Pourquoi l’IA physique est plus difficile que nous ne le pensions

L’IA physique passe rapidement des démonstrations impressionnantes à la réalité de l’ingénierie. Si l’attention était autrefois concentrée principalement sur ses capacités, aujourd’hui, la question de la scalabilité devient de plus en plus urgente : qu’est-ce qui empêche ces systèmes de devenir vraiment répandus et fiables ?

L’IA physique et la robotique humanoïde se trouvent maintenant à la croisée de trois défis majeurs – ingénierie, cognitif et lié à l’investissement. L’intelligence qui opère dans le monde physique impose des exigences fondamentalement différentes de celles de l’IA basée sur le logiciel : ici, les erreurs sont coûteuses et l’environnement reste imprévisible. C’est pourquoi la conversation se déplace de l’effet wow à des barrières techniques, de marché et réglementaires concrètes.

Mécaniciens qui doivent apprendre à réfléchir

Le premier défi est les compétences motrices fines. Nous avons des moteurs et des servo-moteurs capables d’exécuter des micro-mouvements très précis. Mais reproduire la sensibilité humaine, la flexibilité et la capacité à s’adapter instantanément lors de la manipulation d’objets petits est extrêmement difficile. La main humaine régule inconsciemment la force, l’angle, la vitesse et la trajectoire – tout en fractions de seconde, en ajustant constamment même les plus légères modifications.

Le deuxième défi est l’équilibre et le contrôle de la force. Un robot doit interagir avec des objets de formes, de poids et de textures différents : une pomme, un verre, un bijou, un composant métallique, un objet humide ou glissant. Un robot peut posséder une force physique considérable, mais il doit être capable de calculer et d’appliquer cette force correctement. Cela nécessite des capteurs tactiles, des systèmes qui lui permettent de « sentir » la pression, la résistance et le contact de surface. Également important, ce n’est pas seulement la détection de la force, mais son interprétation correcte dans le contexte d’une action spécifique. Cela devient une question de compréhension des propriétés physiques des objets – résistance des matériaux, élasticité, frottement et autres paramètres.

Un autre défi sérieux est l’orientation spatiale – la représentation dite 6D. Cela ne fait pas référence à un « monde à six dimensions » dans un sens de science-fiction, mais plutôt à trois coordonnées de position, hauteur, largeur et profondeur, plus trois coordonnées d’orientation : les angles de rotation le long de chaque axe. Par exemple, un tube ou un verre est un objet tridimensionnel. Mais pour un robot, connaître ses coordonnées ne suffit pas. Il doit comprendre l’orientation de l’objet, sa position par rapport à la gravité et comment sa position va changer à mesure que le manipulateur tourne. Si un robot prend un verre et veut verser de l’eau de celui-ci, il ne peut pas simplement « incliner l’objet ». Il doit calculer la trajectoire précise, l’angle et la vitesse de rotation, en tenant compte du liquide à l’intérieur, de son inertie et de la force de gravité. Tout cela nécessite une modélisation spatiale sophistiquée et une prédiction des conséquences de l’action.

Pourquoi le marché est encore prudent

Lorsque l’on considère l’IA physique dans le contexte de la robotique humanoïde, il est important de reconnaître le niveau de scepticisme encore perceptible.

Une partie de ce scepticisme est psychologique. L’effet de la vallée étrange – lorsque quelque chose apparaît presque humain mais pas tout à fait réaliste – crée du malaise et de l’anxiété. Des expressions faciales non naturelles, des mouvements légèrement rigides ou « cassés », une intonation mécanique – tout cela génère une résistance émotionnelle. Et les technologies qui évoquent de l’inconfort tendent à être adoptées plus lentement.

Mais la principale barrière est économique. Les investisseurs voient que les entreprises ont présenté des prototypes impressionnants pendant des décennies, mais les modèles commerciaux scalables restent limités. Le progrès technologique est évident, mais un marché de masse durable n’a pas encore pleinement émergé.

Des acteurs comme Boston Dynamics construisent des chefs-d’œuvre d’ingénierie, mais leurs applications restent de niche et coûteuses. Tesla développe ses propres projets de robotique humanoïde. De nouvelles entreprises comme Figure AI attirent des investissements importants, promettant des robots pour la fabrication, la logistique et les soins.

La fabrication reste une direction évidente dans ce contexte. La robotisation, il n’y a pas de question de si, mais de vitesse et de coût de déploiement.

Un exemple encore plus clair est la logistique et l’entreposage. Les robots de logistique sont déjà parmi les segments les plus rentables et les plus largement adoptés de la robotique aujourd’hui. Je me souviens que, chez Keymakr, de nombreuses entreprises de logistique nous ont contactés pour des services d’annotation lors de la mise en œuvre de telles technologies, avec des plans ambitieux pour les développer davantage. L’échelle du commerce électronique mondial exige le déplacement de volumes énormes de marchandises à grande vitesse et précision. Les humains sont incapables d’opérer à ce rythme. Par conséquent, l’automatisation des entrepôts est devenue un sujet « chaud », donnant naissance à une industrie entière : des plateformes autonomes naviguent les itinéraires, trient, transportent et distribuent les marchandises.

