sur un exercice jugé particulièrement exigeant pour l'intelligence artificielle appliquée à la robotique. Ce type de progrès compte parce que le raisonnement spatial reste l'un des obstacles majeurs empêchant les grands modèles de langage de piloter efficacement des robots physiques dans le monde réel. Réussir même un nombre limité de tâches complexes impliquant deux bras robotiques suppose une compréhension fine des positions, des trajectoires et des interactions entre objets, des compétences historiquement difficiles à transférer depuis l'apprentissage sur du texte ou des images. Si la tendance se confirme sur d'autres benchmarks, cela pourrait accélérer le déploiement de robots plus autonomes dans la logistique, l'industrie ou les services, et redistribuer la compétition entre les laboratoires qui investissent dans l'intelligence artificielle incarnée. Ce résultat s'inscrit dans une course plus large entre plusieurs acteurs de la recherche en IA robotique, qui cherchent à combiner modèles de langage et perception physique pour produire des agents capables d'agir dans le monde réel, et non plus seulement de raisonner en ligne. MolmoAct2, cité comme point de comparaison, illustre la diversité des approches actuellement testées sur ce type de benchmarks encore émergents. Les scores restant très bas dans l'absolu, la portée exacte de cette avancée devra être confirmée par des évaluations plus larges avant de déterminer si elle annonce un véritable tournant pour la robotique assistée par IA.

💬 7 tâches sur 100 face à zéro pour MolmoAct2, c'est maigre en absolu mais l'écart, lui, est net, et c'est justement ce qui compte sur un exercice où personne ne réussissait rien il y a encore un an. Le raisonnement spatial, c'est le vrai mur entre "un modèle qui parle bien" et "un robot qui bosse", donc chaque point gagné là-dessus vaut plus qu'un point gagné sur un benchmark de texte. Reste à voir si ça tient sur d'autres tests avant de crier à la rupture, parce qu'un écart sur un seul benchmark émergent, ça reste un signal, pas une preuve.

L'IA physique prend le volant : comment les leaders mondiaux du robotaxi construisent avec les technologies NVIDIA

Le marché mondial des robotaxis, présenté comme la première percée commerciale de l'« IA physique », devrait atteindre 400 milliards de dollars d'ici 2035, avec plus de 6 millions de véhicules commerciaux en circulation à terme. Des flottes sans chauffeur circulent déjà dans certaines des rues les plus denses et complexes au monde. NVIDIA a détaillé la pile technologique qui sous-tend, selon l'entreprise, tous les grands programmes de robotaxis opérant aujourd'hui à échelle commerciale. Cette architecture repose sur trois "ordinateurs" complémentaires : un ordinateur d'entraînement basé sur les systèmes NVIDIA DGX, qui exploite le portefeuille Alpamayo de modèles ouverts vision-langage-action (VLA) à raisonnement, ainsi que des jeux de données d'IA physique et des recettes de post-entraînement ; un ordinateur de simulation et de validation combinant NVIDIA Omniverse (avec les modèles NuRec de reconstruction de scènes réelles) et les modèles de fondation Cosmos, exécutés sur des serveurs NVIDIA RTX PRO ; et un ordinateur embarqué, NVIDIA DRIVE Hyperion, dont la version 10 associe deux systèmes sur puce DRIVE AGX Thor. Sur un test d'évaluation de conduite autonome jugé exigeant, l'ajout de données de raisonnement par étapes (méta-actions et chaîne de pensée) a réduit de 43 % l'erreur moyenne de déviation de trajectoire d'un modèle VLA, la faisant passer de 2,08 à 1,18. L'enjeu dépassе la simple mise en circulation de quelques véhicules autonomes : il s'agit de garantir des performances sûres et homogènes sur des milliers de voitures simultanément, ce qui exige une puissance de calcul considérable à chaque étape, de l'entraînement des modèles jusqu'au traitement en temps réel à bord. En permettant de démultiplier des cas réels rares, comme un piéton surgissant dans des conditions météo inhabituelles, en des millions de variations synthétiques de comportements, de trafic, d'éclairage et de capteurs, les outils Cosmos et Omniverse réduisent la dépendance aux kilomètres parcourus physiquement pour valider les véhicules. Pour les constructeurs et opérateurs de flottes, cela signifie un développement plus rapide et une meilleure détection des failles avant le déploiement, un enjeu de sécurité et de coût déterminant pour la viabilité économique du secteur. Ce mouvement s'inscrit dans la stratégie plus large de NVIDIA, qui cherche à devenir le fournisseur d'infrastructure incontournable de l'IA physique, au-delà des centres de données, en proposant une plateforme ouverte et modulaire que les constructeurs peuvent combiner avec leurs propres technologies plutôt qu'un système fermé imposé. Avec la multiplication des acteurs du robotaxi et la pression pour prouver la fiabilité de ces systèmes à grande échelle, la capacité à simuler massivement des scénarios rares et à entraîner des modèles de raisonnement toujours plus performants devrait devenir un facteur clé de différenciation entre les programmes qui parviendront à une exploitation commerciale durable et les autres.

JD.com étend l'IA physique dans la logistique avec 3 millions de robots

JD.com a présenté à Pékin, lors de l'événement JDDiscovery 2026, son nouveau Physical AI Acceleration Plan, un programme quinquennal visant à déployer 3 millions de robots, 1 million de véhicules autonomes et 100 000 drones de livraison dans son réseau logistique. Sa filiale JD Logistics a dévoilé à cette occasion la série de robots industriels Wolf, conçus pour couvrir l'entreposage, le tri, le transport et la livraison, ainsi que des équipements spécialisés capables de fonctionner jusqu'à moins 20 degrés Celsius, des systèmes automatisés de distribution pharmaceutique, des véhicules de livraison autonomes et des drones. Ce plan s'appuie sur une automatisation déjà bien engagée : au 30 juin 2026, le système d'entreposage automatisé LangzuTech Goods-to-Person équipait plus de 30 entrepôts en Chine, avec des premiers déploiements au Royaume-Uni et en Allemagne. Le réseau logistique de JD comptait alors plus de 1 800 entrepôts en propre et plus de 2 000 entrepôts tiers sur sa plateforme Open Warehouse, pour une surface totale dépassant 36 millions de mètres carrés, des milliers de véhicules sans chauffeur opérant dans plus de 20 provinces chinoises, et plus de 100 itinéraires de drones actifs. L'ensemble de ce dispositif physique est piloté par Meta Brain, le système d'intelligence artificielle de JD Logistics, dont la version 3.0 calcule désormais les itinéraires optimaux pour des centaines de millions de colis en quelques secondes, contre plusieurs minutes auparavant. Ce même modèle alimente le bras robotique LangzuTech Packer, qui combine des données de capteurs multimodaux pour saisir et placer des colis de formes variées, en s'appuyant sur de l'apprentissage par renforcement en environnement simulé pour optimiser le chargement et l'usage de l'espace disponible. Depuis juin, ce bras fonctionne en continu dans plusieurs sites de JD Logistics, après une mise à jour de son contrôle de force réalisée au deuxième trimestre. Pour soutenir cette montée en puissance de l'IA, JD Cloud prévoit de construire avec le fabricant chinois de puces Moore Threads un cluster de 100 000 GPU dédié à l'entraînement de grands modèles et à l'IA incarnée, après une première collaboration portant sur 10 000 GPU, et compte collecter plus de 10 millions d'heures de vidéos d'activités humaines réelles sur deux ans pour entraîner ces systèmes. Cette accélération s'inscrit dans une extension géographique et fonctionnelle du réseau : JD Logistics a lancé des livraisons autonomes de nuit à Shenzhen et, en juin, un réseau de drones couvrant 78 villages du district de Zizhong, dans le Sichuan, où certaines livraisons en zone montagneuse s'effectuent en sept minutes. Les dépenses de recherche et développement de JD Logistics ont atteint 2,3 milliards de yuans au premier semestre 2026, en hausse de 23,7% par rapport aux 1,9 milliard de l'année précédente, sans que l'entreprise ne communique de coût total ni d'objectif de retour sur investissement pour l'ensemble du programme, signe d'une course à l'automatisation logistique encore largement ouverte face à des rivaux chinois comme Alibaba ou Meituan.

