NEURA Robotics dévoile Neuron AI, un modèle de fondation pour l’IA physique

NEURA Robotics a présenté Neuron AI, son modèle de fondation multimodal pour l’IA physique, le 14 octobre 2026, dans une annonce publiée depuis Metzingen, en Allemagne. Selon l’entreprise, l’architecture perception-langage-action (PLA) du modèle relie la vue, l’ouïe et le toucher du robot à ses actions passées, transformant des informations multisensorielles en actions physiques.

Le fondateur et PDG David Reger a déclaré que les robots intelligents avaient besoin d’un cerveau capable d’unifier leurs sens et de se souvenir des événements passés. « Avec Neuron AI, nous construisons le cerveau du monde physique », a-t-il affirmé, décrivant le modèle comme une forme d’IA physique développée en Allemagne et conçue pour le monde entier.

La page du produit présente le modèle en trois parties : une couche de perception, grâce à laquelle le robot voit, touche et entend, connaît son propre corps et reçoit les commandes de l’utilisateur ; un modèle de langage qui rassemble toutes les entrées dans un espace linguistique commun et raisonne à partir de la requête ; et un modèle d’action qui transforme les décisions en mouvements robotiques précis et sûrs. Dans ce processus, chaque modalité est encodée dans une représentation commune synchronisée dans le temps, puis intégrée à un flux d’actions unique.

Perception multisensorielle et mémoire

L’argumentaire de NEURA en faveur du modèle part des limites des caméras : celles-ci capturent la géométrie, les couleurs et la position, mais ne fournissent aucune information sur le contact, la force ou le son. Comme le souligne l’annonce, les humains ne se fient pas uniquement à la vue : ils sentent une vis se bloquer et entendent un connecteur s’enclencher. Neuron AI applique le même principe aux robots.

L’entreprise indique que ces sens supplémentaires sont surtout utiles pour les tâches que les caméras ne peuvent pas accomplir seules. Lorsqu’un robot ouvre une serrure, seuls le son et le toucher permettent de confirmer qu’elle est réellement ouverte, et le toucher lui permet de saisir des objets dissimulés à la vue. Ces sens améliorent aussi des tâches que la vision permet déjà d’effectuer : en soudage, le son du processus peut indiquer la qualité d’un cordon.

Le modèle est également doté d’une fonction de mémoire. Selon NEURA, agir dans le monde physique suppose de comprendre les liens de cause à effet et de reconnaître la permanence des objets, c’est-à-dire de se souvenir d’eux lorsqu’ils sortent du champ de vision, une capacité que les humains acquièrent au cours de leurs deux premières années de vie. Contrairement à une IA purement numérique, explique l’entreprise, un robot agit dans un monde physique continu et doit suivre les objets ainsi que les conséquences de ses propres actions au fil du temps, souvent sans les voir. NEURA affirme avoir remanié l’architecture précisément pour y intégrer la mémoire et l’entraîner sur des jeux de données dédiés, conçus pour l’exploiter.

Sur la page du produit, l’entreprise oppose Neuron AI aux modèles vision-langage-action (VLA) axés sur la vision : selon elle, ces derniers sont optimisés pour le mouvement et raisonnent principalement à partir de l’image captée par la caméra à l’instant présent. Neuron AI, affirme-t-elle, couvre le même champ qu’un modèle VLA, tout en y ajoutant le toucher, le son et la mémoire pour prendre en compte ce que les caméras ne détectent pas.

Trois piliers de données et cinq configurations robotiques

Neuron AI est entraîné à partir de trois sources complémentaires d’expérience physique. Des robots de différentes configurations exécutent des tâches dans les NEURA Gyms, l’infrastructure d’entraînement de l’entreprise pour les robots cognitifs et l’IA physique, ainsi que dans des environnements réels. Ils produisent des flux synchronisés de données visuelles, tactiles, de force, audio et de mouvement. Data Amplifier et la pile de simulation de NEURA enrichissent ces données au moyen de variantes simulées de tâches et d’environnements. Les données issues de démonstrations humaines proviennent de personnes portant des combinaisons équipées de capteurs ; les mouvements et démonstrations de tâches enregistrés transmettent ainsi à l’entraînement une expertise pratique.

