L’intelligence artificielle physique désigne des systèmes d’IA qui ne se limitent pas à interpréter du texte, des images ou des données. Ils reçoivent des informations provenant de caméras, de microphones, de capteurs de force, de codeurs articulaires et d’autres appareils, puis les utilisent pour contrôler une machine dans le monde physique. Cette machine peut être un bras robotisé, un véhicule d’entrepôt, un robot humanoïde, un drone ou un équipement de laboratoire autonome. La principale difficulté vient du fait que les environnements réels ne sont jamais parfaitement prévisibles. Les objets bougent, l’éclairage change, les surfaces réagissent différemment et des personnes peuvent interrompre une tâche sans prévenir. En 2026, la recherche est passée de mouvements étroitement programmés à des modèles capables d’associer compréhension visuelle, instructions écrites ou orales, raisonnement spatial et contrôle moteur. Les progrès sont importants, mais ils doivent être considérés avec prudence : les systèmes actuels peuvent exécuter des tâches plus variées que les anciens robots, mais leur fonctionnement fiable dans n’importe quel environnement inconnu reste un problème non résolu.
De l’intelligence numérique aux machines capables de percevoir et de bouger
Un modèle d’IA classique peut identifier un objet sur une photographie ou expliquer comment le saisir. Un modèle d’IA physique doit également localiser cet objet, estimer sa forme et sa position, choisir une approche sûre, fermer une pince avec une force adaptée et vérifier que la prise a réussi. Cette différence est souvent décrite par la notion d’incarnation : l’intelligence est reliée à un corps possédant des dimensions, des articulations, des capteurs et des limites spécifiques. Un petit bras de table ne peut pas effectuer les mêmes mouvements qu’un humanoïde, tandis qu’un robot à roues ne peut pas enjamber un obstacle. Les modèles efficaces doivent donc connaître à la fois la tâche à accomplir et la machine qui l’exécute. Ils doivent également respecter des contraintes pratiques telles que la portée, l’équilibre, le niveau de batterie, la charge utile, la vitesse et la présence de personnes à proximité.
De nombreux systèmes actuels utilisent des modèles vision-langage-action, généralement appelés modèles VLA. Ils combinent les images fournies par les caméras avec une instruction en langage naturel, puis produisent une séquence d’actions. L’instruction peut être « placez la tasse rouge dans le tiroir supérieur », tandis que l’entrée visuelle montre la pièce, les meubles et les objets disponibles. Le modèle associe les mots aux éléments visibles, divise la demande en étapes plus simples et génère les mouvements du robot. Certaines architectures séparent le raisonnement de haut niveau du contrôle moteur de bas niveau. Un composant de raisonnement détermine ce qui doit se passer ensuite, tandis qu’un modèle de contrôle traduit ce plan en mouvements articulaires. Cette séparation est utile, car planifier une tâche et maintenir un mouvement stable nécessitent des traitements différents, même lorsque ces fonctions coopèrent au sein d’un même système.
Les exemples présentés avant 2026 montrent la rapidité avec laquelle cette approche évolue. Google DeepMind a présenté Gemini Robotics 2 comme un modèle VLA destiné à des corps robotiques allant des appareils de table aux humanoïdes, avec un contrôle de l’ensemble du corps, une manipulation précise et la capacité de réagir à des instructions actualisées. Son modèle On-Device 2 est conçu pour fonctionner localement lorsque l’accès au réseau est limité. Physical Intelligence a décrit π0.7 comme un modèle robotique généraliste entraîné à partir de démonstrations, de tentatives autonomes imparfaites et de données provenant de plusieurs types de robots. Les travaux Cosmos 3 de NVIDIA portent sur des modèles capables d’interpréter et de simuler des scènes physiques, tandis que ses recherches GR00T visent l’apprentissage robotique général. Ces avancées constituent des repères importants pour la recherche, mais les démonstrations et les modèles en accès anticipé ne correspondent pas encore à un fonctionnement autonome éprouvé dans les logements ou les usines.
La boucle perception, raisonnement et action
L’IA physique fonctionne au moyen d’une boucle répétée plutôt que par une prédiction unique. Dans un premier temps, les capteurs enregistrent l’état actuel de l’environnement. Les caméras fournissent des informations sur les couleurs, la profondeur et le mouvement ; les codeurs articulaires indiquent la position des membres du robot ; les capteurs de force et de couple détectent les contacts ; les capteurs tactiles peuvent signaler qu’un objet commence à glisser. Le modèle utilise ces données pour identifier les objets, estimer les distances et comprendre des relations telles que « à l’intérieur », « derrière », « à portée » ou « bloqué ». Un système utile doit aussi distinguer les informations pertinentes des détails secondaires. Dans une scène montrant un établi encombré, par exemple, il doit se concentrer sur la pièce demandée tout en remarquant qu’une main humaine entre dans la zone de travail.