Rivian mise sur l'autonomie complète

Rivian a dévoilé Autonomy+, un système de conduite semi-autonome point à point qui permettra aux propriétaires de saisir une adresse et de laisser le véhicule rouler seul jusqu'à n'importe quelle destination cartographiée aux États-Unis et au Canada. Le système sera testé sur un R1S circulant dans les rues de Palo Alto, en Californie, capable de gérer feux de circulation, passages piétons et panneaux stop en environnement urbain et suburbain. Il doit débuter sur le tout nouveau SUV R2 d'ici la fin de l'année, puis être déployé par mise à jour à distance sur les modèles R1S et R1T existants. Rivian facturera l'abonnement 49,99 dollars par mois, ou 2 500 dollars en paiement unique, contre 99 dollars mensuels pour le système concurrent de Tesla, baptisé Full Self-Driving (Supervised). Mercedes, de son côté, prévoit de facturer 3 950 dollars pour un abonnement de trois ans à son futur MB.Drive Assist Pro sur la CLA électrique, un système qui exige encore une main sur le volant. Classé Level 2+ selon l'échelle de la Society of Automotive Engineers, Autonomy+ nécessite qu'un conducteur reste prêt à reprendre le contrôle à tout moment. Cette annonce illustre la bataille tarifaire et technologique que se livrent désormais les constructeurs automobiles sur la conduite autonome, un secteur relancé par l'essor général de l'intelligence artificielle et redevenu une priorité pour les investisseurs. Au-delà du confort promis aux automobilistes, l'enjeu est financier : les groupes espèrent que ces logiciels ouvriront de nouvelles sources de revenus récurrents, via abonnements ou services de robotaxis. La course actuelle vise le Level 3, qui permettrait au conducteur de lâcher le volant temporairement pour lire ou regarder un film, puis le Level 4, où le véhicule pourrait circuler sans occupant, par exemple pour livrer un repas ou transporter un passager totalement passif. Ce projet s'inscrit dans une longue histoire de la robotique automobile née près de Palo Alto : en 2005, une équipe de Stanford dirigée par le professeur Sebastian Thrun avait remporté avec son véhicule Stanley le DARPA Grand Challenge, une course de 212 kilomètres dans le désert des Mojave, dotée de 2 millions de dollars, marquant la première traversée entièrement autonome de ce type. Depuis, des robotaxis de niveau 4 circulent déjà, en nombre limité, dans une vingtaine de villes aux États-Unis, en Chine et au Moyen-Orient. Rivian entend désormais rivaliser avec Tesla, Toyota, Volkswagen, Mercedes et le chinois BYD pour généraliser cette autonomie, en misant sur une combinaison de caméras, radars, lidars et puces développées en interne pour traiter les données des capteurs.

💬 49,99 dollars par mois contre 99 chez Tesla pour un système qui fait pourtant à peu près la même chose : voilà la vraie annonce, pas la techno. Palo Alto qui refait rouler des voitures autonomes sur les lieux mêmes de Stanley en 2005, ça a un côté joli clin d'œil, mais Rivian reste en Level 2+, donc les mains sur le volant, façon de parler. La vraie course n'est même plus la conduite autonome elle-même, c'est qui rend l'abonnement le moins cher pour capter le client avant les autres.

Arm lance Total Design, un cadre pour l'IA physique et la robotique

Arm a dévoilé le 8 septembre son initiative « Arm Total Design for Physical AI », accompagnée d'un nouveau cadre baptisé Robotics Capability Framework, destiné à établir des standards communs pour les systèmes robotiques et l'IA physique. Le projet rassemble plus de 80 organisations partenaires issues du logiciel, du matériel et de l'IA, parmi lesquelles AWS, ECARX, Hugging Face, Liquid AI, NXP, PlusAI, PSYONIC, QNX, Qwen, Siemens et Unitree Robotics. Selon Arm, les secteurs industriels physiques, mines, agriculture, industrie manufacturière et transport mondial, représentent des milliers de milliards de dollars d'activité économique et une opportunité de calcul estimée à 200 milliards de dollars par an d'ici les années 2030. Le nouveau cadre, présenté dans un manifeste signé par le architecte en chef d'Arm, Richard Grisenthwaite, classe les systèmes robotiques selon des niveaux de sophistication progressifs, du comportement purement réactif jusqu'aux systèmes cognitifs capables de s'auto-améliorer, sur le modèle des niveaux SAE utilisés pour l'automatisation de la conduite. Des entreprises comme Anaxi Labs, ANYbotics, Fourier, GALBOT, Lenovo, McKinsey ou Robotec.ai ont contribué à cette première base de référence. L'enjeu pour l'industrie est de réduire la fragmentation technique qui complique aujourd'hui la conception, l'intégration et le déploiement à grande échelle des robots. En l'absence de vocabulaire technique partagé, les fabricants de matériel et les développeurs de logiciels peinent à comparer les capacités des systèmes, à optimiser les charges de calcul ou à faire passer leurs prototypes du stade expérimental à une production industrielle. Le nouveau cadre définit des paramètres communs pour la latence, la répartition du calcul, l'allocation mémoire, la consommation énergétique, le déterminisme et les normes de sécurité, autant de critères qui doivent permettre aux constructeurs de robots industriels, agricoles ou logistiques de s'appuyer sur une base technique homogène plutôt que de réinventer leurs propres standards à chaque projet. Cette initiative prolonge une méthode qu'Arm avait déjà appliquée à l'infrastructure d'IA dans le cloud, associant modèles d'IA, plateformes virtuelles, jumeaux numériques et piles logicielles pour accélérer les cycles de développement. Arm a ainsi collaboré avec AWS, Google, HERE, RemotiveLabs et Siemens sur un cockpit automobile numérique de référence, testé sur la plateforme Arm Zena CSS avant même la disponibilité des puces physiques. L'entreprise britannique, dont l'architecture équipe la quasi-totalité des puces mobiles mondiales, cherche désormais à élargir ce cadre en sollicitant des contributions techniques de l'ensemble de la communauté de l'ingénierie robotique, alors que les déploiements d'IA physique se multiplient dans l'industrie.

Cet entrepreneur en IA développe des agents capables d'anticiper l'imprévu

Danijar Hafner, 31 ans, développe une nouvelle startup depuis un bureau presque vide du quartier SoMa à San Francisco, encore en mode furtif et sans nom affiché sur la porte. L'espace, dépourvu de mobilier, est en revanche rempli de robots humanoïdes de tailles et formes variées, suspendus comme des marionnettes sur des racks, importés de Chine. Hafner s'appuie sur l'apprentissage par renforcement basé sur des modèles du monde, des systèmes d'IA conçus pour simuler la réalité physique, dans lesquels des agents s'entraînent avant d'agir dans le monde réel. Il a bâti sa réputation avec une série de modèles baptisés Dreamer: Dreamer 2 a été le premier agent à atteindre un niveau humain sur les jeux Atari 2600 via un modèle du monde, Dreamer 3 le premier à résoudre le défi Minecraft Diamond en minant seul des gemmes, et Dreamer 4 a franchi une étape supplémentaire en apprenant à miner du diamant à partir d'un simple jeu de données vidéo enregistré, sans jamais interagir directement avec le jeu. Son premier modèle marquant, PlaNet, permettait déjà à des agents de planifier leurs actions à l'avance. L'enjeu de cette technologie est de permettre à des robots d'évoluer dans des environnements qu'ils n'ont jamais rencontrés en entraînement, condition indispensable pour les faire entrer dans des espaces humains comme un domicile, avec son agencement de meubles et de pièces totalement inédit. Contrairement aux approches classiques de la robotique, qui reposent sur un long entraînement par essais et erreurs dans le monde réel, la méthode de Hafner permet aux agents d'exécuter des tâches complexes en s'appuyant sur des simulations internes, ce qu'il décrit lui-même comme une capacité à "rêver" ou "imaginer" des scénarios futurs pour mieux anticiper l'imprévu. Timothy Lillicrap, chercheur chez Google DeepMind et ancien manager de Hafner, le décrit comme faisant partie du top 0,5% des chercheurs qu'il côtoie, capable de construire seul ce qui demanderait normalement des équipes entières d'ingénieurs. Originaire d'une petite ville rurale du nord-est de l'Allemagne, fils de musiciens classiques, Hafner a appris la programmation auprès d'un voisin avant de se passionner pour l'IA au lycée. Étudiant en ingénierie à l'institut Hasso Plattner de Potsdam, il a rejoint Google Brain comme chercheur dès 2015, puis enchaîné une douzaine de stages et postes entre Google Brain et Google DeepMind au Royaume-Uni, au Canada et aux États-Unis, travaillant notamment aux côtés de Geoffrey Hinton, considéré comme l'un des pères fondateurs de l'IA, et d'Ashish Vaswani, coauteur de l'article fondateur "Attention Is All You Need" à l'origine des transformers. Plus récemment, avec son projet DayDreamer, Hafner a commencé à faire sortir ses agents du monde virtuel pour les confronter à la réalité physique, une transition qui semble aujourd'hui se concrétiser à travers sa nouvelle startup et ses humanoïdes suspendus dans un bureau de San Francisco.