Selon l’entreprise, ces trois piliers apportent des interactions physiques réelles, des variantes simulées et le savoir-faire humain, et permettent d’entraîner une même base commune pour cinq configurations de robots NEURA dotées de pinces et de mains différentes. La page du produit précise que ces cinq configurations comprennent les 4NE-1 Gen 3 et 4NE-1 Gen 4, un 4NE-1 à roues et deux autres plateformes bimanuelles. Elle cite également MAiRA, MiPA, MAV+ et 4NE1 comme les robots de la gamme sur lesquels un même modèle est entraîné et déployé.

Déploiement embarqué et plateforme Neuraverse

Neuron AI fonctionne directement sur le robot, indique la page du produit : les décisions y sont prises en temps réel, sans aller-retour avec un serveur ; le robot continue de fonctionner même en l’absence de connexion au cloud ; et les données de production restent sous le contrôle du client, un point que la page qualifie d’essentiel pour les fabricants européens.

Au sein des NEURA Gyms, la collecte de données, l’entraînement des compétences et l’évaluation comparative sont reliés en amont du déploiement, et les données et compétences qui en résultent alimentent les versions ultérieures du modèle. La plateforme Neuraverse déploie ensuite ces capacités sur des flottes de robots et les met à jour. Elle fournit aussi aux clients des outils pour affiner le modèle en fonction de leurs propres tâches, afin que leur expertise des processus se traduise en compétences robotiques. Les compétences peuvent rester privées et réservées au client ; si celui-ci partage des compétences ou des données de déploiement, ces contributions peuvent, selon NEURA, bénéficier à l’ensemble de l’écosystème et contribuer au développement de futurs modèles.

L’entreprise fait du délai d’acquisition d’une compétence, ou « Time-to-Skill », un indicateur central des progrès : il correspond à la vitesse à laquelle un robot apprend une nouvelle tâche et l’exécute de manière fiable. Pour les clients industriels, selon NEURA, raccourcir ce délai est essentiel pour étendre l’IA physique à un plus grand nombre de processus et l’adapter à l’évolution des exigences.

Développement en Allemagne et démonstration au GTC Berlin

Le développement et l’entraînement ont eu lieu en interne, sur le site de NEURA à Metzingen, où l’entreprise réunit les robots, les mains, les technologies de détection, l’infrastructure de données et les compétences en développement de l’IA nécessaires pour relier l’entraînement des modèles aux performances physiques. NEURA a indiqué que le tissu industriel allemand, avec ses procédés de fabrication complexes, son expertise spécialisée et ses environnements d’exploitation exigeants, offre un cadre important pour ces travaux. Les partenariats de partage de données avec des entreprises industrielles, dont Schaeffler et Bosch, viennent compléter l’entraînement mené dans les NEURA Gyms.

Lors de NVIDIA GTC Berlin 2026, NEURA présentera son robot humanoïde 4NE1 (« Pour tout le monde »), qui exécutera la version actuelle de Neuron AI au cours d’une séquence de onze minutes consacrée à la gestion du linge. Pendant cette séquence, 4NE1 triera le linge, le chargera dans une machine à laver, fermera puis rouvrira celle-ci, la videra et transportera le linge jusqu’à un sèche-linge, le tout sans intervention humaine. Selon l’entreprise, la difficulté ne tient pas à un seul mouvement : le robot doit conserver le contexte pertinent tout au long de la séquence, terminer chaque étape et passer à la suivante. La démonstration est prévue à Station-Berlin, hall 3, stand no 3031, du 20 au 22 octobre 2026.