Comment les robots humanoïdes apprennent-ils et progressent-ils ?
La question revient chaque fois qu’une vidéo de robot humanoïde fait le tour du web. Voici une synthèse des versions qu’on reçoit sans cesse :
« Est-ce que quelqu’un programme chaque geste, ou est-ce que le robot s’améliore vraiment tout seul ? S’il laisse tomber une serviette aujourd’hui, est-ce qu’il saura la plier demain ? Et quand un robot trouve la solution, est-ce que tous les autres la connaissent aussi ? »
La réponse courte : plus personne n’écrit les gestes ligne par ligne, et oui, ce qu’apprend un robot peut profiter à tous les robots qui font tourner le même modèle. La réponse longue, c’est qu’un humanoïde a aujourd’hui quatre professeurs. Trois d’entre eux sont des humains.
Premier professeur : le simulateur
Le premier professeur est un jeu vidéo. Le chapitre 1 d’Unscarcity décrit des ingénieurs qui entraînent les robots « dans des environnements numériques hyperréalistes », proches des simulateurs sur lesquels les pilotes s’exercent aux atterrissages d’urgence, mais à l’échelle de milliers de corps de robots à la fois. Pour reprendre les mots du livre : « Une minute de temps de calcul réel peut simuler des heures d’essais et d’erreurs pour des milliers de jumeaux numériques simultanément. Nous ne programmons plus les robots. Nous faisons pousser leur intelligence dans une bulle où le temps est accéléré. »
La simulation excelle pour l’équilibre, la marche et le rétablissement après une bousculade. Elle est plus faible sur ce que le monde a de difficile à modéliser : une serviette humide, un tiroir qui coince, un chien dans les jambes. Ces leçons-là doivent venir du monde réel.
Deuxième professeur : un humain aux commandes
Le deuxième professeur est un opérateur à distance. Quand le robot bloque, une personne se connecte, prend le contrôle des bras et termine la tâche, et le robot enregistre comment elle s’y est prise. 1X, l’entreprise derrière NEO, le robot domestique à 20 000 dollars, ne s’en cache pas. Son PDG, Bernt Børnich, a déclaré que « au début, une grande partie du travail sera faite par des téléopérateurs », et les propriétaires planifient les séances de l’opérateur dans une application.
Ça fonctionne, mais l’économie tourne à l’envers de celle du logiciel. Tesla a formé ses voitures en enregistrant la conduite de ses clients : des milliards de kilomètres de conduite réelle, collectés gratuitement auprès de gens qui voulaient conduire de toute façon. La téléopération paie une personne pour chaque heure de leçon, donc le coût des données grimpe avec leur volume.
Troisième professeur : des gens filmés au travail
Le troisième professeur, c’est quiconque accepte d’être enregistré pendant qu’il accomplit la tâche. C’est là que va l’argent en 2026.
Une jeune pousse appelée Generalist fabrique des gants à capteurs qui mesurent la position des doigts, la force de préhension et le moment du relâchement pendant qu’une personne travaille. Tesla fait porter à des employés et à des collecteurs de données embauchés pour l’occasion des combinaisons de capture de mouvement et des casques à caméras, et selon The Information, l’entreprise dispose de plus de 500 000 heures d’enregistrements, avec l’objectif de doubler ce chiffre d’ici décembre. Figure est allé le plus loin. Son application Index, dévoilée en août, paie des gens pour filmer leurs propres tâches ménagères. Au lancement, elle comptait 16 millions de vidéos venues de 108 pays, environ 94 cents payés par vidéo, et 30 minutes d’images reçues chaque seconde. Figure s’est engagé à dépenser plus d’un milliard de dollars en données et en calcul au cours des douze prochains mois.
Le problème encore ouvert, c’est le transfert. Une main humaine et une pince robotique ne sont pas construites pareil, donc un enregistrement n’est utile que s’il se traduit proprement dans les articulations du robot.
Quatrième professeur : le reste de la flotte
Le quatrième professeur, ce sont tous les autres robots. C’est la réponse à la dernière partie de la question. L’intelligence réside de plus en plus dans un modèle partagé, et les robots en sont les mains. Physical Intelligence, dont le cofondateur Sergey Levine décrit le produit comme « ChatGPT, mais pour les robots », construit un modèle unique que n’importe quel fabricant peut installer. Si ça marche, tous les humanoïdes de tous les fabricants deviennent plus intelligents en même temps. Google DeepMind joue la même partie avec Gemini Robotics, dans l’Atlas de Boston Dynamics et dans les plus de 20 000 systèmes déployés d’Agile Robots, les données des robots partenaires revenant nourrir le modèle.
L’usine BotQ de Figure a été conçue dans cet esprit : chaque robot livré est une séance d’entraînement pour son modèle Helix. Même les chiffres de livraison le montrent. Sur les quelque 25 000 humanoïdes livrés au premier semestre 2026 selon IDC, 69 % sont partis vers des laboratoires de recherche, des salles de classe, des scènes de spectacle et des centres publics de collecte de données. La plupart des nouveaux robots sont encore des élèves.
Comment le progrès se manifeste vraiment
Alors, saura-t-il plier la serviette demain ? Mesuré honnêtement, le robot progresse par paliers, et les paliers sont inégaux.