Unitree lance une IA de combat autonome : ses robots se battent seuls, pour de vrai

Unitree, l'entreprise chinoise de robotique connue pour ses robots humanoïdes et quadrupèdes agiles, a dévoilé le 7 septembre 2026 un nouveau modèle d'intelligence artificielle baptisé UnifoLM-X2-1.0, conçu pour permettre à ses robots de combattre de manière totalement autonome, sans télécommande ni pilote humain. Présenté via une vidéo publiée sur le compte X de l'entreprise (@UnitreeRobotics), le système repose sur ce qu'Unitree appelle un modèle du monde : plutôt que de simplement exécuter une séquence de mouvements préprogrammée, le robot analyse en continu son environnement, localise son adversaire, anticipe ses déplacements possibles et décide lui-même de sa prochaine action. Dans la démonstration, un robot humanoïde enchaîne des mouvements de boxe, gère son équilibre, ajuste ses appuis et son centre de gravité, esquive et feinte, réagissant en temps réel aux actions de son opposant. Unitree revendique une boucle de perception, prédiction, planification et exécution nettement plus rapide que les systèmes robotiques pilotés par IA existants. Cette avancée marque une étape importante pour l'industrie de la robotique humanoïde, car elle s'attaque à l'un des obstacles majeurs du secteur : la lenteur de la planification décisionnelle en temps réel. Un robot capable de percevoir, prédire et agir en une fraction de seconde ouvre la voie à des applications bien au-delà du combat spectacle, comme l'intervention en environnement instable, la logistique dynamique ou l'assistance physique où l'imprévisibilité de l'environnement exige une adaptation instantanée. Pour Unitree, qui s'est jusqu'ici distinguée par l'agilité mécanique de ses machines (marche, course, sauts, mouvements acrobatiques), cette démonstration signale un déplacement stratégique vers l'autonomie décisionnelle et cognitive, un terrain où la concurrence avec des acteurs comme Boston Dynamics, Figure AI ou Tesla se joue désormais autant sur l'intelligence embarquée que sur la performance physique. Elle soulève aussi des questions sur l'usage de robots capables de combat autonome, entre démonstration technologique impressionnante et interrogations sur les applications potentielles de systèmes conçus pour anticiper et neutraliser un adversaire. Cette annonce s'inscrit dans une course mondiale à l'humanoïde où la mobilité, longtemps le principal critère de différenciation, cède progressivement la place à l'autonomie cognitive comme nouveau champ de bataille technologique. Unitree, qui a bâti sa réputation sur des robots relativement abordables et très mobiles, cherche ainsi à combler l'écart avec des concurrents qui misent davantage sur l'intelligence artificielle générale appliquée à la robotique. Le choix du combat comme vitrine n'est pas anodin : il s'agit d'un scénario extrême, exigeant en réactivité et en gestion de l'équilibre, qui permet de mettre en scène de façon spectaculaire les capacités du modèle UnifoLM-X2-1.0. Reste à savoir si cette autonomie décisionnelle se traduira par des applications commerciales concrètes, dans l'industrie, la sécurité ou le service, et comment Unitree et ses concurrents encadreront le déploiement de robots de plus en plus capables d'agir sans supervision humaine directe.

Le vrai secret du Tesla Cybercab IA : le Big Data aux commandes du robotaxi parfait

Tesla a fait immatriculer plus de 400 véhicules autonomes au Texas, confirmant le déploiement effectif de son robotaxi Cybercab dans les rues d'Austin. Ce véhicule doré, dépourvu de volant et de pédales, revendique une conduite autonome de niveau 4. À la différence de Waymo, qui mise sur une combinaison de LiDAR et de radars longue portée, Tesla a choisi une architecture "Vision Only" reposant uniquement sur des caméras optiques standard, dont les flux sont traités par un réseau de neurones entraîné sur le supercalculateur maison Dojo. Fin août 2026, une vidéo relayée sur le réseau social X par le compte techAU montrait un Cybercab circulant sans conducteur dans la ville, accompagnée d'un commentaire attribué à un responsable Tesla, Ashok, selon lequel "les rues ne seront plus jamais les mêmes". Le pari de Tesla repose moins sur l'accumulation de capteurs que sur l'exploitation massive de données comportementales. Des millions de Model 3 et Model Y déjà en circulation dans le monde servent de capteurs mobiles, enregistrant en continu freinages, manœuvres complexes et corrections apportées par les conducteurs aux systèmes d'assistance. Ce volume de données télémétriques, de l'ordre de l'exaoctet, alimente en permanence les modèles d'IA et permet de traiter statistiquement les cas limites, ces situations routières rares qu'un historique de conduite plus restreint ne peut couvrir efficacement. Pour l'industrie, cela déplace le terrain de la compétition: l'avantage concurrentiel ne provient plus du nombre de capteurs embarqués mais du volume et de la diversité des données d'usage accumulées au fil des années, un écart que des constructeurs sans flotte déployée à grande échelle ne peuvent combler rapidement, même avec des moyens financiers comparables. Ce virage s'inscrit dans une stratégie de long terme entamée avec l'Autopilot puis le Full Self-Driving, dont dix années de collecte ont permis à Tesla de constituer un jeu de données d'entraînement jugé unique dans le secteur, aujourd'hui converti en produit commercial avec le Cybercab. Cette approche tranche avec celle de Waymo, filiale d'Alphabet, qui privilégie une redondance de capteurs plus coûteuse mais considérée par certains régulateurs comme plus fiable, notamment sur les questions de sécurité que soulève un système de niveau 4 reposant uniquement sur la vision par caméras. Le choix du Texas, dont la réglementation est moins stricte que celle de la Californie, permet à Tesla de tester ce modèle en conditions réelles avant une éventuelle extension à d'autres marchés. La suite dépendra largement de la capacité du constructeur à démontrer, données de sécurité à l'appui, que son architecture "Vision Only" tient la comparaison face aux systèmes concurrents multicapteurs, un enjeu suivi de près par les régulateurs américains et l'ensemble du secteur automobile.

Peau électronique, main robotique et ultrasons sous-marins : Mova montre qu’il innove

À l'occasion d'un salon technologique organisé à Berlin, le constructeur de robotique Mova a présenté sa feuille de route baptisée « The AI MOVAment », consacrée aux robots domestiques. L'entreprise y dévoile plusieurs innovations destinées à repousser les limites physiques actuelles de ces machines : une peau électronique pour améliorer la perception tactile, une main robotique conçue pour une manipulation plus fine et agile des objets, ainsi qu'une technologie de connectivité par ultrasons adaptée aux environnements sous-marins. Ces avancées s'attaquent à un verrou central de la robotique de service, à savoir la capacité d'un robot à interagir avec un environnement domestique imprévisible, à saisir des objets fragiles et à percevoir finement son entourage au-delà de la simple caméra. La peau électronique et la main robotique visent directement les usages d'assistance à domicile, un marché que de nombreux constructeurs jugent stratégique à mesure que les robots compagnons se rapprochent du grand public. La technologie sous-marine, plus inattendue pour un acteur du domestique, laisse entrevoir une diversification vers des applications industrielles ou maritimes, là où les ondes radio classiques sont inopérantes. Cette présentation intervient alors que la robotique grand public connaît une accélération portée par les progrès de l'intelligence artificielle appliquée à la perception et au contrôle moteur. De nombreux constructeurs multiplient les démonstrations dans les grands salons occidentaux pour asseoir leur crédibilité technologique. En misant simultanément sur le toucher, la préhension et la connectivité sous-marine, Mova cherche à se distinguer par la diversité de son portefeuille technologique, sans préciser à ce stade de calendrier de commercialisation.

