{"fr": {"pillars": [{"key": "ai-act", "url": "/atlas/fr/ai-act-normes/", "title": "AI Act et normes : déployer un robot IA en Europe", "sections": [{"anchor": "cadre", "heading": "Le paysage réglementaire en bref", "text": "Un robot doté d'IA installé dans une usine européenne se trouve à l'intersection de trois cadres. Le règlement (UE) 2024/1689 , dit AI Act, régit le système d'IA lui-même de façon horizontale. Le règlement Machines (UE) 2023/1230 , applicable à partir du 20 janvier 2027, régit la sécurité physique de la machine et remplace la directive 2006/42/CE. Enfin, le RGPD s'applique dès que le robot capte des données personnelles : caméras filmant des opérateurs ou données permettant de suivre la performance individuelle. Ces trois textes ne se substituent pas l'un à l'autre : ils se cumulent. Un même p"}, {"anchor": "ai-act", "heading": "AI Act : calendrier et classification des robots", "text": "Schéma : frise des échéances AI Act et règlement Machines Frise chronologique horizontale de six jalons réglementaires entre février 2025 et août 2028, avec un repère aujourd'hui en juillet 2026 ; les jalons déjà passés sont en gris, les jalons à venir sont colorés. Aujourd'hui 2 fév. 2025 Interdictions IA 2 août 2025 Obligations GPAI 2 août 2026 Obligations générales 20 jan. 2027 Règlement Machines 2 déc. 2027 Haut risque annexe III 2 août 2028 Produits annexe I L'AI Act est entré en vigueur le 1er août 2024 et s'applique par vagues. Attention : le paquet de simplification dit « omnibus numér"}, {"anchor": "machinery", "heading": "Règlement Machines 2023/1230 : ce qui change", "text": "Le règlement (UE) 2023/1230 s'applique intégralement à partir du 20 janvier 2027 . La directive 2006/42/CE cesse de s'appliquer le même jour, sans période de coexistence : une machine mise sur le marché le 21 janvier 2027 doit être conforme au nouveau texte. Étant un règlement et non une directive, il s'applique directement dans toute l'UE, sans transposition nationale. Les changements clés pour un projet robotique : L'IA auto-apprenante est explicitement couverte. Le texte vise les systèmes au « comportement totalement ou partiellement auto-évolutif » utilisant des approches d'apprentissage a"}, {"anchor": "normes-iso", "heading": "Normes ISO : l'état de l'art 2026", "text": "Les normes traduisent les exigences légales en solutions techniques présumées conformes. Trois références structurent la robotique en 2026 : ISO 10218-1:2025 et ISO 10218-2:2025 (robots industriels et intégration en cellules) : cette révision majeure, publiée début 2025 après près de huit ans de travaux, intègre le contenu de l'ISO/TS 15066 sur les applications collaboratives, clarifie la sécurité fonctionnelle et ajoute des exigences de cybersécurité. Il n'existe donc plus de norme « cobot » séparée : la collaboration est un mode d'application couvert par l'ISO 10218. ISO 13482 (robots de ser"}, {"anchor": "ce-marking", "heading": "Marquage CE d'une cellule robotisée avec IA : qui est responsable", "text": "Schéma : la chaîne de responsabilité du marquage CE Trois maillons reliés par des flèches : le fabricant du robot fournit une déclaration d'incorporation, l'intégrateur assemble la cellule complète et appose le marquage CE, symbolisé par un badge, et le déployeur, l'usine, garantit une utilisation conforme. Fabricant du robot Déclaration d'incorporation Intégrateur cellule complète Marquage CE de la cellule CE Déployeur l'usine Utilisation conforme La question la plus mal comprise des projets robotiques. Trois rôles, trois responsabilités distinctes : Le fabricant du robot livre en général une"}, {"anchor": "checklist", "heading": "Checklist en 8 points pour un directeur industriel", "text": "Cartographiez les systèmes d'IA embarqués dans le projet (perception, planification, contrôle) et déterminez si l'un d'eux agit comme composant de sécurité : c'est le critère qui déclenche la qualification haut risque de l'AI Act. Identifiez votre rôle juridique pour chaque équipement : fabricant, intégrateur ou déployeur. Les obligations en découlent directement. Exigez du fournisseur les documents clés : déclaration d'incorporation ou de conformité, dossier technique, conformité à l'ISO 10218:2025 pour un robot industriel. Planifiez la double échéance : règlement Machines au 20 janvier 2027 "}, {"anchor": "poursuivre", "heading": "Poursuivre la lecture", "text": "Chiffrer le coût de la mise en conformité dans notre pilier ROI d'un pilote en usine . Situer ces échéances dans une décision plus large avec notre feuille de route du directeur d'usine . Comparer les plateformes concernées par ces normes dans notre comparateur plateformes ."}]}, {"key": "definition", "url": "/atlas/fr/quest-ce-que-lia-physique/", "title": "Qu'est-ce que l'IA physique ?", "sections": [{"anchor": "definition", "heading": "Une définition rigoureuse", "text": "L' IA physique désigne les systèmes d'intelligence artificielle capables de percevoir leur environnement, de raisonner sur ce qu'ils observent et d'agir dans le monde réel : robots industriels, humanoïdes, véhicules autonomes, drones, machines agricoles. Là où une IA classique manipule des données derrière un écran, une IA physique pilote un corps. Elle transforme des flux de capteurs (caméras, lidar, capteurs de force, microphones) en décisions, puis en mouvements qui modifient concrètement l'environnement. Trois briques la caractérisent : un modèle d'IA entraîné à comprendre le monde réel, s"}, {"anchor": "difference-ia-generative", "heading": "Ce qui la distingue de l'IA générative", "text": "Schéma : IA générative contre IA physique, le coût d'une erreur À gauche, la colonne IA générative enchaîne entrée texte, écran et erreur qu'on régénère, à coût quasi nul. À droite, la colonne IA physique enchaîne capteurs, monde réel et erreur qui casse une pièce ou met en danger, à coût matériel ou humain. IA GÉNÉRATIVE IA PHYSIQUE Entrée texte Capteurs Écran Monde réel Erreur on régénère coût : quasi nul Erreur pièce cassée ou danger coût : matériel ou humain L'IA générative produit du contenu : texte, image, code. Si elle se trompe, on régénère. L'IA physique agit : une erreur peut casser "}, {"anchor": "boucle", "heading": "La boucle perception, raisonnement, action", "text": "Schéma : les trois briques de l'IA physique au-dessus d'un robot À gauche, une flèche descendante enchaîne capteurs, décision et mouvement. À droite, trois blocs empilés, modèle d'IA en violet, calcul embarqué en cyan, couche de contrôle en ambre, surplombent un robot stylisé à tête ronde et corps rectangulaire arrondi. Capteurs Décision Mouvement Modèle IA Comprendre Calcul embarqué Temps réel Couche de contrôle Précision et sécurité Toute IA physique repose sur la même boucle fondamentale, exécutée en continu : Perception : les données des capteurs (caméras, lidar, centrales inertielles, cap"}, {"anchor": "exemples", "heading": "Des exemples concrets sur le terrain", "text": "L'IA physique n'est pas un concept de laboratoire : elle est déjà déployée, à des degrés de maturité très variés. Humanoïdes en usine : des pilotes sont en cours chez plusieurs constructeurs automobiles et logisticiens, sur des tâches cadrées comme le déplacement de bacs ou l'alimentation de machines. Au CES 2026, Boston Dynamics a présenté la version de production de son humanoïde Atlas , associée aux modèles de Google DeepMind. Robots mobiles autonomes (AMR) : la catégorie la plus mature. Des flottes entières naviguent dans les entrepôts pour le picking et le transport interne, avec un retou"}, {"anchor": "pourquoi-2026", "heading": "Pourquoi 2026 est le moment de bascule", "text": "Le basculement s'est joué entre 2025 et 2026, sous l'effet de trois dynamiques convergentes. Les modèles ont changé de nature. Les modèles VLA et les world models permettent à un même cerveau de généraliser à des tâches qui n'ont pas été programmées explicitement. Au CES 2026, l'IA physique a dominé le salon : humanoïdes, robots domestiques, modules de calcul embarqué. Jensen Huang, le patron de NVIDIA, y a déclaré que le \"moment ChatGPT\" de l'IA physique était désormais imminent , alors qu'il le décrivait un an plus tôt comme simplement à l'horizon . Les capitaux affluent. Selon Crunchbase , "}, {"anchor": "limites", "heading": "Ce que l'IA physique ne sait pas encore faire", "text": "La crédibilité impose l'honnêteté : l'IA physique de 2026 reste limitée sur plusieurs fronts. Généralisation fragile : un robot performant dans les conditions de sa démonstration peut échouer face à un éclairage différent, un objet inconnu ou un environnement encombré. La robustesse hors des conditions d'entraînement reste le problème central. Fiabilité insuffisante : une ligne de production exige des taux de disponibilité que peu de systèmes d'IA physique atteignent aujourd'hui sans supervision humaine, voire téléopération de secours. Dextérité fine : câbles, textiles, objets déformables, vra"}, {"anchor": "poursuivre", "heading": "Poursuivre la lecture", "text": "Voir comment ces briques s'assemblent dans une machine réelle : notre pilier stack de l'IA physique détaille capteurs, modèles et actionneurs. Comprendre le modèle qui pilote la boucle de décision : notre guide sur les modèles VLA explique leur fonctionnement. Comparer les robots humanoïdes déjà déployés dans notre comparateur robots ."}]}, {"key": "events", "url": "/atlas/fr/salons-evenements/", "title": "Salons et événements", "sections": [{"anchor": "agenda-2026", "heading": "Second semestre 2026", "text": "Le tableau ci-dessous rassemble les salons, expositions et conférences physical AI confirmés pour le second semestre 2026, classés par date de début. Les événements qui se tiennent en France apparaissent en gras dans la colonne Lieu. Frise des rendez-vous physical AI, second semestre 2026 à fin 2027 Ligne temporelle horizontale de dix événements majeurs répartis du second semestre 2026 au second semestre 2027, avec un point coloré par catégorie : violet pour l'industrie, cyan pour les humanoïdes et la physical AI, vert pour les conférences académiques, corail pour la tech généraliste. De gauch"}, {"anchor": "agenda-2027", "heading": "2027", "text": "Le calendrier 2027 est plus long et inclut deux événements dont la date précise n'est pas encore publiée par l'organisateur (iREX et RSS) : ils sont marqués (à confirmer) et seront mis à jour dès que l'organisateur communiquera une date ferme. Dates Événement Lieu Pourquoi y aller 6-9 janvier 2027 CES 2027 Las Vegas, États-Unis Thème central 2027 : « Robotics in a New Era: Powered by Physical AI ». 10-11 février 2027 WAICF 2027 Cannes, France Un des rares événements IA français à forte visibilité internationale, avec zone robotique. 1-4 mars 2027 (à confirmer) MWC Barcelona 2027 Barcelone, Esp"}, {"anchor": "ou-aller-selon-profil", "heading": "Où aller selon votre profil", "text": "Dirigeant de PME ou d'ETI française : Global Industrie Lyon, SIDO Lyon, BIG, All4Pack Paris, Supply Chain Event. Responsable logistique ou entrepôt : LogiMAT, SITL, et ProMat si le budget permet un déplacement aux États-Unis. Direction technique ou innovation : Hannover Messe, automatica, NVIDIA GTC, CES. Veille humanoïdes et physical AI : World Robot Conference et World Humanoid Robot Games à Pékin, IEEE Humanoids, iREX à Tokyo. Chercheur ou veille scientifique : ICRA, IROS, CoRL, NeurIPS, et JNRR pour la recherche française."}, {"anchor": "conseils", "heading": "Préparer sa visite", "text": "Réservez votre badge visiteur tôt : il est souvent gratuit plusieurs semaines avant l'événement, puis payant sur place. Préparez trois questions à poser à chaque fournisseur : des références clients en production réelle (pas seulement en démonstration), le coût total de possession, et les modalités de maintenance. Croisez chaque visite avec la feuille de route usine et le premier prototype de l'Atlas pour situer ce que vous voyez dans votre propre projet. Ciblez huit à dix stands maximum avec un objectif précis par stand : une visite de salon bien préparée vaut un mois de veille en ligne. Note"}]}, {"key": "faq", "url": "/atlas/fr/faq/", "title": "FAQ IA physique", "sections": [{"anchor": "intro", "heading": "L'essentiel en dix questions", "text": "Cette FAQ répond aux questions que dirigeants industriels, ingénieurs et curieux posent le plus souvent sur l'IA physique. Les réponses sont volontairement courtes et s'appuient sur des sources vérifiables, listées en bas de page. Pour approfondir chaque notion, consultez les autres pages de l'Atlas. Dernière mise à jour : juillet 2026."}, {"anchor": "poursuivre", "heading": "Poursuivre la lecture", "text": "Lire la définition complète et sourcée dans notre pilier qu'est-ce que l'IA physique . Chiffrer un projet concret avec notre pilier ROI d'un pilote en usine . Suivre la maturité des humanoïdes usine par usine dans notre indice de production humanoïde ."}]}, {"key": "follow", "url": "/atlas/fr/qui-suivre/", "title": "Qui suivre sur l'IA physique", "sections": [{"anchor": "incontournables", "heading": "Les incontournables", "text": "L'IA physique se raconte d'abord sur les réseaux : chercheurs qui publient leurs résultats, agrégateurs qui compilent les démos, journalistes qui vérifient les chiffres. Voici les comptes que nous suivons pour construire l'Atlas, vérifiés un par un (profil actif en 2025-2026). Liste éditoriale, aucune contrepartie. Jim Fan (Linxi Fan) · X (Twitter) Co-lead du labo GEAR de NVIDIA (Project GR00T), la voix la plus suivie sur la robotique généraliste et les world models ; il publie quasi quotidiennement des analyses techniques et des démos (ENPIRE, DreamDojo). Sergey Levine · X (Twitter) Cofondate"}, {"anchor": "chercheurs", "heading": "Chercheurs et fondateurs", "text": "Karol Hausman · X (Twitter) CEO et cofondateur de Physical Intelligence (levée de 600M$ à 5,6Md$ de valorisation fin 2025) ; annonce en direct les avancées produit (méthode Recap / modèle pi*0.6, partenariat avec AgiBot). Ted Xiao · X (Twitter) Ex-responsable technique robotique/Gemini chez Google DeepMind (RT-1, RT-2, SayCan, Gemini Robotics), a quitté DeepMind fin 2025 pour rejoindre la startup en mode furtif Project Prometheus ; commente en profondeur les tournants stratégiques du secteur. Chris Paxton · X (Twitter) Responsable de l'innovation IA chez Agility Robotics (ex-Hello Robot, Meta "}, {"anchor": "agregateurs", "heading": "Agrégateurs et newsletters", "text": "The Humanoid Hub · X (Twitter) Compte de curation dédié aux démos et à l'actualité humanoïde (Xpeng Iron, ASAP de CMU/NVIDIA...), l'un des comptes agrégateurs les plus suivis du secteur. HumanoidHub (catalogue) · Web / Newsletter Catalogue mondial de référence des robots humanoïdes (106 robots, 67 fabricants suivis) avec une newsletter hebdomadaire le jeudi sur financements et lancements. Jack Clark (Import AI) · Newsletter (Substack) · lu par plus de 100 000 personnes chaque semaine (source : Schwarzman Centre for the Humanities) Cofondateur d'Anthropic, sa newsletter hebdomadaire Import AI c"}, {"anchor": "journalistes", "heading": "Journalistes et médias", "text": "Steve Crowe · X (Twitter) / Web Rédacteur en chef robotique de WTWH Media (The Robot Report), préside le Robotics Summit & Expo et RoboBusiness, coanime le Robot Report Podcast hebdomadaire. Eugene Demaitre · Web Directeur éditorial robotique chez WTWH Media, publie plusieurs articles par semaine sur les humanoïdes, l'automatisation industrielle et l'IA physique. Brianna Wessling · Web Journaliste robotique de The Robot Report, couvre en direct les grands salons (GTC 2026, MODEX) et les levées de fonds de l'écosystème humanoïde. Brian Heater · Bluesky / LinkedIn Créateur de la newsletter Actua"}, {"anchor": "video-podcasts", "heading": "Vidéo et podcasts", "text": "Unitree Robotics (chaîne officielle) · YouTube Chaîne officielle du fabricant chinois le plus disruptif du secteur (G1, H1, R1) ; démonstrations quasi hebdomadaires de nouvelles capacités et compétitions robotiques. Boston Dynamics (chaîne officielle) · YouTube Chaîne historique de référence (Atlas électrique, Spot) ; en 2026, bascule vers des démonstrations orientées tâches industrielles plutôt que prouesses spectaculaires. Robot Talk (Claire Asher) · Podcast Podcast hebdomadaire présenté par la journaliste scientifique Claire Asher, interviews accessibles de chercheurs sur la dextérité, la n"}, {"anchor": "open-source", "heading": "Open source", "text": "Rémi Cadène · X (Twitter) / LinkedIn Ex-ingénieur Optimus chez Tesla, fondateur de LeRobot chez Hugging Face, a quitté l'entreprise en 2025 pour lancer UMA, une « supergroup » européenne de robotique humanoïde basée à Paris avec Yann LeCun comme conseiller. Simon Alibert · GitHub / LinkedIn Cofondateur technique du projet LeRobot chez Hugging Face (infrastructure SO-100/SO-101), a rejoint Rémi Cadène comme CTO d'UMA en 2026 ; voix de référence sur l'ingénierie open source robotique."