Robots qui apprennent en quelques secondes : la fin des usines à données ?

Imaginez un robot capable de regarder une vidéo de 29 secondes et de reproduire un geste humain avec 62 % de réussite. Pas besoin de lui montrer 50 fois la même tâche, pas besoin de le faire tourner pendant des semaines dans un entrepôt vide. Juste une démonstration, et hop : il a compris. C’est la promesse de HOST, une méthode développée par une équipe affiliée à X Square Robot, publiée cet été sur arXiv. Une avancée qui s’inscrit dans une tendance plus large : l’IA physique se libère progressivement de sa dépendance aux données massives.

Cette révolution ne vient pas d’une seule innovation, mais de trois stratégies qui se complètent. D’abord, l’apprentissage minimal, où une seule démonstration suffit pour qu’un robot exécute une tâche inédite. Ensuite, l’exploitation de données virtuelles, comme les jeux vidéo, qui permettent d’entraîner des modèles sans avoir à filmer des heures de mouvements réels. Enfin, l’inspiration biologique, où les robots apprennent comme des animaux, par essais et erreurs, sans modèle pré-entraîné.

Des robots qui marchent comme des chiens, des mains qui copient les gestes humains en temps réel

Prenez IntuiCell, une start-up suédoise issue de l’université de Lund. Leur robot quadrupède, Luna, n’a pas besoin de données massives pour apprendre à se tenir debout. Pas de modèle pré-entraîné, pas de jeu de données géant. Juste un algorithme inspiré du cerveau animal, qui lui permet d’apprendre par essais et erreurs, comme un jeune chien. Selon IntuiCell, cette approche imite les mécanismes biologiques d’apprentissage, permettant une adaptation continue et une progression autonome, sans supervision humaine ni recalculs permanents. L’objectif ? D’ici deux ans, équiper n’importe quel agent — physique ou numérique — d’une capacité d’apprentissage à vie, fondée sur l’expérience et non sur des données.

Cette idée n’est pas nouvelle en théorie, mais elle devient enfin praticable. Pourquoi ? Parce que les coûts de calcul et de capteurs ont chuté, et parce que les algorithmes d’apprentissage décentralisé progressent. Luna n’est pas un prototype de laboratoire : c’est un robot qui apprend en temps réel, dans un environnement réel, avec des contraintes réelles.

Côté manipulation, Genesis AI pousse le concept encore plus loin avec leur modèle GENE-26.5, associé à une main robotique conçue pour imiter la morphologie humaine. Leur innovation ? Un gant haptique bardé de capteurs tactiles, capable d’enregistrer la force de préhension, l’articulation des doigts et la conscience spatiale avec une précision cinq fois supérieure aux systèmes téléopérés traditionnels. Résultat : une collecte de données cinq fois plus efficace, et un coût global cent fois moins élevé. Leur système permet à un robot de reproduire un geste humain en quelques secondes, simplement en observant une démonstration. Plus besoin de passer des heures à programmer chaque mouvement : le robot apprend par imitation, comme un apprenti auprès d’un maître.

Quand les jeux vidéo deviennent des écoles de robotique

General Intuition, une start-up californienne, va encore plus loin. Leur modèle, entraîné sur des millions d’heures de données issues de jeux vidéo, est capable de piloter un robot quadrupède après seulement huit minutes de données robotiques réelles. Le PDG, Pim de Witte, résume l’idée : « Le fait qu’il possède un niveau de raisonnement de base concernant l’espace et le temps explique pourquoi les gens cesseront de collecter des centaines de milliers, voire des millions d’heures de données issues du monde réel. Car en réalité, quelques minutes suffisent. » Leur modèle, baptisé GENE-26.5, est conçu pour fonctionner en mode « zero-shot » : une seule démonstration vidéo suffit pour qu’un robot exécute une tâche inédite. Et le résultat est surprenant. Lors d’un test, un robot a réussi à manipuler des objets dans un bureau bondé, avec des personnes qui passaient, sans aucun capteur supplémentaire que sa caméra avant.

Cette approche repose sur l’idée que les données d’action — comprendre quels boutons d’une manette ont été pressés et à quel moment — sont bien plus utiles que des heures de vidéos de robots en mouvement. Les jeux vidéo, avec leurs environnements simulés et leurs interactions contrôlées, offrent une mine d’or pour entraîner des modèles de raisonnement spatio-temporel.

Pourquoi cette révolution est un game-changer pour les PME

Traditionnellement, l’automatisation industrielle était réservée aux grands groupes capables d’investir des millions dans des robots spécialisés, des données massives et des équipes de data scientists. Les PME, elles, devaient se contenter de solutions rigides, coûteuses à déployer et à maintenir.

Mais avec ces nouvelles méthodes, tout change. Skild AI, soutenu par NVIDIA, commercialise S1, un modèle de fondation robotique capable d’exécuter des tâches industrielles inédites — jusqu’à 10 minutes — à partir d’une seule vidéo de démonstration, sans fine-tuning. Pour un fabricant de pièces automobiles ou un atelier de menuiserie, cela signifie pouvoir automatiser une tâche en quelques heures, au lieu de plusieurs mois.

Le partenariat entre NEURA Robotics et SECO illustre aussi cette tendance. Ensemble, ils développent des modules de calcul dédiés aux robots cognitifs, comme l’humanoïde 4NE1. Leur objectif ? Rendre l’IA physique plus accessible, plus scalable, et moins dépendante des chaînes d’approvisionnement lointaines. Avec des processeurs Qualcomm Dragonwing intégrés, ces robots pourraient bientôt être produits en Europe, réduisant les coûts et les délais de déploiement.

Et demain ?

Ces innovations ne sont que la partie émergée de l’iceberg. Les chercheurs explorent aussi des pistes comme le functional retargeting (où un robot recopie un geste sans comprendre sa finalité) ou les Foundation World Models (des modèles capables de simuler des environnements physiques pour s’entraîner virtuellement).

Mais une chose est sûre : l’ère de l’IA physique sans données massives est en train de naître. Et elle pourrait bien rendre l’automatisation accessible à tous, des grands groupes aux artisans. La question n’est plus de savoir si les robots peuvent apprendre sans données massives, mais quand cette révolution deviendra la norme.

En attendant, une chose est certaine : les robots de demain ne ressembleront plus à ceux d’aujourd’hui. Plus lents, plus rigides, plus dépendants. Ils seront agiles, adaptables, et surtout… incroyablement rapides à apprendre.