Motional et le MIT expliquent les décisions des voitures autonomes

Motional, l'entreprise de conduite autonome soutenue par Hyundai, et des chercheurs du Computer Science and Artificial Intelligence Laboratory (CSAIL) du MIT ont mis au point un système capable d'expliquer en temps réel les décisions prises par une voiture autonome. Les travaux, publiés dans la revue Nature, associent la PDG de Motional, Laura Major, à une équipe du MIT. Baptisé Concept-Wrapper Network (CW-Net), le système traduit les calculs internes du réseau de neurones de conduite en concepts compréhensibles par un humain, comme « véhicule à l'arrêt en approche » ou « proximité d'un cycliste », affichables sur un tableau de bord. Contrairement à des explications générées après coup sous forme de texte plausible mais pas toujours fidèle, CW-Net fonde directement la décision finale du véhicule sur ces concepts interprétables, ce que l'équipe qualifie de « causalement fidèle ». Le système a été testé sur un véhicule autonome équipé d'un opérateur de sécurité, sur piste privée puis sur route ouverte autour de Las Vegas, avec une version expérimentale du logiciel de planification de Motional. Cette approche s'attaque directement au problème de la « boîte noire » qui freine la confiance dans les véhicules autonomes : lorsqu'une voiture freine brusquement sans raison apparente, ni le conducteur ni les passagers ne peuvent aujourd'hui savoir pourquoi. Deux incidents relevés pendant les essais illustrent l'intérêt du dispositif. Dans le premier, le véhicule s'arrêtait systématiquement près d'un cône de signalisation ; après son retrait, la voiture s'est arrêtée quand même, et CW-Net a révélé que le système hallucinait la présence d'un véhicule arrêté, un biais retracé jusqu'aux données d'entraînement. Dans le second cas, le véhicule s'est arrêté pour un cycliste, mais CW-Net a montré que cette décision ne reposait pas réellement sur la détection du cycliste : le freinage provenait en fait d'un système de sécurité de secours, et non du planificateur expérimental fondé sur l'apprentissage profond. Pour Laura Major, ces résultats illustrent les limites d'une approche tout-en-un fondée uniquement sur le deep learning, capable d'atteindre 80 à 95 % de fiabilité mais insuffisante pour retirer un conducteur du véhicule ou gagner la confiance des villes et des usagers. Explorée jusqu'ici surtout en simulation, l'intelligibilité des systèmes d'IA embarqués sort ainsi du laboratoire pour être confrontée à la route réelle. Motional reconnaît qu'ajouter des couches d'explicabilité comporte un coût potentiel en vitesse et en performance, un compromis que l'entreprise cherche à mesurer alors qu'elle affine son système en vue d'un déploiement plus large.

Robots humanoïdes et Big Data : les défis d’infrastructure derrière l’investissement de SoftBank dans 1X

SoftBank négocie actuellement le rachat d'une participation majoritaire dans 1X Technologies, start-up norvégienne spécialisée dans les robots humanoïdes, pour une valorisation avoisinant les 6 milliards de dollars. Ce montant reste toutefois inférieur aux 10 milliards de dollars que 1X espérait initialement lever, selon les informations rapportées par The Information le 27 août 2026. La société, déjà soutenue par l'OpenAI Startup Fund et par le fonds Tiger Global, intéresse le groupe japonais quelques mois seulement après son acquisition de la filiale robotique du géant industriel ABB, opération conclue pour 5,4 milliards de dollars. Cette double manœuvre confirme l'accélération des investissements de SoftBank dans le secteur des agents autonomes et des machines capables d'évoluer dans des environnements physiques complexes. Au-delà de l'assemblage mécanique, l'intérêt stratégique de 1X réside dans sa capacité à gérer d'immenses volumes de données en continu. Les robots de l'entreprise reposent sur une approche dite d'IA incarnée, où des réseaux de neurones multimodaux apprennent directement sur le terrain, par imitation et par renforcement. Leurs capteurs optiques, lidars et récepteurs kinesthésiques génèrent un flux ininterrompu de vidéos et de données de télémétrie spatiale, bien plus volumineux que celui des objets connectés classiques. Pour les industriels, cela signifie repenser entièrement la collecte, le filtrage et l'annotation de ces données afin d'entraîner des modèles de fondation visio-linguistiques toujours plus précis. La qualité des gestes exécutés par ces machines dépend directement de la robustesse des pipelines d'ingestion, ce qui transforme la donnée en véritable enjeu de compétitivité industrielle, au même titre que le matériel lui-même. Cette course technologique se heurte cependant à des contraintes physiques concrètes : un simple délai de transmission réseau peut provoquer une collision ou un arrêt d'urgence du robot. Les entreprises doivent donc privilégier l'inférence locale, via l'Edge AI, pour garantir une réactivité immédiate, tout en synchronisant régulièrement ces machines avec un cloud hybride chargé de réentraîner les modèles à partir des données collectées sur le terrain. Cette logique, déjà illustrée par le projet GR00T de Nvidia et sa plateforme de jumeaux numériques Omniverse, dessine une architecture à deux vitesses combinant traitement local et centralisation analytique. L'opération envisagée par SoftBank illustre ainsi un basculement plus large du secteur : la bataille pour la robotique autonome ne se joue plus seulement sur la mécanique ou l'intelligence artificielle embarquée, mais sur la capacité des entreprises à bâtir des infrastructures de données capables de faire progresser des flottes entières de machines en temps réel.

Meta teste des robots dans ses datacenters : vers la fin des techniciens humains ?

Meta expérimente des robots dans plusieurs de ses centres de données américains pour effectuer des tâches jusqu'ici réservées aux techniciens humains, comme brancher des câbles, redémarrer des serveurs ou déplacer du matériel. Selon des employés actuels et anciens du groupe, plusieurs fournisseurs sont impliqués dans ces tests, dont Watney Robotics, Kinova et ABB. Le site d'Altoona, dans l'Iowa, plus grand centre de données de Meta, joue un rôle pilote dans cette stratégie : le maire Dean O'Connor y voit un site pilote systématiquement, ce qui a validé y est ensuite déployé ailleurs. Depuis juin, deux robots Watney à double bras y testent des opérations de câblage sous supervision humaine, plus lents que les techniciens mais jugés prometteurs. D'autres machines sont déjà en service en Iowa et en Virginie, notamment un modèle à roues équipé d'un lecteur de codes-barres pour la gestion des stocks et le diagnostic de pannes. À New Albany, dans l'Ohio, le nouveau campus Prometheus accueille aussi des robots ABB à quatre roues, dotés d'une plateforme élévatrice et d'un bras à six axes, pour déplacer des pièces. Cette automatisation inquiète une partie du personnel : un technicien estime qu'une automatisation réussie pourrait, à terme, absorber jusqu'à 80 % du travail actuellement réalisé par certains postes, et les discussions en interne à Altoona seraient devenues particulièrement pessimistes. L'enjeu dépasse Meta puisqu'il touche à l'avenir des emplois de maintenance technique dans un secteur, celui des infrastructures cloud et IA, en pleine expansion aux États-Unis. Meta refuse de commenter précisément ses expérimentations, mais son porte-parole Francis Brennan assure que l'entreprise investit massivement dans la formation et le recrutement, évoquant un manque de main-d'œuvre qualifiée face au boom des infrastructures. Le groupe a lancé un programme de formation gratuite, destiné à des milliers de personnes chaque année, aux métiers de l'électricité, de la mécanique et de la plomberie, avec des perspectives d'embauche dans plusieurs États. Cette robotisation s'inscrit dans une vision affichée depuis un an par Eric Xu, responsable de la robotique chez Meta, qui présente l'objectif non comme un remplacement des humains mais comme un moyen d'accélérer les interventions, de surveiller les installations et de réaliser de la maintenance préventive. La technologie reste toutefois loin d'être mature à grande échelle : Helen Oleynikova, PDG d'Exclaim Robotics, souligne que le secteur multiplie les prototypes et démonstrations sans solution réellement éprouvée. Les limites techniques sont nombreuses, à l'image des caméras fonctionnant en niveaux de gris, incapables de distinguer un voyant vert d'un voyant rouge, ce qui oblige encore à envoyer un humain vérifier certaines pannes. Les robots peinent aussi à négocier des virages ou à franchir les câbles au sol, restent lents selon deux sources internes, et nécessitent des arrêts pour recharger leur batterie. Meta avait même envisagé d'utiliser des drones avant d'abandonner cette piste, signe que la voie vers des centres de données largement automatisés reste encore semée d'obstacles.