}, {"anchor": "voix-francophones", "heading": "Les voix francophones", "text": "Underscore_ (Michaël de Marliave, avec Micode) · YouTube / Podcast (FR) Émission française IA/hacking/robotique animée par Michaël de Marliave (avec Micode) ; a reçu Rémi Cadène pour un épisode dédié sur LeRobot, UMA et la course européenne à la robotique. Justin Carpentier · LinkedIn / Web Responsable de l'équipe Willow (Inria/ENS/CNRS), développeur principal de logiciels robotiques open source de référence (Pinocchio) ; voix académique française la plus citée dans la presse sur l'IA physique (Le Point, La Tribune, L'Usine Nouvelle). RoboActu · Web (FR) Média francophone indépendant dédié à l"}]}, {"key": "funding", "url": "/atlas/fr/financer-son-projet/", "title": "Financer son projet de robotique et d'IA physique", "sections": [{"anchor": "par-ou-commencer", "heading": "Par où commencer : la logique d'empilement des aides", "text": "Face au nombre de dispositifs disponibles en 2026, la question n'est pas « lequel choisir » mais « dans quel ordre les enchaîner ». Ces aides se cumulent selon une logique en quatre temps, du diagnostic gratuit ou quasi gratuit jusqu'au fiscal, qui tourne en continu, indépendamment du succès d'un appel à projets. Parcours de financement en quatre étapes Quatre cases reliées par des flèches. Étape 1 en cyan : diagnostic subventionné, par exemple Diag Data IA ou un accompagnement EDIH gratuit. Étape 2 en violet : étude de faisabilité, par exemple Innov'up ou l'Accélérateur IA et Industrie de Bpi"}, {"anchor": "dispositifs-nationaux", "heading": "Dispositifs nationaux : Bpifrance et France 2030", "text": "Le socle français s'organise autour de Bpifrance et du plan France 2030, avec un guichet spécifiquement dédié à la robotique et un autre à l'IA, plus des briques transverses (prêt, fiscal indirect via l'export, décarbonation). Dispositif Organisme Financement Statut au 10/07/2026 France 2030, Pionniers de l'intelligence artificielle Bpifrance et Inria, pour le SGPI/DGE Subvention jusqu'à 8 M€ (phase 1 : 100 000 € à 100 %) Ouvert, relevés 05/11/2025, 10/03/2026, 09/06/2026 France 2030, Offre de robots et machines intelligentes d'excellence Bpifrance Subvention et/ou avance remboursable, >= 1"}, {"anchor": "fiscal", "heading": "Le levier fiscal : CIR, CII, JEI, IP Box", "text": "Dispositif Taux / plafond Cumul Statut loi de finances 2026 Crédit d'impôt recherche (CIR) 30 % jusqu'à 100 M€ de dépenses, 5 % au-delà Cumulable CII, JEI Régime inchangé (loi n°2026-103 du 19/02/2026) ; remboursement immédiat pour PME et JEI Crédit d'impôt innovation (CII) 20 % en métropole (60 % DOM), plafond 400 000 € de dépenses/an soit 80 000 € de crédit maximum Cumulable CIR, JEI Prolongé jusqu'au 31/12/2027, taux confirmé sans changement Statut Jeune Entreprise Innovante (JEI) Exonération IS (100 % puis 50 %), exonération charges patronales R&D (plafond 4,5 SMIC/salarié, 5 PASS/établiss"}, {"anchor": "regions", "heading": "Dispositifs régionaux : sept exemples représentatifs", "text": "Chaque région française mène sa propre politique industrielle, avec des noms et des taux différents mais une architecture souvent proche du national : subvention conseil, subvention CAPEX, parfois avance remboursable. Voici sept exemples représentatifs : vérifiez toujours l'offre de votre propre région auprès de votre CCI ou de l'agence régionale, qui peut avoir changé depuis le 10 juillet 2026. Région Dispositifs principaux Statut Île-de-France Innov'up (subvention jusqu'à 500 000 € et avance récupérable jusqu'à 3 M€, avec un volet Leader France 2030 dédié aux technologies pour l'industrie du"}, {"anchor": "europe", "heading": "L'échelon européen : subventions, prêts et diagnostics gratuits", "text": "Programme Organisme Financement Échéances 2026 EIC Accelerator Commission européenne Subvention jusqu'à 2,5 M€ et investissement en fonds propres de 1 à 10 M€ ; budget 2026 de 634 M€, dont un défi « Physical AI acceleration » dédié Relevés 07/01, 04/03, 06/05, 08/07, 02/09, 04/11/2026 Horizon Europe, cluster Digital, Industry and Space Commission européenne / HaDEA, point de contact France : Bpifrance Subvention à consortium européen, montant variable selon l'appel Calendrier échelonné 2026-2027, ex. HORIZON-CL4-2026-02 : clôture étape 1 le 17/03/2026, étape 2 le 13/10/2026 Réseau EDIH , dont "}, {"anchor": "erreurs", "heading": "Les erreurs classiques", "text": "Engager la dépense avant le dépôt du dossier. C'est la règle numéro un, rappelée sur chaque dispositif public : une facture datée avant l'accusé de réception du dossier rend la dépense totalement inéligible, quel que soit le dispositif. Sous-estimer les délais d'instruction. Comptez 2 à 4 mois pour une subvention Bpifrance ou régionale, et un cycle bisannuel complet pour Horizon Europe, en deux étapes de plusieurs mois chacune. Un pilote urgent ne peut pas attendre un relevé France 2030 : dans ce cas, le Prêt Nouvelle Industrie ou une avance remboursable régionale se mobilisent plus vite. Mal "}, {"anchor": "poursuivre", "heading": "Poursuivre la lecture", "text": "Cadrer le projet avant de chercher son financement : notre pilier premier prototype . Construire le dossier de décision complet avec notre feuille de route du directeur d'usine . Vérifier que le calcul économique tient sans subvention : notre pilier ROI usine . Anticiper les coûts de mise en conformité, eux aussi parfois éligibles à un dispositif : notre pilier AI Act et normes ."}]}, {"key": "history", "url": "/atlas/fr/histoire-ia-robotique/", "title": "Histoire de l'IA en robotique : des réseaux spécialisés aux robots généralistes", "sections": [{"anchor": "frise", "heading": "Frise chronologique : trois ères de l'IA en robotique", "text": "Frise chronologique : trois ères de l'IA en robotique, de 1961 à 2026 Trois bandes horizontales empilées. En cyan, l'ère de l'automatisation programmée de 1961 à 2011 avec Unimate, Shakey, la fondation de Cognex et la vision 2D dans l'automobile. En ambre, l'ère de la perception apprise de 2012 à 2021 avec AlexNet, YOLO, Dex-Net et Covariant en entrepôt. En violet, l'ère de la généralisation de 2022 à 2026 avec RT-1, RT-2 et SAM, pi-zéro, GR00T N1 et les premiers pilotes humanoïdes en usine. 1961-2011 Automatisation programmée 1961 Unimate (GM) 1966-72 Shakey (SRI) 1981 Cognex fondé 1990-2000 "}, {"anchor": "deja-la", "heading": "L'IA est déjà là : dix ans de production", "text": "Avant même les modèles VLA, l'IA tourne déjà en production dans la robotique industrielle depuis plus d'une décennie. La détection d'objets par YOLO compte les pièces, repère les EPI ou trie les colis. La segmentation d'images progresse vite avec la famille Segment Anything (SAM, avril 2023) , SAM 2 (juillet 2024) puis SAM 3 (novembre 2025) de Meta, qui accélèrent l'annotation et le picking. La robotique guidée par vision 2D et 3D, l'estimation de pose 6D pour le bin picking (Photoneo, Zivid) et l'inspection qualité par détection d'anomalies (Cognex, Keyence) tournent déjà dans des milliers d'"}, {"anchor": "specialise-vs-generaliste", "heading": "Pile spécialisée ou pile généraliste ?", "text": "Ces deux histoires cohabitent aujourd'hui, sur le même site industriel. Voici comment les deux piles se comparent, brique par brique. Schéma : pile spécialisée contre pile généraliste Deux colonnes. À gauche, la pile spécialisée depuis 2015 : cinq briques de couleurs différentes empilées, caméra, YOLO pour la détection, pose 6D, trajectoire programmée, automate, chacune intégrée séparément. À droite, la pile généraliste depuis 2023 : trois briques toutes violettes, capteurs, un modèle vision-langage-action unique, actions, un seul modèle de bout en bout. Pile spécialisée (2015-...) une brique "}, {"anchor": "continuite", "heading": "Ce que cette histoire enseigne à un industriel", "text": "La vague actuelle de l'IA physique n'est pas une rupture sortie de nulle part : c'est la troisième étape d'une évolution longue de plus de soixante ans. Chaque étape a réutilisé les compétences de la précédente plutôt que de les remplacer : les intégrateurs vision qui ont câblé les usines dans les années 1990 sont largement les mêmes qui déploient aujourd'hui les pilotes VLA, et la qualité des données de production reste le facteur limitant, hier comme aujourd'hui. Trois lectures pour situer votre projet dans cette continuité : notre guide sur les modèles VLA pour comprendre ce que change vrai"}, {"anchor": "reperes", "heading": "Repères", "text": "YOLO, c'est quoi ? Une famille de réseaux de neurones qui détecte et localise des objets dans une image en un seul passage, en temps réel. Introduite en 2015, elle reste la référence pour compter, trier ou repérer des objets en usine. SAM, c'est quoi ? Segment Anything Model, développé par Meta à partir de 2023, découpe précisément le contour de n'importe quel objet dans une image ou une vidéo, sans entraînement spécifique à la tâche. Il accélère l'annotation de données et le picking en entrepôt. Pourquoi tout le monde parle de VLA maintenant ? Parce que les modèles vision-langage-action prome"}]}, {"key": "methodology", "url": "/atlas/fr/methodologie/", "title": "Notre méthodologie", "sections": [{"anchor": "principes", "heading": "Principes", "text": "Schéma : le pipeline hebdomadaire des données de l'Atlas Quatre étapes reliées par des flèches : sources whitelistées, extraction par IA, validation par schéma et invariants, puis publication ; une flèche circulaire ramène le cycle vers les sources, avec un badge indiquant que la boucle tourne chaque lundi. Sources whitelistées Extraction IA Validation schéma + invariants Publication chaque lundi L'Atlas suit deux règles simples. Première règle : chaque chiffre est sourcé et daté . Un prix, une charge utile, une autonomie ou un effectif déployé n'apparaît dans une fiche que s'il est rattaché à"}, {"anchor": "sources", "heading": "Hiérarchie des sources", "text": "Schéma : la pyramide de fiabilité des sources Pyramide à trois étages avec une flèche de priorité montante : à la base, les agrégateurs et trackers ; au milieu, la presse spécialisée ; au sommet, les sources constructeur (EUR-Lex, ISO, dépôts). Communication constructeur Presse spécialisée Registres officiels (EUR-Lex, ISO, dépôts) Priorité Toutes les sources ne se valent pas. Notre échelle de confiance, du plus faible au plus fort lorsqu'une source est prise isolément : Communication constructeur (communiqués, sites produits, interventions de dirigeants) : indispensable pour les spécification"}, {"anchor": "verification", "heading": "Vérification datée par fiche", "text": "Chaque fiche de l'Atlas porte un badge « dernière vérification » avec une date. Ce badge signifie qu'à cette date, chaque affirmation de la fiche a été confrontée à sa source d'origine et qu'au moins un recoupement a été tenté pour les chiffres sensibles (prix, déploiements, calendriers réglementaires). Une fiche ancienne n'est pas forcément fausse, mais le badge vous permet de juger la fraîcheur de l'information avant de la citer en comité de direction. Si vous repérez une erreur, signalez-la : la correction sera datée et visible."}, {"anchor": "mise-a-jour", "heading": "Mise à jour hebdomadaire avec garde-fous", "text": "L'Atlas est mis à jour selon un cycle hebdomadaire automatisé : des agents de veille collectent les annonces, publications réglementaires et mises à jour de normes, puis proposent des modifications de fiches. Cette automatisation est encadrée par des garde-fous stricts : validation de schéma sur chaque champ, interdiction d'écraser une donnée vérifiée par une donnée de confiance inférieure, et revue humaine de chaque différence avant publication . Aucune modification ne passe en ligne sans avoir été relue. L'automatisation nous donne la cadence ; la revue nous donne la fiabilité."}, {"anchor": "limites", "heading": "Limites connues", "text": "Trois limites structurelles du domaine s'imposent à nous et méritent d'être dites : Les prix des humanoïdes sont largement spéculatifs. Très peu de constructeurs publient des tarifs fermes ; la plupart des montants qui circulent sont des déclarations d'intention ou des estimations de tiers. Nous les signalons comme tels ou les laissons à null. Retrouvez ce niveau de confiance affiché fiche par fiche dans notre comparateur robots . Les spécifications ne sont pas standardisées. Charge utile, autonomie ou vitesse sont mesurées dans des conditions que chaque constructeur choisit ; comparer deux fi"}, {"anchor": "licence", "heading": "Licence et réutilisation", "text": "Les données structurées de l'Atlas sont publiées sous licence Creative Commons Attribution 4.0 (CC BY 4.0) . Vous pouvez les copier, les redistribuer, les adapter et les exploiter, y compris commercialement, à trois conditions : créditer « Physical AI Atlas, D-Fairy Consulting, d-fairy.fr » , fournir un lien vers la licence, et indiquer si des modifications ont été apportées. L'attribution ne doit pas suggérer que D-Fairy Consulting approuve votre usage. Pour une réutilisation à grande échelle ou un flux de données régulier, prenez contact : nous préférons fournir un export propre que de voir "}, {"anchor": "poursuivre", "heading": "Poursuivre la lecture", "text": "Voir la définition qui charpente tout le vocabulaire de l'Atlas : notre pilier qu'est-ce que l'IA physique . Retrouver des réponses courtes et sourcées dans notre FAQ . Consulter les entreprises que nous suivons dans notre comparateur entreprises ."}]}, {"key": "money", "url": "/atlas/fr/ou-va-argent/", "title": "Où va l'argent de l'IA physique", "sections": [{"anchor": "mega-tours", "heading": "Les méga-tours privés (2024-2026)", "text": "Entre 2024 et 2026, une poignée de startups occidentales de la robotique et de l'IA physique ont levé des tours privés d'une taille inédite pour le secteur, certains rivalisant avec les plus grosses levées de l'histoire du capital-risque toutes industries confondues. Le tableau ci-dessous rassemble les opérations les plus significatives, avec le montant levé, la valorisation obtenue, l'investisseur qui a mené le tour, la date et la source. Société Montant Valorisation Lead Date Source Project Prometheus (Jeff Bezos) 18,2 Md$ cumulés (6,2 Md$ puis 12 Md$) 41 Md$ JPMorgan, Goldman Sachs, BlackRo"}, {"anchor": "qui-finance", "heading": "Qui finance : la logique des investisseurs", "text": "Trois familles d'investisseurs financent l'IA physique, avec des logiques distinctes qui se lisent directement dans les tours du tableau précédent. Le capital-risque classique (Sequoia, Lux Capital, Thrive Capital, CapitalG, Founders Fund) prend un pari sur la couche modèles/cerveau, la plus incertaine techniquement mais aussi la plus valorisable en cas de succès : c'est ce qui explique des valorisations qui s'envolent (Figure AI, Physical Intelligence, Skild AI). Les corporates stratégiques (NVIDIA, Amazon/Bezos Expeditions, Samsung, LG, Google, Qualcomm, Microsoft) achètent une option amont "}, {"anchor": "plans-publics", "heading": "Les plans publics, bloc par bloc", "text": "Chaque grand bloc affiche son propre chiffre-choc pour l'IA physique, avec des périmètres, des horizons et des méthodes de calcul incomparables entre eux. Voici les plans les plus régulièrement cités, avec leur montant et leur horizon annoncés. Bloc Plan principal Montant Horizon Chine Fonds national de capital-risque d'État , complété par des fonds locaux (villes et provinces) capital d'amorce 100 Md yuans (~14 Md$), mobilisation totale visée autour de 1 000 Md yuans (~138 Md$) horizon 20 ans, lancé le 26 décembre 2025 Japon Investissement public-privé sur 17 domaines stratégiques (dont l'IA "}, {"anchor": "asymetrie", "heading": "L'asymétrie clé : la Chine hors capital-risque, l'Occident dedans", "text": "Le contraste le plus structurant de ce dossier tient en une phrase : en Occident, la couche de financement qui construit un champion (Figure AI, Physical Intelligence, Skild AI, Neura Robotics, Apptronik, Wayve) est le capital-risque privé et les corporates stratégiques, avec des tours individuels de 300 M$ à plus d'1 Md$ et des valorisations qui s'envolent (Figure AI 39 Md$, Project Prometheus 41 Md$, Skild AI plus que triplé en un an). En Chine, ce rôle est joué par des véhicules publics : des fonds nationaux et locaux qui atteignent plus de 100 Md yuans à l'échelle d'une seule ville (Hangzh"}, {"anchor": "sablier", "heading": "Le sablier : une concentration extrême du capital", "text": "Le paysage du financement de l'IA physique ressemble à un sablier : très large en haut, presque vide dès qu'on descend d'un cran. Un petit nombre de sociétés concentre l'essentiel du capital-risque mondial du secteur. Le seul tour de clôture de Project Prometheus, 12 Md$ en juin 2026, dépasse à lui seul l'estimation CB Insights du financement mondial des humanoïdes sur toute l'année 2025 (2,3 Md$ projetés) ; ajouté aux tours de Figure AI, Skild AI, Neura Robotics et Wayve, le cumul des cinq plus grosses opérations 2024-2026 dépasse largement les 25 Md$, très au-dessus de l'estimation Dealroom "}, {"anchor": "verdict", "heading": "Le verdict de l'Atlas", "text": "Premier constat : l'argent est rationnel sur la destination, il va vers les couches où la valeur et la défendabilité semblent les plus fortes, les modèles de fondation robotique pour le capital-risque occidental, la capacité de déploiement industriel installée pour les souverains, la mise à l'échelle manufacturière pour l'État chinois. Deuxième constat : l'argent est optimiste sur le calendrier, des valorisations à 39 ou 41 Md$ supposant une trajectoire vers un marché de plusieurs centaines de milliards de dollars que même les analystes les plus favorables (Morgan Stanley, Goldman Sachs) ne pr"}]}, {"key": "prototype", "url": "/atlas/fr/premier-prototype/", "title": "Quel robot, et comment construire son premier prototype", "sections": [{"anchor": "matrice-robots", "heading": "Quelle forme de robot pour l'IA physique ?", "text": "Schéma : matrice de décision par type de robot Nuage de points sur deux axes : en horizontal la facilité d'implantation de l'IA aujourd'hui, de difficile à facile ; en vertical le potentiel de généralisation, de borné à maximal. Bras ou cobot en cellule et AMR se situent en zone facile à potentiel moyen, manipulateur mobile et humanoïde à roues en zone moyenne à potentiel élevé, humanoïde bipède en zone difficile à potentiel maximal, et SCARA ou delta en zone facile à potentiel faible. Difficile Facile Facilité d'implantation IA aujourd'hui Borné Maximal Potentiel de généralisation Bras / cobo"}, {"anchor": "courbe", "heading": "La courbe d'apprentissage, sans se mentir", "text": "Schéma : la courbe d'apprentissage sur douze semaines Graphique montrant la progression sur douze semaines, de S1 à S12 : montée lente en semaines 1 et 2 (montage et calibration) puis 3 et 4 (téléopération et démonstrations), accélération en semaines 5 à 8 (entraînement et