Chine/AsiePandaily 26 août 2026

WRC 2026 : 90 usines de données, mais pas assez pour nourrir un seul cerveau d'IA incarnée

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Au World Robot Conference (WRC) 2026, organisé à Pékin dans le district de Yizhuang, l'attention s'est déplacée des performances physiques des robots vers la capacité à collecter des données d'entraînement. Selon une étude d'Interact Analysis, au moins 90 centres de collecte et d'entraînement de données pour robots humanoïdes sont déjà opérationnels ou en construction en Chine. Lightwheel AI a dévoilé EgoSuite-Open100k, présenté comme le plus grand jeu de données incarnées en accès ouvert à ce jour, avec 100 000 heures réparties sur plus de 15 000 scénarios. ORBBEC a montré une gamme de capteurs sans corps robotique, dont des dispositifs de capture à la première personne et portables à la main, tandis que BrainCo a exposé des gants de capture couplés à des mains dextres tactiles sur toute la paume. GigaDevice a présenté des microcontrôleurs, mémoires et composants analogiques dédiés à l'intelligence incarnée. Tian Feng, chercheur à l'Intelligent Industries Research Institute de SenseTime, a détaillé six paradigmes de collecte en parallèle, de la téléopération et la capture de mouvement aux données synthétiques et à la collecte réelle sur ligne de production, la méthode sans corps robotique progressant le plus vite avec un coût annoncé environ cinq fois inférieur à la collecte via robot physique.

Ce basculement traduit un doute croissant sur la transposition à la robotique des lois d'échelle qui ont fonctionné pour les grands modèles de langage. Une expérience de Generalist AI menée en novembre 2025 montre que les modèles de petite taille peinent à absorber des données sensorimotrices complexes, avec un seuil situé autour de sept milliards de paramètres, phénomène que les auteurs qualifient d'« ossification du modèle ». Tian Feng tempère lui-même l'engouement pour la capture sans corps robotique : elle sacrifie des informations dynamiques comme le couple articulaire et la force de contact, risquant de nuire aux tâches d'assemblage fin, et des échantillons collectés par des opérateurs plutôt que de vrais ouvriers introduisent un biais systématique. La fragmentation du matériel robotique aggrave le problème, rendant les données d'un corps difficilement réutilisables sur un autre. Pour les intégrateurs et décideurs B2B, le signal est clair : multiplier les usines à données ne garantit pas un gain de performance réel, et le goulot d'étranglement du secteur tient peut-être moins à la rareté des données qu'à leur standardisation et à leur valorisation commerciale.

Les analystes mettent en garde contre une boucle comptable qui combine financements publics, achats groupés de robots et rachats de données par les mêmes acteurs, gonflant les statistiques sans valider de demande réelle. Les chiffres d'IDC pour 2025 le confirment : les scénarios de démonstration, de recherche et de collecte de données représentent encore 78,4 % des livraisons de robots humanoïdes, contre une part marginale en ligne de production. Le WRC 2026 illustre un secteur toujours concentré sur l'entraînement des modèles d'intelligence incarnée (VLA) plutôt que sur le déploiement industriel, la convergence entre volume de données, standardisation matérielle et revenus commerciaux devant déterminer si cette vague d'investissement produit des robots réellement opérationnels.

Dans nos dossiers

IA physique & VLA

À lire aussi

1Pandaily

BAAI et Alibaba, tous les deux jours un nouveau modèle d'IA incarnée voit le jour