Hugging Face dévoile Microduck, un robot bipède open source de 25 cm à 399 dollars, entraîné par apprentissage par renforcement

Pollen Robotics, l'équipe de robotique basée à Bordeaux et intégrée à Hugging Face, a ouvert le 27 août 2026 les précommandes de Microduck, un robot bipède de 25 cm de haut, 14 cm de large et moins de 800 grammes, vendu 399 dollars avec livraison promise avant Noël. L'appareil embarque 15 moteurs répartis entre les jambes, le cou et la tête, un bec articulé capable de ramasser des objets au sol, une caméra frontale, un lidar compact sous forme de matrice de temps de vol 8x8, deux centrales inertielles (une dans le corps, une dans la tête), des microphones, un haut-parleur, deux antennes NFC, ainsi que le Wi-Fi et le Bluetooth. Le calcul embarqué repose sur un processeur Rockchip RK3566 avec accélérateur IA, 1 Go de RAM et 32 Go de stockage, alimenté par une batterie amovible NP-F550 de 2600 mAh offrant environ une heure d'autonomie. Dès la sortie de la boîte, sept mouvements entraînés sont disponibles via une manette de jeu fournie : marcher, s'asseoir et se relever, donner un coup de pied, saisir un objet, faire du patin à roulettes et se redresser après une chute. Le robot ne parle pas, mais génère sa propre identité vocale au premier démarrage et la conserve ensuite définitivement. La particularité de Microduck tient moins au matériel qu'à sa méthode d'entraînement, entièrement publique sur GitHub : chaque mouvement est une politique de réseau de neurones entraînée par apprentissage par renforcement dans un simulateur physique, puis exportée vers le robot réel. Cette transparence change la donne pour les développeurs et chercheurs en robotique, qui peuvent reproduire, modifier ou étendre les comportements du robot sans dépendre d'une démonstration marketing invérifiable. Pollen indique qu'une démarche de marche exploitable s'obtient en une à deux heures sur GPU CUDA avec 4096 environnements simulés en parallèle, et propose une alternative sans GPU local via Hugging Face Jobs. Le logiciel est publié sous licence Apache 2.0, ce qui ouvre la voie à une communauté élargie autour de la robotique bipède low-cost, même si les fichiers de conception mécanique et électronique restent fermés. Microduck fait suite à Reachy Mini, déjà écoulé à plus de 10 000 exemplaires, mais en inverse la philosophie : conçu pour tomber et se relever plutôt que pour rester sagement posé sur un bureau. Le réalisme du transfert simulation vers réel repose sur une modélisation fine des actionneurs Dynamixel XL330 selon le modèle BAM M6, incluant frottements et jeu mécanique, plutôt qu'un simple contrôleur idéal, avec une randomisation poussée de la tension, des délais et de la friction. Un référentiel de treize tâches d'entraînement a été publié, et l'annonce a été portée par Thomas Wolf, cofondateur de Hugging Face.

💬 Un robot qui apprend à marcher en simulation avant de poser une patte dans le monde réel, et dont tout le code d'entraînement est public sur GitHub, ça change la donne pour qui bricole de la robotique sans budget labo. 399 dollars, 15 moteurs, une heure d'autonomie, bon, sur le papier c'est un jouet, mais l'important c'est ailleurs : Pollen Robotics prouve qu'on peut publier une méthode d'entraînement reproductible plutôt qu'une démo marketing invérifiable. Reste que le hardware, lui, reste fermé, donc parlons pas encore d'un robot vraiment open source, juste d'un logiciel qui l'est.

Les robots battent les records humains : notre corps devient-il obsolète ?

Lors des deuxièmes World Humanoid Robot Games, organisés à Pékin du 22 au 26 août 2026, le robot humanoïde chinois Tiangong Ultra a bouclé le 100 mètres en 8,64 secondes en finale, devançant le record du monde masculin d'Usain Bolt établi à 9,58 secondes. La machine avait débuté la compétition avec un temps de 9,39 secondes, avant de descendre à 8,86 secondes en demi-finale puis à 8,64 secondes en finale, selon les résultats rapportés par Reuters. Sur 400 mètres, Tiangong Ultra a réalisé 38,15 secondes, très loin devant le record humain de 43,03 secondes détenu par le Sud-Africain Wayde van Niekerk. Sur 1 500 mètres, la meilleure performance robotique de l'événement est descendue à 2 minutes 21,64 secondes, alors que le record humain masculin se situe à 3 minutes 26 secondes. Au saut en hauteur sans élan, les humanoïdes ont atteint 3,40 mètres. L'événement, relayé également par le quotidien officiel chinois People's Daily, a rassemblé 2 056 robots et 666 équipes venues de 16 pays, sur 51 épreuves différentes. Ces performances marquent, pour la première fois, un dépassement net des meilleures références humaines dans des disciplines athlétiques classiques par des machines à forme humanoïde. Il ne s'agit pas de records homologués par World Athletics : les robots concourent selon leurs propres règles et conditions, distinctes de celles de l'athlétisme humain, ce qui rend certaines comparaisons directes, comme celle du saut en hauteur sans élan, difficilement transposables. Mais le signal envoyé à l'industrie robotique et aux observateurs de l'intelligence artificielle est net : la maîtrise mécanique et algorithmique de la locomotion bipède progresse à une vitesse qui dépasse largement les gains obtenus par l'entraînement humain sur des décennies, avec des implications potentielles pour la logistique, la sécurité industrielle ou les usages militaires où la vitesse et l'endurance physique comptent. L'ampleur du progrès en un an seulement illustre le rythme de cette évolution. Lors de la première édition des Jeux en 2025, Tiangong Ultra avait remporté le 100 mètres en 21,50 secondes, contre 8,64 secondes en 2026, soit un gain de 12,86 secondes. Sur 400 mètres, le chrono est passé de 1 minute 28,03 secondes à 38,15 secondes, et sur 1 500 mètres de 6 minutes 34,40 secondes à 2 minutes 21,64 secondes. Au saut en hauteur sans élan, les robots sont passés de moins d'un mètre à 3,40 mètres. Cette trajectoire, portée par la Chine comme vitrine de sa filière robotique, alimente déjà les spéculations sur les prochaines éditions des Games et sur la vitesse à laquelle d'autres capacités physiques humaines pourraient être rattrapées, voire dépassées, par les machines.

💬 Le 100m sous les 9 secondes par une machine, c'est un cap symbolique, mais ne confonds pas ça avec un record homologué : les robots jouent selon leurs règles, sur leur terrain. Ce qui compte, c'est le delta d'une édition à l'autre, 21 secondes à 8,64 en un an, une courbe de progrès que le corps humain ne peut pas suivre par définition. La vraie question n'est pas "l'humain peut-il courir plus vite", c'est "où la Chine compte-t-elle déployer cette vitesse" : entrepôt, usine, ou terrain militaire.