itérations), et palier de fiabilisation à 80-90 % en semaines 9 à 12, avec un point final marquant le premier prototype convaincant. Montage et calibration Téléopération et démonstrations Entraînement et itérations Fiabilisation 80-90 % Premier prototype convaincant S1 S2 S3 S4 S5 S6 S7 S8 S9 S10 S11 S12 Pour une équipe de 1"}, {"anchor": "kit", "heading": "Le kit concret du premier prototype", "text": "Voici une liste matérielle vérifiée à la date de publication, pas une liste de vœux. Les prix restent des ordres de grandeur : vérifiez-les avant achat, ce marché évolue vite. Composant Référence 2026 Prix indicatif Rôle Bras robotique (paire leader-follower) SO-101 (Hugging Face / LeRobot, conçu avec RobotStudio) Environ 130 à 220 $ en kit DIY par bras, 200 à 400 $ pour un ensemble assemblé leader-suiveur Téléopération et exécution de la tâche Bras bimanuel avancé (optionnel) Aloha Solo (Trossen Robotics) À partir de 8 999,95 $ Manipulation bimanuelle pour aller plus loin que le bras simple C"}, {"anchor": "datasets", "heading": "Les données : ce qu'il faut vraiment", "text": "Combien de démonstrations faut-il pour qu'une policy fonctionne ? La documentation de LeRobot pour ACT (Action Chunking Transformer) donne des ordres de grandeur clairs et documentés. Type de tâche Démonstrations (ordre de grandeur) Pick-and-place simple, objet unique, position fixe Environ 50 Tâche plus complexe, plusieurs étapes 100 à 200 Robustesse aux variations (position, éclairage, objets) 200 et plus, avec de la diversité La collecte se fait par téléopération avec le bras leader du SO-101 : vous manipulez le bras leader à la main, le follower reproduit le geste, et chaque trajectoire es"}, {"anchor": "contraintes", "heading": "Contraintes et évaluation", "text": "Un prototype qui fonctionne sur une table n'est pas encore un système sûr, ni évalué sérieusement. Trois disciplines à ne pas sauter. La sécurité dès le prototype : limitez les vitesses, dégagez une zone d'exclusion autour du bras pendant les essais, et ne considérez jamais un prototype de laboratoire comme prêt pour un opérateur humain à proximité. Le passage en production relève ensuite de l'AI Act européen et des normes machines associées : consultez notre pilier AI Act et normes pour les échéances et responsabilités à jour. Évaluer proprement signifie mesurer un taux de réussite sur un nom"}]}, {"key": "roadmap", "url": "/atlas/fr/feuille-de-route-usine/", "title": "La feuille de route du directeur d'usine", "sections": [{"anchor": "bulle", "heading": "L'industrie 4.0 n'a jamais décollé. L'IA physique est-elle une bulle ?", "text": "La question mérite d'être posée sans détour : l'industrie a déjà vécu cette déception. Le concept de « pilot purgatory » n'est pas neuf. En fondant le Global Lighthouse Network en 2018, le World Economic Forum et McKinsey ont documenté que plus de 70 % des industriels restaient bloqués avec des pilotes numériques sans impact business mesurable. Sept ans plus tard, la même statistique circule encore. Deux bulles bien différentes coexistent. La première est financière : Figure a été valorisée 39 milliards de dollars en série C (septembre 2025, plus d'un milliard levé, Parkway Venture Capital, Nv"}, {"anchor": "timeline", "heading": "Quand investir : la timeline 2026-2030", "text": "Schéma : frise 2026-2030, technologies et posture par horizon Trois segments chronologiques : 2026, technologies matures comme l'AMR et l'inspection, posture investir ; 2027-2028, pilotes humanoïdes chez les grands groupes, posture observer ; 2029 et au-delà, humanoïdes généralistes, posture réévaluer. AMR, palettisation inspection 2026 INVESTIR Pilotes humanoïdes grands groupes 2027-2028 OBSERVER Humanoïdes généralistes 2029+ RÉÉVALUER Trois horizons, trois maturités très différentes. Les confondre est l'erreur la plus coûteuse qu'un directeur d'usine puisse commettre en 2026. Horizon Quoi Po"}, {"anchor": "roi-humain", "heading": "Le double ROI : euros et humains", "text": "Schéma : le double ROI, euros et humains Deux colonnes convergent vers une décision d'investir : à gauche le ROI en euros avec la productivité, la qualité et la disponibilité 24 heures sur 24 ; à droite le ROI humain avec la baisse des troubles musculo-squelettiques et de la pénibilité, la rétention et la requalification vers la supervision. Euros Humains Productivité Qualité Disponibilité 24 heures sur 24 TMS et pénibilité en baisse Rétention Requalification vers supervision Décision d'investir Le calcul financier d'un pilote (délai de retour, structure de coûts, hypothèses à tester) est trai"}, {"anchor": "acheteurs-2026", "heading": "À qui ces technologies se vendent réellement en 2026", "text": "Selon l'étude State of AI in the Enterprise 2026 de Deloitte (3 235 dirigeants interrogés en août-septembre 2025), 58 % des entreprises déclarent déjà un usage au moins limité de l'IA physique, et 80 % l'anticipent sous deux ans. L'adoption est la plus avancée en fabrication, logistique et défense, et elle démarre presque toujours dans des environnements contrôlés avant toute extension. Sur le terrain, les acheteurs réels de 2026 se recoupent : les 3PL et la logistique (GXO en tête), l'automobile (constructeurs et équipementiers de rang 1, avec des pilotes humanoïdes chez BMW et Mercedes-Benz)"}, {"anchor": "stack-demarrage", "heading": "Le kit de démarrage : matériel et logiciel", "text": "Trois paliers de budget correspondent à trois intentions différentes. Les montants ci-dessous sont des ordres de grandeur 2026, à valider en consultation avec un intégrateur. Palier Budget indicatif Contenu Objectif Découverte / labo 15 000 à 40 000 € Cobot d'entrée de gamme ou petit AMR, caméra RGB-D, station de calcul (NVIDIA Jetson Orin Nano, à partir d'environ 249 $, ou PC RTX), stack open source : ROS 2 pour le contrôle, LeRobot de Hugging Face pour l'apprentissage par démonstration Apprendre, former une équipe interne, ne pas produire Pilote de production 100 000 à 300 000 € tout compris"}, {"anchor": "ressources", "heading": "Les ressources humaines : qui, et comment monter en compétence", "text": "Contrairement à une idée reçue, une usine n'a pas besoin d'un docteur en robotique pour démarrer. Il faut quatre rôles, dont deux existent souvent déjà en interne : un automaticien formé sur le nouvel outil ; un « pilote robot » désigné, point de contact quotidien ; un référent IT/OT qui connecte la cellule au système d'information ; et un sponsor de direction qui protège le projet des arbitrages court-termistes. Au démarrage, l'intégrateur porte le reste : programmation avancée, mise en service, garantie de performance. Les parcours existent déjà. Côté constructeurs, l'Universal Robots Academ"}, {"anchor": "methode", "heading": "La méthode en 90 jours pour décider", "text": "Une checklist opérationnelle, pensée pour produire une décision, pas un rapport de plus. Jours 1 à 30 : cartographier. Lister 5 postes candidats en croisant pénibilité, répétitivité et taux d'erreur actuel. Chiffrer le statu quo pour chacun : coût de main-d'oeuvre chargé, coût de la non-qualité, turnover. Jours 31 à 60 : confronter au réel. Visiter 2 déploiements réels, si possible chez un client d'intégrateur plutôt qu'en showroom. Demander 2 chiffrages à des intégrateurs différents, sur le même périmètre exact. Jours 61 à 90 : décider. Choisir un seul cas d'usage, le plus ennuyeux et le plus"}]}, {"key": "roi", "url": "/atlas/fr/roi-usine/", "title": "ROI d'un pilote IA physique en usine", "sections": [{"anchor": "pourquoi-pilote", "heading": "Pourquoi commencer par un pilote cadré", "text": "En IA physique, l'écart entre une démonstration et une production fiable reste le principal risque financier. Un pilote cadré sert précisément à mesurer cet écart sur votre terrain : vos références produits, vos cadences, vos équipes, votre variabilité réelle. Les déploiements humanoïdes les plus médiatisés de 2024-2026 (GXO, Toyota Canada, BMW) ont tous suivi ce chemin : environ un an de pilote sur un site unique avant tout accord commercial ou extension. Un bon pilote se reconnaît à trois traits : un périmètre étroit (une cellule, un flux, une équipe), un indicateur de succès unique défini a"}, {"anchor": "cas-usage", "heading": "Les cas d'usage qui marchent en 2026", "text": "Les retours documentés convergent vers cinq familles : Palettisation et dépalettisation : la valeur sûre. Technologie mature, cycles répétitifs, intégration bien balisée ; le premier projet le plus fréquent. Pick-and-place avec vision : le tri et le conditionnement de pièces variables profitent directement des progrès de la perception par IA. Inspection qualité par vision : détection de défauts en ligne, souvent le pilote IA le moins coûteux car il ne manipule rien. Intralogistique : le déploiement humanoïde le mieux documenté est celui de GXO, où Digit (Agility Robotics) manipule des bacs sur"}, {"anchor": "couts", "heading": "Structure de coûts réaliste", "text": "Schéma : répartition du coût réel d'une cellule robotisée Barre horizontale empilée en six segments proportionnels au coût total : bras robot 30 %, préhension et outillage 10 %, sécurité et certification 8 %, intégration et programmation 38 % (le poste le plus lourd), convoyage et périphérie 8 %, formation et exploitation 6 %. Le robot n'est qu'un tiers du budget. 30 % 10 % 8 % 38 % 8 % 6 % Bras robot Préhension et outillage Sécurité et certification Intégration et programmation Convoyage et périphérie Formation et exploitation Le robot n'est qu'un tiers du budget L'erreur budgétaire la plus r"}, {"anchor": "calcul-roi", "heading": "Un calcul de ROI simple et honnête", "text": "Schéma : la courbe de retour sur investissement Courbe sur 36 mois : elle plonge au démarrage avec l'investissement initial, remonte progressivement pendant la montée en cadence, franchit le seuil de rentabilité entre le 18e et le 36e mois, la zone du point mort typique, puis continue au-dessus de zéro en zone de retour. Point mort typique 0 0 6 12 18 24 30 36 Mois Investissement Montée en cadence Retour La formule de base tient en une ligne : délai de retour = investissement total / flux net annuel (économies moins coûts récurrents). Toute la valeur de l'exercice réside dans la sincérité des "}, {"anchor": "erreurs", "heading": "Les 5 erreurs classiques", "text": "Ne budgéter que le bras. L'intégration coûte 2 à 3 fois le robot ; l'oublier produit les dépassements de 50 à 80 % constatés chez les acheteurs qui découvrent la facture d'intégration en cours de projet. Choisir le cas d'usage le plus spectaculaire plutôt que le plus répétitif. Le bon premier pilote est ennuyeux : volume élevé, variabilité maîtrisée, indicateur mesurable dès aujourd'hui. Sous-estimer les données et le MLOps. Un système à base d'apprentissage dérive avec les changements de produits, d'éclairage ou d'emballage. Sans surveillance, réentraînement et procédure de reprise manuelle, "}, {"anchor": "checklist", "heading": "Checklist de décision", "text": "Le cas d'usage est répétitif, à volume élevé, et sa performance actuelle est déjà mesurée. Un indicateur de succès unique et chiffré est défini avant la signature (coût par unité, taux de rebut, disponibilité). Le budget couvre le coût complet : intégration à 2-3 fois le prix du robot, MLOps, formation, conformité. Le ROI reste positif dans le scénario pessimiste (une équipe, disponibilité 80 %, montée en cadence lente). Un responsable production est nommé et les opérateurs sont associés dès la conception du pilote. La stratégie de conformité (marquage CE de la cellule, AI Act, RGPD le cas éch"}, {"anchor": "poursuivre", "heading": "Poursuivre la lecture", "text": "Construire le dossier de décision complet avec notre feuille de route du directeur d'usine . Cadrer le premier prototype avant de chiffrer un pilote : notre pilier premier prototype . Comparer les robots humanoïdes utilisés dans ces déploiements dans notre comparateur robots . Vérifier si votre pilote peut être cofinancé avant de chiffrer son ROI net : notre pilier financer son projet ."}]}, {"key": "simple", "url": "/atlas/fr/ia-physique-pour-tous/", "title": "L'IA physique expliquée à tous", "sections": [{"anchor": "cest-quoi", "heading": "C'est quoi, l'IA physique ?", "text": "Jusqu'à il y a peu, les intelligences artificielles savaient surtout lire et écrire. Elles répondaient à des questions ou généraient des textes et des images, mais tout restait derrière un écran. L'IA physique change cela : elle donne à une intelligence artificielle la capacité de voir, de comprendre et d'agir dans le monde réel, à travers une machine, un robot. C'est un peu comme donner un corps à un cerveau. Et ça change tout : usines, entrepôts, fermes, hôpitaux, partout où une tâche physique doit être faite, pas seulement une tâche mentale."}, {"anchor": "la-boucle", "heading": "Voir, comprendre, agir", "text": "Toute IA physique répète la même boucle, encore et encore : Schéma : la boucle voir, comprendre, agir Trois cercles reliés par des flèches : Voir, Comprendre, Agir, avec une flèche de retour vers Voir qui boucle en continu. Voir Comprendre Agir Caméras = les yeux Modèle IA = le cerveau Moteurs = les muscles et on recommence, 100 fois par seconde C'est exactement ce que vous faites, sans y penser, quand vous attrapez un verre d'eau. Vos yeux voient où il est. Votre cerveau comprend la distance et le geste à faire. Votre main agit et se referme au bon moment. Vous ne réfléchissez pas consciemmen"}, {"anchor": "avant-apres", "heading": "Ce qui change vraiment", "text": "Le vrai changement n'est pas le robot lui-même : c'est la manière dont on lui apprend son métier. Schéma : avant contre maintenant, deux façons d'entraîner un robot À gauche, le robot programmé suit des instructions figées et échoue si l'objet bouge. À droite, le robot qui apprend généralise à partir de quelques démonstrations et s'adapte. AVANT Le robot programmé MAINTENANT Le robot qui apprend Instructions figées pas à pas Objet +2 cm Échec ça bloque Quelques démos dizaines d'essais Objet +2 cm Réussite ça s'adapte Avant, un robot suivait une liste d'instructions écrite à l'avance, un peu co"}, {"anchor": "les-briques", "heading": "Les quatre briques", "text": "Un robot d'IA physique se construit avec quatre briques, chacune avec son équivalent chez l'humain : Schéma : les quatre briques de l'IA physique Quatre rectangles : caméras et capteurs (les sens), modèle d'IA (le cerveau), moteurs et mains (les muscles), simulation (l'auto-école). Caméras et capteurs Les sens Modèle d'IA Le cerveau Moteurs et mains Les muscles Simulation L'auto-école Caméras et capteurs (les sens) : ils captent ce qui se passe autour du robot, en continu. Modèle d'IA (le cerveau) : il comprend la scène et décide quoi faire ensuite. Moteurs et mains (les muscles) : ils exécute"}, {"anchor": "en-vrai", "heading": "Et en vrai, ça donne quoi ?", "text": "Voici à quoi ressemble l'IA physique aujourd'hui : Quelques exemples concrets, déjà en service : des robots rangent des bacs dans des entrepôts logistiques, comme chez GXO. Des humanoïdes travaillent huit heures par jour dans une usine de roulements, chez Schaeffler. Des bras robotisés trient des colis qu'ils n'ont jamais vus auparavant, sans qu'on leur ait montré cet objet précis à l'avance. Vous pouvez comparer ces machines dans notre comparateur de robots . Deux limites honnêtes, pour ne pas vous raconter d'histoires : ces robots restent plus lents et plus maladroits qu'un humain, surtout p"}, {"anchor": "aller-plus-loin", "heading": "Pour aller plus loin", "text": "Cette page donne les bases. Pour aller plus loin, trois chemins possibles selon ce qui vous intéresse : Vous êtes curieux : direction la FAQ , pour des réponses courtes à dix questions fréquentes. Vous êtes technique : la définition complète entre dans le détail des modèles, des chiffres et des sources. Vous êtes décideur : la feuille de route usine explique comment démarrer un projet, étape par étape."