Robotique et IA : comment les robots apprennent à agir dans nos usines et nos foyers

Voir un robot ranger des aliments en tenant compte de leur forme et de leurs conditions de conservation ne relève plus seulement de la science-fiction. En février, une vidéo montrant deux robots humanoïdes coordonnés pour placer des courses dans un placard et un réfrigérateur a dépassé 1,3 million de vues. La scène a frappé les esprits parce qu’elle condense une ambition ancienne de la robotique : faire évoluer une machine dans un environnement ordinaire, désordonné et rempli d’objets différents.

En octobre 2025, l’intelligence artificielle change la nature même de cette ambition. Pendant longtemps, un robot industriel excellait lorsqu’il répétait, dans un espace très contrôlé, une séquence écrite à l’avance. Les nouveaux systèmes tentent au contraire de lui donner les moyens d’interpréter une consigne en langage courant, d’analyser une scène et de produire le geste approprié. Cette évolution nourrit autant les projets d’humanoïdes dans les usines que la perspective, plus lointaine, d’assistants dans les foyers.

Des robots moins dépendants de scripts rigides

La robotique classique repose largement sur la programmation de trajectoires précises. C’est très efficace lorsqu’une pièce arrive toujours au même endroit, qu’un bras doit effectuer le même mouvement et que l’environnement ne change pas. Mais un domicile, un entrepôt ou un atelier réel ne se comporte pas ainsi : les objets peuvent être déplacés, cachés, fragiles, inconnus ou présentés sous des orientations variées.

Les progrès récents de l’IA générative visent à rendre les robots plus adaptables face à cette diversité. Au lieu de suivre exclusivement une liste fermée de règles, ils peuvent s’appuyer sur des modèles entraînés à reconnaître des images, comprendre des instructions et établir des correspondances entre des situations vues et des actions possibles. L’objectif n’est pas de supprimer toute programmation, mais de remplacer une partie des scénarios écrits manuellement par une capacité d’interprétation plus souple.

Cette nuance est importante. Dire qu’un robot « apprend » ne signifie pas qu’il raisonne comme un humain ni qu’il peut réussir n’importe quelle tâche sans préparation. Dans la pratique, il doit encore disposer de capteurs, de données d’entraînement, de mécanismes de contrôle et de consignes de sécurité. L’IA apporte une couche de compréhension et de planification, tandis que les moteurs, les pinces et les articulations doivent réaliser un mouvement fiable dans le monde physique.

Les démonstrations d’humanoïdes montrent un cap, pas encore une généralisation

Les vidéos de robots humanoïdes se sont multipliées. Helix, conçu par Figure AI, a été montré en train d’effectuer des tâches domestiques, comme ranger un lave-vaisselle ou plier du linge. De son côté, Optimus, le robot de Tesla, a attiré l’attention par des démonstrations de polyvalence, y compris des séquences de danse ou de kung-fu.

Ces images sont utiles pour visualiser les progrès de la mobilité, de la coordination et de la manipulation. Elles doivent toutefois être lues avec prudence. Une démonstration montre qu’un système est capable d’accomplir une tâche dans des conditions données. Elle ne suffit pas, à elle seule, à prouver qu’il pourra réussir cette tâche de façon répétée, rapide et sûre dans tous les logements ou toutes les usines.

Le doute qui entoure certaines vidéos ne retire donc pas leur intérêt technique. Il rappelle surtout l’écart entre une performance spectaculaire et un produit réellement déployable. Pour passer de l’une à l’autre, les entreprises doivent démontrer la robustesse de leur robot face aux imprévus, sa capacité à éviter les erreurs coûteuses et sa compatibilité avec les exigences de sécurité des lieux où il intervient.

Dans ce paysage, la forme humanoïde présente un avantage potentiel : ateliers, entrepôts et logements ont été conçus pour des personnes, avec des poignées, des étagères, des escaliers, des plans de travail et des outils à hauteur humaine. Mais elle impose également une mécanique complexe. Marcher, garder l’équilibre et manipuler délicatement un objet sont autant de problèmes qui doivent fonctionner en même temps.

