Hugging Face veut rendre la robotique accessible grâce à l’open source

Hugging Face a bâti sa notoriété en facilitant la circulation des modèles d’intelligence artificielle, des jeux de données et des logiciels entre chercheurs, développeurs et entreprises. En juin 2025, la société veut transposer cette logique à un domaine où l’expérimentation demeure souvent réservée aux laboratoires bien équipés : la robotique. Son cofondateur et directeur scientifique, Thomas Wolf, défend l’idée d’une robotique plus ouverte, dans laquelle les savoirs techniques ne resteraient pas concentrés entre les mains de quelques fabricants.

L’ambition ne consiste pas seulement à publier le code d’un robot. Pour qu’une communauté puisse réellement reproduire, améliorer et tester des systèmes robotiques, elle doit aussi disposer de matériel abordable, de données comparables, de logiciels communs et de méthodes de partage claires. C’est sur cet ensemble que Hugging Face souhaite intervenir, avec la bibliothèque LeRobot, l’intégration de la société bordelaise Pollen Robotics et plusieurs projets de robots à prix réduit.

De la plateforme d’IA à la robotique

À l’origine, Hugging Face s’adressait surtout aux chercheurs travaillant sur le traitement automatique du langage. La plateforme est ensuite devenue un point de rencontre beaucoup plus large pour l’intelligence artificielle. Développeurs indépendants, universitaires, start-up et grands groupes peuvent y publier ou utiliser des modèles, des jeux de données et des démonstrations interactives.

L’ampleur de cet écosystème est un atout important pour aborder la robotique. La plateforme comptabilise plus de 100 000 applications, appelées « spaces ». Ces espaces servent notamment à mettre à disposition des démonstrateurs : un utilisateur peut tester une application sans nécessairement installer tout son environnement logiciel sur son ordinateur.

La robotique pose toutefois des difficultés supplémentaires par rapport à un modèle de langage ou à un générateur d’images. Un logiciel conversationnel peut être évalué à distance avec du texte. Un robot, lui, doit percevoir un environnement physique, analyser des signaux de capteurs, choisir une action et l’exécuter sans heurter une personne, un objet ou son propre mécanisme. Il faut donc articuler le matériel, les logiciels et les données d’apprentissage.

Pourquoi les données sont-elles centrales pour les robots ?

Un robot apprend souvent à partir de démonstrations. Une personne peut par exemple lui montrer comment saisir un objet, ouvrir un tiroir ou placer une pièce à un endroit précis. Pendant cette démonstration, le système enregistre des informations : images des caméras, positions des moteurs, force exercée, commandes envoyées aux articulations et résultat obtenu.

Ces données permettent ensuite d’entraîner une politique de contrôle. Dans le vocabulaire de la robotique, une politique est le mécanisme qui transforme une observation, telle qu’une image ou la position d’un bras, en une action, telle que fermer une pince ou déplacer une articulation. Plus les données sont cohérentes et documentées, plus il devient possible de comparer les approches ou de réutiliser les travaux d’une équipe à l’autre.

C’est précisément l’un des objectifs de LeRobot, la bibliothèque open source lancée par Hugging Face. Elle vise à fournir un cadre commun pour organiser les jeux de données, entraîner des modèles et les utiliser sur des robots. L’enjeu est moins de promettre un robot universel immédiatement que de réduire la fragmentation du secteur.

La standardisation est particulièrement importante parce que les données robotiques sont coûteuses à produire. Il faut disposer d’une machine, d’un espace de test, parfois d’une personne pour la téléopérer, puis vérifier que les démonstrations sont exploitables. Si chaque laboratoire les stocke dans un format différent, leur réemploi devient complexe. En harmonisant cette base de travail, Hugging Face espère favoriser les contributions croisées de la recherche, des passionnés et des entreprises.

Pollen Robotics apporte le lien avec le matériel

La stratégie de Hugging Face ne s’arrête pas au logiciel. L’entreprise a acquis la start-up bordelaise Pollen Robotics, spécialisée dans la conception de robots. Cette opération traduit une volonté de rapprocher les outils d’IA du matériel sur lequel ils seront testés.

L’intérêt d’une telle intégration est double. D’une part, elle permet de concevoir du matériel en tenant compte, dès le départ, des besoins des développeurs de logiciels et des chercheurs qui entraînent des modèles. D’autre part, elle donne à Hugging Face une expérience concrète des contraintes physiques : choix des moteurs, intégration de caméras, calibrage, sécurité mécanique et maintenance.

Au printemps 2025, Hugging Face a présenté deux projets destinés à faire baisser la barrière financière à l’entrée : HopeJR, un robot humanoïde proposé à 3 000 euros, et Reachy Mini, annoncé à 300 euros. Ces montants doivent être compris comme un signal sur le positionnement recherché. Les robots humanoïdes et les plateformes de recherche sont habituellement des équipements bien plus onéreux, souvent difficiles à acheter pour un étudiant, un développeur indépendant ou un petit laboratoire.

Le matériel abordable, une condition de la participation

Le projet du SO-100 illustre la place accordée à la communauté. Ce bras robotisé imprimable en 3D est issu du travail d’un membre de cette communauté. En publiant ses plans en open source, Hugging Face facilite sa reproduction à un coût annoncé inférieur à 100 euros.