}]}, {"key": "stack", "url": "/atlas/fr/stack-ia-physique/", "title": "La stack de l'IA physique", "sections": [{"anchor": "couches", "heading": "Les couches d'un système d'IA physique", "text": "Schéma : les cinq couches de la stack d'IA physique Quatre couches empilées de bas en haut, capteurs et perception en cyan, modèles en violet, calcul embarqué en ambre, actuation en corail, chacune avec des exemples d'acteurs. À droite, une bulle Données reliée par une flèche courbe qui redescend vers la couche Modèles. Actuation Unitree, Figure, Boston Dynamics Calcul embarqué NVIDIA Jetson, Qualcomm, AMD Modèles NVIDIA, DeepMind, Physical Intelligence Capteurs et perception Ouster, Luxonis, GelSight Données Isaac Sim, LeRobot Scale AI Un système d'IA physique transforme des observations du m"}, {"anchor": "perception", "heading": "Capteurs et perception", "text": "La vision domine. Des caméras RGB bon marché fournissent l'essentiel du signal, souvent complétées par des caméras de profondeur ou un LiDAR pour la géométrie de la scène. Le toucher progresse vite : les capteurs tactiles à haute résolution de type GelSight deviennent indispensables à la manipulation fine, là où la vision seule ne voit pas ce qui se passe sous les doigts. La proprioception (encodeurs articulaires, centrales inertielles, capteurs de couple) renseigne enfin le robot sur l'état de son propre corps. La tendance 2026 est à la sobriété capteurs. Robostral Navigate de Mistral AI navi"}, {"anchor": "modeles", "heading": "Modèles : VLA, world models et policies", "text": "Trois familles de modèles cohabitent. Les modèles vision-langage-action (VLA) traduisent directement pixels et instructions en actions : Isaac GR00T N1.6 de NVIDIA, Gemini Robotics 1.5 de Google DeepMind ou π0.5 de Physical Intelligence. Les world models apprennent la dynamique de l'environnement et servent à générer des données synthétiques, à évaluer des comportements ou à planifier (NVIDIA Cosmos, Genie 3). Les policies apprises par renforcement, souvent entraînées en simulation, pilotent enfin la locomotion et les gestes réflexes. Ces familles convergent : GR00T N1.6 intègre le modèle de r"}, {"anchor": "actuation", "heading": "Actuation : moteurs, mains, locomotion", "text": "Les actionneurs électriques ont supplanté l'hydraulique sur la quasi-totalité des plateformes récentes : plus simples à maintenir, plus silencieux, plus faciles à contrôler finement. Les architectures quasi-direct drive, popularisées par la robotique à pattes, offrent la transparence de couple nécessaire aux contacts imprévus. La main reste la frontière la plus dure. Reproduire une vingtaine de degrés de liberté avec du tactile, une force utile et une durabilité industrielle concentre des compromis mécaniques que personne n'a encore résolus à coût raisonnable. Beaucoup d'applications s'en tien"}, {"anchor": "calcul", "heading": "Calcul embarqué ou cloud", "text": "Schéma : partage du calcul entre robot embarqué et cloud À gauche, un robot stylisé avec une puce embarquée assure l'inférence temps réel de 10 à 200 hertz pour la sécurité. À droite, un nuage assure l'entraînement et les mises à jour de flotte. Une double flèche relie les deux : les modèles descendent du cloud vers le robot, les données remontent du robot vers le cloud. CALCUL EMBARQUÉ CLOUD Inférence temps réel 10-200 Hz, sécurité Entraînement mises à jour de flotte modèles descendants données montantes La boucle de contrôle d'un robot tourne entre 50 Hz et 1 kHz : impossible de la faire tra"}, {"anchor": "donnees", "heading": "Le goulot des données", "text": "Il n'existe pas d'Internet des actions. Contrairement au texte ou aux images, les trajectoires robotiques ne préexistent nulle part : il faut les produire. Trois sources se partagent le travail. La téléopération fournit des démonstrations de haute qualité, mais elle coûte cher et passe mal à l'échelle. La simulation en produit des volumes quasi illimités, au prix d'un écart avec le réel qu'il faut ensuite combler. La vidéo humaine égocentrique s'impose comme troisième voie : des travaux publiés en 2026 montrent que 30 minutes de vidéo humaine par tâche peuvent surpasser de 41 % une téléopérati"}, {"anchor": "poursuivre", "heading": "Poursuivre la lecture", "text": "Revenir aux fondamentaux de la simulation et de la donnée : notre pilier world models et sim2real . Approfondir la couche modèles avec notre guide sur les modèles VLA . Comparer les puces et plateformes de calcul embarqué dans notre comparateur puces ."}]}, {"key": "value-chain", "url": "/atlas/fr/chaine-de-valeur-robotique/", "title": "Robotique : où va la valeur à l'ère de l'IA physique ?", "sections": [{"anchor": "precedents", "heading": "Ce que le PC et le smartphone nous apprennent", "text": "Deux migrations de valeur permettent de lire l'IA physique. Sur le PC, l'architecture ouverte de l'IBM PC (1981) a permis le clonage par des tiers (Compaq et d'autres) : le matériel s'est commoditisé, la valeur s'est concentrée chez les fournisseurs du processeur et de l'OS, Microsoft et Intel, l'alliance « Wintel ». Sur le smartphone, le schéma s'est répété en pire pour les fabricants : en 2023, Apple captait environ 85 % du profit mondial du secteur avec seulement 21 % des volumes (Counterpoint Research, Bloomberg), le reste se battant sur des marges Android construites sur puces Qualcomm et"}, {"anchor": "commoditisation", "heading": "Le hardware se commoditise plus vite que prévu", "text": "La compression des prix a surpris le secteur lui-même. Unitree a lancé son G1 en mai 2024 à 99 000 yuans, environ 16 000 dollars (The Robot Report) ; en 2026, l'entreprise proposait une plateforme bras double à base fixe dès 4 290 dollars et des versions bipèdes R1 / R1 Air entre 4 900 et 5 900 dollars. Le prix de vente moyen d'Unitree est lui-même passé de 593 000 yuans en 2023 à 168 000 yuans sur les neuf premiers mois de 2025 (prospectus d'introduction en bourse, mars 2026), tout en restant rentable via l'intégration verticale de ses moteurs et réducteurs. La pression descend toute la chaîn"}, {"anchor": "differenciateur", "heading": "Où est le vrai différenciateur ? Pas dans le modèle", "text": "Ce qui protège durablement une position dans l'IA physique (2026) Classement des différenciateurs durables, du plus défendable (données de flotte) au moins défendable (modèle VLA). Ce qui protège durablement une position dans l'IA physique (2026) Données de flotte la boucle robots -> données -> modèle s'auto-renforce Fiabilité et intégration le fossé démo-production, dossier sécurité, certification Coût du hardware actionneurs, mains, batteries : la supply chain décide Distribution et service intégrateurs, SAV, pièces : à construire pour les humanoïdes Compute embarqué égalisateur : NVIDIA ven"}, {"anchor": "software-question", "heading": "Un roboticien sait-il faire du logiciel ? La question structurelle", "text": "Soyons directs : les cultures sont largement incompatibles. Un roboticien pense en cycles produit de 5 à 7 ans, validés par des dossiers de sécurité machine ; une équipe IA pense en itérations hebdomadaires et déploiement continu. Le premier vend un actif CAPEX amorti sur une décennie ; le second construit une relation récurrente de type SaaS, avec des cycles de vente et une organisation commerciale différents. Les précédents logiciels des grands roboticiens invitent à la prudence. KUKA Connect, ABB Ability et FANUC Field existent depuis le milieu des années 2010, avec de vraies fonctions de s"}, {"anchor": "nouvelle-chaine", "heading": "La nouvelle chaîne de valeur", "text": "Schéma : la nouvelle chaîne de valeur de la robotique Six couches empilées avec leur tendance de marge : puces IA en hausse, modèles de fondation en hausse winner-take-most, hardware émergent humanoïde en baisse guerre des prix, hardware industriel éprouvé en érosion lente, cellule certifiée et intégration défendable, données d'exploitation et service en hausse nouveau gisement. Puces IA ↑ marge forte Modèles de fondation ↑ winner-take-most Hardware émergent humanoïdes ↓ guerre des prix Hardware industriel éprouvé → érosion lente Cellule certifiée + intégration → défendable Données d'exploitat"}, {"anchor": "economie-donnees", "heading": "L'économie des données robotiques", "text": "Une différence fondamentale sépare l'IA physique des LLM : le texte du web était gratuit, la donnée robotique doit être fabriquée. Chaque trajectoire de manipulation coûte du matériel, des opérateurs et du temps. Il en naît une industrie à quatre étages, encore jeune mais déjà structurée. 1. Les usines à données. Tesla recrute des « Data Collection Operators » payés jusqu'à 48 dollars de l'heure pour marcher plus de 7 heures par jour en combinaison de capture de mouvement et casque VR, avec des critères de taille alignés sur Optimus (entre 1,70 m et 1,80 m) ; plus de 50 opérateurs recrutés sel"}, {"anchor": "proteger-logiciel", "heading": "Le logiciel se copie : comment défendre sa valeur", "text": "Schéma : les cinq défenses autour d'un code copiable Le code, copiable, au centre ; autour, les cinq défenses réelles : flux de données, itération client, certification, canal et service, écosystème. Le code (copiable) 1. Flux de données 2. Itération client 3. Certification CE / AI Act 4. Canal et service 5. Écosystème la copie s'arrête ici Constat honnête avant toute stratégie logicielle : en 2026, le code n'est plus un actif défendable en soi. Les architectures publiées se reproduisent en quelques mois. Les poids de modèles se distillent : début 2025, OpenAI et Microsoft ont affirmé que Deep"}, {"anchor": "investir", "heading": "Un roboticien doit-il investir maintenant, et pour quel retour ?", "text": "Oui, mais investir ne veut pas dire construire son propre modèle de fondation généraliste : le ticket d'entrée est hors de portée de la quasi-totalité des roboticiens. Investir veut dire choisir sa case dans le tableau précédent, pas toutes les occuper. Quatre stratégies réalistes : Devenir le meilleur corps pour les cerveaux des autres. Approche ouverte façon Unitree, ou partenariats dans l'écosystème GR00T : Boston Dynamics, Agility Robotics et Figure AI bâtissent déjà sur Jetson Thor plutôt que de rivaliser avec NVIDIA sur la puce. Acquérir ou s'allier plutôt que construire seul. Même les m"}, {"anchor": "verdict", "heading": "Notre lecture", "text": "La chaîne de valeur robotique se recompose, sans être figée : NVIDIA tient la plateforme la plus forte (puce, modèle, simulation), mais aucun OS robotique n'a le monopole que Windows avait sur le PC. Le hardware seul ne protège plus rien : la compression déjà vue sur les humanoïdes chinois, de 16 000 à 4 290 dollars en moins de deux ans, rend intenable toute stratégie fondée sur la marge matérielle. Devenir un laboratoire de modèles généralistes n'est pas réaliste pour la plupart des roboticiens : le ticket d'entrée, capital et talent à 3-6 fois les niveaux de l'industrie, suppose une levée à "}]}, {"key": "vla", "url": "/atlas/fr/modeles-vla-expliques/", "title": "Les modèles VLA expliqués", "sections": [{"anchor": "definition", "heading": "Qu'est-ce qu'un modèle vision-langage-action ?", "text": "Un modèle vision-langage-action (VLA) est un réseau de neurones qui reçoit des images et une instruction en langage naturel, et produit directement des commandes robotiques : positions d'articulations, vitesses ou couples. Là où la robotique classique enchaînait des modules séparés (détection d'objets, planification de trajectoire, contrôle), le VLA apprend la chaîne complète de bout en bout, à partir de démonstrations. Le terme s'est imposé en 2023 avec RT-2 de Google DeepMind, qui a montré qu'un modèle vision-langage préentraîné sur le web transfère sa connaissance du monde à la commande d'u"}, {"anchor": "fonctionnement", "heading": "Comment ça marche", "text": "Schéma : architecture d'un modèle vision-langage-action À gauche, deux entrées, caméras en cyan et consigne en langage en violet, alimentent un backbone vision-langage en ambre, relié à une tête d'action en corail, qui produit des commandes moteur de 10 à 200 hertz. Une accolade sous le backbone et la tête d'action indique System 2 qui raisonne et System 1 qui agit. Caméras Consigne en langage Backbone vision-langage Tête d'action Commandes moteur 10-200 Hz System 2 : raisonne System 1 : agit Un VLA se compose de deux blocs. Le backbone est un modèle vision-langage (VLM) préentraîné sur d'imme"}, {"anchor": "llm-vs-vla", "heading": "Quelle différence entre un LLM et un VLA ?", "text": "Un VLA partage l'ADN des grands modèles de langage : une architecture transformer et un pré-entraînement vision-langage massif. La plupart des VLA embarquent d'ailleurs un LLM ou un VLM comme « cerveau » qui comprend la scène et la consigne. Mais tout le reste diverge, parce que le monde physique n'est pas un document. LLM VLA Entrées Texte (et images pour les modèles multimodaux) Flux caméras + consigne en langage + état du robot (positions articulaires, capteurs) Sorties Des tokens de texte Des actions motrices continues : trajectoires, positions ou couples articulaires Temporalité Requête-r"}, {"anchor": "panorama", "heading": "Panorama 2026", "text": "Schéma : comment on fabrique un modèle VLA Trois sources de données, démonstrations téléopérées en cyan, simulation en violet et vidéo humaine en ambre, convergent vers l'entraînement, qui produit une policy déployée sur le robot en vert. Démonstrations téléopérées Simulation Vidéo humaine Entraînement Policy déployée sur le robot Le goulot n'est pas le modèle, ce sont les données Le paysage s'est structuré en dix-huit mois : chaque grand acteur de l'IA dispose désormais de son VLA, et l'Europe est entrée dans la course avec Mistral AI en juillet 2026. Modèle Créateur Accès Point clé 2026 Isaa"}, {"anchor": "architectures", "heading": "Architectures à deux systèmes", "text": "Un même réseau ne peut pas à la fois raisonner sur une consigne complexe et piloter des moteurs à 200 Hz. D'où les architectures à deux systèmes, inspirées de la distinction popularisée par Daniel Kahneman : un System 2 lent, un VLM qui comprend la scène et planifie à quelques hertz, et un System 1 rapide, une policy réactive qui produit les actions motrices à haute fréquence. Helix de Figure a popularisé ce schéma : un VLM tournant à 7-9 Hz guide une policy visuomotrice à 200 Hz. Helix 02, dévoilé début 2026, ajoute un System 0, couche d'équilibre et de coordination du corps entier à cadence "}, {"anchor": "limites", "heading": "Les limites actuelles", "text": "Trois limites structurent les débats en 2026. Généralisation. La plupart des VLA sont évalués dans des environnements proches de leurs données d'entraînement. π0.5 a été conçu précisément pour la généralisation en monde ouvert (nouvelles cuisines, nouvelles maisons), mais le transfert vers des environnements réellement inédits reste le point dur. Fréquence de contrôle. Plus le backbone est gros, plus l'inférence est lente. Les action chunks et les architectures à deux systèmes contournent le problème, au prix d'une réactivité moindre aux perturbations entre deux plans. Évaluation. Il n'existe "}, {"anchor": "open-vs-closed", "heading": "Poids ouverts ou fermés : l'enjeu industriel", "text": "Pour un industriel, le choix entre poids ouverts et modèles fermés n'est pas idéologique, il est opérationnel. Des poids ouverts (GR00T, OpenVLA, SmolVLA, π0 via openpi) se règlent finement sur vos cellules, vos pièces et vos données, s'exécutent sur site sans que les images de l'atelier quittent l'usine, et s'auditent. Un modèle fermé s'utilise via API ou partenariat, avec la dépendance que cela implique. Les stratégies des acteurs sont lisibles. NVIDIA ouvre ses modèles pour devenir la couche de base de l'écosystème, ce que TechCrunch résume en « l'Android de la robotique généraliste » : le "}, {"anchor": "poursuivre", "heading": "Poursuivre la lecture", "text": "Situer le VLA dans l'ensemble de la stack avec notre pilier stack de l'IA physique . Comprendre l'autre famille de modèles qui complète le VLA : notre guide world models et sim2real . Comparer les modèles VLA en production dans notre comparateur de modèles ."}]}, {"key": "world-models", "url": "/atlas/fr/world-models-sim2real/", "title": "World models et sim2real", "sections": [{"anchor": "world-models", "heading": "Qu'est-ce qu'un world model ?", "text": "Un world model est un modèle qui apprend la dynamique du monde : à partir d'observations et d'actions, il prédit ce qui se passe ensuite. Il donne à la machine une forme d'imagination : tester une action en pensée avant de l'exécuter, ou générer des situations qu'elle n'a jamais rencontrées. Deux familles coexistent. Les modèles génératifs vidéo prédisent directement les pixels futurs : NVIDIA Cosmos, Genie 3 de Google DeepMind, qui génère des mondes interactifs navigables en temps réel à 24 images par seconde en 720p, ou la série GAIA de Wayve pour la conduite. Les modèles prédictifs latents,"}, {"anchor": "jepa-lecun", "heading": "L'approche de Yann LeCun : JEPA et AMI Labs", "text": "Schéma : l'architecture JEPA en un coup d'oeil Deux encodeurs projettent l'observation et le futur dans un espace de représentation ; un prédicteur relie les deux. La prédiction directe des pixels est barrée. Observation Futur à prédire Encodeur Encodeur abstrait abstrait Prédicteur pas de pixels JEPA prédit l'abstrait, pas les pixels : le détail imprévisible est ignoré, la structure est conservée Yann LeCun, pionnier du deep learning et lauréat du prix Turing 2018, défend depuis plusieurs années une thèse iconoclaste : les grands modèles de langage autorégressifs, aussi puissants soient-ils, "}, {"anchor": "simulation", "heading": "Le rôle de la simulation", "text": "Avant les world models appris, il y a la simulation physique classique, qui reste le cheval de trait de la robotique. Les simulateurs de référence : Isaac Sim et Isaac Lab chez NVIDIA, MuJoCo chez Google DeepMind, et Genesis côté open source. Leur atout décisif est le parallélisme sur GPU : des milliers d'environnements simulés en parallèle permettent d'accumuler des années d'expérience en quelques heures, ce qui a rendu possible l'entraînement par renforcement des policies de locomotion. Notre comparateur des simulateurs détaille licences, moteurs physiques et support ROS de ces outils. L'évé"}, {"anchor": "sim2real", "heading": "Le gap sim2real et comment on le franchit", "text": "Schéma : le cycle sim2real en 4 étapes Quatre étapes reliées en boucle : simulation avec entraînement massif, transfert par domain randomization, essais sur robot réel, puis données réelles qui reviennent nourrir la simulation. cycle continu Simulation entraînement massif Transfert domain randomization Robot réel essais Données réelles Une policy parfaite en simulation peut échouer sur le robot réel : c'est le gap sim2real. Les frottements, les contacts, les objets déformables, les câbles et l'éclairage sont simulés imparfaitement, et le modèle apprend à exploiter les approximations du simulat"}, {"anchor": "data-engine", "heading": "La data engine", "text": "Les laboratoires sérieux ne collectent pas des données une fois : ils construisent une data engine, une boucle continue où les robots déployés remontent leurs succès et leurs échecs, qui alimentent le réentraînement des modèles. Trois flux nourrissent cette boucle. La téléopération reste l'étalon de qualité : un opérateur humain pilote le robot, et chaque trajectoire est une démonstration parfaitement alignée avec l'incarnation cible. Mais elle coûte cher et sature vite. La capture humaine égocentrique change l'équation : filmer des humains qui accomplissent les tâches, avec des caméras portée"}, {"anchor": "acteurs", "heading": "Les acteurs clés en 2026", "text": "Quatre acteurs structurent le paysage des world models en 2026. NVIDIA a lancé Cosmos 3 en juin 2026, présenté comme modèle de fondation frontière ouvert pour l'IA physique. Son architecture mixture-of-transformers couple un module de raisonnement et un module de génération, au service de la production de données synthétiques pour robots et véhicules autonomes. Google DeepMind a ouvert Genie 3 au grand public via Project Genie en janvier 2026 (abonnés AI Ultra aux États-Unis) ; Waymo en a dérivé un world model dédié à la simulation de cas limites pour ses robotaxis. Meta et AMI Labs : Meta a p"}, {"anchor": "poursuivre", "heading": "Poursuivre la lecture", "text": "Voir comment le VLA utilise ces données synthétiques dans notre guide modèles VLA expliqués . Resituer la simulation dans l'ensemble de la stack avec notre pilier stack de l'IA physique . Comparer les simulateurs qui produisent ces données dans notre comparateur simulateurs ."