IA physiqueRobotics Business Review 1 septembre 2026

Comment l'IA physique s'illustre par des applications concrètes au salon RoboBusiness

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

RoboBusiness 2026 se tiendra les 20 et 21 octobre à Santa Clara, en Californie, avec en clôture de la première journée, à 16h30 heure du Pacifique, un panel keynote intitulé "Beyond the Demo: AI in Production Robots". Trois intervenants y partageront leur retour d'expérience sur le déploiement d'IA physique en environnement client réel. Bhavana Chandrashekhar, senior manager applied science chez Amazon Robotics à Seattle, dirige une équipe de scientifiques appliqués travaillant sur des manipulateurs autonomes pour les entrepôts du groupe ; elle a notamment porté Robin, un bras robotique qui a trié plusieurs milliards de colis, et Vulcan Stow, qui a rangé plus d'un million d'articles. James Davidson, chief AI officer de Teradyne Robotics, pilote l'intégration de l'IA à travers les gammes de cobots et de robots mobiles autonomes (AMR) du groupe, notamment Universal Robots et Mobile Industrial Robots, fort de plus de vingt ans d'expérience en recherche IA et robotique. Michael Vogelsong dirige l'équipe Foundation Models AI de Cobot, centrée sur la manipulation robotique ; il a auparavant lancé l'équipe Deep Learning Technologies d'Amazon (recherche, recherche visuelle, Alexa, manipulation robotique) et occupé le poste de chief ML engineer chez Groundlight.

L'événement pose frontalement la question que l'industrie élude souvent : au-delà des vidéos de démonstration et des levées de fonds à neuf chiffres qui affluent vers l'IA physique, que fait-elle réellement en production aujourd'hui ? Les chiffres avancés par Amazon Robotics, des milliards de colis triés par Robin, plus d'un million d'articles rangés par Vulcan Stow, comptent parmi les rares indicateurs publics et vérifiables d'un déploiement d'IA robotique à grande échelle, hors laboratoire. Le positionnement du panel, qui associe un géant logistique intégré verticalement, un fournisseur historique de cobots et d'AMR vendus à des tiers, et une startup spécialisée en modèles fondation de manipulation vendus comme couche logicielle, illustre la diversité des stratégies actuelles du secteur pour passer de la démo à l'exploitation réelle. Pour les intégrateurs et décideurs B2B, l'intérêt tient moins à une annonce technologique qu'à la promesse de retours concrets sur la fiabilité, la maintenance et la mise à l'échelle de flottes pilotées par IA.

Le panel clôt la première journée de RoboBusiness 2026, salon de référence pour la robotique commerciale organisé par The Robot Report, qui couvre entre autres la fabrication, la santé, l'agriculture et la logistique. Il s'agit à ce stade d'une annonce de programme de conférence et non d'un lancement produit ou d'un nouveau déploiement : aucune date de mise en production, aucun chiffre inédit ni pilote client n'est dévoilé dans cette communication. Le profil de Michael Vogelsong illustre la porosité entre IA physique et autres applications d'apprentissage automatique : avant Cobot, il a aussi dirigé le développement ML d'un traitement personnalisé du cancer désormais entré en essai clinique de phase I. Chandrashekhar interviendra par ailleurs au déjeuner Women in Robotics du salon. Aucun acteur français ou européen, type Wandercraft, Exotec, Pollen Robotics ou Enchanted Tools, ne figure dans cette annonce centrée sur l'écosystème nord-américain. Les inscriptions à RoboBusiness 2026 sont ouvertes, avec tarifs réduits pour le monde académique, les associations et les groupes d'entreprises.

