La Chine a déjà gagné la course aux robots (et personne n'en parle)
La robotique vit un tournant majeur : après des décennies à perfectionner le corps des machines, l'industrie construit désormais une \"pile cognitive\" complète, fragmentée en plusieurs systèmes spécialisés, pour enfin donner aux robots une véritable intelligence physique.
SYNTHÈSE STRUCTURÉE
Le grand basculement vers l’IA physique
L’argent et l’attention des géants de la tech se déplacent massivement des modèles de langage vers la robotique. Les start-ups de robotique ont levé plus de 18 milliards de dollars depuis janvier, dépassant déjà les montants de toute l’année 2025. Agility Robotics entre en bourse à 2,5 milliards de dollars, Figure est valorisée 39 milliards, et Jensen Huang, patron de Nvidia, a déclaré au CES que “le moment ChatGPT de l’IA physique était arrivé”. L’IA passe du monde des bits au monde des atomes.
Les échecs passés : le corps sans l’esprit
Ce pari a déjà été tenté trois fois : les cobots de 2015, les entrepôts automatisés de 2020, et Optimus de Tesla en 2021. À chaque fois, l’industrie a surtout amélioré le corps des machines, mais celles-ci restaient prisonnières de gestes programmés, incapables de comprendre une situation nouvelle. Racing Robotics, symbole de la première vague, a fait faillite en 2018. Le problème n’était pas mécanique, mais cognitif.
Deux révolutions alignées
Cette fois, deux choses convergent. D’abord, le corps est devenu viable grâce aux actionneurs proprioceptifs et à l’électronique embarquée. Ensuite, les modèles fondamentaux multimodaux offrent enfin une première couche cognitive reliant perception, langage et action. Comme le dit l’intervenant : “Les actionneurs ont fourni le corps et permis au robot de tenir debout. L’IA multimodale est venue mettre le ruban sur le paquet.”
Le paradoxe de Moravec : le mur du geste
Les LLM échouent sur les gestes les plus simples. Le paradoxe de Moravec, évoqué dans une vidéo sur Yann LeCun, illustre ce fossé : les IA excellent aux examens académiques mais calent pour plier une serviette. La raison est simple : Internet contient des milliards de mots, mais personne n’a jamais écrit “le tour de poignet exact pour ouvrir un bocal récalcitrant”. Ce savoir est tacite, il vit dans les muscles.
Le manque de données : l’écart à combler
Ken Goldberg, roboticien, explique que les textes et images utilisés pour entraîner les grands modèles représentent environ 100 000 années de lecture et de visionnage humain. Le plus grand jeu de données robotiques disponible ne regroupait qu’environ 1 an de démonstrations humaines enregistrées par téléopération. C’est l’écart colossal qu’il faut combler.
Les VLA : le cerveau qui agit
La réponse de l’industrie : les modèles Vision-Language-Action (VLA). On garde le LLM qui connaît déjà la tasse, la porte, le verbe “ranger”, et on lui greffe une compétence d’action en l’entraînant sur des démonstrations de vrais robots. Figure propose HX02, un VLA organisé en trois niveaux : un système lent qui comprend la scène, un système rapide à 200 Hz qui traduit l’intention en mouvement, et un troisième à 1000 Hz qui gère l’équilibre. Google développe Gemini Robotics 2, et Nvidia distribue Groot.
Les modèles du monde : anticiper avant d’agir
Un robot qui sait agir doit aussi prédire les conséquences de ses gestes. Les modèles du monde apprennent au système comment le réel évolue : si je pousse cet objet, va-t-il glisser ou basculer ? Deux approches s’affrontent. Celle de Nvidia avec Cosmos : générer le monde en produisant des vidéos synthétiques pour entraîner les robots. Celle de Yann LeCun avec l’architecture JPA : ne pas reproduire chaque pixel, mais “remonter aux lois de la physique à leur abstraction”. Meta a déjà testé cette voie avec VJ Patou, entraînant un modèle sur de la vidéo puis l’adaptant avec seulement 62 heures de données robotiques.
Le cerveau de haut niveau : orchestrer et vérifier
Google a dévoilé Gemini Robotics ER2, décrit comme “le cerveau de haut niveau du robot”. Il ne pilote pas directement les articulations, mais reçoit une consigne, construit un plan en plusieurs étapes, et confie l’exécution motrice à un VLA. Sa nouveauté : une “intelligence temporelle” qui analyse le flux vidéo pour estimer l’avancement d’une tâche de 0 à 100 %, identifier l’image précise où un événement critique survient, et corriger une étape défaillante sans recommencer toute la mission. ER2 peut même coordonner plusieurs robots ensemble.
Le robot-état-major : plus un cerveau, mais une hiérarchie
L’architecture émergente ne ressemble plus à un cerveau unique dans un corps mécanique, mais à un état-major : un planificateur, un prédicteur, un exécutant et un système réflexe, chacun à sa vitesse. Musk décrit d’ailleurs dans The Economist une “intelligence générale qui supervise des robots dotés d’une intelligence locale”. Le cerveau supérieur se détache d’un corps unique et distribue les tâches.
La bataille des écosystèmes : Nvidia en position de force
Nvidia contrôle presque tous les étages de la chaîne : Cosmos pour les modèles du monde, Groot pour les politiques d’action, Isaac pour la simulation, Jetson pour l’exécution embarquée, et les GPU pour le calcul. “Le vainqueur pourra choisir une architecture modulaire, générative ou abstraite. Au final, peu importe, il aura malgré tout de fortes chances de rencontrer le péage Nvidia quelque part sur son chemin.” Google riposte avec DeepMind, ses TPU et ses data centers.
La Chine : l’avantage de l’échelle industrielle
La Chine pourrait prendre l’avantage sur la couche physique : moteurs, actionneurs, réducteurs, batteries, chaînes de montage. Unitree a expédié environ 5 500 humanoïdes en 2025, soit près d’un tiers des volumes mondiaux, et prépare une introduction en bourse pour lever 4,2 milliards de yuans. Face à cela, Agility Robotics, avec son robot Digit déployé chez Toyota, reste limité à des volumes bien plus faibles. L’avantage revient à celui qui contrôle le plus grand nombre de couches de la pile.
CONCEPTS CLÉS
- VLA (Vision-Language-Action) : modèle qui relie ce que le robot perçoit et l’objectif donné aux actions à exécuter, en transformant des concepts en gestes.
- Paradoxe de Moravec : les IA excellent dans les tâches cognitives complexes mais échouent sur les gestes physiques simples, car le savoir moteur est tacite et non écrit.
- Modèle du monde : représentation apprise de la manière dont le réel évolue, permettant au robot de prédire les conséquences de ses actions.
- Intelligence temporelle : capacité d’un modèle à analyser un flux vidéo continu pour estimer l’avancement d’une tâche et identifier les moments critiques.
- Actionneurs proprioceptifs : moteurs qui permettent au robot de sentir sa propre position et d’ajuster ses mouvements en temps réel.
CONCLUSION
Le robot du futur n’aura pas un cerveau unique, mais tout un état-major : un planificateur, un prédicteur, un exécutant et des réflexes, chacun spécialisé et opérant à sa vitesse. La course ne se joue plus sur la meilleure brique isolée, mais sur le contrôle du plus grand nombre de couches de cette pile cognitive. Et si la Chine domine la production physique et Nvidia l’infrastructure de calcul, la vraie question reste ouverte : quelle architecture cognitive l’emportera pour donner aux machines une véritable compréhension du monde ?