Pourquoi les démos de robots humanoïdes échouent encore au test de généralisation

Dans l'épisode 265 du Robot Report Podcast, Jeanine Sinanan-Singh, directrice de la recherche en IA générative chez Appen, explique pourquoi l'humain reste indispensable à l'entraînement des robots. Elle travaille sur les évaluations agentiques, les environnements d'apprentissage par renforcement (RL) et la conception de jeux de données pour le post-entraînement des modèles d'IA de frontière. Son message central est qu'une démonstration spectaculaire ne prouve pas qu'un comportement robotique se généralise à d'autres tâches, objets ou environnements. Elle a fondé une startup d'automatisation de pharmacie reposant sur une plateforme d'impression 3D pour produire des médicaments personnalisés. Elle est diplômée de Harvard et a travaillé chez Microsoft et Surge. L'épisode, qui ne donne aucun chiffre de performance de robot, couvre aussi l'actualité de la semaine. Boston Dynamics a nommé Rohit Prasad, ancien dirigeant d'Amazon, au poste de CEO. Schneider Electric a acquis PTC, ce qui le positionne face à Siemens. Le CEO de Berkshire Grey a évoqué l'IA physique et l'expansion européenne de l'entreprise. Locus Robotics a présenté Nexera, une technologie censée lui donner accès à la manipulation robotique.

L'intérêt de cet échange tient à un problème que le secteur humanoïde contourne souvent. Une vidéo de démonstration montre en général une tâche répétée dans des conditions contrôlées, parfois après de nombreux essais, sans indiquer le taux de réussite ni la variabilité des conditions. Pour un intégrateur ou un COO industriel, la question utile n'est pas de savoir si le robot sait faire un geste, mais s'il le refait de façon fiable quand l'objet, l'éclairage ou la cadence changent. Insister sur les évaluations agentiques et les environnements RL revient à dire que la mesure de la généralisation reste un goulot d'étranglement, au même titre que le matériel. Le rôle maintenu des humains dans la boucle (téléopération, annotation, correction) rappelle aussi que l'autonomie annoncée repose encore sur un travail humain coûteux, rarement visible dans les communiqués.

Le contexte éclaire ce débat. Les modèles de type VLA (vision-langage-action) promettent une généralisation d'un robot à l'autre et d'une tâche à l'autre, mais leurs évaluations publiques restent hétérogènes et difficiles à comparer. Les annonces de la semaine montrent une industrie qui se structure autour de ces enjeux. Boston Dynamics change de direction à un moment où la course à l'humanoïde s'intensifie. Le rachat de PTC par Schneider Electric traduit la convergence entre logiciels industriels, jumeaux numériques et robotique. Locus et Berkshire Grey cherchent de leur côté à passer du déplacement à la manipulation en entrepôt, un terrain où la généralisation se vérifie en conditions réelles plutôt qu'en vidéo. Reste à voir si ces acteurs publieront des métriques de fiabilité en production, seules capables de départager démonstration et déploiement. RoboBusiness, qui fête ses 20 ans, sera une prochaine occasion d'observer ces positionnements.