Pourquoi la sécurité déterminera l'avenir des robots humanoïdes

Rick Balzano, vice-président go-to-market pour les services IA, la sécurité et la robotique chez TaskUs, a détaillé dans l'épisode « Lexicon » d'Interesting Engineering le travail de l'ombre qui conditionne la fiabilité des robots humanoïdes. TaskUs intervient auprès d'entreprises de robotique, de véhicules autonomes et de systèmes d'IA : elle collecte, annote et valide les données qui servent à entraîner des machines à opérer dans le monde physique. Contrairement aux grands modèles de langage, qui apprennent à partir de textes et d'images disponibles en ligne, l'IA incarnée doit percevoir son environnement puis décider d'une action sans abîmer ni elle-même, ni l'équipement, ni les personnes proches. Une grande partie des données doit donc être captée dans le réel : vidéos à la première personne, relevés de capteurs, démonstrations de tâches, réactions des objets au toucher. Balzano estime que les humanoïdes actuels restent « probablement des robots très spécialisés dans un format humain ». Il cite un exemple concret de mise en scène : des robots qui semblent circuler librement dans une usine alors qu'ils évoluent dans une zone de 40 sur 40, avec garde-fous et téléopérateurs. Aucun chiffre de payload, de DOF ou de déploiement n'est avancé dans l'entretien.

L'intérêt de ce témoignage tient à sa source : un prestataire de données, non un constructeur, qui confirme l'écart entre démonstration et réalité. La téléopération cachée, les zones délimitées et la préparation intensive derrière les vidéos virales sont désignés comme des facteurs de biais pour qui évalue ces machines. Pour un intégrateur ou un COO industriel, cela invite à demander dans quelles conditions un cycle a été mesuré, avec quelle part d'assistance humaine, et sur combien d'essais. Balzano souligne aussi que la sécurité est plus complexe que pour la robotique industrielle classique, car l'humanoïde évolue dans un environnement presque entièrement imprévisible. Les données les plus difficiles à obtenir concernent les événements rares et dangereux, comme une chute dans un escalier ou une collision, que personne ne veut provoquer volontairement sur une machine coûteuse. La dextérité fine, c'est-à-dire la force à appliquer pour saisir un objet fragile ou plier du linge, reste un autre verrou. Selon lui, l'apprentissage autonome est un objectif futur : aujourd'hui, les humains font encore l'essentiel de l'enseignement.

Cet entretien s'inscrit dans le débat sur la généralisation des modèles robotiques, qui exige selon Balzano une grande diversité d'environnements et des données égocentriques à fort signal. Il ne tranche pas pour autant en faveur de la forme humanoïde : certaines tâches appelleraient des pinces, des roues ou des outils dédiés, et la finalité serait un « cerveau » assez capable pour s'adapter à différentes configurations physiques. L'extrait disponible s'interrompt au moment d'aborder la simulation, présentée comme un moyen moins coûteux et plus sûr de répéter des tâches à très grande échelle, mais dont les limites sont annoncées. Il s'agit d'un point de vue d'un acteur de la chaîne de données, et non d'une annonce de produit, de pilote ou de calendrier. Il rappelle toutefois que le goulet d'étranglement du secteur se déplace de la mécanique vers la donnée et la validation de sécurité.