Cependant, une grande partie de l’industrie reste dans la phase de test et fait des promesses ambitieuses. Les entreprises recherchent toujours des cas d’utilisation convaincants qui offrent une monétisation prévisible. Les investisseurs, à leur tour, évaluent le temps de retour sur investissement, les risques technologiques et l’ampleur des défis d’ingénierie.

C’est pourquoi le marché se développe de manière incrémentale. Le capital dans ce domaine nécessite non seulement une vision, mais également une économie éprouvée.

Le risque devient partie de l’architecture

Un niveau de discussion distinct concerne la réglementation et la cybersécurité. Un cadre réglementaire complet pour l’IA physique n’a pas encore été pleinement formé. L’industrie est encore dans sa phase formative : il n’y a pas de normes matures, pas de présence généralisée dans les environnements quotidiens et pas de protocoles de certification établis. Les réglementations émergeront inévitablement – mais, comme dans d’autres cycles technologiques, elles seront une conséquence de la mise à l’échelle.

Ce qui compte encore plus maintenant est une question différente – la confiance dans les systèmes qui gagnent en autonomie physique. Un robot dans un domicile, un entrepôt ou une infrastructure critique est un nœud de réseau équipé de capteurs, de caméras, de microphones et de canaux de communication. Son comportement est déterminé par le logiciel et les mises à jour. Et même si un robot est initialement programmé pour effectuer uniquement des actions sûres, la possibilité de menaces cybernétiques reste. Avec une protection insuffisante, des acteurs malveillants pourraient théoriquement accéder à un réseau de dispositifs et tenter de les utiliser à des fins nuisibles.

Des scénarios impliquant le piratage de véhicules autonomes ou de réseaux de robots sont déjà dans les cartes. Ils sont traités comme faisant partie de l’évaluation des risques – tout comme ce qui s’est passé avec les systèmes bancaires, Internet et les services cloud.

Mais l’histoire montre que le progrès technologique s’arrête rarement en raison des menaces. Au lieu de cela, les industries renforcent la protection en établissant des normes, en mettant en œuvre une surveillance et en construisant des systèmes de sécurité multicouches. L’IA physique suivra le même chemin. La question n’est pas de savoir si des risques surgiront, mais de savoir à quelle vitesse la sécurité sera intégrée dans l’ensemble de l’écosystème.

Une industrie se construit autour

Tous les défis mentionnés, techniques, de marché et réglementaires, partagent une caractéristique importante : aucun d’entre eux ne peut être résolu en isolation.

L’IA physique ne peut pas être considérée comme un produit autonome ou même comme une seule technologie. Ce que nous assistons est la formation d’une infrastructure entière dans laquelle le matériel, l’informatique, l’énergie, les données et les matériaux évoluent en synchronisation. Et c’est précisément ici qu’il devient clair : c’est l’émergence d’un nouvel écosystème industriel.

Un robot est autonome et mobile. Cela signifie qu’il ne peut pas compter uniquement sur le cloud. Contrairement aux LLM qui s’exécutent sur des grappes de serveurs, l’intelligence physique doit prendre des décisions localement, en temps réel. Cela change fondamentalement les exigences des puces : elles doivent être puissantes, économes en énergie et optimisées pour l’inférence sur les appareils de bord.

Cela, à son tour, crée un large éventail de nouveaux domaines de développement : des puces économes en énergie pour la robotique ; des modèles d’IA compacts et optimisés pour le déploiement sur les appareils de bord ; des plateformes pour la formation de tels modèles ; des systèmes d’annotation de données et la préparation de jeux de données spécialisés comme ceux que nous faisons chez Introspector, ainsi que des progrès dans les batteries et les systèmes d’alimentation autonomes.

Des concepts sont déjà discutés pour qu’un robot remplace ses propres batteries : retirer un module épuisé, le placer en charge et connecter un module chargé sans arrêter complètement le système. Cela pourrait même devenir un marché distinct.

Une industrie complète se met progressivement en place autour de l’IA physique. Outre l’informatique et l’énergie, la science des matériaux devra évoluer : des revêtements synthétiques qui imitent la peau, des surfaces de capteurs flexibles, des matériaux sûrs et tactiquement agréables pour l’interaction humaine. Si un robot opère aux côtés des humains, son apparence et ses caractéristiques physiques deviennent partie de la perception et de la confiance de l’utilisateur dans la technologie.

Dans ce sens, l’IA physique concerne l’ensemble de la pile technologique, des puces et des batteries aux capteurs, logiciels, matériaux et facteurs de perception humaine. C’est dans cette complexité que se trouve la véritable ampleur de l’industrie future.