Treize nouveaux modèles fondation et modèles du monde pour la robotique embarquée ont été annoncés en juin 2026, soit environ un tous les 48 heures. Lors de la Conférence Zhiyuan 2026, le BAAI (Beijing Academy of Artificial Intelligence) a présenté deux avancées : Wujie Physis-v0.1, qui prédit l'état physique suivant en compressant vidéo, données RGB-D, nuages de points 3D et retour tactile dans un espace latent unifié, et Wujie RoboBrain Orca, un "cerveau" robotique combinant représentation unifiée, raisonnement causal et décodage multimodal. Le 16 juin, Alibaba a dévoilé la suite Qwen-Robot, composée de trois modèles complémentaires : Qwen-RobotNav pour l'allocation d'attention visuelle en navigation mobile, Qwen-RobotManip qui standardise l'espace état-action pour la manipulation, et Qwen-RobotWorld, doté d'une interface en langage naturel pour prédire la dynamique du monde. CasiaHand a lancé Brain-Si 0.5, présenté comme le premier modèle de manipulation dextre humanoïde, avec une architecture à trois niveaux allant de la planification VLA jusqu'à des modèles physiquement interprétables. GalaxyBot a de son côté publié AstraBrain-WBC 0.5, un modèle de contrôle corps entier entraîné sur environ 2 milliards d'images issues de mouvements humains, pour 80 millions de paramètres. RoboScience, Current Robotics et BoundlessPower ont complété la liste avec respectivement l'architecture Visics, le modèle Curl-0 et le modèle du monde MWA. Cette accélération marque un basculement net dans l'industrie de la robotique embarquée : la compétition ne se joue plus sur les capacités matérielles des robots, mais sur l'intelligence logicielle qui les pilote. Signe le plus révélateur, la posture d'Alibaba tranche avec l'approche dominante du "plus de données, plus de robots" : le groupe affirme que l'hétérogénéité du monde physique ne peut pas être résolue par le seul passage à l'échelle et nécessite un alignement au niveau du modèle lui-même. Pour les intégrateurs et décideurs industriels, le signal est important : les équipes ne cherchent plus seulement à démontrer ce que les robots savent faire, mais à expliquer pourquoi ils échouent encore sur certaines tâches, chacune identifiant un goulot d'étranglement différent, retour tactile, coordination corps entier, transfert simulation-réel ou planification à long horizon. Ce foisonnement s'inscrit dans la course engagée depuis 2024-2025 entre laboratoires chinois et occidentaux (Figure, Physical Intelligence avec Pi-0, NVIDIA avec GR00T) autour des modèles vision-langage-action. La France et l'Europe restent absentes de cette vague spécifique de publications, la dynamique se concentrant pour l'instant sur les acteurs chinois (BAAI, Alibaba, CasiaHand, GalaxyBot) et américains. Les prochaines étapes attendues concernent la validation de ces architectures sur des déploiements réels au-delà des démonstrations en laboratoire, un point sur lequel la prudence reste de mise tant les métriques annoncées, notamment le nombre de paramètres ou de frames d'entraînement, restent difficiles à comparer d'un laboratoire à l'autre sans benchmarks communs.

Chine/AsieOpinion

1 source

236Kr

Des diplômés de Tsinghua créent une start-up d'IA incarnée, lèvent des centaines de millions de yuans pour l'automobile

La startup chinoise Guangxiang Technology, fondée en avril 2025 et incubée par les écoles de véhicules et d'intelligence artificielle de l'université Tsinghua, a bouclé fin juin 2026 un tour d'amorçage cumulé de plusieurs centaines de millions de yuans, mené par des investisseurs comme Zhuhai Technology Industry Group, Xingzheng Capital et Songhe Capital, aux côtés des actionnaires historiques Yiyi Chuangtou et L2F. L'entreprise est dirigée par Zhang Tao, ex-responsable de la perception spatiale chez Amap (Gaode), et co-fondée par le professeur Li Shengbo, expert en apprentissage par renforcement crédité de plus de 30 000 citations, avec une équipe issue d'Alibaba, Tencent, Huawei, KUKA et Geek+. En juin 2026, elle a présenté Phi-Bot X1, un robot industriel à 27 degrés de liberté monté sur un châssis omnidirectionnel à quatre roues capable de déplacement latéral, doté d'une taille télescopique couvrant 0 à 2,5 mètres et de bras à contrôle de force cadencés à 1 kHz. Par proprioception seule, il atteint 10 mm de précision de positionnement et 0,05 mm de répétabilité en bout de bras, avec un échange de batterie en une minute. Lors du salon ATC 2026, le robot a fonctionné 21,5 heures sur trois jours sur une vraie ligne automobile pour du chargement au poste de soudure, sans erreur ni interruption revendiquées, avec une précision angulaire de 0,3° en alignement dynamique. Guangxiang défend une architecture dite "physique native", opposée aux modèles VLA (vision-langage-action) dominants et aux modèles du monde prédictifs au niveau pixel: son système apprendrait les lois physiques par interaction directe en simulation plutôt que par imitation de démonstrations humaines. Ces performances restent toutefois auto-rapportées par l'entreprise lors d'un entretien avec le média chinois Yingke (36Kr), sans validation indépendante, et la démonstration ATC, bien que menée sur une ligne réelle, demeure un test ponctuel plutôt qu'un déploiement industriel généralisé. Le fondateur évalue le marché chinois des robots de ligne automobile à environ 100 milliards de yuans et cible le "gap des 30%" de tâches que bras robotisés et automates n'ont jamais couvertes, comme le chargement à risque de brûlure ou le contrôle qualité en fin de chaîne. Il cite l'échec d'un concurrent humanoïde bipède chez un constructeur automobile de luxe, où les vibrations de marche provoquaient une chute de pièces dans 80% des cas, comme preuve que le choix de la plateforme mécanique compte autant que le modèle embarqué. Guangxiang revendique une stratégie inverse de celle de nombreux acteurs de la robotique humanoïde: valider les usages industriels avant toute communication produit plutôt que l'inverse. L'entreprise dit avoir déjà signé des accords commerciaux avec plusieurs constructeurs automobiles chinois et étrangers autour des postes de chargement et de contrôle qualité, et prévoit de consolider sa position dans l'automobile avant d'étendre son modèle à d'autres secteurs industriels sur trois à cinq ans, sans projet grand public ni introduction en bourse à court terme. Zhang Tao positionne son approche comme complémentaire des initiatives de Tesla ou XPeng, qu'il juge tournées vers le grand public plutôt que vers l'usine, et estime que 2026 marque, pour le secteur de l'IA incarnée, un tournant où l'accent bascule des démonstrations vers des preuves de déploiement réel.

