Aller au contenu
OriginalAssisté par IAActualités· 12 novembre 2026· 6 min de lecture

Robots humanoïdes : le « cerveau » IA n'est toujours pas résolu, selon le dernier rapport AI100

Le rapport AI100 2026 classe l'IA incarnée parmi les grands défis de la recherche : l'autonomie vue dans les démonstrations de robots humanoïdes reste à démontrer, pas à prendre pour acquise.

Robots humanoïdes : le « cerveau » IA n'est toujours pas résolu, selon le dernier rapport AI100

Quiconque budgète l'achat d'un robot humanoïde cette année devrait lire attentivement une phrase du nouveau rapport AI100 : l'IA incarnée reste un grand défi pour la recherche en intelligence artificielle. C'est la formulation même du rapport, pas une nuance reléguée en note de bas de page. L'autonomie vendue dans les démonstrations de robots humanoïdes, soit la capacité à percevoir, raisonner et agir de façon fiable dans un espace physique non structuré, est précisément ce que le rapport signale comme non résolu.

Ce que dit vraiment le rapport AI100

Selon Robohub, l'édition 2026 du rapport AI100, la troisième de la série, classe l'IA incarnée parmi les grands défis de la recherche en IA. Un grand défi est un problème que le domaine n'a pas résolu, pas une fonctionnalité dont le calendrier de correction est connu. Pour un acheteur, cette distinction change la donne : le « cerveau » qui permet à un robot de marcher, de saisir des objets et d'accomplir des tâches est encore en construction dans les laboratoires, pas livré comme un composant fini.

Cela compte pour quiconque compare des fiches techniques sur notre comparateur de robots humanoïdes ou consulte les prix sur le suivi des prix. Une revendication d'autonomie d'un fabricant reste une position marketing tant qu'elle n'est pas prouvée hors d'une démonstration contrôlée. Le rapport donne aux acheteurs un repère issu de la communauté de recherche pour évaluer ces revendications.

L'IA générale avance vite, les robots non

Le contraste est net, car d'autres pans de l'IA affichent des progrès rapides et mesurables sur la même période. AlphaProof Code, de Google DeepMind, a utilisé des agents IA propulsés par Gemini Carbon pour écrire plus de six millions de lignes de code de preuve, vérifiant le cœur cryptographique de Signal en quatre semaines au lieu des années que demande habituellement ce type de vérification, selon The Decoder. Il s'agit d'un résultat concret dans un domaine restreint : la correction du code, pas la manipulation physique en monde ouvert.

Anthropic formule une revendication d'infrastructure comparable : son modèle interne Mythos aurait porté Claude sur des GPU AMD en trois jours, avec une intervention humaine quasi nulle, un travail que l'entreprise présente comme érodant l'avance de Nvidia sur CUDA, selon The Decoder. C'est un résultat de portabilité logicielle et matérielle, un problème différent de celui consistant à faire saisir de façon fiable un objet inconnu à un bras robotique dans une pièce encombrée.

Google a par ailleurs lancé l'API Gemini Decisions, propulsée par Gemini Decision 1, selon MarkTechPost, facturée 0,10 dollar par million de tokens pour des questions calibrées de type oui/non, choix multiple ou grille d'évaluation, sur texte, image, audio, vidéo et PDF. The Decoder indique qu'elle peut évaluer jusqu'à 1 000 questions fermées en une seule passe et renvoyer un résultat en 150 à 250 millisecondes. C'est une tâche de classification rapide, peu coûteuse et bien délimitée, pas un équivalent de la prise de décision continue et tolérante à l'erreur dont un robot a besoin pour évoluer dans une maison ou un entrepôt.

Même schéma partout : des progrès réels et vérifiables là où le problème est numérique, borné et contrôlable. L'IA incarnée ne remplit par défaut aucun de ces critères, ce qui explique que le rapport AI100 la traite à part.

Le marché devient lui aussi plus prudent

Un signal financier va dans le même sens. La croissance des dépenses des entreprises américaines en IA a ralenti à 1,65 % en octobre 2026, selon le Ramp AI Index cité par The Decoder, avec seulement 1 % des entreprises générant encore 80 % des revenus d'OpenAI et d'Anthropic. Ce chiffre n'est pas spécifique aux robots humanoïdes, mais il montre que les acheteurs, de façon générale, modèrent le rythme auquel ils engagent du budget sur des promesses liées à l'IA. La même discipline devrait s'appliquer à l'achat de robots humanoïdes : s'enthousiasmer pour une démonstration de capacité n'est pas la preuve que cette capacité est fiable, reproductible et soutenue à l'échelle.

Côté financement, IEEE Spectrum rapporte que le programme X-Labs de la NSF, qui finance des partenariats de recherche plus risqués et mieux dotés, attire de nouveaux soutiens d'organismes caritatifs et d'investisseurs. Cela montre que des capitaux sérieux continuent de considérer l'IA incarnée et les problèmes difficiles qui lui sont liés comme dignes d'investissement à la frontière de la recherche, ce qui confirme l'étiquette de « grand défi » du rapport AI100 plutôt que de la contredire. Un investissement au stade de la recherche et un produit livré et fiable restent deux choses différentes.

Ce que cela signifie pour une décision d'achat

Rien de tout cela ne signifie que les robots humanoïdes sont inutiles aujourd'hui. Cela signifie que l'écart entre une démonstration d'autonomie soignée et un robot capable d'accomplir des tâches de façon fiable et sans supervision est, selon ce rapport, une question de recherche ouverte à l'échelle du secteur, pas un détail déjà résolu chez un fabricant en particulier. En comparant les options sur notre classement des meilleurs robots humanoïdes traitez toute revendication de prise de décision autonome, de généralisation à des tâches nouvelles ou de fonctionnement sans supervision comme une revendication à vérifier, pas comme un acquis.

Avant d'engager un budget, posez ces questions :

  • Quelles tâches le robot a-t-il réellement accomplies hors d'un environnement de démonstration ?
  • La revendication d'autonomie repose-t-elle sur un usage déployé et répété, ou sur une seule prise filmée ?
  • Le fabricant communique-t-il ses taux d'échec ou ses besoins de supervision ?

Ces questions transposent côté achat la rigueur que les auteurs du rapport AI100 appliquent côté recherche. Les avancées rapides de Google DeepMind, d'Anthropic et de l'API Decisions de Google sont réelles et méritent d'être suivies (voir notre actualité IA pour les mises à jour), mais elles se situent dans des domaines aux critères de réussite clairs. L'IA incarnée n'a pas encore cette clarté. Tant que ce n'est pas le cas, considérez le discours marketing sur l'autonomie d'un robot humanoïde comme une revendication en cours, pas comme une fiche produit achevée.

Cet article vous a plu ? Partagez-le

Sources : Robohub, The Decoder, MarkTechPost

Article rédigé avec l'aide d'outils d'IA, à partir de sources publiées, selon nos règles éditoriales. Illustration générée par IA. Aucune commission sur les achats. En savoir plus