VLM et VLA, les modèles qui relient le regard, les mots et les gestes

Derrière ces capacités se trouvent notamment deux familles de modèles : les VLM, pour Vision Language Models, et les VLA, pour Vision-Language-Action. Leur nom résume leur rôle. Les premiers relient des contenus visuels à la compréhension du langage. Les seconds prolongent cette compréhension jusqu’à une commande d’action utilisable par un robot.

Jean-Baptiste Mouret, directeur de recherche à Nancy, souligne que ces modèles peuvent analyser du texte, des images et des vidéos. Cette polyvalence répond à une limite structurante de la robotique : une action utile dépend rarement d’une seule information. Pour débarrasser une table, par exemple, il faut reconnaître les objets, comprendre lesquels sont fragiles ou sales, recevoir la consigne et choisir un ordre de manipulation.

Les grands modèles de langage, ou LLM, apportent ici une compétence supplémentaire : ils sont entraînés sur de très grands volumes de textes et peuvent exploiter des régularités du langage humain. Jean-Baptiste Mouret évoque un « sens commun » qui aide les machines à mieux interpréter leur environnement. Il faut entendre cette expression comme une capacité statistique à associer des objets, des usages et des consignes, et non comme une expérience humaine du monde.

L’apprentissage zero-shot, une promesse d’adaptation aux objets inconnus

L’une des idées les plus suivies est l’apprentissage dit zero-shot. Son principe est simple à énoncer : un robot devrait pouvoir aborder une tâche ou un objet qu’il n’a pas rencontré précisément pendant son entraînement. Il s’appuierait alors sur des connaissances plus générales, tirées de ce qu’il a déjà observé, ainsi que sur les informations disponibles au moment d’agir.

Dans le cas d’un robot domestique, cela peut prendre la forme d’une instruction vocale accompagnée d’images de la scène. La machine doit alors relier les mots entendus à ce qu’elle voit. Si un utilisateur lui demande de préparer du café, elle peut analyser l’image de la machine à café, identifier des éléments pertinents et générer une succession d’instructions à convertir en gestes.

Aymeric Bethencourt, architecte en robotique chez IBM, résume cette évolution en disant que l’IA générative offre un « cerveau » aux machines. La formule traduit une différence majeure avec les systèmes qui ne font qu’exécuter une séquence prédéfinie. Le modèle peut participer à la décomposition d’un objectif en étapes. Mais la réussite dépend toujours de l’exécution physique : une instruction cohérente reste inutile si la main robotique ne sait pas appuyer au bon endroit ou saisir sans renverser.

Le zero-shot ne doit donc pas être compris comme l’absence totale d’apprentissage. Le robot s’appuie, au contraire, sur un entraînement antérieur très important. Ce qui change est sa faculté à réutiliser cet entraînement pour faire face à une situation nouvelle, sans qu’un développeur ait programmé une règle particulière pour chaque tasse, chaque tiroir ou chaque emballage.

Pourquoi les données physiques restent le nerf de la guerre

La disponibilité des données est l’une des différences les plus nettes entre l’IA du langage et la robotique. Les modèles de langage ont pu apprendre à partir d’immenses collections de textes. Les robots, eux, ont besoin d’exemples qui associent des perceptions du monde réel à des mouvements : une image, une position, une force exercée, une trajectoire, une réussite ou un échec.

Jean-Baptiste Mouret pointe l’absence d’une véritable « Wikipédia de la robotique ». Autrement dit, il n’existe pas un équivalent simple et abondant des corpus textuels, où chaque manipulation du monde physique serait documentée, étiquetée et immédiatement réutilisable pour entraîner une machine. Collecter ces données exige du matériel, du temps et souvent l’intervention humaine.

Certaines méthodes consistent ainsi à faire piloter un robot par un opérateur équipé d’outils de réalité virtuelle. Les gestes humains produisent alors des exemples dont la machine peut apprendre. Le procédé est riche en informations, mais il peut être long et coûteux, surtout si l’on veut couvrir une grande diversité de tâches, de logements, d’outils et d’incidents possibles.

Pour contourner une partie de cette contrainte, les entreprises se tournent vers les environnements numériques. Dans ces simulations, un robot peut être confronté à de nombreuses configurations sans risque de casse ni danger pour une personne. Google DeepMind s’inscrit dans cette approche avec Geni 3, qui illustre le recours à des mondes virtuels pour accélérer l’apprentissage et l’évaluation.

