SenseTime mise sur les caméras spatiales grand…

1Pandaily

DeepMotor : une startup de Pékin mise sur les données en première personne pour une IA incarnée générale

DeepMotor, une startup pékinoise fondée par Chen Kai au début 2025, développe une approche d'intelligence artificielle incarnée (embodied AGI) basée sur l'entraînement à partir de vidéos en première personne capturées par des humains. Au lancement, la thèse de l'entreprise n'a convaincu ni les investisseurs domestiques ni la majorité du secteur : pourquoi parier sur une méthode que même les géants américains n'avaient pas encore validée ? La startup a levé plusieurs centaines de millions de RMB et poursuit aujourd'hui un déploiement accéléré. La chronologie des validations industrielles donne la mesure de son avance : en mai 2025, Tesla a annoncé réorienter l'entraînement d'Optimus vers des données vidéo humaines. En juin 2025, GeneralistAI a présenté une démo d'apprentissage imitatif robotique, puis a confirmé les lois de mise à l'échelle avec 270 000 heures de données humaines réelles collectées sur le terrain. FigureAI a de son côté annoncé des partenariats avec des opérateurs immobiliers commerciaux pour collecter des flux en première personne. En février 2026, NVIDIA a publié EgoScale, un modèle pré-entraîné sur 20 000 heures de vidéo première personne destiné à la manipulation dextre. L'importance de cette séquence dépasse le simple calendrier. Elle valide l'hypothèse centrale de DeepMotor : la vidéo en vue égocentrique est le signal d'apprentissage le plus dense pour combler le sim-to-real gap en robotique généraliste. Chaque acteur majeur converge vers cette approche non par choix idéologique, mais parce que les benchmarks internes le forcent. Pour les intégrateurs industriels et les décideurs B2B, cela signifie que la prochaine génération de robots manipulateurs ne sera pas entraînée dans des simulateurs mais sur des flux de travail humains réels, ce qui redéfinit les exigences en matière de collecte de données et de gouvernance des contenus vidéo. DeepMotor s'inscrit dans un écosystème robotique chinois en forte accélération, concurrent direct d'Unitree, d'Agibot et des branches robotique de Baidu et Tencent, mais avec une orientation plus fondamentale sur la couche de données brutes plutôt que sur le hardware. La startup a devancé d'environ un an le consensus industriel mondial sur l'approche egocentric data, ce qui lui confère une position de référence potentielle si elle parvient à publier ses propres scaling laws ou à ouvrir un dataset. Les prochaines étapes probables incluent la publication de résultats comparatifs et des partenariats avec des fabricants de robots humanoides pour valider le transfert de politique sur des plateformes tiers. La source originale (Waves/暗涌) reste un media chinois spécialisé, et les chiffres de levée ne sont pas précisément détaillés.

UELe basculement de l'industrie vers les données vidéo égocentristes comme signal d'entraînement de référence redéfinira les exigences de collecte de données et de gouvernance vidéo pour les intégrateurs et fabricants de robots européens, sans acteur français ou européen directement impliqué à ce stade.

Chine/AsieOpinion

1 source

2Pandaily

Fortsense développe des caméras spatiales RGBD monocomposant pour la perception de l'IA physique