Dans nos dossiers

Wandercraft Enchanted Tools — Mirokaï Pollen Robotics — Reachy Exotec

À lire aussi

1Robotics Business Review

Pourquoi l'alimentation est le défi le plus difficile de l'IA physique, selon RoboBusiness

Chef Robotics, entreprise de robotique alimentaire basée à San Francisco, annonce que son fondateur et CEO Rajat Bhageria interviendra à RoboBusiness 2026, qui se tiendra les 20 et 21 octobre à Santa Clara, en Californie. Sa conférence, intitulée "Why Food is Physical AI's Hardest Problem and Most Promising Catalyst", portera sur l'automatisation de la préparation alimentaire à grande échelle. L'entreprise affirme avoir réalisé plus de 118 millions de portions en conditions de production réparties sur plus d'une douzaine d'usines agroalimentaires en Amérique du Nord et en Europe. Ces données constitueraient, selon Chef Robotics, le plus grand jeu de données réel de manipulation de matériaux déformables jamais constitué, et alimentent son modèle propriétaire, le Food Foundation Model (FFM), censé permettre à ses robots de généraliser à de nouveaux ingrédients avec un minimum de réentraînement. La session doit détailler les défis de fusion de capteurs pour saisir des objets mous et imprévisibles, ainsi que le contrôle de force nécessaire pour distinguer matériaux fragiles et denses. L'argument de fond dépasse la seule restauration collective. La plupart des modèles fondation en robotique physique sont aujourd'hui entraînés sur des objets rigides, plus faciles à modéliser et à simuler; la nourriture, déformable, variable en poids, en texture et en sensibilité thermique, constitue un test autrement plus exigeant. Si les techniques développées par Chef Robotics (préhension adaptative, retour tactile, entraînement sur distributions à forte variance) se transfèrent effectivement aux dispositifs médicaux, à l'emballage souple ou à l'agriculture, cela renforcerait l'idée que la donnée réelle à l'échelle, plutôt que la simulation ou les démonstrations en laboratoire, reste le facteur limitant des systèmes physiques déployables. Ces chiffres proviennent toutefois exclusivement de l'entreprise, sans audit indépendant, et le terme de "plus grand jeu de données" reste invérifiable de l'extérieur; il s'agit d'une présentation de conférence destinée à valoriser une thèse commerciale, pas d'une publication scientifique évaluée par des pairs. Chef Robotics n'est pas un nouvel entrant: avant de fonder l'entreprise, Bhageria avait dirigé Prototype Capital, un fonds de capital-risque en amorçage investissant dans des fondateurs appliquant des technologies nouvelles à des secteurs anciens, après avoir créé ThirdEye, une technologie d'assistance pour malvoyants, finalement rachetée. Il est titulaire d'un master en robotique et apprentissage automatique et d'une licence d'économie de l'université de Pennsylvanie. La démonstration s'inscrit dans une course plus large de l'IA physique où la plupart des acteurs valorisent la polyvalence de modèles vision-langage-action génériques; Chef Robotics défend au contraire une spécialisation verticale sur un problème de manipulation jugé particulièrement dur. Aucune nouvelle étape produit n'est annoncée au-delà de cette intervention: il s'agit d'une session de conférence, pas d'un lancement, dans le cadre de RoboBusiness 2026, événement organisé par The Robot Report à destination des développeurs de robotique commerciale.

UEChef Robotics affirme déjà opérer des robots dans plusieurs usines agroalimentaires en Europe, mais sans qu'aucune entreprise, pays ou régulation européenne ne soit nommé précisément.