Chine/AsieActu

1 source

3Pandaily

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

4Pandaily

L'année la plus effervescente pour l'IA incarnée, mais l'évolution des robots reste imperceptible à l'œil nu

En août 2026, la World Robot Conference (WRC) a de nouveau réuni des dizaines d'humanoïdes dansant, combattant, saisissant des objets et triant des pièces, aux côtés de bras robotiques manipulant des lignes simulées. Selon Counterpoint Research, les livraisons mondiales d'humanoïdes ont dépassé 22 000 unités au premier semestre 2026, en hausse de près de 300%, avec une projection annuelle supérieure à 50 000 unités. AgiBot a livré environ 9 700 robots, Unitree plus de 7 000 (soit 31% du marché), et Galaxy General plus de 1 100, les cinq premiers acteurs captant 86% du marché. Par usage, le divertissement représente 33,6% des déploiements et la production de données/recherche 27%, soit plus de 60% à eux deux, contre seulement 12,8% pour la fabrication industrielle et 4,9% pour la logistique d'entrepôt. Unitree a présenté un robot atteignant 12,65 mètres par seconde, tandis que Galaxy General a entraîné son humanoïde bipède ET1 à partir d'environ 100 000 heures de données de mouvement humain, avec un système nommé WAM-TTT permettant à un robot d'apprendre une nouvelle tâche en observant des opérateurs sur site ; l'entreprise revendique un déploiement dans plusieurs dizaines d'usines du fabricant de batteries CATL, au-delà du simple test à une machine. Ces chiffres masquent un constat plus inconfortable pour le secteur : les tâches démontrées (saisir une tasse, plier du linge) restent quasiment identiques d'une édition à l'autre du salon, malgré l'explosion du nombre de robots présentés. Le fondateur d'Unitree, Wang Xingxing, résume le vrai obstacle : dans un environnement fixe et avec assez de données, un robot peut approcher 100% de réussite, mais un simple changement d'objet fait chuter la performance, preuve que la généralisation, et non la motricité, reste le goulot d'étranglement. Il fixe le seuil décisif à 80% de réussite sur des tâches inédites, données par instruction en langage naturel dans un environnement jamais vu, comme condition d'une véritable explosion commerciale. Wang He, fondateur de Galaxy General, compare l'état actuel des modèles incarnés à GPT-2 et anticipe un niveau proche de GPT-3.5 à GPT-4 d'ici 2028, ce qui questionne directement la promesse d'un modèle générique déployable sans réentraînement massif par site. Sur le plan concurrentiel, Unitree mise sur le contrôle moteur, l'ingénierie mécanique, les coûts et les volumes, mais ses robots restent surtout vendus à la recherche et à l'éducation, poussant l'entreprise à réorienter ses investissements vers les modèles d'IA. Galaxy General, positionné sur les modèles fondation incarnés, cherche à prouver que l'apprentissage d'une tâche peut se répliquer sur des centaines de sites, comme l'illustre son déploiement multi-usines chez CATL, un test de passage à l'échelle que le secteur observe de près avant tout pari sur une adoption industrielle massive d'ici 2028.

Chine/AsieOpinion

1 source