Fortsense Technologies, startup chinoise spécialisée dans la conception de puces pour la vision 3D, développe des caméras spatiales RGBD mono-puce destinées à la perception des systèmes d'IA physique. La société affirme être la seule entreprise en Chine à maîtriser la chaîne complète SPAD (Single-Photon Avalanche Diode), de la conception du composant à la production en série au niveau automotive. Sa technologie de balayage optique omnidirectionnel atteint 80 % d'efficacité d'utilisation laser, permettant un LiDAR solid-state longue portée de 200 mètres à coût réduit. Depuis le démarrage en série au quatrième trimestre 2025, plusieurs dizaines de milliers de puces SPAD-SoC ont été livrées, avec Zeekr (modèle 9X) parmi les premiers clients identifiés. La feuille de route prévoit une transition d'une architecture bi-puce vers une intégration mono-puce d'ici 2027, fusionnant imagerie RGB et mesure dToF (direct Time-of-Flight) dans un seul composant. La résolution actuelle de 300 000 à 400 000 pixels pour les applications robotiques doit progresser vers des solutions 4 mégapixels automotive à la même échéance. L'enjeu est fondamentalement architectural : les caméras 2D classiques infèrent la profondeur de façon probabiliste, méthode que le président Mo Lianghua juge insuffisante pour des applications où une erreur de perception unique peut avoir des conséquences critiques, qu'il s'agisse de conduite autonome ou de navigation robotique en environnement partagé. Une puce RGBD mono-puce fusionnerait nativement couleur et profondeur, réduisant latence, coût et empreinte matérielle par rapport aux configurations actuelles combinant une caméra RGB et un LiDAR séparés. Pour les intégrateurs de robots humanoïdes, de systèmes cobots ou d'ADAS, cela représenterait une simplification concrète des pipelines de fusion de capteurs. La production effective depuis fin 2025 distingue cette annonce d'un simple prototype de laboratoire, bien que les volumes restent contenus à l'échelle de l'industrie automobile. Fortsense s'inscrit dans un marché de la perception 3D déjà dense, où Luminar, Hesai, Robosense et Innoviz dominent le segment LiDAR, tandis que STMicroelectronics, Sony et OmniVision tiennent le segment imagerie. La différenciation revendiquée repose sur l'intégration verticale de la puce SPAD et un brevet de scanning omnidirectionnel exclusif. En Chine, les politiques d'approvisionnement local et les restrictions à l'export sur les composants américains créent une fenêtre d'opportunité structurelle pour des fournisseurs nationaux comme Fortsense. Les prochaines étapes annoncées incluent les solutions 4MP automotive et l'intégration mono-puce complète, toutes deux visées pour 2027. Aucun acteur européen n'est impliqué dans cette annonce, mais la dynamique illustre l'accélération de l'écosystème chinois dans les composants de perception critiques, un segment qu'adressent également des acteurs comme Prophesee (France, vision événementielle) avec des approches technologiques distinctes.

UEL'accélération de l'écosystème chinois dans les composants de perception RGBD constitue une pression compétitive indirecte sur des acteurs européens du segment comme Prophesee (France, vision événementielle), sans impact direct immédiat.

Chine/AsieOpinion

1 source

3TechNode

SenseTime lance SenseMart OS pour intégrer l'IA incarnée dans le commerce de détail

SenseTime a lancé le 23 septembre, à son siège de Shanghai, SenseMart OS, présenté comme un « système d'exploitation physique » pour le commerce de détail. Il relie des robots hétérogènes (bras doubles sur base roulante, humanoïdes, préhenseurs), l'équipement de magasin et les opérations commerciales. Sa vitrine est SenseMart Go, un magasin robotisé : lors de la démonstration, un robot est allé chercher une bouteille d'eau minérale sur une étagère après la commande d'une journaliste de TechNode. Le réseau compte plus de 20 points de vente à Shanghai, Hefei, Shenzhen, Qingdao et Yancheng (campus, centres commerciaux, bureaux, parcs industriels, événements, espaces publics). Selon Yi Shuai, cofondateur et chief scientist de SenseTime Smart Retail, un employé peut superviser trois à cinq magasins, soit 0,2 à 0,3 personne par site. Les robots tiennent environ six heures sur batterie, donc deux recharges par jour, et un robot peut quitter sa station pour servir un client. Chaque magasin propose 150 à 200 références, soit le tiers au cinquième d'un petit commerce de proximité. Le seuil de rentabilité serait atteint en six à douze mois dans les bons emplacements shanghaïens, environ un an en moyenne. Le système apprendrait une nouvelle compétence de manipulation par semaine, répliquée sur tous les sites. L'entraînement d'un nouveau modèle de magasin serait passé de deux à trois mois à une à deux semaines, et un déploiement standardisé fonctionnerait dès le lendemain de l'installation. L'intérêt tient au terrain choisi et aux indicateurs retenus. Contrairement à l'entrepôt ou à l'usine, le commerce impose au robot d'interagir avec des clients, ce qui sollicite simultanément perception, interaction, décision et exécution. Surtout, SenseMart OS cible des résultats commerciaux (satisfaction, réachat, taux de transaction) plutôt que le simple succès d'une tâche, avec des données de vente, de stock, de vision et de voix pour entraîner des agents dédiés. C'est un argument concret pour les décideurs qui cherchent un ROI mesurable, loin des démonstrations. La démarche alimente aussi le débat sur ce qui fera la différence dans l'IA incarnée : matériel, données, modèles ou couche système. Ici, SenseTime mise sur l'orchestration. Il faut toutefois lire ces chiffres avec prudence : ils proviennent de l'entreprise, sans audit indépendant. Le point de rentabilité est décrit comme « rapporté », l'assortiment réduit limite la complexité de la tâche, et le nombre de commandes traitées par robot ou le taux d'intervention humaine ne sont pas précisés. SenseTime s'appuie sur des années d'expérience dans le retail : des systèmes de reconnaissance de produits traitant des millions de commandes par jour et une base de plus de 300 000 références (SKU). L'entreprise veut étendre le système à d'autres services physiques. Le lancement s'est accompagné d'un panel réunissant Hengyi Liu (CTO de SenseTime Smart Retail), Min Yuheng (Zerith Robotics), Chunxiao Liu (ACE Robotics), Wenqiang Xu (DAX Robotics) et Weisheng Xu (Jiutian Yuanshu), signe d'un écosystème de fabricants de robots que SenseTime entend fédérer par une couche logicielle. Cette approche se distingue des acteurs qui intègrent verticalement robot et modèle, comme Figure ou Tesla. Aucun calendrier de déploiement chiffré n'a été communiqué au-delà des 20 magasins actuels ni de partenariat européen. La suite dépendra de la capacité à répliquer ces résultats hors de Shanghai et à ouvrir la plateforme à d'autres secteurs.

