Le PDG de Yushu (une entreprise technologique) est-il en train de tempérer les ardeurs ? Combien de temps faudra-t-il avant l'avènement de l'intelligence incarnée à la « ChatGPT » ?

Une tendance croissante se dessine : l'industrie de l'intelligence incarnée condense le calendrier, auparavant lointain, des « robots à usage général » en un seul cycle technologique dans le futur.

À l'heure où les robots humanoïdes sont au sommet de leur popularité, le dirigeant de la « première entreprise de robots humanoïdes » cotée sur le marché des actions A semble avoir douché les espoirs du secteur.

Le 20 août, lors de la Conférence mondiale sur la robotique 2026, Wang Xingxing, fondateur d'Unitree Robotics, a admis, lors de sa première prise de parole publique depuis l'introduction en bourse de la société, que l'avènement de ChatGPT, l'intelligence incarnée, n'était pas encore arrivé. Il faudrait peut-être attendre deux à trois ans, ou au plus tard cinq à dix ans.

Ces deux dernières années, les robots humanoïdes sont devenus l'accessoire technologique le plus en vogue. Ces robots futuristes sont de plus en plus présents sur les scènes des grands galas, lors des salons de l'industrie du jeu vidéo, et même aux entrées des centres commerciaux et des magasins. Ils dansent, marchent et saluent, parfois avec agilité, parfois maladroitement, interagissant avec le public et serrant des mains, passant rapidement du laboratoire à l'espace public.

Mais derrière ces démonstrations spectaculaires, les capacités réelles de ces robots sont loin de l'image que l'on se fait des « robots du futur ». Selon une conception plus générale, les robots ne devraient pas se contenter de performances scéniques ou de servir des objectifs marketing, mais devraient intégrer les usines et les foyers, déplacer des objets, organiser le quotidien, utiliser des outils, ou encore effectuer certaines tâches ménagères et des soins. La question que se pose le public demeure précise et directe : quand les robots seront-ils réellement capables de travailler ?

Dans le domaine des grands modèles de langage, ChatGPT a apporté une réponse hautement symbolique. Bien qu'il ne s'agisse pas du premier modèle de langage, il a été le premier à permettre à un grand nombre d'utilisateurs de comprendre intuitivement que l'IA avait franchi un certain seuil de capacités. La question de savoir quand un moment similaire se produira dans le domaine de l'intelligence incarnée devient progressivement l'une des plus pressantes de l'industrie robotique.

La clé de l'intégration des robots dans tous les foyers réside dans leur capacité de généralisation.

Lors de la Conférence mondiale sur la robotique qui s'est tenue le 20 août, Wang Xingxing, fondateur d'Unitree Robotics, a souligné un problème qui a été maintes fois évoqué dans le secteur comme étant le principal obstacle à l'intelligence incarnée.

Selon lui, de nombreux modèles de robots peuvent atteindre un taux de réussite proche de 100 % dans des scénarios fixes, à condition de disposer de données de collecte et d'un entraînement suffisants. Cependant, ce taux peut chuter considérablement si l'objet manipulé change ou si l'environnement est légèrement modifié.

C’est également l’obstacle le plus important avant que les robots puissent véritablement entrer dans nos vies et nos foyers.

Wang Xingxing a proposé un critère assez précis : si un jour, un robot peut être introduit dans un foyer ou un environnement totalement inconnu et accomplir environ 80 % des tâches uniquement par la voix ou des commandes verbales, alors l’intelligence incarnée aura atteint son « moment ChatGPT ». Quant au calendrier, il estime que cela pourrait prendre au plus vite 2 à 3 ans, et au plus long 5 à 10 ans.

Wang Xingxing a particulièrement souligné que la véritable difficulté ne réside pas dans le fait de faire en sorte que le robot « sache globalement quoi faire », mais dans les derniers centimètres, voire les derniers millimètres.

Par exemple, si vous demandez à un robot de saisir un objet, le modèle peut avoir correctement planifié l'ensemble de l'action et le bras robotisé peut s'être déplacé à proximité de l'objet. Cependant, si l'erreur de positionnement finale, le retour tactile ou la force de préhension ne sont pas correctement corrigés, la tâche entière peut échouer.

C’est également là que les robots et les grands modèles de langage diffèrent considérablement.

Les entrées et sorties d'un modèle de langage se déroulent toujours dans l'espace numérique, tandis que chaque perception et action d'un robot doit interagir avec le monde physique réel. Les capteurs génèrent du bruit, les actionneurs présentent des erreurs, et la position, la matière et le poids des objets changent constamment ; ces erreurs s'accumulent au fur et à mesure de l'exécution des tâches. Par conséquent, pour l'intelligence incarnée, passer de la simple capacité à « faire quelque chose de façon basique » à la « faire correctement et de façon constante » peut s'avérer plus difficile que l'apprentissage initial d'une tâche.

