Robots humanoïdes : ACE Robotics mise sur un « moment ChatGPT » d’ici 2027

ACE Robotics parie sur une rupture dans l’intelligence des robots humanoïdes d’ici la fin de 2027. Wang Xiaogang, président de la start-up chinoise spécialisée dans l’IA incarnée, parle d’un « moment ChatGPT » : une étape où les robots deviendraient nettement plus aptes à comprendre le monde physique et à y agir, grâce aux progrès des modèles du monde et à la collecte de données dans des environnements réels. 134

Cette échéance doit toutefois être lue comme une prévision technologique, et non comme la promesse de robots généralistes et autonomes dès 2027. Selon le calendrier avancé par Wang Xiaogang, il faudrait encore quatre à cinq ans après cette éventuelle inflexion pour que les modèles du monde destinés à l’IA incarnée soient largement utilisés dans les différents secteurs. 34

Ce que serait un « moment ChatGPT » pour un robot

ChatGPT a rendu les capacités des grands modèles de langage accessibles au grand public et a accéléré leur adoption. Dans la robotique, l’équivalent serait un « cerveau » plus polyvalent, capable de relier perception, raisonnement physique et action dans des situations changeantes — plutôt que de réussir uniquement une démonstration préparée dans un environnement contrôlé. 1

Les modèles du monde sont au cœur de cette ambition. Ils cherchent à représenter le fonctionnement d’un environnement physique et à anticiper la manière dont celui-ci peut évoluer. Les données recueillies dans le monde réel leur fournissent des exemples d’interactions, de tâches et d’échecs difficiles à reproduire entièrement en laboratoire.

Le modèle d’IA reste le principal verrou

Un robot doit résoudre un problème plus exigeant qu’un système opérant principalement dans le texte ou dans une interface numérique. Il doit interpréter des capteurs imparfaits, comprendre un environnement inconnu, planifier malgré l’incertitude et exécuter ses actions sans mettre en danger les personnes ni le matériel.

Un modèle capable de produire une réponse plausible n’est donc pas nécessairement capable de saisir un objet de manière fiable, de corriger une erreur ou de réagir à un changement inattendu dans un entrepôt, un hôtel ou un magasin.

Selon Reuters, les modèles d’IA constituent actuellement le principal goulot d’étranglement de l’intelligence des robots dans le monde réel. 1 Une amélioration du « cerveau » pourrait ainsi compter davantage que l’ajout d’une nouvelle plateforme mécanique : un même modèle pourrait, en théorie, accroître les capacités de plusieurs types de robots, à condition de généraliser au-delà des situations rencontrées pendant son entraînement.

Les données physiques sont tout aussi difficiles à obtenir

Les données du monde physique sont coûteuses et lentes à collecter. Elles doivent couvrir les réussites, mais aussi les erreurs, les environnements variés, les objets de formes différentes, les comportements humains et les cas limites.

Un ensemble limité de démonstrations peut apprendre à un robot à répéter une tâche sans lui donner la compréhension nécessaire pour affronter une situation inconnue. ACE aurait recueilli environ 100 000 heures de données, un volume que l’entreprise juge encore insuffisant au regard de l’ampleur de son projet d’IA incarnée. 5

Cette contrainte est déterminante : même si la qualité des modèles progresse rapidement, l’industrie peut rester limitée par le volume, la diversité et la pertinence des données physiques disponibles. Un bon résultat sur un benchmark prouve qu’un modèle réussit un test défini ; il ne garantit pas qu’il fonctionnera de façon régulière dans un commerce ou un site logistique.

Une prévision proche de celle d’Unitree

La prévision d’ACE Robotics pour la fin de 2027 rejoint globalement celle attribuée à Wang Xingxing, fondateur d’Unitree. Ce dernier aurait estimé qu’un « moment ChatGPT » pour le cerveau des robots pourrait survenir dans un délai de deux à trois ans. 13

Ces deux calendriers doivent être considérés comme des anticipations de dirigeants du secteur, et non comme des échéances validées indépendamment. Ils traduisent une conviction commune : les progrès des modèles, des données et de la puissance de calcul pourraient accélérer la robotique. Ils ne garantissent ni le respect du calendrier ni une efficacité identique pour toutes les tâches.