Les robots font le show aux Jeux olympiques… mais ils peinent encore à accomplir cette tâche

Pékin a accueilli fin août 2026 la deuxième édition des Jeux mondiaux de robots humanoïdes, une compétition qui a nettement changé d'échelle par rapport à sa première édition. Alors que celle-ci réunissait environ 500 machines dans 25 disciplines, cette nouvelle édition a rassemblé plus de 2 000 robots répartis dans 50 épreuves. Le règlement impose que chaque concurrent possède un corps humanoïde complet, torse, deux bras, deux jambes, ainsi qu'une source d'énergie intégrée, sans aucun câble externe pour limiter ses mouvements. La moitié des épreuves reprennent les codes olympiques classiques : athlétisme, football, boxe, haltérophilie. Le sprint a livré les résultats les plus spectaculaires, avec deux robots dépassant le record mondial du 100 mètres d'Usain Bolt, fixé à 9,58 secondes, l'un d'eux établissant un temps de 9,39 secondes. Sur 400 mètres, un robot a couru en 39,7 secondes, battant largement les références humaines de 43,03 secondes chez les hommes et 47,60 secondes chez les femmes. En parallèle, des épreuves moins médiatisées portaient sur des tâches pratiques : trier des livres, entretenir un jardin, réaliser des travaux de maçonnerie ou attraper des haricots à la pince. Ce contraste entre exploits sportifs et tâches domestiques révèle où se situe réellement le niveau d'avancement de la robotique humanoïde aujourd'hui. Les images de robots battant des records olympiques circulent massivement sur les réseaux sociaux et alimentent l'idée que ces machines seraient sur le point d'intégrer les foyers et les usines. Or les épreuves pratiques montrent que des gestes triviaux pour un humain, comme vider un lave-vaisselle, restent extrêmement complexes pour un robot, qui doit identifier chaque objet, calculer la force à appliquer, anticiper son déplacement puis s'adapter au moindre imprévu. Pour l'industrie, cet écart signifie que l'autonomie domestique ou l'usage en entrepôt et en usine reste un horizon plus lointain que ne le suggèrent les vidéos virales, ce qui a des implications directes sur les investissements et les calendriers de commercialisation annoncés par les fabricants. Cette compétition s'inscrit dans la stratégie chinoise visant à s'imposer comme leader mondial de la robotique humanoïde, dans un contexte de concurrence internationale croissante avec les acteurs américains et européens du secteur. Les organisateurs cherchent, à travers des épreuves hybrides mêlant sport et tâches du quotidien, à mesurer les progrès réels des machines au-delà de l'effet de démonstration. La prochaine étape pour les constructeurs consistera à combler l'écart entre performance physique brute, comme la vitesse de course, et les capacités de perception, de décision fine et de manipulation nécessaires à une véritable autonomie dans des environnements non contrôlés, condition indispensable avant toute adoption à grande échelle dans les foyers ou les entreprises.

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. 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.

💬 Trois milliards de valo et pourtant l'idée derrière est simple : au lieu de coder chaque geste, tu montres une vidéo de 12 secondes et le robot généralise. C'est exactement le pari de la Physical AI, transposer aux bras robotiques ce que le texte a fait pour les LLM, sauf que là il manquait la data et Gen 1.5 attaque ce trou-là frontalement. Reste que le sim-to-real reste un mur de recherche actif, pas un problème résolu, donc les levées à neuf chiffres financent surtout un pari, pas encore un produit qui tourne partout en usine.

SoftBank en discussions pour racheter une part majoritaire du fabricant de robots humanoïdes 1X, valorisé à 6 milliards de dollars

SoftBank négocie l'acquisition d'une participation majoritaire dans 1X Technologies, entreprise de robotique humanoïde soutenue par OpenAI, pour une opération qui valoriserait la startup à environ 6 milliards de dollars, selon des sources proches du dossier. Fondée il y a douze ans, 1X développe des robots humanoïdes au corps souple destinés à assister les particuliers dans les tâches domestiques. À l'automne dernier, la société avait tenté de lever 1 milliard de dollars sur la base d'une valorisation de 10 milliards de dollars, mais n'était parvenue à réunir que moins de la moitié de cet objectif, selon deux personnes informées de cette levée de fonds. Cet investissement de SoftBank renforcerait les ambitions du conglomérat japonais dans le secteur de la robotique, un domaine où il multiplie les paris depuis plusieurs années. Pour 1X, l'opération apporterait surtout les ressources financières nécessaires pour déployer ses robots à domicile, un marché encore largement inexploré et techniquement exigeant, où la sécurité, la fiabilité et l'acceptabilité auprès du grand public restent des obstacles majeurs. L'écart entre l'objectif initial de 10 milliards et la valorisation de 6 milliards évoquée aujourd'hui illustre aussi un ajustement des attentes des investisseurs face à la difficulté de transformer les promesses de la robotique humanoïde en produits commercialement viables. Cette opération s'inscrit dans une compétition mondiale intense autour des robots humanoïdes, où des acteurs comme Tesla, Figure AI ou des groupes chinois investissent massivement pour concevoir des machines capables d'accomplir des tâches physiques dans des environnements non structurés, à commencer par le foyer. SoftBank, déjà connu pour ses investissements passés dans Boston Dynamics et sa société Pepper, cherche à consolider sa position dans ce secteur jugé stratégique pour la prochaine décennie. Le soutien d'OpenAI à 1X ajoute une dimension supplémentaire, liant les progrès de l'intelligence artificielle générative aux ambitions de la robotique incarnée, un axe de développement que plusieurs grands groupes technologiques considèrent désormais comme la prochaine frontière après les modèles de langage.

💬 L'écart entre les 10 milliards visés à l'automne et les 6 milliards d'aujourd'hui, c'est ça le vrai signal : les investisseurs commencent à faire la différence entre une démo qui impressionne et un robot capable de tourner chez toi sans surveillance. SoftBank continue de miser gros sur l'humanoïde après Boston Dynamics et Pepper, mais ce deal ressemble plus à un ajustement de valorisation qu'à une victoire. Le robot domestique reste le vrai Graal du secteur (sécurité, fiabilité, acceptation par le grand public), et pour l'instant personne n'a vraiment craqué ce problème, même avec le soutien d'OpenAI derrière.

Aux jeux mondiaux de robots humanoïdes, des coureurs battent des records et s'enflamment

Des vidéos devenues virales montrent des robots humanoïdes pulvériser le record du 100 mètres détenu par Usain Bolt lors de la deuxième édition des World Humanoid Robot Games, organisée à Pékin du 22 au 26 août. Mais ces mêmes images révèlent aussi les limites de la technologie : plusieurs robots sprinteurs, incapables de s'arrêter correctement, percutent des barrières et s'effondrent au sol. Certains se brisent même au niveau de la taille dans une gerbe d'étincelles, et d'autres prennent feu. Après une première édition en 2025, cette compétition organisée par les médias d'État chinois et la municipalité de Pékin a de nouveau mis les machines à l'épreuve sur des épreuves spectaculaires : course, kung-fu, chorégraphies de danse, combats de kickboxing, football et tennis de table. Nouveauté cette année, les robots ont également été testés sur des tâches domestiques plus banales, comme laver et étendre du linge, des exercices où ils sont apparus nettement plus lents que des humains. Cet événement illustre le double visage actuel de la robotique humanoïde : des performances brutes impressionnantes dans des tâches contrôlées et répétitives, mais une fragilité persistante dès qu'il s'agit de gérer l'imprévu, comme freiner en pleine course, ou d'accomplir des gestes fins du quotidien. Pour l'industrie, ce contraste est révélateur des défis qui restent à résoudre avant une adoption commerciale à grande échelle, que ce soit dans l'industrie, la logistique ou l'assistance domestique. Le choix d'ajouter des épreuves pratiques comme le linge montre aussi que les organisateurs cherchent désormais à mesurer une utilité concrète, au-delà du seul spectacle. Cet événement s'inscrit dans une stratégie plus large de la Chine, qui pousse activement le développement de sa filière robotique et cherche à démontrer son avance technologique face à la concurrence internationale, notamment américaine. En mettant en scène ces compétitions très médiatisées, les autorités et les médias d'État chinois entendent aussi attirer investisseurs et talents vers un secteur jugé stratégique. Les échecs spectaculaires, aussi viraux que les exploits, rappellent cependant que la marge entre démonstration et robot réellement fiable pour un usage quotidien reste importante, et que la compétition entre fabricants chinois de robots humanoïdes ne fait que commencer.