UEPas d\'impact direct sur la France/UE

Chine/AsieActu

1 source

4Pandaily

Zhongke Diwuji lève des centaines de millions en série A pour déployer ses modèles d'IA incarnée à grande échelle

Zhongke Diwuji, entreprise chinoise spécialisée dans l'intelligence incarnée (embodied AI), a bouclé une levée de fonds de Série A d'un montant de plusieurs centaines de millions de yuans, annoncée en 2026. Le tour a été mené par Futi Capital, avec la participation de Shanghai Semiconductor Industry Investment, CAS Investment, China Venture Capital et Hongruida Technology. L'investisseur historique Zoyuan Asia a choisi d'augmenter significativement sa participation. Il s'agit du troisième tour de financement réalisé par la société dans la seule année 2026. Les fonds seront alloués au développement de la série FAM (few-shot large model), au modèle monde incarné de prochaine génération BridgeV2W, à l'industrialisation des algorithmes d'apprentissage par renforcement, à l'extension des capacités de production robotique et au recrutement d'ingénieurs de haut niveau. La société affirme avoir sécurisé plusieurs centaines de millions de yuans de commandes auprès de clients entreprises internationaux, bien que leurs noms n'aient pas été communiqués. Trois levées en moins de douze mois pour une entreprise fondée en septembre 2024 constituent un signal d'intérêt institutionnel inhabituellement fort. Ce qui distingue Zhongke Diwuji de ses concurrents n'est pas la plateforme matérielle mais la couche d'apprentissage : son approche par few-shot learning permet à un système robotique d'acquérir de nouvelles capacités de manipulation à partir d'un nombre minimal d'exemples, sans les volumineuses campagnes de collecte de données qui alourdissent traditionnellement le coût d'adaptation à de nouvelles tâches industrielles. C'est précisément ce goulot d'étranglement économique qui freine les déploiements à grande échelle, et une solution crédible à ce problème justifie des valorisations élevées. L'obtention de commandes fermes de clients industriels internationaux, et non de simples lettres d'intention, indique que la technologie a franchi la frontière entre démonstration en laboratoire et valeur terrain vérifiable, même si l'absence de noms de clients invite à une certaine prudence. Fondée en septembre 2024, Zhongke Diwuji s'est positionnée dès l'origine comme un acteur de modèles fondationnels physiques universels, à mi-chemin entre startup robotique et laboratoire de recherche en IA. En 2026, le secteur chinois de la robotique incarnée est entré dans une phase de déploiement commercial à l'échelle, avec des concurrents directs comme Unitree Robotics, AgiBot et Fourier Intelligence en compétition sur les mêmes segments industriels. La présence remarquée de Zhongke Diwuji lors de salons professionnels européens et ses commandes internationales annoncées témoignent d'une ambition d'expansion explicite au-delà du marché domestique. Les prochaines étapes identifiées incluent la mise en production de BridgeV2W et l'intégration du reinforcement learning dans des déploiements clients réels, deux jalons qui permettront de vérifier si la promesse du few-shot tient effectivement à l'échelle industrielle.

UELa présence de Zhongke Diwuji lors de salons professionnels européens et ses commandes internationales annoncées signalent une ambition d'expansion vers l'UE qui pourrait accroître la pression concurrentielle sur les acteurs européens de la robotique industrielle et de l'IA physique.

Chine/AsieOpinion

1 source

SenseTime mise sur les caméras spatiales grand public pour collecter des données réelles destinées à l'IA incarnée

À lire aussi

DeepMotor : une startup de Pékin mise sur les données en première personne pour une IA incarnée générale

Fortsense développe des caméras spatiales RGBD monocomposant pour la perception de l'IA physique

SenseTime lance SenseMart OS pour intégrer l'IA incarnée dans le commerce de détail

Zhongke Diwuji lève des centaines de millions en série A pour déployer ses modèles d'IA incarnée à grande échelle