Viennent ensuite le raisonnement et la planification. Le robot transforme une instruction générale en une séquence ordonnée pouvant être exécutée. La demande « débarrassez la table » peut nécessiter de reconnaître les objets qui doivent être déplacés, de déterminer leur destination, de choisir un ordre sûr et de contourner les obstacles. Les tâches longues sont difficiles, car chaque étape modifie les conditions de la suivante. Une tasse peut être déplacée correctement, mais une assiette peut bouger, un tiroir peut ne pas s’ouvrir ou l’emplacement prévu peut déjà être occupé. Les modèles modernes utilisent de plus en plus les connaissances visuelles et linguistiques pour modifier leurs plans au lieu de suivre un scénario fixe. Ils peuvent également vérifier qu’une sous-tâche est terminée avant de poursuivre, ce qui réduit le risque qu’une erreur non détectée compromette toute la séquence.
Enfin, le système agit et observe le résultat. Cette phase de retour d’information est essentielle, car un mouvement planifié produit rarement exactement le résultat attendu. Les roues glissent, les articulations fléchissent et les objets souples se déforment. Un contrôleur en boucle fermée compare l’état visé aux dernières données des capteurs et ajuste la vitesse, la direction ou la force de préhension. Si une saisie échoue, le robot peut repositionner la caméra, choisir un autre point de contact ou demander de l’aide. Cette correction constante constitue l’une des principales différences entre l’IA physique et la génération d’une phrase : la réponse est immédiatement mise à l’épreuve par le monde réel. Chaque mouvement produit de nouvelles informations, que le modèle doit exploiter suffisamment vite pour maintenir la stabilité et la sécurité de la tâche.
Comment les modèles d’IA physique acquièrent des compétences pratiques
La méthode d’entraînement la plus directe repose sur la démonstration. Une personne peut guider manuellement un bras robotisé, le contrôler à l’aide de manettes, utiliser un équipement de capture de mouvement ou le piloter à distance pendant que les caméras et les capteurs enregistrent chaque étape. L’ensemble de données obtenu relie les observations, les instructions et les actions. L’apprentissage par imitation enseigne ensuite au modèle à reproduire les schémas présents dans les exemples réussis. Les grands ensembles de données partagés réduisent la dépendance à une seule machine ou à un seul laboratoire. Le projet Open X-Embodiment, par exemple, a regroupé des données issues de 22 robots provenant de 21 institutions et comprenait 527 compétences couvrant plus de 160 000 tâches. De telles collections permettent à un modèle d’apprendre des concepts communs — saisir, placer, ouvrir ou essuyer — à partir de matériels et d’environnements variés, plutôt que de mémoriser une seule configuration.
Le langage, les images et les vidéos peuvent apporter des connaissances plus générales que les seules démonstrations robotiques. Les données visuelles à grande échelle issues d’Internet peuvent aider un modèle à reconnaître des milliers d’objets et à comprendre des instructions courantes, tandis que les enregistrements robotiques montrent comment ces concepts se traduisent en mouvements. Les recherches sur π0.5 de Physical Intelligence ont associé des données provenant de différents robots à des informations linguistiques, à des données sur les objets, à des descriptions générales des tâches et à des contenus issus du Web. Lors d’expériences, le modèle a réalisé des tâches de nettoyage en plusieurs étapes dans des logements qui n’avaient pas servi à son entraînement. Cela ne signifie pas que le simple visionnage de vidéos ordinaires suffit à enseigner un contrôle moteur sûr. Les connaissances visuelles sont surtout utiles lorsqu’elles sont associées à des données d’action indiquant ce que le robot a fait, comment l’environnement a réagi et si la tâche a réussi.