IA physiqueActu

1 source

2Robotics Business Review

Comment de meilleures pinces peuvent libérer le potentiel de l'IA physique

OnRobot, fabricant danois d'outillage pour bras robotiques et cobots, publie une analyse sur le rôle des préhenseurs dans le développement de la "physical AI", cette approche où des modèles d'IA entraînés sur de vastes jeux de données permettent aux robots de percevoir, d'agir et de s'adapter avec moins d'ingénierie spécifique à chaque tâche. Le texte identifie trois exigences critiques pour l'outillage en bout de bras, ou end-of-arm tooling (EOAT) : la capacité à absorber la variabilité réelle des pièces en taille, forme, matériau et positionnement, une couche d'exécution fiable capable de confirmer par retour de force qu'une prise a bien été réalisée, et l'importance de données riches en contact, force, friction, glissement, déformation, que la simulation et la vision seules ne peuvent reproduire. En exemple, OnRobot cite son propre préhenseur RG2-FT, déjà à son catalogue, qui combine une pince avec des capteurs de force/couple et de proximité intégrés au bout des doigts, utilisé pour la manipulation délicate, les transferts de pièces, l'insertion et l'alignement en conditions incertaines. L'argument central est que l'intelligence d'un modèle ne vaut que ce que vaut le matériel qui l'exécute : un système peut inférer qu'un objet doit être saisi, mais c'est le préhenseur physique qui doit établir le contact, appliquer la bonne force et détecter un échec de prise, à chaque cycle. Venant d'un fabricant de grippers, cette prise de position vise à recentrer un débat souvent focalisé sur les modèles fondation et les architectures VLA, à l'image de Pi-0, GR00T N2 ou Helix, vers une couche d'exécution mécanique trop souvent négligée. Elle pointe un angle mort réel du secteur : simulation et vision, sur lesquelles repose l'essentiel de l'entraînement actuel des politiques robotiques, ne capturent pas la dynamique de contact, ce qui explique une partie de l'écart persistant entre démonstrations en laboratoire et fiabilité en production. Pour les intégrateurs et décideurs industriels, le message revient à dire que le choix du gripper et de ses capteurs pèse autant que celui du modèle embarqué. OnRobot évolue sur le marché des cobots aux côtés d'acteurs comme Schunk, Robotiq ou Zimmer Group, et ce texte s'inscrit dans une opération de communication autour du salon nord-américain RoboBusiness 2026. Contrairement aux annonces de déploiement de robots humanoïdes complets telles que Figure 03 ou Optimus Gen 3 de Tesla, il ne s'agit ici ni d'un nouveau produit ni d'une date de lancement, mais d'un contenu de positionnement destiné à faire valoir l'expertise historique d'OnRobot en préhension face à des startups de physical AI davantage centrées sur le logiciel. Aucun acteur français ou européen, tel Wandercraft, Exotec, Pollen Robotics ou Enchanted Tools, n'est mentionné dans cet article.

UEOnRobot est une entreprise danoise dont les préhenseurs équipent des cobots utilisés dans l'industrie européenne, mais cet article de positionnement ne comporte aucune annonce, déploiement ou impact réglementaire concret pour la France/UE.

IA physiqueActu

1 source

3The Robot Report

Comment Generalist utilise des données de démonstration humaine pour l'apprentissage robotique

Generalist, startup robotique valorisée à 2 milliards de dollars, construit ses modèles sur les travaux de recherche "Universal Manipulation Interface" (UMI), publiés par le Toyota Research Institute (TRI), l'université Columbia et l'université Stanford. Cette plateforme de collecte de données s'appuie sur des effecteurs terminaux de type marionnette, maniés par des opérateurs humains et filmés par des caméras GoPro, pour capturer des tâches réelles comme la vaisselle ou la préhension d'objets ; ces démonstrations deviennent ensuite des données d'entraînement pour des modèles fondation destinés aux cobots. En juin 2026, lors du salon Automate au McCormick Center de Chicago, Generalist a montré en direct des bras Universal Robots (UR) pliant et assemblant des boîtes en carton, ainsi que des bras Flexiv réparant des aspirateurs robots. Environ un mois plus tard, l'entreprise publiait un billet de blog intitulé "Towards Machines with a Thousand Hands", détaillant l'usage d'une variété de pinces et d'outils, dont des spatules, sur différents systèmes robotiques. Samantha Castellanos, ingénieure mécanique fondatrice de Generalist, précise que le préhenseur maison ne compte qu'un seul degré de liberté (1 DoF), un choix assumé de simplicité mécanique plutôt que de complexité articulaire. Cette approche interroge l'hypothèse dominante du secteur selon laquelle la performance des modèles VLA (vision-language-action) dépend avant tout de la sophistication du hardware. En misant sur une pince minimaliste et sur le volume de données plutôt que sur la complexité mécanique, Generalist parie que le modèle, plus que la main, constitue l'avantage concurrentiel durable : selon Castellanos, le modèle est "le moat qui va nous différencier des autres." Pour les intégrateurs, la démonstration d'Automate montre qu'un même modèle peut piloter des bras de fournisseurs différents (UR, Flexiv) sur des tâches distinctes, assemblage de cartons d'un côté, réparation d'aspirateurs de l'autre, ce qui suggère une portabilité inter-marques rare en automatisation classique. Ces démonstrations restent toutefois des vitrines de salon en conditions contrôlées, non des déploiements en production : la capacité de récupération en temps réel vantée sur les réseaux sociaux n'a pas été vérifiée indépendamment, et aucun chiffre de temps de cycle, taux de réussite ou volume déployé n'a été communiqué. L'étude UMI, cosignée par des chercheurs de TRI, Columbia et Stanford, avait montré qu'il était possible d'entraîner des cobots à l'autonomie à partir de démonstrations humaines captées hors laboratoire, sans robot physique présent lors de la collecte ; cette recherche académique a rapidement servi de socle à la création de Generalist. L'entreprise évolue dans un secteur de l'IA robotique déjà très capitalisé, plus de 4 milliards de dollars levés cumulativement par ses concurrents : Skild AI (2 milliards), Physical Intelligence (1 milliard), Field AI (300 millions) et RLWRLD (41 millions). Face à cette concurrence, Generalist mise sur la diversité des effecteurs plutôt que sur un bras ou une pince unique, stratégie résumée dans son billet de blog par la formule "des machines aux mille mains." L'entreprise n'a communiqué ni calendrier de déploiement commercial ni client pilote nommé : à ce stade, les démonstrations de juin et juillet 2026 relèvent de la vitrine technologique plutôt que d'un produit livré en série.