Pourquoi une percée ne signifierait pas une commercialisation immédiate

ACE estime que l’adoption commerciale à grande échelle pourrait commencer quatre à cinq ans après le tournant technologique attendu. 34 Cette période supplémentaire correspondrait notamment au travail nécessaire pour :

• vérifier la sécurité et la fiabilité des robots dans des conditions réelles ;
• adapter les modèles à des corps, des capteurs et des systèmes de commande différents ;
• réduire le coût du matériel et de l’exploitation ;
• recueillir suffisamment de données dans des flux de travail reproductibles ;
• démontrer une valeur économique au-delà des essais mis en scène.

Autrement dit, 2027 pourrait être l’année d’un jalon logiciel, tandis que le véritable jalon commercial arriverait plus tard. Pour les entreprises qui évaluent les robots humanoïdes, la question centrale ne sera pas seulement de savoir si un modèle peut accomplir une tâche une fois, mais s’il peut la réaliser de manière constante, sûre et rentable à grande échelle.

La stratégie d’ACE pour réduire cet écart

Kairos et les performances sur les benchmarks

Le projet open source Kairos, présenté comme un modèle du monde pour la robotique, occupe une place centrale dans la stratégie d’ACE. Reuters rapporte que le modèle phare de l’entreprise a surpassé celui de Nvidia sur des benchmarks, tout en soulignant que cette performance ne constitue pas une preuve de supériorité en conditions réelles. 1

La nuance est essentielle. Les évaluations publiques permettent de comparer des capacités précises, mais un déploiement exige des résultats dans une grande variété d’environnements et de scénarios d’échec. Kairos pourrait aider ACE à attirer des développeurs et à obtenir davantage de retours ; son importance dépendra surtout de sa capacité à passer des tests standardisés au travail physique quotidien.

Des soutiens financiers et une possible introduction en Bourse

Des informations disponibles présentent ACE comme soutenue notamment par Ant Group et SenseTime. L’entreprise aurait également exprimé son ambition de préparer une introduction en Bourse lorsque les conditions le permettront. 5612

De tels financements pourraient soutenir la recherche sur les modèles, l’acquisition de données et l’expansion commerciale. Les éléments fournis ne permettent toutefois pas d’établir de manière complète et indépendante le détail du financement de l’entreprise ni la concrétisation de son projet d’IPO.

Transformer les opérations en source de données

ACE traite les données issues des opérations comme un actif stratégique. Le principe est celui d’une boucle d’apprentissage : des robots réalisent des tâches dans des environnements réels, ces interactions produisent de nouvelles données, puis les modèles améliorés permettent des déploiements plus performants. 45

Cette boucle n’est utile que si les données sont représentatives et correctement collectées. Accumuler davantage d’heures ne suffit pas à créer une intelligence plus robuste : la qualité des interactions, la diversité des conditions et le lien entre les données et l’amélioration du modèle comptent tout autant.

Des objectifs de déploiement ambitieux et plusieurs sources de puces

Des articles secondaires attribuent à ACE l’objectif de déployer sa technologie dans au moins 1 000 magasins en un an, puis dans 10 000 en deux ans. Il s’agit d’objectifs annoncés par l’entreprise, et non de résultats déjà établis. 713

Ces mêmes informations mentionnent des applications dans le commerce sans personnel, l’hôtellerie et la logistique. ACE utiliserait à la fois des puces d’IA Nvidia et des composants produits en Chine afin de limiter les risques d’approvisionnement et, potentiellement, de réduire les coûts matériels à terme. 13 L’ampleur exacte des déploiements et les modalités précises de cette combinaison de fournisseurs ne sont pas vérifiées indépendamment dans les éléments disponibles.

Le vrai test aura lieu sur le terrain

La prévision d’ACE est ambitieuse, mais elle comporte une distinction importante : un tournant technique à la fin de 2027 ne signifierait pas que les humanoïdes deviendront soudainement capables de tout faire. Il pourrait plutôt marquer une amélioration sensible de leur adaptabilité, si les modèles du monde et les ensembles de données physiques progressent suffisamment.

La preuve décisive viendra des déploiements. Les robots devront accomplir de nouvelles tâches physiques de manière fiable, générer des données utiles au passage et le faire à un coût acceptable pour les entreprises. En attendant ces résultats, le « moment ChatGPT » de 2027 reste une prévision — tandis que les limites des modèles et des données demeurent les principaux défis de l’IA incarnée. 145