}]}]}, "en": {"pillars": [{"key": "ai-act", "url": "/atlas/en/eu-ai-act-standards/", "title": "EU AI Act and standards: deploying AI robots in Europe", "sections": [{"anchor": "cadre", "heading": "The regulatory landscape at a glance", "text": "An AI-powered robot installed in a European factory sits at the intersection of three frameworks. Regulation (EU) 2024/1689 , the AI Act, governs the AI system itself horizontally. The Machinery Regulation (EU) 2023/1230 , applicable from 20 January 2027, governs the physical safety of the machine and replaces Directive 2006/42/EC. Finally, the GDPR applies as soon as the robot captures personal data: cameras filming operators, sensors that can track individual performance, or maintenance data traceable to a person. These three texts do not replace one another: they stack. A single project may"}, {"anchor": "ai-act", "heading": "EU AI Act: timeline and how robots are classified", "text": "Diagram: timeline of AI Act and Machinery Regulation deadlines Horizontal timeline of six regulatory milestones between February 2025 and August 2028, with a today marker in July 2026; past milestones are grey, upcoming ones are coloured. Today 2 Feb 2025 AI prohibitions 2 Aug 2025 GPAI obligations 2 Aug 2026 General obligations 20 Jan 2027 Machinery Regulation 2 Dec 2027 High-risk Annex III 2 Aug 2028 Annex I products The AI Act entered into force on 1 August 2024 and applies in waves. Important: the simplification package known as the digital omnibus on AI, given final approval by the Counci"}, {"anchor": "machinery", "heading": "Machinery Regulation 2023/1230: what changes", "text": "Regulation (EU) 2023/1230 applies in full from 20 January 2027 . Directive 2006/42/EC ceases to apply the same day, with no coexistence period: a machine placed on the market on 21 January 2027 must comply with the new text. Being a regulation rather than a directive, it applies directly across the EU without national transposition. The key changes for a robotics project: Self-learning AI is explicitly covered. The text addresses systems with \"fully or partially self-evolving behaviour\" using machine learning approaches. Safety components with such behaviour are listed among the particular-ris"}, {"anchor": "normes-iso", "heading": "ISO standards: the 2026 state of the art", "text": "Standards translate legal requirements into technical solutions presumed compliant. Three references structure robotics in 2026: ISO 10218-1:2025 and ISO 10218-2:2025 (industrial robots and cell integration): this major revision, published in early 2025 after nearly eight years of work, absorbs the content of ISO/TS 15066 on collaborative applications, clarifies functional safety and adds cybersecurity requirements. There is no longer a separate \"cobot\" standard: collaboration is an application mode covered by ISO 10218. ISO 13482 (service robots): the revision replacing the 2014 edition was f"}, {"anchor": "ce-marking", "heading": "CE marking an AI robot cell: who is responsible", "text": "Diagram: the CE marking chain of responsibility Three links connected by arrows: the robot manufacturer provides a declaration of incorporation, the integrator assembles the complete cell and affixes the CE marking, shown as a badge, and the deployer, the factory, ensures compliant use. Robot manufacturer Declaration of incorporation Integrator complete cell CE marking of the cell CE Deployer the factory Compliant use The most misunderstood question in robotics projects. Three roles, three distinct responsibilities: The robot manufacturer generally delivers \"partly completed machinery\": a robo"}, {"anchor": "checklist", "heading": "An 8-point checklist for industrial leaders", "text": "Map the AI systems embedded in the project (perception, planning, control) and determine whether any of them acts as a safety component : that is the trigger for high-risk qualification under the AI Act. Identify your legal role for each piece of equipment: manufacturer, integrator or deployer. The obligations flow directly from it. Require the key documents from your supplier: declaration of incorporation or conformity, technical file, ISO 10218:2025 compliance for an industrial robot. Plan for the double deadline: Machinery Regulation on 20 January 2027 for any machine placed on the market a"}, {"anchor": "poursuivre", "heading": "Keep reading", "text": "Cost the compliance work in our factory ROI pillar. Place these deadlines within a broader decision with our factory director's roadmap . Compare the platforms covered by these standards in our platforms comparator ."}]}, {"key": "definition", "url": "/atlas/en/what-is-physical-ai/", "title": "What is physical AI?", "sections": [{"anchor": "definition", "heading": "A rigorous definition", "text": "Physical AI refers to artificial intelligence systems that can perceive their surroundings, reason about what they observe, and act in the real world : industrial robots, humanoids, autonomous vehicles, drones, agricultural machines. Where conventional AI manipulates data behind a screen, physical AI drives a body. It turns raw sensor streams (cameras, lidar, force sensors, microphones) into decisions, and decisions into motions that physically change the environment. Three building blocks define it: an AI model trained to understand the real world, typically a multimodal foundation model; emb"}, {"anchor": "difference-ia-generative", "heading": "How it differs from generative AI", "text": "Diagram: generative AI versus physical AI, the cost of an error On the left, the generative AI column chains text input, screen and an error that gets regenerated, at near-zero cost. On the right, the physical AI column chains sensors, real world and an error that breaks a part or creates danger, at a material or human cost. GENERATIVE AI PHYSICAL AI Text input Sensors Screen Real world Error we regenerate cost: near zero Error broken part or danger cost: material or human Generative AI produces content: text, images, code. When it gets something wrong, you regenerate. Physical AI acts: a mist"}, {"anchor": "boucle", "heading": "The perception, reasoning, action loop", "text": "Diagram: the three physical AI building blocks above a robot On the left, a downward arrow chains sensors, decision and movement. On the right, three stacked blocks, AI model in violet, embedded compute in cyan, control layer in amber, sit above a stylized robot with a round head and a rounded rectangular body. Sensors Decision Movement AI model Understand Embedded compute Real time Control layer Precision and safety Every physical AI system runs the same fundamental loop, continuously: Perception : sensor data (cameras, lidar, inertial units, force sensors) is fused into a representation of t"}, {"anchor": "exemples", "heading": "Concrete examples in the field", "text": "Physical AI is not a lab concept: it is already deployed, at very different levels of maturity. Humanoids in factories : pilots are under way at several carmakers and logistics operators, on tightly scoped tasks such as moving totes or tending machines. At CES 2026, Boston Dynamics unveiled the production version of its Atlas humanoid , paired with Google DeepMind models. Autonomous mobile robots (AMRs) : the most mature category. Entire fleets navigate warehouses for picking and internal transport, with well-documented returns on investment. Autonomous vehicles : robotaxis operate commerciall"}, {"anchor": "pourquoi-2026", "heading": "Why 2026 is the tipping point", "text": "The shift happened between 2025 and 2026, driven by three converging forces. The models changed in kind. VLA models and world models let a single brain generalize to tasks that were never explicitly programmed. At CES 2026, physical AI dominated the show : humanoids, home robots, edge compute modules. NVIDIA CEO Jensen Huang declared there that the \"ChatGPT moment\" for physical AI was nearly here , having described it a year earlier as merely around the corner . Capital is pouring in. According to Crunchbase , robotics startups raised $13.8 billion in 2025, up from $7.8 billion in 2024, and Fi"}, {"anchor": "limites", "heading": "What physical AI still cannot do", "text": "Credibility demands honesty: the physical AI of 2026 is still limited on several fronts. Brittle generalization : a robot that performs well under demo conditions can fail when the lighting changes, an object is unfamiliar or the space is cluttered. Robustness outside the training distribution remains the central problem. Insufficient reliability : a production line demands uptime figures that few physical AI systems achieve today without human supervision, or even standby teleoperation. Fine dexterity : cables, fabrics, deformable objects, dense bins: manipulations that are trivial for a huma"}, {"anchor": "poursuivre", "heading": "Keep reading", "text": "See how these building blocks come together in a real machine: our physical AI stack pillar details sensors, models and actuators. Understand the model that drives the decision loop: our guide to VLA models explains how they work. Compare humanoid robots already deployed in our robots comparator ."}]}, {"key": "events", "url": "/atlas/en/trade-shows-events/", "title": "Trade shows and events", "sections": [{"anchor": "agenda-2026", "heading": "Second half of 2026", "text": "The table below gathers the physical AI trade shows, expos and conferences confirmed for the second half of 2026, sorted by start date. Events held in France appear in bold in the Location column. Physical AI trade show timeline, second half of 2026 to end of 2027 Horizontal timeline of ten major events spread from the second half of 2026 to the second half of 2027, each with a dot colored by category: purple for industry, cyan for humanoids and physical AI, green for academic conferences, coral for general tech. From left to right: World Robot Conference in Beijing in August 2026, BIG in Pari"}, {"anchor": "agenda-2027", "heading": "2027", "text": "The 2027 calendar is longer and includes two events whose exact date has not yet been published by the organiser (iREX and RSS): they are marked (to be confirmed) and will be updated as soon as the organiser announces a firm date. Dates Event Location Why go 6-9 January 2027 CES 2027 Las Vegas, United States The 2027 theme: \"Robotics in a New Era: Powered by Physical AI\". 10-11 February 2027 WAICF 2027 Cannes, France One of the few French AI events with strong international visibility, including a robotics area. 1-4 March 2027 (to be confirmed) MWC Barcelona 2027 Barcelona, Spain Connected use"}, {"anchor": "ou-aller-selon-profil", "heading": "Where to go based on your profile", "text": "Head of a French SME or mid-cap: Global Industrie Lyon, SIDO Lyon, BIG, All4Pack Paris, Supply Chain Event. Logistics or warehouse manager: LogiMAT, SITL, and ProMat if the budget allows a trip to the United States. Technical or innovation leadership: Hannover Messe, automatica, NVIDIA GTC, CES. Tracking humanoids and physical AI: World Robot Conference and World Humanoid Robot Games in Beijing, IEEE Humanoids, iREX in Tokyo. Researcher or scientific watch: ICRA, IROS, CoRL, NeurIPS, and JNRR for French research."}, {"anchor": "conseils", "heading": "Preparing your visit", "text": "Book your visitor badge early: it is often free for several weeks before the event, then becomes paid on site. Prepare three questions for every vendor: customer references in real production (not just demos), total cost of ownership, and maintenance terms. Cross-check each visit with the Atlas's factory roadmap and first prototype pages to place what you see within your own project. Target eight to ten booths maximum with a clear goal for each one: a well-prepared trade show visit is worth a month of online monitoring. Always note the source and date of every announcement you hear on a booth:"}]}, {"key": "faq", "url": "/atlas/en/faq/", "title": "Physical AI FAQ", "sections": [{"anchor": "intro", "heading": "The essentials in ten questions", "text": "This FAQ answers the questions that industrial leaders, engineers and the simply curious ask most often about physical AI. The answers are deliberately short and rest on verifiable sources, listed at the bottom of the page. For a deeper dive into each topic, see the other pages of the Atlas. Last updated: July 2026."}, {"anchor": "poursuivre", "heading": "Keep reading", "text": "Read the full, sourced definition in our what is physical AI pillar. Cost a concrete project with our factory ROI pillar. Track humanoid maturity factory by factory in our humanoid production index ."}]}, {"key": "follow", "url": "/atlas/en/who-to-follow/", "title": "Who to follow on physical AI", "sections": [{"anchor": "incontournables", "heading": "The must-follows", "text": "Physical AI unfolds on social networks first: researchers publishing results, aggregators compiling demos, journalists checking the numbers. Here are the accounts we follow to build the Atlas, verified one by one (active profile in 2025-2026). Editorial list, no compensation involved. Jim Fan (Linxi Fan) · X (Twitter) Co-lead of NVIDIA's GEAR lab (Project GR00T), the most-followed voice on generalist robotics and world models; posts near-daily technical breakdowns and demos (ENPIRE, DreamDojo). Sergey Levine · X (Twitter) Co-founder of Physical Intelligence and Berkeley professor, the world re"}, {"anchor": "chercheurs", "heading": "Researchers and founders", "text": "Karol Hausman · X (Twitter) CEO and co-founder of Physical Intelligence ($600M raise at a $5.6B valuation, late 2025); announces product breakthroughs live (Recap method / pi*0.6 model, AgiBot partnership). Ted Xiao · X (Twitter) Former robotics/Gemini tech lead at Google DeepMind (RT-1, RT-2, SayCan, Gemini Robotics), left DeepMind in late 2025 to join stealth startup Project Prometheus; posts in-depth commentary on industry strategy shifts. Chris Paxton · X (Twitter) AI innovation lead at Agility Robotics (ex-Hello Robot, Meta FAIR, NVIDIA), co-hosts the RoboPapers podcast and writes the \"It"}, {"anchor": "agregateurs", "heading": "Aggregators and newsletters", "text": "The Humanoid Hub · X (Twitter) Curation account dedicated to humanoid demos and news (Xpeng Iron, CMU/NVIDIA's ASAP...), one of the most-followed aggregator accounts in the space. HumanoidHub (catalogue) · Web / Newsletter The reference global catalog of humanoid robots (106 robots, 67 manufacturers tracked) with a weekly Thursday newsletter on funding and launches. Jack Clark (Import AI) · Newsletter (Substack) · lu par plus de 100 000 personnes chaque semaine (source : Schwarzman Centre for the Humanities) Anthropic co-founder; his weekly Import AI newsletter regularly covers physical roboti"}, {"anchor": "journalistes", "heading": "Journalists and media", "text": "Steve Crowe · X (Twitter) / Web Executive Editor, Robotics at WTWH Media (The Robot Report), chairs the Robotics Summit & Expo and RoboBusiness, co-hosts the weekly Robot Report Podcast. Eugene Demaitre · Web Editorial Director of Robotics at WTWH Media, publishes several articles a week on humanoids, industrial automation, and physical AI. Brianna Wessling · Web Robotics journalist at The Robot Report, covers major trade shows live (GTC 2026, MODEX) and funding rounds across the humanoid ecosystem. Brian Heater · Bluesky / LinkedIn Creator of TechCrunch's Actuator newsletter (2021-2025), now "}, {"anchor": "video-podcasts", "heading": "Video and podcasts", "text": "Unitree Robotics (chaîne officielle) · YouTube Official channel of the sector's most disruptive Chinese manufacturer (G1, H1, R1); near-weekly demonstrations of new capabilities and robotics competitions. Boston Dynamics (chaîne officielle) · YouTube The historic reference channel (electric Atlas, Spot); in 2026, shifted toward industrial-task demos rather than spectacle stunts. Robot Talk (Claire Asher) · Podcast Weekly podcast hosted by science journalist Claire Asher, accessible interviews with researchers on dexterity, animal-inspired navigation, drones, and defense robotics. The Robot Rep"}, {"anchor": "open-source", "heading": "Open source", "text": "Rémi Cadène · X (Twitter) / LinkedIn Former Tesla Optimus engineer, founder of LeRobot at Hugging Face, left in 2025 to launch UMA, a Paris-based European humanoid-robotics \"supergroup\" advised by Yann LeCun. Simon Alibert · GitHub / LinkedIn Technical co-founder of the LeRobot project at Hugging Face (SO-100/SO-101 infrastructure), joined Rémi Cadène as UMA's CTO in 2026; a reference voice on open-source robotics engineering."