💬 Sprinter et onze secondes plus tard s'effondrer en gerbe d'étincelles, ça résume bien où en est la robotique humanoïde chinoise. Battre Usain Bolt en ligne droite c'est facile, freiner sans se briser en deux c'est autre chose, et c'est justement ça que personne n'arrive à vendre pour l'instant. La vraie info c'est l'ajout du linge à étendre : le jour où ces jeux mesureront la vitesse sur une tâche domestique plutôt que le chrono du 100 mètres, on saura que l'industrie a arrêté de faire du spectacle pour de vrai.

Les robots compagnons IA comblent le manque de lien humain dans les foyers modernes

Depuis 2017, une première génération de robots compagnons a tenté de recréer une présence humaine dans les foyers, avec des appareils dotés de personnalité, capables de se déplacer, de plaisanter et de répondre à la voix. Limités à de simples commandes vocales et à des fonctions restreintes, la plupart ont fini abandonnés sur une étagère une fois la nouveauté passée, et la fermeture des serveurs de certaines entreprises a même été vécue par leurs propriétaires comme la perte d'un animal de compagnie. L'entreprise Ollobot mise désormais sur ce qu'elle appelle une intelligence douce, incarnée par son robot familial OlloNi SS1, conçu non plus pour impressionner mais pour rester présent au quotidien. Selon les chiffres cités, le marché mondial des compagnons dotés d'intelligence artificielle était évalué à 36,8 milliards de dollars en 2025, et devrait atteindre 48 milliards de dollars en 2026 avant de grimper à 318 milliards de dollars d'ici 2033, soit une croissance annuelle moyenne de 31 % sur la période. Cette évolution répond à un problème social documenté : près d'un adulte âgé sur trois vit seul sans compagnie quotidienne, et les enfants dont les parents ont migré pour travailler, confiés à des proches, présentent un risque de solitude 2,5 fois plus élevé que ceux vivant avec leurs parents. Des schémas similaires, moins visibles, touchent aussi les professionnels actifs vivant seuls en milieu urbain. Les outils existants, appels vidéo, enceintes connectées ou messageries, servent surtout à programmer des échanges entre personnes déjà proches, sans créer de présence continue. Le OlloNi SS1 vise justement à combler cet écart en s'adressant à trois profils distincts : les personnes âgées isolées, pour qui la détection de chutes et l'interaction proactive limitent le besoin de sollicitations familiales répétées ; les enfants de parents éloignés, avec un enregistrement de vie perçu comme moins intrusif qu'une caméra de surveillance classique ; et les actifs urbains, à qui le robot offre une présence sociale ambiante sans exigence de leur part. Le secteur des robots compagnons se transforme ainsi en profondeur, passant d'appareils réactifs, qui n'agissaient que sur commande vocale, à des systèmes proactifs capables de surveiller une pièce via caméras et micros pour détecter les émotions et engager spontanément l'interaction. La conception, autrefois centrée sur les fonctionnalités, privilégie désormais le ressenti émotionnel qu'elle procure, un défi technique plus exigeant mais plus fidèle à l'usage réel des utilisateurs. Les marques les plus avancées ne vendent plus un simple objet mais un écosystème connecté, intégrant logiciel et accès à distance dès la conception, une orientation qui pourrait redéfinir la manière dont les foyers gèrent l'isolement social dans les années à venir.

J'ai passé une journée dans un "carnaval" de robots à Shanghai : ce que j'y ai vu

Des familles ont afflué ce week-end dans un « carnaval » de robots organisé par un centre de recherche et développement à la périphérie de Shanghai, en Chine, à l'occasion d'un jour férié. Ce site industriel héberge plus de 100 entreprises spécialisées dans la recherche, le développement, la fabrication et la commercialisation de technologies robotiques. Sur place, un robot-chien miniature a fait sensation auprès des enfants en tentant des figures acrobatiques, tandis que des robots quadrupèdes télécommandés s'affrontaient dans une bataille de billes d'eau sous les acclamations du public. Dans la tente principale, un robot humanoïde vêtu d'un haut scintillant a exécuté une démonstration de boxe ivre, un style d'arts martiaux chinois, pendant qu'un autre effectuait un salto avant devant une foule en délire scandant « encore, encore, encore ». L'entreprise DexForce y présentait un modèle capable de préparer du café, tandis qu'un autre stand montrait des bras robotiques pliant des t-shirts. Selon les chiffres cités, près de 90 % des plus de 13 000 robots humanoïdes à deux bras et deux jambes livrés dans le monde l'an dernier ont été fabriqués en Chine. Cet engouement public reflète une stratégie nationale délibérée : intégrer l'intelligence artificielle dans des systèmes physiques, un concept appelé « IA incarnée », constitue un axe central du dernier plan quinquennal chinois. Pour Yang Duan, chef de produit chez DexForce, ces machines peuvent « libérer les gens du travail physique et des corvées répétitives ». En multipliant les vitrines spectaculaires, comme ces carnavals ou les marathons de robots bipèdes organisés à Beijing, les entreprises chinoises cherchent à familiariser le grand public avec des machines dont l'adoption reste freinée ailleurs par des problèmes de sécurité liés à leur poids et à leur équilibre bipède, ainsi que par des prix élevés et une autonomie de batterie limitée. Ce type d'exposition grand public sert autant de test en conditions réelles que d'opération de communication destinée à construire l'acceptabilité sociale de ces machines avant leur déploiement massif. Cette effervescence intervient alors que de nombreux experts en robotique restent sceptiques sur la pertinence de la forme humanoïde comme modèle optimal, préférant parfois des architectures spécialisées, comme les robots capables de transporter des charges lourdes ou d'inspecter des canalisations d'égout également exposés lors de l'événement. Malgré ces réserves techniques, les industriels chinois poursuivent leurs investissements et multiplient les démonstrations publiques, des centres commerciaux aux attractions touristiques de plusieurs villes du pays. La compétition mondiale sur l'IA incarnée s'annonce donc autant industrielle que culturelle, la Chine misant sur une adoption précoce et visible pour consolider son avance dans un secteur encore naissant mais jugé stratégique pour les décennies à venir.

Le robot humanoïde XPENG IRON attire un financement record dans l'IA physique

XPENG a annoncé une levée de fonds de plus de 900 millions de dollars pour sa filiale d'intelligence artificielle physique, valorisant l'unité à 6,3 milliards de dollars. Ce tour de table, conclu via des accords d'achat d'actions avec plusieurs investisseurs, vise à accélérer le développement du robot humanoïde IRON. Le constructeur chinois de véhicules électriques affirme qu'il s'agit de la plus importante levée de fonds privée en un seul tour dans l'industrie chinoise de l'IA physique, tant par le montant que par la valorisation obtenue. IDG Capital a mené l'opération, avec la participation de Gaorong Ventures, tandis que Tencent et Alibaba rejoignent le tour en tant qu'investisseurs stratégiques. XPENG conservera le contrôle de sa division robotique, qui restera consolidée dans les comptes du groupe. He Xiaopeng, président et directeur général de XPENG, a souligné les douze années d'investissement en recherche et développement intégré ayant permis à l'entreprise de bâtir les fondations technologiques de cette ère de l'IA physique, entre modèle fondationnel du monde physique, puces Turing et infrastructure IA maison. Cette opération intervient alors que l'action XPENG a chuté de plus de 7% le jour de l'annonce et affiche un recul de 51% sur douze mois, le constructeur faisant face à une concurrence croissante en Chine de la part de rivaux locaux et de Tesla, sur le marché domestique comme à l'international. Le contraste entre la valorisation de 6,3 milliards de dollars accordée à la division robotique et la chute continue du cours de l'action illustre la conviction des investisseurs que l'IA physique et la robotique humanoïde représentent un relais de croissance distinct, potentiellement plus prometteur que l'activité automobile traditionnelle. Pour l'industrie, ce financement confirme l'émergence de la Chine comme pôle majeur d'investissement dans les robots humanoïdes commerciaux, aux côtés des acteurs américains, et pourrait accélérer la course à la production de masse de ces machines destinées à terme à des usages domestiques, industriels ou commerciaux. Le robot IRON, au cœur de cette stratégie, repose sur une structure en treillis flexible entièrement fermée conçue en interne, offrant 76 degrés de liberté sur l'ensemble du corps et 21 par main pour une dextérité élevée. Il embarque jusqu'à 2 250 TOPS de puissance de calcul répartie sur trois puces Turing développées par XPENG, lui permettant d'exécuter localement son modèle fondationnel d'IA physique avec une faible latence d'inférence. L'entreprise applique à la fabrication de robots les standards de qualité et les processus de production développés pour ses véhicules électriques, dans l'optique d'atteindre une échelle de production comparable à celle de l'automobile. XPENG prévoit d'entrer en production de masse d'ici fin 2026, avec un déploiement initial dans ses propres magasins et campus, avant des livraisons commerciales en Chine et à l'international prévues pour 2027. Les fonds levés serviront aussi à renforcer les dispositifs d'intéressement des cadres dirigeants et des équipes travaillant sur la robotique, ainsi qu'à financer l'expansion commerciale hors de Chine.