Presque simultanément à l'évaluation de Wang Xingxing mentionnée précédemment, Wang He, fondateur et directeur technique de Galaxy General, a également avancé une date plus précise. Il a déclaré qu'avec l'accumulation continue de données et de nouvelles avancées technologiques, l'intelligence artificielle devrait atteindre son « moment ChatGPT » en 2028. Il définit cette étape comme le moment où les robots seront capables d'accomplir environ 70 % à 80 % des tâches quotidiennes sans formation spécifique.

Leurs conclusions sont en réalité très proches. Wang Xingxing s'intéresse au taux d'achèvement des tâches par le robot après son entrée dans un environnement inconnu, tandis que Wang He privilégie la capacité de généralisation directe du modèle de base sans entraînement spécifique. Toutefois, tous deux fixent le seuil critique à un taux de réussite d'environ 70 à 80 % pour les tâches inconnues.

Cela signifie également que le « moment ChatGPT » dont ils parlent ne correspond ni à la mobilité dont font preuve les robots humanoïdes aujourd'hui, ni au taux de réussite de 99 % atteint par une démonstration statique et parfaitement entraînée. Le véritable changement devrait se produire lorsque les robots s'affranchiront de leur dépendance aux scènes fixes, aux objets fixes et à un entraînement spécialisé.

Quand les robots comprendront-ils vraiment quelque chose ? On s’accorde à dire que cela prendra entre 2 et 5 ans.

Il y a un mois à peine, lors de la Conférence mondiale sur l'intelligence artificielle 2026 (WAIC), une table ronde a posé la même question à six entrepreneurs et chercheurs de premier plan dans le domaine de l'intelligence incarnée.

Le 19 juillet, lors du « Forum sur l'intelligence incarnée » organisé par Zhiyuan Robotics et Mifeng Technology, l'animateur a posé une question très directe aux six invités lors de la table ronde finale : Combien d'années avant le moment ChatGPT pour les robots ?

Les résultats étaient étonnamment concentrés. Yao Maoqing, associé de Zhiyuan Robotics et président-directeur général de Mifeng Technology, a estimé le délai à deux ans ; Tony Zhao, cofondateur et PDG de Sunday Robotics, a évalué ce délai à trois ans ; Zhang Zhengyou, directeur scientifique de Tencent et directeur de Robotics X Lab, a avancé une estimation de trois à cinq ans ; Ma Yecheng, cofondateur et directeur scientifique de Dyna Robotics, a estimé qu'il faudrait environ quatre ans ; Ren Zhiyi, chercheur en intelligence physique, a évalué ce délai à quatre ou cinq ans ; et Xu Danfei, professeur au Georgia Institute of Technology, a avancé une estimation de cinq ans.

Les six personnes provenaient d'entreprises et d'instituts de recherche complètement différents, et leurs approches techniques différaient également, mais leurs réponses finales étaient toutes axées sur les deux à cinq prochaines années.

Parmi eux, Yao Maoqing est le plus optimiste. Son analyse repose principalement sur la croissance du volume de données. Selon lui, les principaux obstacles au développement de l'IA physique se résument à trois points : « les données, leur représentation et la boucle de rétroaction ». Contrairement aux masses de textes et d'images facilement accessibles sur Internet, les données d'interaction avec des robots dans le monde réel sont non seulement coûteuses, mais aussi limitées par les différences entre les robots, les tâches et les contextes.

Un robot véritablement opérationnel doit comprendre des commandes en langage naturel ouvertes et atteindre un taux de réussite de base d'environ 70 à 80 % pour les tâches courantes. Pour ce faire, l'intelligence incarnée requiert des données à une échelle bien supérieure aux niveaux actuels. Il a même suggéré qu'à l'avenir, il pourrait être nécessaire de disposer de données de l'ordre de centaines de millions d'heures.

En d'autres termes, dans le cadre d'analyse de Yao Maoqing, le « moment ChatGPT » est en grande partie un problème de mise à l'échelle : lorsque les données du monde réel, les données de simulation, les vidéos Internet, les données de perspective à la première personne et les données renvoyées après le déploiement du robot atteignent progressivement une certaine échelle, les capacités du modèle peuvent également franchir le point critique.

Zhao Zihao, de Sunday Robotics, s'est quant à lui fixé un délai de moins de trois ans. Plutôt que de se concentrer uniquement sur la complexité croissante des robots, il s'intéresse davantage à la maturité de leur « cerveau ». Sunday Robotics s'est longtemps concentré sur les robots domestiques et les modèles de base. L'entreprise part du principe que si un modèle de robot de base suffisamment performant est capable de comprendre des environnements et des tâches complexes, même avec des pinces relativement simples et peu coûteuses, il pourra résoudre un grand nombre de problèmes pratiques.