Les données d’entraînement comprennent également les échecs. Les systèmes plus anciens apprenaient souvent principalement à partir de démonstrations réussies soigneusement sélectionnées, ce qui les préparait mal aux erreurs. Les méthodes plus récentes peuvent utiliser des saisies manquées, des mouvements interrompus et des tâches partiellement terminées pour enseigner la récupération. Une tentative infructueuse montre quels états doivent être évités et comment une action peut mal se dérouler. L’apprentissage par renforcement offre une autre méthode : le robot reçoit une récompense lorsqu’il progresse et une pénalité lorsqu’il adopte un comportement dangereux ou inefficace, puis il s’améliore au fil des essais. La plupart des entraînements par essais et erreurs à grande échelle sont réalisés en simulation, car endommager un objet virtuel coûte moins cher et présente moins de risques que d’endommager un véritable robot. Une pratique limitée dans le monde réel est ensuite utilisée pour corriger les écarts restants.
Pourquoi la simulation ne peut pas remplacer l’expérience réelle
La simulation permet aux développeurs de contrôler l’éclairage, la position des objets, l’agencement des pièces et les paramètres du robot. Des milliers de robots virtuels peuvent s’entraîner simultanément, produisant bien plus d’expérience qu’une seule machine physique ne pourrait en recueillir. Les développeurs peuvent modifier les textures, le niveau de friction, les angles de caméra et le poids des objets afin que le modèle ne dépende pas d’une scène parfaite. Les modèles du monde prolongent cette approche en prédisant la manière dont une scène pourrait évoluer après une action. Le système peut ainsi comparer plusieurs mouvements possibles avant que le robot n’en exécute un. En 2026, des systèmes de recherche tels que NVIDIA Cosmos et des méthodes de création de scènes comme SimFoundry visent à produire des environnements simulés plus riches et des données d’entraînement synthétiques pour la robotique et les machines autonomes.
L’entraînement virtuel simplifie toutefois toujours la réalité. Le contact entre des matériaux durs et souples est difficile à reproduire avec précision. Les objets transparents perturbent les caméras, les câbles s’accrochent aux bords, les emballages se plient et les liquides se déplacent d’une manière coûteuse à modéliser. Les capteurs présentent également du bruit et des retards qu’une simulation trop propre peut sous-estimer. Cette différence est appelée écart entre la simulation et la réalité. Une politique de contrôle qui semble fiable lors d’un test virtuel peut devenir instable lorsqu’une roue perd de l’adhérence, qu’un revêtement de pince s’use ou que la lumière du soleil modifie l’image de la caméra. Les équipes utilisent donc la simulation comme un vaste espace d’entraînement, puis valident le comportement sur du matériel réel dans des conditions progressivement plus variées.
L’expérience réelle est particulièrement importante pour la récupération et le jugement. Un robot compétent doit savoir non seulement comment accomplir une tâche, mais aussi quand ralentir, s’arrêter ou demander une intervention. Il a besoin d’exemples concernant des espaces encombrés, des positions inhabituelles d’objets, des outils endommagés et des instructions incomplètes. Les superviseurs humains restent précieux, car ils peuvent signaler des erreurs subtiles qu’un score automatique risque d’ignorer, par exemple lorsqu’un objet fragile est placé trop près d’un bord. Des données de qualité ne se résument donc pas à un grand nombre d’enregistrements. Elles nécessitent une synchronisation précise des capteurs, des descriptions claires des tâches, des conditions variées et une consignation honnête des réussites comme des échecs. Sans cette base, un grand modèle peut apprendre des raccourcis peu fiables.
Ce que l’IA physique peut faire en 2026 et les limites qui subsistent
Les environnements industriels et logistiques figurent parmi les domaines d’application les plus solides à court terme, car les tâches peuvent y être clairement définies et les zones de travail contrôlées. L’IA physique peut aider les robots à reconnaître des pièces mélangées, à adapter leur prise à de petites variations, à inspecter des produits, à trier des colis et à répondre à des instructions formulées en langage naturel. Cette méthode est plus flexible que l’automatisation traditionnelle, qui suppose que chaque objet arrive toujours dans la même position. Une utilisation industrielle fiable nécessite néanmoins une ingénierie rigoureuse autour du modèle. Les dispositifs de maintien, les caméras calibrées, les pinces testées, les contrôles d’accès et les systèmes d’arrêt d’urgence restent indispensables. Un modèle fondamental peut améliorer le choix des tâches et la capacité d’adaptation, mais il ne supprime pas la nécessité de concevoir les processus, d’assurer la maintenance et de réaliser des contrôles de qualité mesurables.