}, {"anchor": "voix-francophones", "heading": "French-speaking voices", "text": "Underscore_ (Michaël de Marliave, avec Micode) · YouTube / Podcast (FR) French AI/hacking/robotics show hosted by Michaël de Marliave (with Micode); hosted Rémi Cadène for a dedicated episode on LeRobot, UMA, and Europe's robotics race. Justin Carpentier · LinkedIn / Web Head of the Willow team (Inria/ENS/CNRS), lead developer of reference open-source robotics software (Pinocchio); the most press-cited French academic voice on physical AI (Le Point, La Tribune, L'Usine Nouvelle). RoboActu · Web (FR) Independent French-language outlet dedicated to robotics and AI, updated twice daily, with cove"}]}, {"key": "funding", "url": "/atlas/en/funding-your-project/", "title": "Funding your robotics and physical AI project", "sections": [{"anchor": "par-ou-commencer", "heading": "Where to start: the funding stack logic", "text": "Given how many schemes exist in 2026, the real question is not \"which one\" but \"in what order\". These schemes stack in a four-stage logic, from a free or near-free diagnostic through to the tax relief that runs continuously, regardless of whether any single call for projects succeeds. Four-stage funding path Four boxes linked by arrows. Step 1 in cyan: a subsidised diagnostic, for example Diag Data IA or a free EDIH assessment. Step 2 in violet: a feasibility study, for example Innov'up or Bpifrance's Accélérateur IA et Industrie. Step 3 in amber: CAPEX funding for the pilot through a grant, a"}, {"anchor": "dispositifs-nationaux", "heading": "National schemes: Bpifrance and France 2030", "text": "The French base layer is organised around Bpifrance and the France 2030 plan, with one window specifically dedicated to robotics and another to AI, plus cross-cutting instruments (loans, indirect tax relief via export, decarbonation). As noted above, most of these are also open to foreign companies that set up a French subsidiary or R&D site, provided it holds a French SIRET number. Scheme Body Funding Status as of 10/07/2026 France 2030, \"Pionniers de l'intelligence artificielle\" Bpifrance and Inria, on behalf of the SGPI/DGE Grant up to 8 M EUR (phase 1: 100,000 EUR at 100%) Open, applic"}, {"anchor": "fiscal", "heading": "The tax lever: R&D credit, innovation credit, JEI, IP Box", "text": "Scheme Rate / cap Stacking 2026 finance act status Research tax credit (CIR) 30% up to 100 M EUR of expenses, 5% beyond that Stacks with CII, JEI Unchanged regime (law no. 2026-103 of 19 Feb 2026); immediate refund for SMEs and JEI companies Innovation tax credit (CII) 20% in mainland France (60% overseas departments), cap of 400,000 EUR of expenses/year, i.e. 80,000 EUR maximum credit Stacks with CIR, JEI Extended through 31 Dec 2027, rate confirmed unchanged Jeune Entreprise Innovante (JEI) status Corporate tax exemption (100% then 50%), exemption on employer R&D social contributions (ca"}, {"anchor": "regions", "heading": "Regional schemes: seven representative examples", "text": "Every French region runs its own industrial policy, with different names and rates but an architecture often close to the national one: advisory grants, CAPEX grants, sometimes a repayable advance. Here are seven representative examples: always check the offer in your own region with your local chamber of commerce or regional agency, since it may have changed since 10 July 2026. Region Main schemes Status Île-de-France Innov'up (grant up to 500,000 EUR and a recoverable advance up to 3 M EUR, with a Leader France 2030 component dedicated to factory-of-the-future technologies including robotics"}, {"anchor": "europe", "heading": "The European level: grants, loans and free diagnostics", "text": "Programme Body Funding 2026 deadlines EIC Accelerator European Commission Grant up to 2.5 M EUR plus equity investment of 1 to 10 M EUR; 2026 budget of 634 M EUR, including a dedicated \"Physical AI acceleration\" challenge Cut-offs 7 Jan, 4 Mar, 6 May, 8 Jul, 2 Sep, 4 Nov 2026 Horizon Europe, Digital, Industry and Space cluster European Commission / HaDEA, French national contact point: Bpifrance Grant to a European consortium, amount varies by call Staggered 2026-2027 calendar, e.g. HORIZON-CL4-2026-02: stage 1 closes 17 Mar 2026, stage 2 closes 13 Oct 2026 EDIH network , including OccitanIA a"}, {"anchor": "erreurs", "heading": "Common mistakes", "text": "Committing the expense before filing the application. This is rule number one, repeated across every public scheme: an invoice dated before the application's acknowledgement of receipt makes the expense entirely ineligible, whatever the scheme. Underestimating processing times. Expect 2 to 4 months for a Bpifrance or regional grant, and a full two-stage cycle for Horizon Europe, each stage taking several months. An urgent pilot cannot wait for a France 2030 window: in that case, the Prêt Nouvelle Industrie or a regional repayable advance can be mobilised faster. Stacking public aid incorrectly"}, {"anchor": "poursuivre", "heading": "Keep reading", "text": "Scope the project before looking for funding: our first prototype pillar. Build the full decision case with our factory director's roadmap . Check that the economics hold without a subsidy: our factory ROI pillar. Anticipate compliance costs, which are sometimes eligible for a scheme too: our EU AI Act and standards pillar."}]}, {"key": "history", "url": "/atlas/en/ai-in-robotics-history/", "title": "History of AI in robotics: from specialized networks to generalist robots", "sections": [{"anchor": "frise", "heading": "Timeline: three eras of AI in robotics", "text": "Your browser does not support the video tag. 76-second explainer: three eras of AI in robotics, from Unimate (1961) to humanoid factory pilots (2026). English voice-over, subtitled. {\"@context\":\"https://schema.org\",\"@type\":\"VideoObject\",\"name\":\"The three eras of AI in robotics (1961-2026)\",\"description\":\"76-second explainer: programmed automation, learned perception, generalization. From Unimate at General Motors to humanoid pilots at Schaeffler and GXO.\",\"thumbnailUrl\":\"https://d-fairy.fr/assets/timeline-explainer-poster.jpg\",\"contentUrl\":\"https://d-fairy.fr/assets/timeline-explainer-en.mp4\","}, {"anchor": "deja-la", "heading": "AI is already here: a decade in production", "text": "Even before VLA models, AI has already been running in production in industrial robotics for more than a decade. Object detection with YOLO counts parts, spots PPE or sorts parcels. Image segmentation is moving fast with Meta's Segment Anything (SAM, April 2023) , SAM 2 (July 2024) and SAM 3 (November 2025) , which speed up annotation and picking. 2D and 3D vision-guided robotics, 6D pose estimation for bin picking (Photoneo, Zivid) and quality inspection through anomaly detection (Cognex, Keyence) are already running in thousands of factories. Generalist warehouse picking is the most visible "}, {"anchor": "specialise-vs-generaliste", "heading": "Specialized stack or generalist stack?", "text": "Both stories coexist today, on the same factory floor. Here is how the two stacks compare, brick by brick. Diagram: specialized stack versus generalist stack Two columns. On the left, the specialized stack since 2015: five differently coloured stacked bricks, camera, YOLO for detection, 6D pose, programmed trajectory, controller, each integrated separately. On the right, the generalist stack since 2023: three bricks all in violet, sensors, a single vision-language-action model, actions, one model end to end. Specialized stack (2015-...) one brick per task Generalist stack (2023-...) a single l"}, {"anchor": "continuite", "heading": "What this history teaches an industrial team", "text": "The current wave of physical AI is not a rupture out of nowhere: it is the third stage of an evolution more than sixty years long. Each stage reused the skills of the last rather than replacing them: the vision integrators who wired up factories in the 1990s are largely the same people deploying VLA pilots today, and production data quality remains the limiting factor now just as it was then. Three reads to place your project within this continuity: our guide to VLA models to understand what the third era actually changes, our factory roadmap to sequence a pilot without betting everything on a"}, {"anchor": "reperes", "heading": "Quick answers", "text": "What is YOLO? A family of neural networks that detects and localizes objects in an image in a single pass, in real time. Introduced in 2015, it remains the reference for counting, sorting or spotting objects on a factory floor. What is SAM? The Segment Anything Model, developed by Meta from 2023 onward, precisely outlines the boundary of any object in an image or video without task-specific training. It speeds up data annotation and warehouse picking. Why is everyone talking about VLAs now? Because vision-language-action models promise to replace several specialized bricks with a single model "}]}, {"key": "methodology", "url": "/atlas/en/methodology/", "title": "Our methodology", "sections": [{"anchor": "principes", "heading": "Principles", "text": "Diagram: the Atlas's weekly data pipeline Four steps linked by arrows: whitelisted sources, AI extraction, validation against schema and invariants, then publication; a circular arrow loops the cycle back to the sources, with a badge showing the loop runs every Monday. Whitelisted sources Extraction AI Validation schema + invariants Publication every Monday The Atlas follows two simple rules. First: every figure is sourced and dated . A price, payload, runtime or deployment count only appears in an entry if it is tied to an identifiable source and a publication date. Second: null rather than i"}, {"anchor": "sources", "heading": "Source hierarchy", "text": "Diagram: the source reliability pyramid Three-tier pyramid with an upward priority arrow: at the base, aggregators and trackers; in the middle, specialised press; at the top, manufacturer and (EUR-Lex, ISO, filings). Vendor communication Specialised press Official registries (EUR-Lex, ISO, filings) Priority Not all sources are equal. Our confidence scale, from weakest to strongest when a source is taken in isolation: Vendor communication (press releases, product pages, executive statements): essential for specifications, but promotional by nature. Never sufficient on its own for a deployment o"}, {"anchor": "verification", "heading": "Dated verification per entry", "text": "Every Atlas entry carries a \"last verified\" badge with a date. The badge means that on that date, each claim in the entry was checked against its original source and at least one cross-check was attempted for sensitive figures (prices, deployments, regulatory timelines). An older entry is not necessarily wrong, but the badge lets you judge the freshness of the information before quoting it in a board meeting. If you spot an error, report it: the correction is dated and visible in the entry's history."}, {"anchor": "mise-a-jour", "heading": "Weekly updates with guardrails", "text": "The Atlas is updated on an automated weekly cycle: monitoring agents collect announcements, regulatory publications and standards updates, then propose changes to entries. This automation runs inside strict guardrails: schema validation on every field, a ban on overwriting verified data with lower-confidence data, and human review of every diff before publication . No change goes live without being read. Automation gives us the cadence; review gives us the reliability."}, {"anchor": "limites", "heading": "Known limitations", "text": "Three structural limitations of the field apply to us and deserve to be stated: Humanoid prices are largely speculative. Very few manufacturers publish firm pricing; most figures in circulation are statements of intent or third-party estimates. We flag them as such or leave them null. Find this confidence level displayed entry by entry in our robots comparator . Specifications are not standardised. Payload, runtime or speed are measured under conditions each manufacturer chooses; comparing two entries requires reading the measurement notes. Benchmarks are not comparable. There is no shared eva"}, {"anchor": "licence", "heading": "Licence and reuse", "text": "The Atlas's structured data is published under the Creative Commons Attribution 4.0 (CC BY 4.0) licence. You may copy, redistribute, adapt and build upon it, including commercially, under three conditions: credit \"Physical AI Atlas, D-Fairy Consulting, d-fairy.fr\" , provide a link to the licence, and indicate whether changes were made. Attribution must not suggest that D-Fairy Consulting endorses your use. For large-scale reuse or a regular data feed, get in touch: we would rather provide a clean export than watch stale copies circulate."}, {"anchor": "poursuivre", "heading": "Keep reading", "text": "See the definition that frames the Atlas's vocabulary: our what is physical AI pillar. Find short, sourced answers in our FAQ . Browse the companies we track in our companies comparator ."}]}, {"key": "money", "url": "/atlas/en/where-the-money-goes/", "title": "Where the money goes in physical AI", "sections": [{"anchor": "mega-tours", "heading": "The private mega-rounds (2024-2026)", "text": "Between 2024 and 2026, a handful of Western robotics and physical AI startups raised private rounds of a size unprecedented for the sector, some rivalling the largest venture rounds in history across any industry. The table below gathers the most significant deals, with the amount raised, the resulting valuation, the investor who led the round, the date and the source. Company Amount Valuation Lead Date Source Project Prometheus (Jeff Bezos) 18.2 B$ cumulative (6.2 B$ then 12 B$) 41 B$ JPMorgan, Goldman Sachs, BlackRock June 2026 the-decoder.com Figure AI >1 B$ (Series C) 39 B$ Parkway Vent"}, {"anchor": "qui-finance", "heading": "Who is funding: investor logic", "text": "Three families of investors fund physical AI, each with a distinct logic that shows up directly in the rounds from the table above. Traditional venture capital (Sequoia, Lux Capital, Thrive Capital, CapitalG, Founders Fund) is betting on the models/brain layer, the most technically uncertain but also the most valuable one if it succeeds: that is what explains soaring valuations at Figure AI, Physical Intelligence and Skild AI. Strategic corporates (NVIDIA, Amazon/Bezos Expeditions, Samsung, LG, Google, Qualcomm, Microsoft) are buying an upstream option on compute and components: NVIDIA took pa"}, {"anchor": "plans-publics", "heading": "Public plans, bloc by bloc", "text": "Every major bloc waves its own headline figure for physical AI, with scopes, horizons and calculation methods that are not comparable to one another. Here are the plans most commonly cited, with their announced amount and horizon. Bloc Main plan Amount Horizon China National state venture capital fund , topped up by local funds (cities and provinces) 100 B yuan seed capital (~14 B$), total mobilisation targeted around 1,000 B yuan (~138 B$) 20-year horizon, launched 26 December 2025 Japan Public-private investment across 17 strategic fields (including physical AI) 10.5 trillion yen (~70 B$) 20"}, {"anchor": "asymetrie", "heading": "The key asymmetry: China outside VC, the West inside it", "text": "The most structuring contrast in this dossier fits in one sentence: in the West, the funding layer that builds a champion (Figure AI, Physical Intelligence, Skild AI, Neura Robotics, Apptronik, Wayve) is private venture capital and strategic corporates, with individual rounds from 300 M$ to over 1 B$ and valuations that soar (Figure AI 39 B$, Project Prometheus 41 B$, Skild AI more than tripling in a year). In China, that role is played by public vehicles: national and local funds that reach over 100 B yuan at the scale of a single city (Hangzhou), ministerial plans quantified in physical targ"}, {"anchor": "sablier", "heading": "The hourglass: extreme capital concentration", "text": "The physical AI funding landscape looks like an hourglass: very wide at the top, nearly empty one step down. A small number of companies concentrate most of the world's venture capital in the sector. Project Prometheus's closing round alone, 12 B$ in June 2026, exceeds CB Insights's entire estimate for global humanoid funding across all of 2025 (2.3 B$ projected); add the rounds from Figure AI, Skild AI, Neura Robotics and Wayve, and the top five deals of 2024-2026 combined comfortably exceed 25 B$, well above Dealroom's estimate of the global humanoid market in 2025 (3.2 B$, itself described "}, {"anchor": "verdict", "heading": "The Atlas verdict", "text": "First observation: the money is rational about its destination, flowing to the layers where value and defensibility look strongest, robotic foundation models for Western venture capital, installed industrial deployment capacity for sovereign funds, manufacturing scale-up for the Chinese state. Second observation: the money is optimistic about timing, valuations of 39 or 41 B$ assume a trajectory toward a market worth hundreds of billions of dollars that even the most bullish analysts (Morgan Stanley, Goldman Sachs) do not project before 2035, and more often not before 2050. Third observation, "}]}, {"key": "prototype", "url": "/atlas/en/first-prototype/", "title": "Which robot, and how to build your first prototype", "sections": [{"anchor": "matrice-robots", "heading": "Which robot shape for physical AI?", "text": "Diagram: decision matrix by robot type Scatter plot on two axes: horizontally, ease of deploying AI today, from hard to easy; vertically, generalisation potential, from bounded to maximal. Fixed arm/cell cobot and AMR sit in the easy zone with medium potential, mobile manipulator and wheeled humanoid in the medium zone with high potential, bipedal humanoid in the hard zone with maximal potential, and SCARA/delta in the easy zone with low potential. Hard Easy Ease of AI deployment today Bounded Maximal Generalisation potential Arm / cobot AMR Mobile manipulator Wheeled humanoid Bipedal humanoid"}, {"anchor": "courbe", "heading": "The learning curve, no sugarcoating", "text": "Diagram: the twelve-week learning curve Chart showing progress over twelve weeks, W1 to W12: slow rise in weeks 1 and 2 (assembly and