Zhang Zhengyou se montra beaucoup plus prudent. Il évoqua un délai de 3 à 5 ans, tout en soulignant que cela ne signifiait pas que l'industrie devait simplement attendre l'émergence soudaine d'un modèle plus vaste. Une condition essentielle au déploiement rapide des grands modèles de langage est que l'architecture Transformer soit progressivement unifiée. Or, l'intelligence robotique ne repose pas encore sur un paradigme technologique aussi clair.

De la cognition de haut niveau, la perception visuelle et la planification des tâches au contrôle des mouvements en temps réel, au retour d'information corporel et aux réponses de sécurité, un robot doit gérer simultanément des problèmes à différentes échelles temporelles. Par conséquent, les véritables avancées nécessitent des progrès dans l'acquisition de données, la simulation, le déploiement en conditions réelles, la récupération après panne et le développement simultané du matériel et des modèles, plutôt que de simplement reproduire la loi d'échelle des grands modèles de langage. C'est pourquoi, dans son évaluation, Zhang Zhengyou a insisté sur le fait que l'industrie doit encore « travailler avec diligence et pragmatisme ».

Ma Yecheng de Dyna Robotics estime un délai d'environ quatre ans. Son estimation repose principalement sur un déploiement commercial. Pour une démonstration en laboratoire, un taux de réussite de 80 % ou 90 % pourrait suffire à prouver l'efficacité de la technologie ; cependant, pour une usine ou une entreprise de services qui achète réellement des robots, une telle fiabilité est souvent loin d'être suffisante. Par conséquent, le « moment ChatGPT » de l'intelligence embarquée signifie non seulement que le robot peut comprendre davantage de tâches, mais aussi qu'il doit être perfectionné jusqu'à un niveau de fiabilité acceptable pour les environnements commerciaux réels.

Ren Zhiyi, de Physical Intelligence, a avancé un délai de 4 à 5 ans. Il a précisé qu'avant de rejoindre Physical Intelligence, il pensait que ce processus pourrait prendre 10 ans, mais que le développement de modèles de robots de base au cours de l'année écoulée avait considérablement réduit ses attentes.

Physical Intelligence est une entreprise pionnière dans l'approche du « modèle de base pour robots », qui vise à permettre à un même modèle d'acquérir progressivement des capacités opérationnelles plus étendues grâce à un apprentissage sur des données inter-ontologies et inter-tâches. L'enjeu majeur de cette approche réside dans la capacité du robot à développer continuellement de nouvelles fonctionnalités à mesure que le modèle et les données s'étendent, produisant ainsi un effet similaire à l'apprentissage par transfert zéro-shot dans les grands modèles de langage.

Le professeur Xu Danfei, du Georgia Institute of Technology, a proposé la réponse la plus prudente, mais même celle-ci ne portait que sur cinq ans. Plutôt que de miser sur une approche de modélisation spécifique, il s'est concentré sur trois critères plus fondamentaux : la capacité du modèle à réellement apprendre des données, la généralisation des compétences acquises à de nouveaux environnements et tâches, et la capacité de la vitesse d'inférence à répondre aux exigences opérationnelles en temps réel du robot dans le monde réel.

Lorsque nous combinons les propos de Wang Xingxing (« dans les 2 à 3 ans les plus rapides »), celui de Wang He (« 2028 ») et les réponses des six invités de la WAIC, un phénomène de plus en plus évident se dégage : l'industrie de l'intelligence incarnée comprime le calendrier auparavant lointain des « robots généraux » dans un cycle technologique futur.

S'agit-il d'une étape historique marquante ou d'un processus graduel ?

Cependant, bien que ces entrepreneurs et chercheurs se rapprochent de plus en plus de leurs prédictions quant au calendrier, ils n'utilisent pas réellement le même ensemble de critères pour discuter du « moment ChatGPT ».

Wang He s'intéresse au bond en avant des capacités du modèle de base lui-même. Selon sa définition, l'intelligence incarnée atteint un point critique, similaire à celui de ChatGPT, lorsqu'un robot n'a plus besoin d'être réentraîné pour chaque nouvelle tâche et peut accomplir 70 à 80 % des tâches quotidiennes en utilisant uniquement le modèle de base. Ce critère mesure principalement la capacité du modèle à passer d'une « intelligence spécialisée » pour des tâches spécifiques à une intelligence générale dotée d'une forte transférabilité.