De l’usine au domicile, des usages qui n’exigent pas le même niveau de fiabilité

Les premiers débouchés se situent logiquement là où les tâches sont les mieux définies et où les gains sont les plus immédiatement mesurables. Des robots humanoïdes sont déjà employés dans des usines, notamment chez BMW et Mercedes, pour effectuer différents travaux. Leur intérêt tient à leur aptitude potentielle à prendre en charge des opérations complexes, répétitives ou dangereuses.

Le contrôle qualité et la maintenance figurent parmi les missions envisagées. Dans ce contexte, l’objectif n’est pas seulement d’augmenter l’automatisation. Il peut aussi être de réduire l’exposition des salariés à certaines situations difficiles et de disposer de machines capables de s’adapter à des postes conçus pour des humains.

L’arrivée dans les foyers pose une équation plus exigeante. Une usine peut être organisée, surveillée et adaptée à un parc de robots. Un logement est plus variable : enfants, animaux, escaliers, objets fragiles, espaces étroits et habitudes différentes compliquent la tâche. Les robots domestiques devront donc gagner en fiabilité, en sécurité et en simplicité d’utilisation avant de prétendre soulager largement les tâches ménagères.

Les secteurs de la santé et des services à la personne sont également concernés. Une assistance robotique pourrait aider les professionnels dans certaines missions. Mais ces domaines impliquent des personnes vulnérables et des situations sensibles : la technologie devra y faire la preuve de son utilité concrète et de sa sûreté, bien au-delà de la seule démonstration technique.

Un marché en expansion, porté par des attentes très diverses

Les perspectives économiques expliquent l’intensité de la compétition. Selon les projections citées, le marché mondial de l’intelligence artificielle appliquée à la robotique pourrait atteindre près de 62,85 milliards de dollars en 2029, avec un taux de croissance annuel de 28,6 %. L’automobile, l’aérospatiale, la défense, la santé et les services figurent parmi les domaines qui alimentent cet intérêt.

Ce chiffre reflète une ambition plus large que celle des humanoïdes. L’IA peut renforcer de nombreux équipements robotisés, qu’il s’agisse de bras fixes, de machines de contrôle, de systèmes mobiles ou d’assistants spécialisés. L’humanoïde attire l’attention parce qu’il incarne une forme universelle, mais un robot n’a pas besoin de ressembler à une personne pour être utile ou rentable.

La vraie valeur économique dépendra de critères très concrets : coût d’achat et de maintenance, rapidité d’exécution, taux d’erreur, facilité d’intégration, consommation énergétique et capacité à fonctionner longtemps sans assistance humaine. Dans une usine comme dans un service, un robot sera jugé sur cette régularité, et non sur l’effet produit par une vidéo.

Ce qu’il faut surveiller avant la robotisation du quotidien

La progression actuelle rapproche les robots d’une forme de polyvalence longtemps hors de portée. Vision, langage et action commencent à être réunis dans les mêmes systèmes, ce qui ouvre la voie à des machines moins dépendantes de scénarios figés. Mais le monde physique reste beaucoup plus difficile à maîtriser qu’un écran ou un texte.

Trois sujets seront particulièrement déterminants. Le premier est l’accès aux données de manipulation nécessaires pour entraîner les modèles. Le deuxième est la capacité à transférer les apprentissages de la simulation vers la réalité sans multiplier les erreurs. Le troisième concerne la sécurité, y compris la cybersécurité, car un robot connecté et mobile peut causer des dommages s’il interprète mal une situation ou si son fonctionnement est compromis.

À l’horizon des années 2035-2040, les robots dotés d’IA pourraient occuper une place croissante dans les ménages, selon les perspectives évoquées. Entre cette promesse et une présence quotidienne généralisée, il reste toutefois un chemin technique considérable. Les démonstrations actuelles montrent que les robots apprennent à voir, comprendre et agir ensemble. Le défi des prochaines années sera de vérifier qu’ils savent le faire de manière sûre, reproductible et réellement utile.