Pendant des décennies, la robotique a progressé selon une logique implacable : un robot, une tâche, un programme. Chaque bras industriel était configuré pour une opération précise, dans un environnement contrôlé au centimètre près. Sortir de ce cadre — déplacer une pièce, changer l’éclairage, introduire un objet inconnu — suffisait à mettre la machine en échec.
Ce qui change en 2026 n’est pas la mécanique des robots, dont les progrès restent incrémentaux, mais la couche logicielle qui les pilote. Une famille de modèles baptisée VLA, pour vision-langage-action, s’est imposée comme l’architecture dominante : ces modèles reçoivent des images et une instruction en langage naturel, et produisent directement des commandes motrices.
La promesse est celle qui manquait à la robotique depuis toujours : un cerveau générique, entraîné une fois, capable de se débrouiller dans un environnement qu’il n’a jamais vu. C’est exactement ce que les grands modèles de langage ont apporté au traitement du texte, transposé au monde physique.
Ce que fait concrètement un modèle VLA
L’intérêt de l’approche apparaît mieux à travers un exemple concret. Le modèle π0.5 développé par la start-up américaine Physical Intelligence a été conçu explicitement autour de la question de la généralisation en monde ouvert. Sa démonstration de référence consiste à piloter un manipulateur mobile pour ranger une cuisine ou une chambre dans une maison qui ne figurait pas dans les données d’entraînement.
La difficulté ne réside pas dans les gestes eux-mêmes — saisir un objet, ouvrir un placard — mais dans leur enchaînement sur des séquences de dix à quinze minutes, dans un décor inconnu, avec des objets jamais rencontrés placés à des endroits arbitraires. Il faut identifier ce qui traîne, décider où chaque chose doit aller, et exécuter la manœuvre sans rien casser.
La recette technique de π0.5 tient dans un mot : le co-entraînement. Le modèle combine des données provenant de plusieurs types de robots, des données issues du web, de la prédiction de sous-tâches sémantiques, des détections d’objets et des commandes de bas niveau. En mélangeant des sources hétérogènes, on obtient un modèle qui a compris quelque chose de général sur les objets et les intentions, plutôt qu’un modèle qui a mémorisé une cuisine.
NVIDIA veut fournir le cerveau à toute l’industrie
NVIDIA a annoncé au CES 2026 la version 1.6 de son modèle de fondation ouvert Isaac GR00T, destiné aux robots humanoïdes. Le fabricant y intègre Cosmos Reason, un modèle vision-langage de raisonnement ouvert et personnalisable conçu pour l’IA physique.
La répartition des rôles est intéressante. Cosmos Reason joue le rôle de cerveau réflexif : il transforme une consigne vague en plan d’action détaillé, étape par étape, en mobilisant des connaissances préalables, du bon sens et des notions de physique pour affronter des situations inédites. Le reste du modèle se charge de la traduction en mouvements.
GR00T N1.6 se présente comme une amélioration de la version N1.5, avec des évolutions d’architecture, de données et de modélisation, et des gains annoncés sur la manipulation à deux bras et sur les tâches combinant déplacement et manipulation. Le modèle est distribué en ouvert sur Hugging Face.
La stratégie de NVIDIA se lit sans difficulté. L’entreprise ne fabrique pas de robots : elle fournit les puces, les environnements de simulation et désormais les modèles de fondation. Si l’ensemble de l’industrie construit sur cette pile logicielle, chaque robot humanoïde vendu, quel qu’en soit le constructeur, devient une vente indirecte pour NVIDIA. C’est la stratégie qui a fait le succès de l’entreprise dans l’IA générative, appliquée telle quelle au monde physique.
Trois conditions réunies au même moment
Cette accélération résulte de la convergence de trois facteurs qui étaient jusqu’ici décorrélés. Des modèles de fondation devenus assez robustes pour raisonner sur le monde physique. Des jeux de données de démonstration bien plus riches et bien plus variés qu’auparavant, notamment grâce à des efforts collectifs de mutualisation entre laboratoires. Et un coût de calcul suffisamment bas pour rendre l’entraînement accessible à autre chose qu’une poignée de géants.
Les capitaux ont suivi. Selon un décompte relayé par la publication spécialisée QubitTool, le financement des start-up de robotique a atteint 22,2 milliards de dollars en 2025, en hausse de 69 % sur un an. Un afflux qui reflète surtout une conviction partagée par les investisseurs : le goulet d’étranglement de la robotique se déplace du matériel vers le logiciel.
Le fossé entre la démonstration et l’usine
Il faut cependant garder la tête froide. Une vidéo d’un robot rangeant une cuisine est une démonstration, pas un déploiement. Les questions qui décident du succès industriel restent largement ouvertes : quel taux de réussite sur mille tentatives consécutives, et non sur une prise réussie ? Quelle vitesse d’exécution comparée à celle d’un opérateur humain ? Quel comportement lorsque le modèle se trompe, et comment garantir que l’erreur reste sans danger ?
C’est sur ces critères, et non sur les benchmarks, que se jouera la crédibilité de l’IA incarnée dans les prochaines années. L’histoire récente de la conduite autonome offre un précédent utile : la démonstration impressionnante est arrivée bien plus vite que la fiabilité industrielle, et l’écart entre les deux s’est mesuré en années plutôt qu’en mois.
Reste que le verrou conceptuel, lui, a sauté. Un robot n’a plus besoin d’être programmé pour chaque tâche. Ce n’est pas encore une révolution industrielle, mais c’est bien la condition préalable qui la rend envisageable.
Sources
- NVIDIA Research — GR00T N1.6
- NVIDIA Newsroom — NVIDIA Accelerates Robotics Research and Development With New Open Models and Simulation Libraries
- Physical Intelligence — π0.5: a VLA with Open-World Generalization
- arXiv — π0.5: a Vision-Language-Action Model with Open-World Generalization
- QubitTool — Embodied AI 2026: From Robot Foundation Models to Industrial Deployment
Laisser un commentaire