IA physiqueOpinion

1 source

4arXiv cs.RO

Contrôle robotique sans démonstration via des agents LLM

Des chercheurs ont publié FAEA (Frontier Agent as Embodied Agent), un framework qui applique directement aux manipulateurs robotiques les architectures d'agents LLM conçues pour le génie logiciel, sans démonstrations spécifiques à la tâche ni fine-tuning. Évalué sur trois benchmarks de référence en simulation avec accès privilégié à l'état de l'environnement (positions des objets fournies directement, sans perception visuelle brute), FAEA atteint des taux de succès de 84,9 % sur LIBERO, 85,7 % sur ManiSkill3, et 96 % sur MetaWorld, en utilisant le Claude Agent SDK d'Anthropic comme modèle frontier non modifié. Une itération optionnelle de feedback humain porte le score LIBERO à 88,2 %. Ces résultats se rapprochent des performances des modèles VLA (Vision-Language-Action) entraînés sur moins de 100 démonstrations par tâche, seuil qui représente aujourd'hui le plancher de coût pour la collecte de données en robotique incarnée. L'implication centrale est notable : pour les tâches de manipulation dominées par la planification délibérative à haut niveau, un agent généraliste non spécialisé peut suffire, sans pipeline de données propriétaire. FAEA peut en outre explorer de façon autonome des scénarios inédits en simulation et générer des trajectoires réussies pour augmenter les datasets d'entraînement, court-circuitant ainsi le goulot de la collecte humaine. Nuance critique : tous les tests restent en simulation avec état privilégié ; aucun transfert sim-to-real n'est validé dans ce travail, ce qui limite la portée des conclusions pour un déploiement industriel réel. Les modèles VLA entraînés bout-en-bout, pi-0 de Physical Intelligence, RT-2 de Google DeepMind, ou OpenVLA, dominent la recherche en manipulation depuis 2023 mais restent contraints par des pipelines de collecte de données coûteux et spécifiques à chaque domaine. FAEA s'inscrit dans un courant alternatif qui cherche à exploiter l'infrastructure d'agents software directement en robotique : la même boucle plan-act-observe-debug qui pilote les agents de coding est ici transférée sans modification au contrôle de manipulateurs. Ce positionnement implique un bénéfice passif : toute amélioration des modèles frontier se répercute directement sur les capacités robotiques sans retraining. Le préprint est disponible sur arXiv (2601.20334v2) et le code sur GitHub ; aucun déploiement industriel n'est annoncé à ce stade.

IA physiquePaper

1 source