Un robot humanoïde atteint 85 % de réussite lors d'un essai en conditions réelles avec le modèle GO-3 d'AGIBOT

AGIBOT, entreprise chinoise de robotique, a dévoilé le 29 octobre GO-3 Preview, un modèle d'IA incarnée conçu pour que les robots apprennent en continu et améliorent leurs compétences après leur déploiement. Il repose sur une architecture baptisée World Reasoning Action Model (WRAM), qui relie le raisonnement sur la tâche, la prédiction des résultats et la génération des actions. L'entraînement combine deux sources de données: des vidéos humaines à la première personne, qui montrent comment les gens manipulent les objets au quotidien, et des trajectoires de robots, qui associent observations visuelles, actions physiques et conséquences. En pré-entraînement, le modèle est présenté comme capable d'aborder des tâches inconnues dans des cadres variés (domiciles, cuisines, configurations multi-robots) et de manipuler avec dextérité sans réglage fin pour chaque activité. Quelques démonstrations suffiraient pour apprendre des séquences complexes, comme la préparation d'un jianbing, la crêpe salée chinoise, ou l'assemblage de Lego après fine-tuning, avec un agent IA qui coordonne les étapes. Pour le post-entraînement, AGIBOT a développé Genie Evolver, un système distribué qui fusionne les données d'environ 100 robots physiques, des simulations physiques et des modèles du monde. Deux démonstrations l'illustrent: au curling de table, un robot a dépassé la performance moyenne d'humains testés après quatre heures de pratique en ligne, et un autre a retiré cinq blocs consécutifs d'une tour sans la faire tomber. Le framework d'agent Genie Master doit permettre au robot d'identifier ses erreurs, d'ajuster son comportement et de conserver l'expérience acquise. AGIBOT l'a montré avec un robot G2 dans un vrai magasin de proximité, où la machine a diagnostiqué les causes de ses échecs et mémorisé les corrections sans intervention humaine. Selon l'entreprise, GO-3 Preview se classe premier sur trois classements d'IA incarnée: RoboDojo, RoboTwin et RoboColiseum. Le code complet doit être publié en open source d'ici fin 2026.

L'enjeu dépasse le score de benchmark: il porte sur le passage du robot « entraîné une fois, figé ensuite » à un robot qui s'améliore en service. Si l'apprentissage en ligne à partir des échecs fonctionne hors laboratoire, il réduirait le coût d'adaptation par site, qui reste le principal frein des intégrateurs face aux modèles vision-langage-action (VLA) actuels, souvent très sensibles au changement d'environnement. Des réserves s'imposent toutefois. Le titre de l'article évoque un taux de succès de 85 % en conditions réelles, mais les éléments disponibles ne précisent ni le nombre d'essais, ni la définition de la tâche, ni la durée de l'essai en magasin. Le curling et la tour de blocs sont des démonstrations choisies, sans protocole publié, et un classement sur des benchmarks, dont certains sont en simulation, ne garantit pas la fiabilité en exploitation. Le modèle est de plus une préversion: aucune livraison ni déploiement commercial n'est annoncé, et la promesse d'open source reste à vérifier à l'échéance.

AGIBOT, qui commercialise déjà des humanoïdes de la gamme Genie, dont le G2, se place dans une course où les approches d'apprentissage continu se multiplient. Figure avec Helix, Physical Intelligence avec ses modèles π, NVIDIA avec GR00T et Tesla avec Optimus misent aussi sur des modèles généralistes entraînés sur de grands volumes de données, souvent en les gardant fermés. L'ouverture annoncée par AGIBOT, dans la lignée de ses précédents modèles GO, pourrait lui donner un avantage d'adoption auprès des laboratoires et des intégrateurs, notamment européens, qui cherchent une base ouverte plutôt qu'une pile propriétaire. Le prochain jalon vérifiable sera la publication des poids et du code d'ici fin 2026, puis des chiffres de fiabilité sur des déploiements clients mesurés dans la durée.