Trois informations sont tombées la même semaine, et aucune ne concernait un nouveau robot. Google DeepMind a appris une nouvelle compétence à l'Apollo d'Apptronik en le faisant observer des vidéos. Le fondateur d'Unitree a désigné un système d'auto-amélioration comme priorité numéro un de son entreprise. Une startup nommée Generative Bionics a annoncé un projet de site européen destiné à générer des données d'entraînement pour humanoïdes. Mises ensemble, ces trois annonces indiquent où se déplace la vraie compétition en robotique humanoïde : pas le châssis, mais le pipeline qui apprend au robot ce qu'il doit faire.
Pour qui suit la fiche comparative des humanoïdesce basculement mérite d'être pris au sérieux. Deux robots à actionneurs comparables et à prix comparable peuvent diverger nettement en capacités par la suite, selon qui dispose du meilleur pipeline d'entraînement.
DeepMind fait apprendre Apollo par la vidéo, pas par démonstration
Selon Robotics & Automation News, Google DeepMind a utilisé son modèle Gemini 4 Argon pour enseigner de nouvelles compétences à l'humanoïde Apollo d'Apptronik : le modèle apprend une tâche en regardant une vidéo, puis transfère ce comportement au robot. Cette méthode diffère de l'approche plus courante de téléopération, où un humain guide directement les membres du robot pour générer les exemples d'entraînement.
Si ce transfert vidéo-vers-robot se confirme hors démonstration contrôlée, l'enjeu est réel : la vidéo est abondante et bon marché comparée aux séances de téléopération. Un modèle capable d'extraire une compétence motrice exploitable à partir d'images, sans qu'un humain doive guider le robot pas à pas, puise dans un réservoir de données bien plus vaste et bien moins coûteux. Cela signifie aussi que les progrès d'Apollo dépendent désormais autant du travail de modélisation de DeepMind que de la feuille de route matérielle d'Apptronik, un point à garder en tête pour qui compare Apollo à ses rivaux sur la seule fiche technique.
Une démonstration ne fait pas une capacité livrée. Il faudrait la voir répétée sur des tâches et environnements variés avant de la traiter comme un avantage durable plutôt que comme un résultat de recherche.
Unitree place l'auto-amélioration en tête de ses priorités de l'année
Le fondateur d'Unitree, Wang Xingxing, a déclaré que l'entreprise développait un système baptisé Unitree Rehearsal, destiné à permettre à ses robots humanoïdes de s'améliorer eux-mêmes, et l'a qualifié de projet le plus important de l'année pour l'entreprise, selon The Next Web.
Aucun détail technique sur le mécanisme de Rehearsal n'a été communiqué, impossible donc de juger s'il s'agit d'apprentissage par renforcement en simulation, d'auto-jeu, ou d'autre chose. Ce qui frappe, c'est le choix lui-même : Wang a désigné un système logiciel d'auto-amélioration, et non une nouvelle génération de robot, comme priorité de l'année.
Une initiative européenne pour la souveraineté des données d'entraînement
Generative Bionics prévoit de lancer une Physical AI Data Factory en Italie, destinée à générer des données d'entraînement pour humanoïdes au sein de l'Europe, selon The Robot Report. Par ailleurs, Robotics & Automation News rapporte que l'entreprise présente ce site comme devant être la plus grande installation d'entraînement pour robots humanoïdes d'Europe, construite sur une infrastructure de calcul AMD. The Robot Report note également que Generative Bionics présente cette initiative comme un pas vers la souveraineté robotique européenne : garder le contrôle sur où et comment les données d'entraînement humanoïdes sont générées, plutôt que de dépendre de pipelines de données extérieurs.
Il s'agit d'une annonce de site, pas encore d'un produit opérationnel : il faut donc traiter l'argument de souveraineté comme un objectif affiché plutôt qu'un résultat. Cela dit, ce signal confirme que la génération de données d'entraînement est désormais traitée comme une infrastructure stratégique, et non comme un à-côté du robot lui-même.
Ce que cela change dans la lecture d'une fiche technique
La fiche technique d'un humanoïde (degrés de liberté, charge utile, autonomie) indique ce que le matériel peut physiquement faire. Elle ne dit rien de la vitesse à laquelle le robot apprendra de nouvelles tâches une fois livré, ni de la capacité de son fabricant à continuer de lui enseigner de nouvelles compétences sans démonstration humaine permanente. Cette seconde question reçoit, la même semaine, trois réponses stratégiques différentes : s'appuyer sous licence sur la capacité d'apprentissage vidéo d'un modèle de pointe (Apptronik, via DeepMind), développer en interne un outillage propriétaire d'auto-amélioration (Unitree), ou construire une infrastructure d'entraînement régionale partagée (Generative Bionics, pour l'Europe).
Par ailleurs, NVIDIA a présenté Nemotron 3.5 Bolt E4B 4GB, un petit modèle de langage ouvert destiné aux agents vocaux locaux, aux personnages de jeu et aux robots, dimensionné pour environ 4 Go de VRAM sur matériel RTX et Jetson, selon MarkTechPost. C'est une pièce plus modeste du même tableau : elle vise l'inférence embarquée plutôt que l'entraînement, mais confirme que la couche logicielle autour du robot, et pas seulement ses actionneurs, est désormais le terrain de la compétition entre fabricants.
Pour qui utilise le suivi des prix pour décider quoi acheter ou attendre, la question pratique à se poser est qui entraîne le robot, pas seulement qui l'a construit. Une plateforme adossée à un partenaire modèle externe solide, à un programme d'entraînement interne crédible, ou à un pipeline de données dédié a une voie plausible vers plus de capacités après l'achat. Une plateforme sans aucun de ces atouts restera probablement proche de ses capacités du jour de livraison, quelle que soit l'apparence de sa fiche technique aujourd'hui.