Le critère de Wang Xingxing est plus proche des performances réelles des robots. Il considère également un taux d'achèvement des tâches d'environ 80 % comme un seuil important, mais insiste sur la capacité du robot à accomplir la plupart des tâches en se basant uniquement sur des commandes vocales lorsqu'il évolue dans un environnement inconnu. Selon lui, de nombreux robots actuels atteignent un taux de réussite élevé dans des environnements fixes et bien entraînés. Le véritable défi consiste à déterminer si le modèle peut continuer à fonctionner après des modifications de l'environnement, des objets ou des tâches.

Ces deux définitions semblent similaires, mais elles se concentrent en réalité sur des niveaux différents. Même si un modèle possède de bonnes capacités d'apprentissage précoce ou de polyvalence, cela ne signifie pas qu'un robot qui en est équipé devienne un outil de production fiable. Wang Xingxing a mentionné lors du WRC qu'Unitree avait déjà déployé des robots dans des usines automobiles et ses propres usines, et que ces robots pouvaient effectuer des tâches d'assemblage simples, mais qu'un déploiement à grande échelle restait impossible. Une des principales raisons est que l'efficacité des robots demeure inférieure à celle des humains, et qu'ils doivent souvent être réentraînés pour accomplir de nouvelles tâches.

Gao Jiyang, PDG de Xinghaitu, a proposé une double analyse intéressante de cette question. Dans la feuille de route sectorielle présentée lors de la WRC de cette année, Xinghaitu a explicitement désigné 2027 comme l'année charnière pour la technologie GPT, estimant qu'une fois que la loi d'échelle aura permis aux capacités du modèle de base d'atteindre un point d'inflexion, les scénarios d'application verticale commenceront à s'accélérer. Cependant, le véritable point d'inflexion de la commercialisation se situe en 2028, suivi d'une pénétration en profondeur en 2029 et d'un déploiement à grande échelle en 2030.

Toutefois, lorsqu'on lui a demandé si l'intelligence incarnée pourrait reproduire un moment historique comme ChatGPT, Gao Jiyang a explicitement déclaré qu'il estimait « très probable qu'un tel moment ne se produise pas ». La raison en est que l'intelligence incarnée ne se popularisera pas instantanément grâce à un logiciel accessible à tous, mais qu'elle émergera plus vraisemblablement dans les contextes B2B, se déployant progressivement secteur par secteur et tâche par tâche.

Il est peu probable que les avancées technologiques et la prise de conscience instantanée du grand public se produisent simultanément. En effet, la croissance fulgurante de la pensée sociétale repose sur la possibilité pour chacun d'en faire l'expérience directe via un téléphone mobile ou un ordinateur, tandis que les premières applications de l'intelligence incarnée se situent dans des contextes de production tels que les usines et les entrepôts, ce qui rend sa perception directe difficile pour le grand public. Par conséquent, les tournants industriels émergeront progressivement, de manière subtile et insidieuse, pour devenir omniprésents au moment où le public les percevra soudainement.

Ces deux affirmations ne sont pas totalement contradictoires. Gao Jiyang établit en effet une distinction entre le point d'inflexion technologique des capacités du modèle et le point d'inflexion social de la diffusion industrielle : le premier peut apparaître relativement clairement au cours d'une année donnée, tandis que le second nécessite une validation du scénario, une production à grande échelle, une réduction des coûts et la maturité du modèle économique pour se diffuser progressivement dans le monde réel.

C'est également l'une des différences majeures entre les robots et les grands modèles de langage. Après le lancement de ChatGPT en novembre 2022, les améliorations apportées aux capacités du modèle ont pu être communiquées aux utilisateurs du monde entier quasiment le même jour. Pour un logiciel, tant que le serveur et la puissance de calcul le permettent, le coût d'acquisition d'un nouvel utilisateur reste relativement limité. Les utilisateurs peuvent immédiatement constater le progrès réalisé en ouvrant simplement une page web et en posant une question. Ainsi, les avancées technologiques, les lancements de produits et l'adoption à grande échelle par les utilisateurs se sont déroulés quasiment simultanément avec ChatGPT.

Les robots, cependant, doivent interagir avec le monde physique par le biais d'un corps réel. Même si un modèle de base acquérait soudainement des capacités de généralisation bien supérieures demain, ces capacités doivent encore être traduites en mouvements concrets grâce à des puces, des capteurs, des articulations, des mains articulées et des actionneurs, tout en relevant une série de défis d'ingénierie tels que la précision, la stabilité, la sécurité, la durée de vie, la maintenance et le coût.

Par conséquent, l'intelligence incarnée pourrait avoir du mal à reproduire un jalon historique aussi clair que le 30 novembre 2022. Elle se manifestera plus vraisemblablement par une série de points de basculement qui émergent progressivement. Même si, plus tard, on tente de confirmer le « moment ChatGPT de l'intelligence incarnée », il est possible qu'aucun point ne fasse consensus.