IA incarnée
Pourquoi c’est important
En profondeur
Un système d'IA incarnée exécute une boucle continue : des capteurs — caméras, capteurs de profondeur, encodeurs d'articulations, parfois le toucher — alimentent une pile de perception, un modèle de politique transforme ces observations en commandes d'action, et des moteurs les exécutent dans le monde physique, produisant de nouvelles observations. Les robots plus anciens exécutaient cette boucle sur des chaînes conçues à la main avec des modules distincts pour la cartographie, la planification et le contrôle. La vague actuelle remplace autant que possible de cette chaîne par un seul grand réseau de neurones, empruntant directement au plan de match des grands modèles de langage : une ossature Transformer ingère des images de caméra plus une instruction en langage naturel et produit des commandes motrices. Le pari sous-jacent, c'est que la recette qui a produit des modèles de texte fluides — données massives, modèles massifs, pré-entraînement auto-supervisé — peut aussi produire des habiletés physiques générales, maintenant que les modèles multimodaux peuvent voir et raisonner sur des images.
Les modèles vision-langage-action
L'architecture signature de cette vague, c'est le modèle vision-langage-action, ou VLA. Un VLA part d'un modèle vision-langage pré-entraîné qui comprend déjà images et texte, puis ajoute une sortie d'action : les commandes motrices sont discrétisées en tokens, et le modèle les prédit comme un agent conversationnel prédit des mots. RT-2 de Google DeepMind, publié en 2023, a montré pourquoi ça compte — à qui on demandait de ramasser « un animal disparu », le robot a choisi un jouet de dinosaure, se servant de connaissances tirées d'un pré-entraînement image-texte à l'échelle du web qui n'apparaissaient nulle part dans ses données d'entraînement robotiques. Le π0 (pi-zéro) de Physical Intelligence a étendu l'idée en une politique généraliste entraînée sur plusieurs plateformes robotiques, et les laboratoires de robotique d'entreprises comme Figure bâtissent maintenant leurs propres piles VLA à l'interne. L'attrait, c'est la réutilisation : le modèle hérite d'Internet des connaissances de sens commun sur les objets, le langage et les scènes, et seule la couche motrice doit être apprise à partir de zéro.
Le problème des données
Les données sont la contrainte forte du domaine. Les modèles de langage s'entraînent sur des billions de tokens moissonnés sur l'Internet public, mais il n'existe pas d'Internet des actions robotiques : aucun corpus préexistant n'apparie des séquences de caméra aux commandes motrices exactes qui ont accompli une tâche. L'approche directe, c'est la téléopération, où des opérateurs humains commandent des robots à distance ou portent des harnais de capture de mouvement pour démontrer des tâches comme plier des chemises ou remplir un lave-vaisselle. Ça produit des données de grande qualité mais lentement — une opération bien menée pourrait recueillir des milliers de démonstrations par jour, alors qu'une politique généraliste en exige plausiblement des millions. Le transfert entre plateformes aggrave la chose : les données recueillies sur un bras robotique se transfèrent mal à un autre de géométrie différente, donc chaque plateforme matérielle recommence le problème de collecte.
L'autre voie, c'est la simulation. Les politiques sont entraînées par apprentissage par renforcement dans des simulateurs physiques comme Isaac Sim de NVIDIA, où des millions d'essais ne coûtent que du temps de GPU, puis transférées vers du vrai matériel — la chaîne simulation-vers-réel. Comme la physique simulée ne correspond jamais exactement à la réalité, les ingénieurs randomisent l'éclairage, les textures, la friction et la masse des objets pendant l'entraînement, une astuce appelée randomisation de domaine qui force la politique à ignorer les différences. Les données synthétiques issues de la simulation complètent maintenant les démonstrations réelles dans la plupart des programmes sérieux, et les modèles du monde appris promettent une troisième source : entraîner des politiques à l'intérieur des prédictions d'un réseau de neurones plutôt que d'un simulateur bâti à la main. Aucune de ces voies n'a encore produit de loi d'échelle vérifiée pour l'habileté physique, et tant qu'il n'y en aura pas, l'économie de la collecte de données décide qui peut concourir.
La partie difficile, ce n'est pas de penser
Une idée fausse répandue veut que les robots traînent derrière les agents conversationnels parce que le modèle qui les anime est plus faible, donc qu'un plus gros modèle de langage refermera l'écart. La réalité se rapproche davantage du paradoxe de Moravec : les habiletés que les adultes trouvent sans effort — traverser une pièce encombrée, attraper un verre qui tombe, plier du linge — sont brutales sur le plan computationnel, alors que jouer aux échecs ou réussir l'examen du barreau s'est avéré comparativement facile. Les modèles de langage paraissent surhumains en partie parce que le texte est un canal propre et complet : tout ce que le modèle doit savoir d'une phrase est déjà dans la phrase. Le monde physique n'offre pas ce luxe. Les forces de contact sont difficiles à simuler et encore plus à percevoir, les objets se déforment et glissent, et une erreur ne s'annule pas avec la touche de retour arrière. Relier des symboles abstraits à des référents physiques — le vieux problème du grounding — est exactement ce qu'un corps force un modèle à résoudre, et c'est pourquoi un système qui écrit des sonnets peut encore échouer à visser une ampoule.
Pourquoi les humanoïdes, et pourquoi maintenant
Les machines phares de la vague actuelle — les humanoïdes de Figure, l'Optimus de Tesla, les H1 et G1 d'Unitree — poursuivent toutes le même argument : le monde bâti est conçu pour le corps humain, donc un robot de forme humaine hérite gratuitement des escaliers, des poignées de porte, des outils et des postes de travail. Les sceptiques répliquent que les roues sont plus efficaces que les jambes et que les plus grands succès commerciaux de la robotique jusqu'ici, comme les navettes d'entrepôt d'Amazon, ne ressemblent en rien à des personnes. Ce qui a changé pour rendre le pari humanoïde crédible, c'est le logiciel, pas le matériel. Les coûts des actionneurs et des caméras baissent depuis des années, mais seule la montée des modèles de fondation a rendu plausible qu'une seule politique puisse gérer la longue traîne de la variation du monde réel au lieu d'exiger un ingénieur spécialiste par tâche. Savoir si les jambes battent les roues compte moins que de savoir si cette généralisation fonctionne tout court.
À quoi ressemble vraiment le déploiement
Les déploiements réels d'aujourd'hui sont étroits et lourdement supervisés. Des projets pilotes d'humanoïdes tournent dans des usines automobiles et des entrepôts sur des tâches bornées comme déplacer des bacs et trier des pièces, habituellement avec des opérateurs humains à distance prêts à prendre le relais quand la politique se perd. Des règles de sécurité clôturent encore les robots à l'écart des personnes, à la fois parce que les politiques échouent de façon imprévisible et parce que les régimes de certification traînent derrière la technologie. Le calcul est aussi une contrainte : la politique doit s'exécuter à la fréquence de la boucle de contrôle sur du matériel embarqué, ce qui pousse les équipes vers de petits modèles distillés et l'inférence en périphérie plutôt que vers des cerveaux à l'échelle du centre de données. Le résumé honnête, c'est que l'IA incarnée du milieu des années 2020 se situe à peu près là où les modèles de langage se trouvaient juste avant leur percée — les démonstrations sont frappantes, l'économie n'est pas prouvée, et le rythme d'amélioration, pas la capacité actuelle, est le véritable argument.