Robots humanoïdes : quand arrivera le « moment ChatGPT » ?

Autrement dit, le passage décisif serait celui de robots qui savent exécuter certaines actions à des robots capables de déterminer eux-mêmes quoi faire ensuite.

Deux calendriers, une même incertitude

Wang Xiaogang : une percée technique d’ici à fin 2027

Wang Xiaogang a déclaré qu’ACE s’attendait à voir l’intelligence incarnée atteindre son « moment ChatGPT » d’ici à la fin de 2027. Il mise notamment sur l’amélioration des modèles du monde — des modèles capables de représenter et de prévoir les évolutions d’un environnement — ainsi que sur des volumes beaucoup plus importants de données recueillies dans le monde réel.

Il distingue toutefois clairement cette avancée technique d’un déploiement commercial à grande échelle. Selon lui, il faudrait encore quatre à cinq ans pour que les modèles d’intelligence incarnée soient largement adoptés dans différents secteurs.

Cette nuance est essentielle : un modèle peut afficher des progrès majeurs en raisonnement ou en contrôle tout en restant trop coûteux, trop irrégulier ou trop complexe à intégrer dans les opérations quotidiennes. Une étape de recherche et une main-d’œuvre robotique fiable sur le plan économique ne constituent pas le même événement.

Wang Xingxing : deux à trois ans dans le meilleur cas, jusqu’à dix ans sinon

Wang Xingxing a décrit deux trajectoires possibles. Dans le scénario le plus favorable, l’intelligence incarnée atteindrait son point de bascule dans deux à trois ans. Mais si la généralisation et le contrôle physique précis progressent plus lentement, l’industrie pourrait avoir besoin de cinq à dix ans.

Son test des tâches domestiques rend la prévision plus exigeante qu’une simple démonstration de capacité. Le robot doit évoluer dans un lieu nouveau, comprendre des consignes en langage naturel et accomplir de manière autonome un ensemble varié de tâches.

Le vrai goulot d’étranglement : le « cerveau » des robots

Le matériel progresse rapidement, mais les logiciels peinent encore à passer d’un nombre limité d’expériences à la diversité imprévisible du monde réel. Les deux dirigeants désignent les modèles d’IA et les données d’entraînement comme la principale contrainte.

Un robot a besoin de données qui relient ce qu’il perçoit à ce qu’il fait : la texture d’un objet, la force à appliquer, la réaction d’une surface glissante ou la manière de reprendre le contrôle après un échec. La simulation et les démonstrations sont utiles, mais elles ne reproduisent pas entièrement l’imprévisibilité d’un logement, d’une usine, d’un magasin ou d’un autre environnement physique.

Le problème est différent de celui rencontré pour entraîner un modèle de langage. Un robot ne peut pas seulement apprendre la description d’une action : il doit comprendre le lien entre perception, mouvement, conséquences et correction.

La stratégie d’ACE Robotics pour produire ces données

ACE Robotics défend une approche dite « centrée sur l’humain ». L’entreprise équipe des ouvriers de chaînes de production de capteurs légers afin d’enregistrer leurs gestes et leurs interactions avec leur environnement. Elle affirme vouloir réunir plusieurs dizaines de millions d’heures de données d’entraînement pour ses modèles du monde physique.

L’objectif est d’élargir le nombre d’exemples issus du monde réel, au-delà des données produites uniquement par des robots ou des simulations. Les opérateurs humains peuvent montrer comment une tâche est réalisée, comment un mouvement s’adapte à des conditions changeantes et comment plusieurs actions s’enchaînent dans un processus long.

ACE a été créée en juillet 2025 et est dirigée par Wang Xiaogang, l’un des cofondateurs de SenseTime. Ant Group a mené son tour de financement d’amorçage, auquel ont également participé des capitaux liés à SenseTime et d’autres investisseurs.

Que vaut le modèle Kairos-4B ?

ACE affirme que son modèle d’intelligence incarnée open source Kairos-4B s’est classé en tête de benchmarks publics consacrés à l’IA incarnée et a dépassé le modèle Cosmos 3 de Nvidia dans la comparaison citée lors de la conférence. Ces résultats sont des affirmations liées à l’entreprise : ils doivent être considérés comme des performances sur benchmarks, et non comme la preuve que les robots humanoïdes polyvalents sont prêts pour les foyers ou les usines.

L’entreprise vise aussi des applications au-delà des laboratoires. ACE a indiqué vouloir déployer ses modèles d’IA dans 1 000 magasins sans personnel. Cette stratégie illustre l’intérêt du secteur pour des environnements commerciaux d’abord relativement contraints, où les processus peuvent être standardisés plus facilement que dans un logement ordinaire.

L’essor chinois des robots : beaucoup de capitaux, mais encore de la prudence

Ces prévisions interviennent alors que le secteur chinois des robots humanoïdes suscite un enthousiasme considérable. L’introduction en Bourse de Unitree sur le marché STAR de Shanghai a levé environ 904 millions de dollars et aurait été sursouscrite plus de 8 000 fois par les investisseurs particuliers. Le titre a terminé sa première séance 460 % au-dessus de son prix d’introduction, portant la valorisation de l’entreprise à environ 50 milliards de dollars.

Les données d’expédition témoignent également de l’avance industrielle prise par la Chine. Smart Analytics Global estime que les livraisons mondiales de robots humanoïdes ont atteint environ 19 100 unités au premier semestre 2026, les fabricants chinois représentant plus de 97 % du total.

Ce chiffre ne constitue toutefois pas la preuve d’une automatisation polyvalente arrivée à maturité. Les informations disponibles comportent une affirmation contradictoire selon laquelle la Chine aurait expédié plus de 40 000 robots humanoïdes sur la même période. Ce nombre est incompatible avec l’estimation mondiale de 19 100 unités et n’est pas étayé par les données d’expédition les plus solides disponibles ici.

Morgan Stanley a par ailleurs relevé à 50 000 unités sa prévision de livraisons chinoises pour l’ensemble de 2026, en invoquant le passage plus rapide que prévu des démonstrations aux déploiements commerciaux. Une prévision de livraisons mesure cependant l’expansion d’un marché ; elle ne dit pas si les machines peuvent réussir le test des 80 % de tâches domestiques évoqué par Wang Xingxing.

La conclusion : la capacité pourrait arriver avant la fiabilité

Le plus intéressant dans les déclarations des deux dirigeants n’est pas la garantie d’un tournant précis en 2027. C’est plutôt le constat que la prochaine phase de la robotique dépendra moins des moteurs, des batteries ou de la conception mécanique que de la qualité des logiciels, des données d’entraînement et de la capacité à généraliser.

La prévision d’ACE pointe vers une percée technique d’ici à la fin de 2027, suivie de plusieurs années de commercialisation. La fourchette de Unitree rend l’incertitude plus explicite : deux à trois ans si les progrès s’accélèrent, cinq à dix ans si les difficultés les plus profondes résistent.

La Chine dispose déjà d’atouts considérables en matière de financement, de production et de premières livraisons. La question encore ouverte est de savoir si cette échelle permettra de fabriquer des robots capables de travailler de manière fiable dans des environnements qu’ils n’ont jamais vus. Tant que le problème des données et des modèles ne sera pas résolu, le « moment ChatGPT » des cerveaux robotiques restera une prévision — pas un produit fini.