💬 Six milliards de dollars pour la filiale robotique pendant que l'action XPENG s'effondre de moitié en un an, ça dit tout sur où les investisseurs pensent que se joue la vraie bataille. Bon, sur le papier, IRON coche toutes les cases, 76 degrés de liberté, puces maison, mais entrer en production de masse fin 2026 c'est autre chose que faire tourner une démo. Reste que Tencent et Alibaba qui montent au capital, ça change le narratif : la Chine ne rattrape plus les humanoïdes américains, elle finance sa propre course en parallèle.

GEN-1.5 de Generalist AI : un modele de fondation pour robots qui apprend une nouvelle tache a partir d'une seule demonstration de 3 a 12 secondes

Generalist AI a dévoilé GEN-1.5, un modèle fondation pour robots capable d'apprendre une nouvelle tâche physique à partir d'une seule démonstration de 3 à 12 secondes de données sensorimotrices, insérée dans une fenêtre de contexte de 30 secondes. Sans mise à jour de gradient ni fine-tuning, le robot exécute alors la tâche directement. Sur dix tâches de manipulation variées, cet apprentissage en un coup, dit "physical prompting", atteint en moyenne 59% de réussite (écart-type de 10 points) avec le seul modèle pré-entraîné. Dix pas de gradient sur cinq minutes de données par tâche, soit environ 50 démonstrations, font grimper ce taux à 83% (écart-type de 9 points). Dans un cas extrême, un seul pas de gradient sur une minute de données a permis d'atteindre 66,5% de réussite sur une tâche inédite, sans réglage spécifique des hyperparamètres. GEN-1.5 est un modèle multimodal traitant vidéo, capteurs, langage et proprioception, produisant des trajectoires d'action à 100 Hz, entraîné en continu depuis plus de huit mois sur des données d'interaction physique collectées dans des foyers, entrepôts et usines. Il s'agit pour l'instant d'une publication de recherche: aucun poids public, aucune API, aucune tarification, l'accès passant uniquement par un partenariat direct avec Generalist AI. Cette avancée est significative car l'adaptation des politiques robotiques nécessitait jusqu'ici des dizaines de milliers de pas de gradient. Ici, dix pas suffisent à faire évoluer les poids du modèle de moins de 0,15% sur des tâches inédites, ce qui suggère que le fine-tuning reconfigure des connaissances déjà acquises plutôt qu'il n'en construit de nouvelles. Generalist AI y voit un équivalent, pour la robotique, du moment GPT-3, où l'apprentissage en contexte était apparu sans avoir été conçu comme objectif d'entraînement. Pour l'industrie, cela laisse entrevoir des robots capables d'apprendre nombre de tâches sur site, à partir de démonstrations filmées, sans passer par des cycles longs et coûteux de collecte de données puis de réentraînement, ce qui pourrait accélérer le déploiement de robots polyvalents en entrepôt ou à domicile. Le contexte est celui d'une course entre laboratoires de robotique à produire des modèles fondation généralistes, capables de transférer des compétences d'une tâche à l'autre comme les grands modèles de langage transfèrent des connaissances entre domaines. Generalist AI met en avant plusieurs capacités de transfert obtenues avec GEN-1.5: la généralisation compositionnelle, qui permet d'enchaîner deux démonstrations indépendantes en un seul comportement continu avec des mouvements de transition inédits; le transfert simulation vers réel, où une démonstration entièrement simulée sert de guide au robot réel alors que le pré-entraînement ne contenait aucune donnée simulée; et l'imitation humain vers robot, où une personne démontre le geste de ses propres mains devant les caméras du robot, qui le reproduit ensuite avec ses propres pinces. Ces résultats, bien que limités à des tâches courtes et simples selon l'entreprise elle-même, ouvrent la voie à des suites: extension à des tâches plus longues, ouverture progressive de l'accès au-delà des partenariats directs, et concurrence accrue avec d'autres acteurs de la robotique fondation qui cherchent eux aussi à réduire la dépendance aux données d'entraînement massives.

Vidéo : ce robot humanoïde chevauche… un cheval robotisé à Pékin

À Pékin, la Conférence mondiale sur la robotique 2026 a mis en scène une image inattendue : un robot humanoïde chevauchant un robot quadrupède conçu comme un cheval mécanique. L'engin, baptisé Qiji X1, a été développé par DaxAI Robotics, une entreprise pékinoise fondée autour de 2025 par Wang Kun, avec Xu Wenqiang comme cofondateur et directeur technique, fort d'une expérience en intelligence artificielle. Le Qiji X1 se présente comme un robot quadrupède pilotable, équipé de quatre pattes articulées remplaçant roues et chenilles, d'une selle et d'un guidon frontal permettant à un passager de le diriger. Selon DaxAI Robotics, l'appareil pourrait transporter jusqu'à 300 kilogrammes, soit environ 660 livres. Lors des démonstrations organisées à Pékin le 23 août 2026, largement relayées en vidéo sur les réseaux sociaux, le robot avançait encore lentement et avec prudence, mais suffisamment pour capter l'attention des visiteurs présents à l'événement. Cette démonstration illustre un axe de recherche en plein essor dans la robotique chinoise : remplacer les systèmes de locomotion classiques par des pattes articulées capables de franchir des obstacles inaccessibles aux véhicules à roues. L'enjeu dépasse l'anecdote spectaculaire : si les robots à pattes progressent en stabilité et en autonomie, ils pourraient à terme transporter des personnes ou du matériel sur des terrains accidentés, en montagne, en zone sinistrée ou sur des chantiers difficiles d'accès, là où motos et véhicules tout-terrain montrent leurs limites. Pour l'industrie, cela confirme aussi l'intérêt croissant porté à des plateformes robotiques hybrides, combinant capacités de transport et pilotage humain direct, un segment encore largement expérimental mais qui attire l'attention des fabricants chinois en quête de nouveaux débouchés commerciaux. Le Qiji X1 n'était toutefois pas la seule attraction de la conférence pékinoise. L'événement a également braqué les projecteurs sur les robots humanoïdes, avec plusieurs fabricants chinois présentant des machines capables de marcher, danser et reproduire divers mouvements humains, signe d'une compétition technologique intense entre entreprises du secteur en Chine. Ce contexte s'inscrit dans une stratégie plus large de la Chine visant à s'imposer comme un leader mondial de la robotique, entre humanoïdes destinés à l'industrie ou aux services et plateformes quadrupèdes expérimentales comme celle de DaxAI Robotics. Pour l'instant, le cheval robotisé reste un prototype de démonstration, loin de remplacer une voiture, une moto ou un vélo, mais il illustre la direction que plusieurs acteurs chinois cherchent à donner à la mobilité robotique dans les années à venir.