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

La Chine ouvre plus de 70 sites d'entraînement pour l'IA incarnée, une norme de jeux de données attendue le 1er novembre

La Chine a ouvert plus de 70 sites d'entrainement pour l'IA incarnée (embodied AI) a fin juin 2026, avec plus de 40 sites supplémentaires en construction ou en planification, selon un rapport de l'Academie chinoise des technologies de l'information et des communications (CAICT) cite par Economic Information Daily et relaye en anglais par Xinhua le 22 septembre. Ces installations, parfois surnommées "écoles de robots", se concentrent dans le delta du Yangtze, la région Pekin-Tianjin-Hebei et le delta de la rivière des Perles: le Zhejiang arrive en tête avec 14 sites, suivi du Jiangsu, de Pekin, du Guangdong et du Shandong avec huit chacun. La Chine compte plus de 140 fabricants de robots humanoïdes et a livre environ 14 400 unités en 2025, soit environ huit livraisons mondiales sur dix selon Xinhua. Sur ces sites, des opérateurs en capture de mouvement génèrent des trajectoires annotées a partir de taches répétitives comme saisir des bouteilles, charger des plateaux ou scanner des colis. Dans le Guangdong, le site provincial sert aussi de plateforme de mise en relation entre fabricants de robots et utilisateurs des secteurs santé et énergie, tandis que la base pilote nationale de Hangzhou se positionne comme connecteur mutualise entre entreprises publiques, groupes technologiques et partenaires applicatifs, avec des porteurs de projet qui évoquent des économies importantes par rapport a la constitution de jeux de données propriétaires. Cette annonce révèle un gouffre persistant entre le volume de déploiement de robots humanoïdes et leur fiabilité réelle en usage quotidien: malgré une production de masse, les fabricants chinois restent freines par la raretee de données d'interaction en conditions réelles, ce qui confirme que le "sim-to-real gap" n'est pas résolu par le seul volume de simulation. Pour les intégrateurs et décideurs B2B du secteur robotique, le signal est celui d'une infrastructure nationale de collecte de données plutôt que d'un produit ou d'un modèle fini a l'américaine (a comparer aux approches Pi-0 de Physical Intelligence ou GR00T N2 de Nvidia, davantage centrées sur les modèles VLA). Cette approche par volume de terrains d'entrainement, combinée a une normalisation imminente de la qualité des jeux de données, pourrait accélérer la maturité opérationnelle des flottes chinoises et redistribuer la compétition mondiale, jusqu'ici dominée par le narratif américain autour des VLA (vision-language-action). Cette dynamique s'inscrit dans la continuité d'une politique industrielle déjà engagée: en juin 2026, le ministère de l'Industrie et des Technologies de l'information (MIIT) et la Commission de supervision et d'administration des actifs publics (SASAC) ont lance une action spéciale demandant a chaque région provinciale d'identifier au moins 20 scenarios prioritaires et de créer des espaces d'entrainement et de test nécessitant un aménagement minimal. Parallelement, une norme industrielle sur la qualité des jeux de données d'IA incarnée, rédigée par le CAICT avec plus de 40 organisations, doit entrer en vigueur le 1er novembre 2026, avec l'objectif de faire passer le secteur d'une logique de collecte massive a une logique de qualité et d'évaluation. Des opérateurs testent aussi des modèles économiques allant au-delà de la simple vente de données brutes, comme le "training-as-a-service" combinant collecte, entrainement de modèles et validation applicative. Aucun acteur français ou européen (Wandercraft, Exotec, Pollen Robotics, Enchanted Tools) n'est mentionne dans cette annonce, qui reste centrée sur l'écosystème chinois et ses partenaires industriels domestiques.

UEAucun acteur français ou européen n'est impliqué, mais l'avance chinoise en volume de données d'entraînement terrain pourrait creuser l'écart de maturité opérationnelle face aux fabricants de robots humanoïdes européens.

Chine/AsieActu

1 source

2Pandaily

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

336Kr

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

4Pandaily

Pénurie de données » : le véritable frein qui bride l'IA incarnée en Chine

Au World Robot Conference de Beijing cette année, l'attention s'est déplacée des démonstrations spectaculaires de robots vers des stands où des opérateurs humains, casque et gants de téléopération sur la tête et les mains, "enseignent" des gestes à des pinces robotiques dont chaque mouvement est enregistré comme donnée d'entraînement. Une nouvelle catégorie d'acteurs, qualifiés d'"infrastructure de données" ou de "fondation de données pour l'IA physique", s'est imposée en nombre, signe d'un basculement de la démonstration vers l'alimentation en données. Xia Hualin, qui dirige la base de données et d'entraînement du Beijing Humanoid Robotics Innovation Center, estime que l'IA incarnée réclame plusieurs ordres de grandeur de données de plus que la conduite autonome. La China Academy of Information and Communications Technology recense plus de 70 sites d'entraînement opérationnels fin juin, avec 46 autres planifiés ou en construction, un volume jugé encore très insuffisant. Une estimation du secteur chiffre à environ 500 000 heures les données réelles d'interaction physique conformes disponibles en Chine, alors que la commercialisation exigerait des dizaines de millions d'heures, soit un déficit de plus de 99 %. Le travail de collecte s'est complexifié : une simple tâche de tri de pièces a déjà généré entre 30 000 et 40 000 points de données, et le standard pour "porter un plateau" est passé d'un simple geste de saisie-déplacement-dépôt à un maintien de l'équilibre en marchant. Wang Chuang, associé chez AgiBot, situe la bascule entre l'ère de la démonstration en 2024 et la production de masse et le déploiement réel visés pour 2025-2026. En juin, le ministère de l'Industrie et des Technologies de l'information et le régulateur des actifs publics ont lancé un plan d'action 2026 ciblant plus de 100 scénarios d'usage à forte valeur et des dizaines de milliers d'unités déployées d'ici la fin de l'année. Ce constat déplace le vrai goulot d'étranglement de l'humanoïde chinois : ce n'est plus la mécanique ou l'algorithme qui bride le déploiement, mais l'approvisionnement en données physiques réelles, un problème que le texte ou les corpus de conduite autonome ne peuvent pas résoudre par transfert. Cela nuance directement le récit dominant d'un sim-to-real résolu ou de modèles vision-langage-action prêts à s'industrialiser à grande échelle : sans force, toucher distribué et couple moteur, la vidéo seule ne suffit pas à rendre une saisie fiable. Pour les intégrateurs et décideurs industriels, cela signifie que le calendrier de déploiement des humanoïdes dépend désormais autant d'une chaîne d'approvisionnement en données que du matériel lui-même. Ce virage s'inscrit dans la course chinoise à l'humanoïde portée par des acteurs comme AgiBot, UBTech ou Unitree, après deux années dominées par des vitrines technologiques. Les sites d'entraînement sont désormais conçus comme des "écoles complètes" couvrant la marche basique jusqu'aux opérations industrielles de précision, combinant téléopération en réalité virtuelle, capture de mouvement portable et collecte sur robots réels. Tant que ce déficit de données ne se résorbe pas, prévient Xia Hualin, les robots humanoïdes peineront à se défaire de leur image de jouets téléguidés.

Chine/AsieOpinion

1 source