calibration) then 3 and 4 (teleoperation and demonstrations), acceleration in weeks 5 to 8 (training and iteration), and a reliability plateau at 80-90% in weeks 9 to 12, with a final point marking the first convincing prototype. Assembly and calibration Teleoperation and demos Training and iteration Reliability 80-90% First convincing prototype W1 W2 W3 W4 W5 W6 W7 W8 W9 W10 W11 W12 For a team of 1 to 2 engineers comfortable with Python but with no robotics exp"}, {"anchor": "kit", "heading": "The concrete kit for your first prototype", "text": "Here is a hardware list verified at the time of publication, not a wish list. Prices remain orders of magnitude: check them before buying, this market moves fast. Component 2026 reference Indicative price Role Robotic arm (leader-follower pair) SO-101 (Hugging Face / LeRobot, designed with RobotStudio) About $130 to $220 as a DIY kit per arm, $200 to $400 for a fully assembled leader-follower pair Teleoperation and task execution Advanced bimanual arm (optional) Aloha Solo (Trossen Robotics) Starting at $8,999.95 Bimanual manipulation to go further than the single arm Camera(s) 720p+ USB webca"}, {"anchor": "datasets", "heading": "The data you actually need", "text": "How many demonstrations does it take for a policy to work? LeRobot's documentation for ACT (Action Chunking Transformer) gives clear, documented orders of magnitude. Task type Demonstrations (order of magnitude) Simple pick-and-place, single object, fixed position About 50 More complex, multi-step task 100 to 200 Robustness to variation (position, lighting, objects) 200 and above, with diversity Collection happens through teleoperation with the SO-101's leader arm: you move the leader arm by hand, the follower mirrors the motion, and every trajectory is recorded automatically. To get started w"}, {"anchor": "contraintes", "heading": "Constraints and evaluation", "text": "A prototype that works on a bench is not yet a safe system, nor a seriously evaluated one. Three disciplines you should not skip. Safety from the prototype stage : limit speeds, clear an exclusion zone around the arm during trials, and never treat a lab prototype as ready for a human operator standing nearby. Moving to production then falls under the EU AI Act and the associated machinery standards: see our EU AI Act and standards pillar for up-to-date deadlines and responsibilities. Evaluating properly means measuring a success rate over a meaningful number of consecutive trials, with variati"}]}, {"key": "roadmap", "url": "/atlas/en/factory-roadmap/", "title": "The factory director's roadmap", "sections": [{"anchor": "bulle", "heading": "Industry 4.0 never took off. Is physical AI a bubble?", "text": "The question deserves a straight answer: the industry has been disappointed before. The concept of \"pilot purgatory\" is not new. Founding the Global Lighthouse Network in 2018, the World Economic Forum and McKinsey documented that more than 70 percent of manufacturers were stuck with digital pilots that never delivered measurable business impact. Seven years later, the same statistic still circulates. Two different bubbles coexist. The first is financial: Figure was valued at 39 billion dollars in its Series C round (September 2025, more than 1 billion raised, Parkway Venture Capital, Nvidia, "}, {"anchor": "timeline", "heading": "When to invest: the 2026-2030 timeline", "text": "Diagram: 2026-2030 timeline, technologies and posture per horizon Three chronological segments: 2026, mature technologies such as AMRs and inspection, invest posture; 2027-2028, humanoid pilots at large groups, watch posture; 2029 and beyond, generalist humanoids, reassess posture. AMRs, palletizing inspection 2026 INVEST Humanoid pilots large groups 2027-2028 WATCH Generalist humanoids 2029+ REASSESS Three horizons, three very different maturities. Confusing them is the costliest mistake a factory director can make in 2026. Horizon What For whom Recommended posture 2026: mature today AMRs and"}, {"anchor": "roi-humain", "heading": "The double ROI: money and people", "text": "Diagram: the double ROI, money and people Two columns converge on a decision to invest: on the left, the money ROI with productivity, quality and round-the-clock availability; on the right, the human ROI with fewer musculoskeletal disorders and less strain, retention and requalification into supervision. Money People Productivity Quality Availability 24/7 MSDs and strain decreasing Retention Requalification into supervision Decision to invest The financial calculation of a pilot (payback period, cost structure, assumptions to test) is covered in our Factory ROI of a physical AI pilot pillar. T"}, {"anchor": "acheteurs-2026", "heading": "Who these technologies actually sell to in 2026", "text": "According to Deloitte's State of AI in the Enterprise 2026 survey (3,235 executives polled in August-September 2025), 58 percent of companies already report at least limited use of physical AI, and 80 percent expect to within two years. Adoption is most advanced in manufacturing, logistics and defense, and it almost always starts in controlled environments before any extension. On the ground, the real 2026 buyers overlap: 3PLs and logistics (GXO leading), automotive (OEMs and Tier 1 suppliers, with humanoid pilots at BMW and Mercedes-Benz), large manufacturers facing a labour shortage (Schaeff"}, {"anchor": "stack-demarrage", "heading": "The starter kit: hardware and software", "text": "Three budget tiers correspond to three different intentions. The figures below are 2026 orders of magnitude, to be confirmed with an integrator . Tier Indicative budget Contents Goal Discovery / lab EUR 15,000 to 40,000 Entry-level cobot or small AMR, RGB-D camera, a compute station (NVIDIA Jetson Orin Nano, developer kit from roughly $249, or a PC with an RTX card), open-source stack: ROS 2 for control, Hugging Face's LeRobot for imitation learning Learn, train an internal team, do not produce Production pilot EUR 100,000 to 300,000 all-in A cobot or AI vision cell integrated by a system inte"}, {"anchor": "ressources", "heading": "The people: who you need, and how to build the skills", "text": "Contrary to popular belief, a factory does not need a robotics PhD to get started. It needs four roles, two of which often already exist in-house: an automation or maintenance technician trained on the new tool; a designated \"robot pilot\", the cell's daily point of contact; an IT/OT lead who connects the cell to the information system; and an executive sponsor who shields the project from short-term arbitrations. At the start, the integrator carries the rest: advanced programming, commissioning, performance guarantees. Skill-building paths already exist. On the vendor side, Universal Robots Ac"}, {"anchor": "methode", "heading": "The 90-day method for deciding", "text": "An operational checklist, built to produce a decision, not one more report. Days 1 to 30: map. List 5 candidate roles, cross-referencing physical strain, repetitiveness and current error rate. Cost the status quo for each: loaded labour cost, cost of poor quality, turnover. Days 31 to 60: confront reality. Visit 2 real deployments, ideally at an integrator's customer site rather than a showroom. Ask 2 different integrators to quote the exact same scope. Days 61 to 90: decide. Pick a single use case, the most boring and repetitive one on the list. Write down, before any launch, the quantified c"}]}, {"key": "roi", "url": "/atlas/en/factory-roi/", "title": "Factory ROI of a physical AI pilot", "sections": [{"anchor": "pourquoi-pilote", "heading": "Why start with a tightly scoped pilot", "text": "In physical AI, the gap between a demonstration and reliable production remains the main financial risk. A scoped pilot exists precisely to measure that gap on your own ground: your product references, your cycle times, your teams, your real-world variability. The most publicised humanoid deployments of 2024-2026 all followed this path: GXO ran Digit at one site before signing a multi-year agreement, Toyota Canada piloted for about a year before its February 2026 commercial agreement, and BMW validated Figure 02 at Spartanburg before expanding the programme. A good pilot has three traits: a na"}, {"anchor": "cas-usage", "heading": "The use cases that work in 2026", "text": "Documented results converge on five families: Palletizing and depalletizing : the safe bet. Mature technology, repetitive cycles, well-mapped integration; it is the most frequently cited first project. Vision-guided pick-and-place : sorting and packing of variable parts benefits directly from advances in AI perception. Vision-based quality inspection : inline defect detection, often the cheapest AI pilot because nothing is being handled. Intralogistics : the best-documented humanoid deployment is GXO's, where Digit (Agility Robotics) has been handling totes at the Spanx site in Georgia since J"}, {"anchor": "couts", "heading": "A realistic cost structure", "text": "Diagram: the real cost breakdown of a robotic cell Horizontal stacked bar with six segments proportional to total cost: robot arm 30%, gripper and tooling 10%, safety and certification 8%, integration and programming 38% (the largest item), conveying and peripherals 8%, training and operations 6%. The robot is only a third of the budget. 30% 10% 8% 38% 8% 6% Robot arm Gripper and tooling Safety and certification Integration and programming Conveying and peripherals Training and operations The robot is only a third of the budget The most common budgeting mistake is confusing the price of the ro"}, {"anchor": "calcul-roi", "heading": "A simple, honest ROI calculation", "text": "Diagram: the return-on-investment curve Curve over 36 months: it dips at the start with the initial investment, climbs gradually during the ramp-up phase, crosses the break-even line between month 18 and month 36, the typical break-even zone, then continues above zero into the return zone. Typical break-even 0 0 6 12 18 24 30 36 Months Investment Ramp-up Return The core formula fits on one line: payback = total investment / annual net cash flow (savings minus recurring costs). All the value of the exercise lies in honest assumptions. The table below is a purely illustrative example : none of t"}, {"anchor": "erreurs", "heading": "The 5 classic mistakes", "text": "Budgeting only the arm. Integration costs 2 to 3 times the robot; forgetting it produces the 50 to 80 percent overruns seen among buyers who discover the integration bill mid-project. Picking the most spectacular use case rather than the most repetitive one. The right first pilot is boring: high volume, controlled variability, a metric you can measure today. Underestimating data and MLOps. A learning-based system drifts as products, lighting or packaging change. Without monitoring, retraining and a manual fallback procedure, day 1 performance says nothing about month 6. Deploying without an ow"}, {"anchor": "checklist", "heading": "Decision checklist", "text": "The use case is repetitive, high volume, and its current performance is already being measured. A single, quantified success metric is defined before signing (cost per unit, scrap rate, uptime). The budget covers the full cost: integration at 2-3 times the robot price, MLOps, training, compliance. ROI stays positive in the pessimistic scenario (one shift, 80 percent uptime, slow ramp-up). A production owner is named and operators are involved from the pilot's design stage. The compliance strategy (CE marking of the cell, AI Act, GDPR where relevant) is identified and costed. Scale-up or stop c"}, {"anchor": "poursuivre", "heading": "Keep reading", "text": "Build the full decision case with our factory director's roadmap . Scope the first prototype before costing a pilot: our first prototype pillar. Compare the humanoid robots used in these deployments in our robots comparator . Check whether your pilot can be co-financed before costing its net ROI: our funding your project pillar."}]}, {"key": "simple", "url": "/atlas/en/physical-ai-for-everyone/", "title": "Physical AI explained to everyone", "sections": [{"anchor": "cest-quoi", "heading": "What is physical AI, exactly?", "text": "Until recently, artificial intelligence mostly knew how to read and write. It answered questions, generated text and images, but all of it stayed behind a screen. Physical AI changes that: it gives an artificial intelligence the ability to see, understand and act in the real world, through a machine, a robot. It is a bit like giving a brain a body. And that changes everything: factories, warehouses, farms, hospitals, anywhere a physical task needs doing, not just a mental one."}, {"anchor": "la-boucle", "heading": "See, understand, act", "text": "Every physical AI repeats the same loop, over and over: Diagram: the see, understand, act loop Three circles connected by arrows: See, Understand, Act, with a loop-back arrow returning to See that runs continuously. See Understand Act Cameras = your eyes AI model = the brain Motors = the muscles and it repeats, 100 times a second That is exactly what you do, without thinking, when you pick up a glass of water. Your eyes see where it is. Your brain works out the distance and the motion needed. Your hand acts and closes at the right moment. You do not consciously think through each step: it is a"}, {"anchor": "avant-apres", "heading": "What's actually changing", "text": "The real change is not the robot itself: it is how it learns its job. Diagram: before versus now, two ways to train a robot On the left, the programmed robot follows fixed instructions and fails if the object moves. On the right, the learning robot generalizes from a few demonstrations and adapts. BEFORE The programmed robot NOW The robot that learns Fixed instructions step by step Object +2 cm Failure it breaks A few demos dozens of tries Object +2 cm Success it adapts Before, a robot followed a list of instructions written in advance, a bit like a recipe followed to the letter: if one ingred"}, {"anchor": "les-briques", "heading": "The four building blocks", "text": "A physical AI robot is built from four building blocks, each with its human equivalent: Diagram: the four building blocks of physical AI Four blocks: cameras and sensors (the senses), AI model (the brain), motors and hands (the muscles), simulation (the driving school). Cameras and sensors The senses AI model The brain Motors and hands The muscles Simulation Driving school Cameras and sensors (the senses): they continuously capture what is happening around the robot. AI model (the brain): it makes sense of the scene and decides what to do next. Motors and hands (the muscles): they carry out th"}, {"anchor": "en-vrai", "heading": "So what does this look like in real life?", "text": "Here is what physical AI actually looks like today: A few concrete examples already in service: robots put totes away in logistics warehouses, as at GXO. Humanoids work eight hours a day in a bearings factory, at Schaeffler. Robotic arms sort packages they have never seen before, without anyone showing them that exact object beforehand. You can compare these machines in our robots comparator . Two honest limits, so as not to oversell it: these robots are still slower and clumsier than a human, especially for fine movements. And they still make mistakes, sometimes on tasks that seem childishly "}, {"anchor": "aller-plus-loin", "heading": "Where to go next", "text": "This page covers the basics. To go further, three paths depending on what interests you: You are curious : head to the FAQ , for short answers to ten common questions. You are technical : the full definition goes into the models, the numbers and the sources. You are a decision-maker : the factory roadmap explains how to start a project, step by step."