Les démonstrations de recherche concernent également les travaux domestiques, l’agriculture, les laboratoires et la santé. Des robots manipulateurs mobiles ont nettoyé des pièces, déplacé des objets entre plusieurs emplacements et suivi des instructions en plusieurs étapes dans des logements inconnus. Les machines agricoles peuvent utiliser la vision pour identifier les cultures ou les mauvaises herbes, tandis que les robots de laboratoire peuvent automatiser des manipulations et des mesures répétitives. La robotique médicale progresse grâce à de grands ensembles de données partagés et à des modèles destinés à des tâches telles que la manipulation chirurgicale, l’échographie et l’endoscopie. Ces domaines exigent toutefois une supervision stricte, des preuves cliniques et des autorisations réglementaires. En 2026, il est plus exact de présenter nombre de ces systèmes comme des solutions de recherche avancées ou des outils spécialisés que comme des remplaçants autonomes des professionnels qualifiés.
Les véhicules autonomes, les drones et les robots de terrain constituent également des formes d’IA physique, car ils doivent percevoir des environnements changeants et agir sous une forte contrainte de temps. Leurs modèles combinent des cartes, des caméras, des radars, des lidars ou d’autres capteurs avec des systèmes de planification des déplacements et de contrôle. Le problème opérationnel diffère de la manipulation d’objets sur une table, mais le défi d’apprentissage reste similaire : les événements rares ont une grande importance et une erreur commise avec assurance peut avoir des conséquences physiques. Les conditions météorologiques, les routes endommagées, les comportements humains inhabituels et l’obstruction des capteurs créent des situations parfois peu représentées dans les données d’entraînement. Un déploiement fiable dépend donc de conditions d’utilisation limitées, de validations répétées et de comportements de secours, et pas uniquement d’une meilleure reconnaissance ou compréhension du langage.
Sécurité, fiabilité et prochaine étape du développement
Un robot capable de raisonner de manière générale a toujours besoin de dispositifs de sécurité indépendants. Ceux-ci peuvent comprendre des limites de vitesse et de force, la détection des collisions, des zones de travail protégées, des arrêts d’urgence, des capteurs de sécurité spécialisés et un contrôleur capable de refuser une action dangereuse. Les vérifications sémantiques deviennent également importantes. Un robot doit reconnaître qu’une instruction techniquement réalisable peut être inappropriée, par exemple déplacer un outil tranchant vers une personne ou poser un objet chaud sur une surface instable. Les recherches actuelles privilégient de plus en plus des mesures de protection modulaires plutôt que de confier toutes les décisions à un seul modèle de bout en bout. Dans les environnements industriels, les normes actualisées ISO 10218-1:2025 et ISO 10218-2:2025 concernent la conception des robots et l’intégration sûre des applications robotiques, ce qui confirme la nécessité de réduire les risques au-delà du seul modèle d’IA.
La fiabilité doit être mesurée dans des conditions proches de l’utilisation réelle. Un taux de réussite élevé sur un test connu renseigne peu sur les performances dans une pièce encombrée, après une dérive des capteurs ou pendant une longue succession de tâches. Une évaluation utile prend en compte l’accomplissement de la tâche, la fréquence des collisions, les interventions humaines, la récupération après un échec, le temps de réponse et les performances face à des objets inconnus. Les développeurs doivent également publier les limites opérationnelles et les faiblesses connues dans des fiches de modèles ou des documents équivalents. En août 2026, les preuves les plus solides proviennent toujours d’essais répétés sur de véritables robots dans des environnements variés. Une vidéo bien réalisée peut montrer une capacité, mais elle ne permet pas d’établir la fréquence des échecs ni la manière dont le système réagit en toute sécurité à un événement inattendu.
La prochaine étape devrait associer des ensembles de données partagés plus vastes, des modèles du monde plus performants, des modèles locaux plus compacts et un meilleur transfert des compétences entre différents corps robotiques. Les robots pourraient acquérir un large socle de compétences de manière centralisée, puis s’adapter localement à une nouvelle machine à partir d’un nombre limité d’exemples. Plusieurs robots pourraient également partager leur expérience, permettant à une méthode de récupération validée sur un système d’améliorer les autres. Les progrès dépendront néanmoins moins de tâches isolées impressionnantes que de la régularité, de la transparence des évaluations et d’un apprentissage contrôlé après le déploiement. En 2026, l’IA physique fait évoluer l’automatisation fixe vers des machines capables d’interpréter des instructions et d’ajuster leur comportement, mais les robots généralistes pouvant fonctionner en toute sécurité dans n’importe quel environnement ordinaire ne constituent pas encore une technologie pleinement maîtrisée.