L'actualité des robots humanoïdes cette semaine a peu à voir avec le matériel. Generative Bionics, Dream Labs, Eka Robotics, NVIDIA, Teradyne Robotics et Misumi Americas ont tous fait des annonces, et presque aucune ne concerne un robot en tant que tel. Il s'agit plutôt des données et des logiciels qui déterminent ce qu'un robot peut faire une fois construit. Pour qui compare les plateformes sur notre fiche technique humanoïdecette couche est plus difficile à cerner qu'une liste de spécifications, et elle compte davantage.
Une initiative européenne pour les données d'entraînement
Generative Bionics prévoit de lancer une Physical AI Data Factory en Italie, selon The Robot Report. L'objectif : générer des données d'entraînement pour humanoïdes sur le sol européen, explicitement présenté comme une étape vers la souveraineté robotique européenne. Si le projet tient ses promesses à grande échelle, il donnerait aux programmes humanoïdes européens une source domestique de ces données d'entraînement qui façonnent les capacités des robots, au lieu de dépendre de filières construites ailleurs. Un projet de lancement n'est pas une usine en fonctionnement, et cet écart mérite d'être suivi.
La couche logicielle attire les financements
Trois paris distincts ont porté sur le logiciel qui chapeaute le matériel. Dream Labs a levé 90 millions de dollars en amorçage pour construire un « cerveau » d'IA destiné aux robots du quotidien, selon Robotics & Automation News, dans un tour de table mené par B Capital avec Kindred Ventures, A.Capital, Unusual Ventures et SV Angel. Eka Robotics a levé 150 millions de dollars pour déployer à grande échelle son modèle vision-force-action (VFA), rapporte The Robot Report, avec l'ambition de doter les robots d'une intuition physique via l'apprentissage par renforcement à grande échelle. NVIDIA a pris un angle différent en publiant Nemotron 3.5 Bolt E4B 4GB, un petit modèle de langage ouvert post-entraîné à partir de Gemma 4 E4B, selon MarkTechPost : il vise environ 4 Go de VRAM sur matériel RTX et Jetson, à destination des agents vocaux locaux, des personnages de jeu et des robots.
Dream Labs et Eka Robotics se disputent la construction du modèle qui décide de ce qu'un robot fait. NVIDIA, de son côté, cherche à rendre un modèle performant suffisamment compact pour tourner directement sur le robot, sans dépendre d'une connexion au cloud. Rien de tout cela ne prouve un déploiement réel : les tours de table d'amorçage et de croissance financent de la recherche, pas des robots livrés et fiables en dehors d'un laboratoire.
Là où l'argent circule aussi
Teradyne Robotics s'est associé à Sereact pour déployer l'IA physique dans le commerce et la logistique, rapporte The Robot Report ; les deux entreprises ont déjà livré plusieurs centaines de robots UR intégrés à des systèmes bi-bras chez des clients en Europe. C'est un signal d'une autre nature : un acteur industriel déjà établi sur le marché des bras robotisés qui s'associe à un partenaire IA pour étendre à grande échelle quelque chose déjà en production, et non un financement de modèle encore en développement.
Misumi Americas a lancé Misumi Ventures, un fonds d'amorçage de 50 millions de dollars ciblant la robotique, l'automatisation, le matériel avancé, l'IA physique et les logiciels industriels, selon Robotics & Automation News. Qu'un fournisseur de composants crée un fonds dédié à l'IA physique en dit long sur l'endroit où son propre secteur anticipe la croissance.
Le rappel à la réalité économique
Rien de tout cela ne garantit qu'un robot vaille aujourd'hui la peine d'être acheté ou déployé. Une étude de coûts citée par 01net estime que les robots pourraient en théorie couvrir environ un tiers des heures travaillées aux États-Unis aujourd'hui, sur la seule base des capacités techniques, mais ne sont rentables que pour environ trois tâches sur mille. C'est précisément l'écart que visent à combler les investissements dans la couche logicielle évoqués plus haut. Un meilleur modèle de fondation peut élargir ce qu'un robot est capable de faire. Il ne change pas, à lui seul, l'économie du déploiement et de l'entretien de ce robot sur une tâche donnée. Les acheteurs doivent traiter ces deux questions séparément.
Ce que cela signifie pour les acheteurs
Pour qui évalue une plateforme humanoïde plutôt que de simplement lire à son sujet, il s'agit de se demander ce qui se cache derrière la démonstration : quelle filière de données d'entraînement, quel modèle de fondation, et si ce modèle est propriétaire d'un seul robot ou portable d'une plateforme à l'autre. Ces questions comptent désormais autant qu'une ligne de spécifications. Notre suivi des prix et notre classement des humanoïdes couvrent le volet matériel de cette comparaison. La couche logicielle et données, elle, se décide encore dans des tours de financement et des annonces d'usines à données, pas dans des salles d'exposition, et l'écart de rentabilité identifié par 01net suffit à traiter toute démonstration, quelle que soit la performance du modèle sous-jacent, comme un aperçu de recherche plutôt qu'une décision d'achat. Pour en savoir plus sur la destination des financements, consultez notre couverture de l'actualité robotique.