Cette accessibilité peut changer la manière dont la robotique est enseignée et expérimentée. Un étudiant ou un amateur n’a pas nécessairement besoin de construire un humanoïde complet pour découvrir l’apprentissage par démonstration. Un bras simple permet déjà de tester les questions essentielles : comment recueillir des données, piloter des moteurs, entraîner un modèle, évaluer ses erreurs et répéter une tâche de façon fiable.

La version avancée SO-101 est envisagée avec un objectif de coût inférieur à 500 dollars. L’écart de prix entre le SO-100 et sa version plus évoluée rappelle aussi que l’open source ne supprime pas les contraintes matérielles. Les composants mécaniques, les moteurs, les capteurs, l’assemblage et la livraison ont un coût. L’ouverture peut néanmoins permettre de rendre ces compromis visibles, de partager des améliorations et de réduire les dépenses liées à des systèmes propriétaires fermés.

Un modèle économique qui maintient l’accès ouvert

Hugging Face affirme ne pas vouloir restreindre l’accès à la majorité des fonctions gratuites de sa plateforme. Cette position est au cœur de sa stratégie : attirer une communauté large, faciliter la publication de ressources et laisser les utilisateurs bâtir des projets sur une base commune.

L’entreprise finance parallèlement son activité par plusieurs sources de revenus. Le conseil auprès de grands comptes, dont Amazon et Nvidia, participe à cet équilibre. Hugging Face propose aussi une offre Enterprise Hub et des abonnements individuels. Ce modèle hybride lui permet de faire coexister une partie ouverte, utile pour la diffusion et la collaboration, avec des services payants destinés aux organisations ayant des besoins spécifiques de sécurité, de gestion ou d’accompagnement.

Dans la robotique, cette distinction pourrait être déterminante. Les ressources ouvertes peuvent accélérer la recherche et l’expérimentation, tandis que les entreprises peuvent avoir besoin d’intégrations sur mesure, de déploiements internes ou de soutien technique. Hugging Face ne présente pas encore la robotique comme son activité centrale, mais elle envisage que la vente de robots abordables puisse à terme contribuer à diversifier ses revenus.

Le défi du transfert entre robots

Partager des données et du code est une première étape. Faire fonctionner le même modèle sur des robots différents est une difficulté autrement plus grande. Un bras robotisé, un petit robot de table et un humanoïde ne possèdent ni les mêmes articulations, ni les mêmes caméras, ni les mêmes capacités de mouvement. Une action apprise sur l’un ne se transpose donc pas automatiquement sur l’autre.

C’est ce que les spécialistes désignent souvent comme le problème du transfert. Un modèle peut avoir appris à saisir une tasse avec un certain bras, placé à une certaine hauteur et équipé d’une certaine pince. S’il est installé sur une autre machine, il doit composer avec des moteurs différents, des images différentes et parfois une autre manière de définir les commandes. La variabilité du monde réel s’ajoute à ces écarts : éclairage, objets, surfaces, présence humaine ou imprévus mécaniques.

La promesse de LeRobot est de créer des bases communes permettant de mieux documenter ces différences et de partager des méthodes d’apprentissage. Mais la standardisation des formats ne suffit pas, à elle seule, à rendre un modèle universel. Elle peut en revanche aider les chercheurs à mesurer ce qui fonctionne, à reproduire les expériences et à construire progressivement des ponts entre plateformes.

Miser aussi sur des modèles plus petits

Thomas Wolf défend également l’intérêt des modèles de petite taille, un segment que les grands groupes technologiques tendent moins à mettre en avant que les systèmes géants. En robotique, cette orientation a une logique pratique : un robot doit souvent réagir rapidement, parfois avec une puissance de calcul limitée à bord.

Un modèle plus compact peut être plus facile à exécuter localement, avec moins de dépendance à une connexion distante. Cette contrainte est importante lorsque la latence, c’est-à-dire le délai entre la perception et l’action, peut affecter la qualité du mouvement. Les petits modèles ne remplaceront pas nécessairement les systèmes les plus puissants, mais ils peuvent convenir à des tâches ciblées et faciliter l’expérimentation sur du matériel accessible.

L’approche de Hugging Face consiste ainsi à partager non seulement des modèles, mais aussi les recettes permettant de les utiliser : jeux de données, outils logiciels et méthodes de travail. Cette ouverture cherche à stimuler un écosystème dans lequel une amélioration conçue par un contributeur peut être reprise, vérifiée et adaptée par d’autres.

Ce qu’il faut surveiller

La stratégie de Hugging Face sera jugée sur sa capacité à faire émerger une communauté active autour de LeRobot et des plateformes matérielles ouvertes. Le nombre de projets publiés importe, mais la qualité des données, la facilité de reproduction des expériences et la documentation compteront tout autant.

Il faudra aussi observer si des standards pratiques se dégagent pour décrire les démonstrations robotiques et évaluer les politiques de contrôle. Un langage commun entre matériels différents pourrait accélérer les progrès, mais il devra composer avec la diversité des fabricants et des usages.

Enfin, l’accessibilité ne dispense pas de rigueur. Des robots plus faciles à acheter et à assembler impliquent de mieux expliquer leurs limites, de promouvoir des tests prudents et de distinguer clairement le prototype de recherche du produit prêt pour un usage quotidien. Pour Thomas Wolf et Hugging Face, l’enjeu est de faire de cette ouverture un moteur d’innovation collective, sans masquer les contraintes bien réelles du monde physique.