En septembre, Figure a testé Helix 2.5 dans 30 foyers de la baie de San Francisco que le robot n’avait jamais vus, sur le rangement, le pliage de serviettes et le lit à faire. Entraîné à partir de zéro, il réussissait 9 % du temps. Préentraîné sur les vidéos d’Index, 56 %. C’est un gain d’un facteur six grâce aux données, et un robot qui échoue encore presque une fois sur deux. Selon The Information, l’Optimus de Tesla met plusieurs jours à apprendre une tâche élémentaire. Boston Dynamics a ouvert un centre de formation dans l’usine Hyundai de Géorgie, où Atlas s’exerce à ordonner des pièces automobiles, l’assemblage de composants étant prévu pour 2030.
La meilleure image du progrès, c’est un variateur de lumière. L’automatisation glisse de « l’humain fait tout » vers une longue phase intermédiaire où la machine agit et où une personne rattrape les échecs, et seulement ensuite vers le travail sans surveillance. Progresser, c’est que la personne intervienne moins souvent. Un opérateur à distance dans la boucle te dit que le robot a atteint cette phase intermédiaire, par laquelle passe tout problème d’automatisation difficile.
Dans le podcast : les ouvriers en combinaison de capture
L’épisode du 27 septembre 2026 de Minds, Bodies & Terawatts, notre podcast quotidien, portait sur le troisième professeur et sur ce qu’il en coûte à ceux qui enseignent. Son titre : Tesla Is Building Hundreds of Optimus Robots a Week, Every Hand Assembled by a Person, and the Workers Asked to Teach the Robots Their Moves Said They Knew What the Robots Were For (Tesla construit des centaines de robots Optimus par semaine, tous assemblés à la main, et les ouvriers chargés de leur apprendre leurs gestes ont dit savoir à quoi serviraient ces robots).
S’appuyant sur The Information, l’épisode rapporte que Tesla a fait porter à des ouvriers de chaîne des combinaisons qui enregistrent leurs mouvements pour qu’Optimus les apprenne, et que certains se sont plaints de savoir que les robots étaient destinés à les remplacer. Tesla a confié ce travail à des collecteurs de données dédiés et à des centres de formation au Colorado, en Arizona et en Floride. Son plan : louer des robots à des entreprises dotées d’usines comparables aux siennes, les données de ces ateliers revenant améliorer le robot.
L’invité a nommé l’échange sans détour. Un salaire paie la journée de travail ; ce que les ouvriers ont cédé, c’est le savoir-faire lui-même. Quand une personne forme un apprenti, le maître garde sa place dans le métier. Quand l’apprenti est une machine qui appartient à l’entreprise, « la leçon reste au propriétaire, et le rôle du maître s’arrête quand l’enregistrement s’arrête ».
Sur unscarcity.ai : deux articles à lire ensuite
Humanoid Robots 2026 tient la chronique au fil de l’eau, y compris sa section « Le goulot d’étranglement, ce ne sont pas les corps. Ce sont les données », qui compare les gants, la téléopération et l’application Index comme manières concurrentes de collecter des leçons. Autonomy Theater explique le variateur : les robotaxis de Cruise avaient besoin d’une aide à distance 2 à 4 % du temps, les robots barmen de Tesla en 2024 étaient pilotés par du personnel en coulisses, et l’article défend l’idée que la part d’aide humaine devrait être publiée, pour que le public puisse juger où en sont réellement les robots.
Dans le livre : le billet que personne ne voit
Le chapitre 2 d’Unscarcity, « La Frontière (Résoudre le sens) », répond à la question qui clôt l’épisode, au nom de qui sont inscrites les leçons, à travers Adewale Okonkwo. Dans la section « Le billet que personne ne voit », c’est un codeur Python autodidacte de Lagos qui a perdu ses clients au profit d’agents IA. Il rejoint le Service Civique et passe trois ans « à enseigner aux systèmes qui l’avaient remplacé : en entraînant des modèles sur l’anglais nigérian, sur la langue et la culture yoruba, […] et sur des schémas logistiques qu’aucun ingénieur de San Francisco n’avait jamais vus ».
Dans le livre, cet enseignement compte. Ces années « se sont capitalisées en l’Impact qui l’a mis dans cette salle de contrôle », où il coordonne le réseau solaire ouest-africain pour quarante millions de personnes. Son assistant IA rédige des Déclarations pour le travail sans éclat, parmi lesquelles « un jeu de données d’entraînement pour la logistique en haoussa versé aux Communs, en accès libre ».
Mets ça en regard de l’épisode sur Tesla. Le travail est le même : une personne qui montre à une machine comment on fait. Ce qui change, c’est où finit la leçon et sur le registre de qui elle reste. Dans la version de Tesla, les heures appartiennent à l’entreprise. Dans celle d’Adewale, le jeu de données part vers des Communs publics et le mérite reste à son nom, examiné par des ingénieurs de Mumbai, un conseil d’électrification rurale au Kenya, un historien au Chili et un cercle d’anciens yoruba. Le livre consacre le reste du chapitre 2 à la manière dont ce registre est tenu, et aux raisons pour lesquelles il ne s’achète pas.
That background search has finished. I had already found the French manuscript quotes another way, so the translation above stands.
D’autres questions comme celle-ci sont réunies sur la page du blog. Follow the series on Substack.