}]}, {"key": "stack", "url": "/atlas/en/physical-ai-stack/", "title": "The physical AI stack", "sections": [{"anchor": "couches", "heading": "The layers of a physical AI system", "text": "Diagram: the five layers of the physical AI stack Four stacked layers from bottom to top, sensors and perception in cyan, models in violet, onboard compute in amber, actuation in coral, each with example players. On the right, a Data bubble links back down to the Models layer via a curved arrow. Actuation Unitree, Figure, Boston Dynamics Onboard compute NVIDIA Jetson, Qualcomm, AMD Models NVIDIA, DeepMind, Physical Intelligence Sensors and perception Ouster, Luxonis, GelSight Data Isaac Sim, LeRobot Scale AI A physical AI system turns real-world observations into useful actions. Four layers wo"}, {"anchor": "perception", "heading": "Sensors and perception", "text": "Vision dominates. Cheap RGB cameras provide most of the signal, often complemented by depth cameras or LiDAR for scene geometry. Touch is progressing fast: high-resolution tactile sensors such as GelSight are becoming essential for fine manipulation, where vision alone cannot see what happens under the fingers. Proprioception (joint encoders, IMUs, torque sensors) tells the robot about the state of its own body. The 2026 trend is sensor frugality. Mistral AI's Robostral Navigate navigates with a single RGB camera and no depth sensor, reaching 76.6% success on the R2R-CE benchmark in unseen env"}, {"anchor": "modeles", "heading": "Models: VLAs, world models and policies", "text": "Three model families coexist. Vision-language-action models (VLAs) translate pixels and instructions directly into actions: NVIDIA's Isaac GR00T N1.6 , Google DeepMind's Gemini Robotics 1.5 or Physical Intelligence's π0.5 . World models learn the dynamics of the environment and are used to generate synthetic data, evaluate behaviours or plan (NVIDIA Cosmos, Genie 3). Finally, reinforcement-learned policies, usually trained in simulation, handle locomotion and reflex-level motions. These families are converging: GR00T N1.6 embeds the Cosmos Reason model as its slow-thinking brain, and recent ar"}, {"anchor": "actuation", "heading": "Actuation: motors, hands, locomotion", "text": "Electric actuators have displaced hydraulics on nearly every recent platform: easier to maintain, quieter, and simpler to control precisely. Quasi-direct-drive architectures, popularised by legged robotics, provide the torque transparency needed to handle unplanned contact. The hand remains the hardest frontier. Packing some twenty degrees of freedom together with tactile sensing, useful force and industrial durability involves mechanical trade-offs no one has solved yet at a reasonable cost. Many applications stick to two-finger grippers, which are perfectly adequate for logistics. Locomotion"}, {"anchor": "calcul", "heading": "Onboard or cloud compute", "text": "Diagram: splitting compute between onboard robot and cloud On the left, a stylized robot with an embedded chip handles real-time inference from 10 to 200 hertz for safety. On the right, a cloud handles training and fleet updates. A double arrow links the two: models flow down from the cloud to the robot, data flows up from the robot to the cloud. ONBOARD COMPUTE CLOUD Real-time inference 10-200 Hz, safety Training fleet updates models flow down data flows up A robot's control loop runs between 50 Hz and 1 kHz: routing it through the cloud is simply not an option. Control model inference theref"}, {"anchor": "donnees", "heading": "The data bottleneck", "text": "There is no internet of actions. Unlike text or images, robot trajectories do not pre-exist anywhere: they have to be produced. Three sources share the load. Teleoperation yields high-quality demonstrations but is expensive and scales poorly. Simulation produces near-unlimited volumes, at the price of a reality gap that must then be closed. Egocentric human video is emerging as the third path: work published in 2026 shows that 30 minutes of human video per task can outperform an equal collection time of teleoperation by 41%. The dominant strategy combines all three: large-scale pretraining on "}, {"anchor": "poursuivre", "heading": "Keep reading", "text": "Go back to the fundamentals of simulation and data: our world models and sim2real pillar. Dig into the models layer with our guide to VLA models . Compare onboard compute chips and platforms in our chips comparator ."}]}, {"key": "value-chain", "url": "/atlas/en/robotics-value-chain/", "title": "Robotics: where does the value go in the physical AI era?", "sections": [{"anchor": "precedents", "heading": "What the PC and the smartphone teach us", "text": "Two value migrations offer a lens on physical AI. On the PC, the IBM PC's open architecture (1981) allowed third-party cloning (Compaq and others): hardware commoditized while value concentrated with the processor and OS suppliers, Microsoft and Intel, the \"Wintel\" alliance. On the smartphone, the pattern repeated, worse for manufacturers: in 2023 Apple captured roughly 85 percent of the industry's global profit with only 21 percent of unit volume (Counterpoint Research, Bloomberg), the rest fighting over Android margins built on Qualcomm chips and ARM architecture. The software-defined vehicl"}, {"anchor": "commoditisation", "heading": "Hardware is commoditizing faster than expected", "text": "The price compression has surprised the industry itself. Unitree launched its G1 in May 2024 at 99,000 yuan, about 16,000 dollars (The Robot Report); by 2026 it offered a fixed-base dual-arm platform from 4,290 dollars and bipedal R1 / R1 Air versions between 4,900 and 5,900 dollars. Unitree's own average selling price fell from 593,000 yuan in 2023 to 168,000 yuan over the first nine months of 2025 (IPO prospectus, March 2026), while staying profitable through vertical integration of its motors, reducers and servo drivers. The pressure runs down the chain: per China Robot Industry Alliance da"}, {"anchor": "differenciateur", "heading": "Where is the real differentiator? Not in the model", "text": "What durably protects a position in physical AI (2026) Ranking of durable differentiators, from most defensible (fleet data) to least defensible (VLA model). What durably protects a position in physical AI (2026) Fleet data the robots -> data -> model loop compounds over time Reliability and integration the demo-to-production gap, safety case, certification Hardware cost actuators, hands, batteries: the supply chain decides Distribution and service integrators, after-sales, parts: still to be built for humanoids Onboard compute a leveler: NVIDIA sells Jetson Thor to everyone VLA model open wei"}, {"anchor": "software-question", "heading": "Can a roboticist actually do software? The structural question", "text": "Let's be direct: the cultures are largely incompatible. A roboticist thinks in 5- to 7-year product cycles, validated by machine safety dossiers; an AI team thinks in weekly iterations and continuous deployment. The first sells a CAPEX asset depreciated over a decade; the second builds a recurring SaaS-style relationship, with entirely different sales cycles and commercial organization. The software-platform precedents from major robot makers call for caution. KUKA Connect, ABB Ability and FANUC Field have existed since the mid-2010s, with real monitoring features. But none of the four majors "}, {"anchor": "nouvelle-chaine", "heading": "The new value chain", "text": "Diagram: the new robotics value chain Six stacked layers with their margin trend: AI chips rising, foundation models rising toward winner-take-most, emerging humanoid hardware falling in a price war, proven industrial hardware eroding slowly, certified cell and integration defensible, operational data and service rising as a new frontier. AI chips ↑ strong margin Foundation models ↑ winner-take-most Emerging humanoid hardware ↓ price war Proven industrial hardware → slow erosion Certified cell + integration → defensible Operational data + service ↑ new frontier Stacking up the layers now in pl"}, {"anchor": "economie-donnees", "heading": "The robot data economy", "text": "One fundamental difference separates physical AI from LLMs: the web's text was free and effectively unlimited, robot data has to be manufactured. Every manipulation trajectory costs hardware, operators and time, which makes data itself a manufactured good with its own supply chain. The result is a four-story industry, young but already taking shape. 1. Data factories. Tesla recruits \"Data Collection Operators\" paid up to 48 dollars an hour to walk more than 7 hours a day in motion-capture suits and VR headsets, with height requirements matched to Optimus (5'7\" to 5'11\"); more than 50 operators"}, {"anchor": "proteger-logiciel", "heading": "Software gets copied: defending your value", "text": "Diagram: the five defenses around copyable code Code, which can be copied, sits at the center; around it, the five real defenses: data stream, customer iteration, certification, channel and service, ecosystem. The code (copyable) 1. Data stream 2. Customer iteration 3. CE / AI Act certification 4. Channel and service 5. Ecosystem copying stops here An honest observation before any software strategy: in 2026, code is no longer a defensible asset in itself. Published architectures are reproduced within months. Model weights get distilled: in early 2025, OpenAI and Microsoft claimed that DeepSeek"}, {"anchor": "investir", "heading": "Should a roboticist invest now, and for what return?", "text": "Yes, but investing does not mean building your own generalist foundation model: the entry ticket is out of reach for nearly every established roboticist. Investing means choosing your box in the table above, not occupying all of them. Four realistic strategies: Become the best body for other people's brains. An open approach like Unitree's, or partnerships within the GR00T ecosystem: Boston Dynamics, Agility Robotics and Figure AI are already building on Jetson Thor rather than competing with NVIDIA on the chip. Acquire or ally rather than build alone. Even the best-capitalized players buy the"}, {"anchor": "verdict", "heading": "Our take", "text": "The robotics value chain is being reshuffled, not settled: NVIDIA holds the strongest platform position (chip, model, simulation), but no robotics OS yet owns the monopoly Windows had on the PC. Hardware alone no longer protects anything: the compression already seen in Chinese humanoids, from 16,000 to 4,290 dollars in under two years, makes any hardware-margin-only strategy untenable. Becoming a generalist foundation-model lab is not realistic for most roboticists: the capital and talent entry ticket, with packages 3 to 6 times the industry's, requires a raise at Figure AI's scale. Locally d"}]}, {"key": "vla", "url": "/atlas/en/vla-models-explained/", "title": "VLA models explained", "sections": [{"anchor": "definition", "heading": "What is a vision-language-action model?", "text": "A vision-language-action (VLA) model is a neural network that takes in images and a natural-language instruction, and directly outputs robot commands: joint positions, velocities or torques. Where classical robotics chained separate modules (object detection, trajectory planning, control), a VLA learns the entire pipeline end to end, from demonstrations. The term took hold in 2023 with Google DeepMind's RT-2, which showed that a vision-language model pretrained on web data transfers its world knowledge to controlling a robot arm: the robot inherits object recognition, common sense and instruct"}, {"anchor": "fonctionnement", "heading": "How it works", "text": "Diagram: architecture of a vision-language-action model On the left, two inputs, cameras in cyan and language instruction in violet, feed a vision-language backbone in amber, connected to an action head in coral, which produces motor commands from 10 to 200 hertz. A brace under the backbone and the action head marks System 2 reasoning and System 1 acting. Cameras Language instruction Vision-language backbone Action head Motor commands 10-200 Hz System 2: reasons System 1: acts A VLA is made of two blocks. The backbone is a vision-language model (VLM) pretrained on huge web corpora: it provides"}, {"anchor": "llm-vs-vla", "heading": "How does a VLA differ from an LLM?", "text": "A VLA shares the DNA of large language models: a transformer architecture and massive vision-language pre-training. Most VLAs actually embed an LLM or VLM as the \"brain\" that understands the scene and the instruction. But everything else diverges, because the physical world is not a document. LLM VLA Inputs Text (and images for multimodal models) Camera streams + language instruction + robot state (joint positions, sensors) Outputs Text tokens Continuous motor actions: trajectories, joint positions or torques Timing Request-response; a few seconds of latency is acceptable Real-time control loo"}, {"anchor": "panorama", "heading": "The 2026 landscape", "text": "Diagram: how a VLA model is built Three data sources, teleoperated demonstrations in cyan, simulation in violet and human video in amber, converge into training, which produces a policy deployed on the robot in green. Teleoperated demonstrations Simulation Human video Training Policy deployed on the robot The bottleneck is not the model, it is the data The landscape has taken shape in eighteen months: every major AI player now has its own VLA, and Europe entered the race with Mistral AI in July 2026. Model Creator Access Key 2026 fact Isaac GR00T N1.6 NVIDIA Open weights Announced at CES 2026,"}, {"anchor": "architectures", "heading": "Dual-system architectures", "text": "A single network cannot simultaneously reason about a complex instruction and drive motors at 200 Hz. Hence dual-system architectures, inspired by the distinction popularised by Daniel Kahneman: a slow System 2, a VLM that understands the scene and plans at a few hertz, and a fast System 1, a reactive policy producing motor actions at high frequency. Figure's Helix popularised this scheme: a VLM running at 7-9 Hz guides a visuomotor policy at 200 Hz. Helix 02, unveiled in early 2026, adds a System 0, a whole-body balance and coordination layer running at kilohertz rates. Google DeepMind splits"}, {"anchor": "limites", "heading": "Current limits", "text": "Three limits shape the debate in 2026. Generalisation. Most VLAs are evaluated in environments close to their training data. π0.5 was designed precisely for open-world generalisation (new kitchens, new homes), but transfer to genuinely novel environments remains the hard part. Control frequency. The bigger the backbone, the slower the inference. Action chunks and dual-system architectures work around the problem, at the cost of reduced reactivity to disturbances between plans. Evaluation. There is no standard benchmark: each lab publishes its own protocols, real-robot evaluations are expensive"}, {"anchor": "open-vs-closed", "heading": "Open or closed weights: the industrial stakes", "text": "For an industrial company, the choice between open weights and closed models is not ideological, it is operational. Open weights (GR00T, OpenVLA, SmolVLA, π0 via openpi) can be fine-tuned on your cells, your parts and your data, run on premises without shop-floor images ever leaving the factory, and can be audited. A closed model is consumed through an API or a partnership, with the dependency that implies. The players' strategies are easy to read. NVIDIA opens its models to become the base layer of the ecosystem, what TechCrunch sums up as \"the Android of generalist robotics\": the model is op"}, {"anchor": "poursuivre", "heading": "Keep reading", "text": "Place the VLA within the wider stack with our physical AI stack pillar. Understand the other model family that complements the VLA: our world models and sim2real guide. Compare VLA models in production in our models comparator ."}]}, {"key": "world-models", "url": "/atlas/en/world-models-sim2real/", "title": "World models and sim2real", "sections": [{"anchor": "world-models", "heading": "What is a world model?", "text": "A world model is a model that learns the dynamics of the world: given observations and actions, it predicts what happens next. It gives the machine a form of imagination: testing an action in thought before executing it, or generating situations it has never encountered. Two families coexist. Generative video models predict future pixels directly: NVIDIA Cosmos, Google DeepMind's Genie 3 , which generates interactive worlds navigable in real time at 24 frames per second in 720p, or Wayve's GAIA series for driving. Latent predictive models, such as the JEPA family championed by Yann LeCun, pred"}, {"anchor": "jepa-lecun", "heading": "Yann LeCun's approach: JEPA and AMI Labs", "text": "Diagram: the JEPA architecture at a glance Two encoders project the observation and the future into a representation space; a predictor links them. Direct pixel prediction is crossed out. Observation Future to predict Encoder Encoder abstract abstract Predictor no pixels JEPA predicts the abstract, not pixels: unpredictable detail is ignored, structure is kept Yann LeCun, a deep learning pioneer and 2018 Turing Award laureate, has spent several years arguing an iconoclastic thesis: autoregressive large language models, however powerful, do not lead to human-level intelligence. An LLM trained t"}, {"anchor": "simulation", "heading": "The role of simulation", "text": "Before learned world models, there is classical physics simulation, which remains the workhorse of robotics. The reference simulators: Isaac Sim and Isaac Lab at NVIDIA, MuJoCo at Google DeepMind, and Genesis on the open-source side. Their decisive advantage is GPU parallelism: thousands of simulated environments running in parallel accumulate years of experience in a few hours, which is what made reinforcement learning of locomotion policies possible. Our simulators comparator details licences, physics engines and ROS support for these tools. The field's big 2026 event is Newton , an open-sou"}, {"anchor": "sim2real", "heading": "The sim2real gap and how to cross it", "text": "Diagram: the 4-step sim2real cycle Four steps linked in a loop: simulation with massive training, transfer through domain randomization, trials on the real robot, then real-world data feeding back into simulation. continuous loop Simulation massive training Transfer domain randomization Real robot trials Real-world data A policy that is perfect in simulation can fail on the real robot: this is the sim2real gap. Friction, contacts, deformable objects, cables and lighting are all simulated imperfectly, and the model learns to exploit the simulator's approximations rather than real physics. Three"}, {"anchor": "data-engine", "heading": "The data engine", "text": "Serious labs do not collect data once: they build a data engine, a continuous loop in which deployed robots report their successes and failures, which feed the next round of model training. Three streams feed this loop. Teleoperation remains the quality benchmark: a human operator drives the robot, and every trajectory is a demonstration perfectly aligned with the target embodiment. But it is expensive and saturates quickly. Egocentric human capture changes the equation: filming humans performing tasks with head-worn cameras produces far greater volumes. Work published in 2026 shows that 30 mi"}, {"anchor": "acteurs", "heading": "Key players in 2026", "text": "Four players structure the world model landscape in 2026. NVIDIA launched Cosmos 3 in June 2026, billed as an open frontier foundation model for physical AI. Its mixture-of-transformers architecture couples a reasoning module with a generation module, in service of synthetic data production for robots and autonomous vehicles. Google DeepMind opened Genie 3 to the public through Project Genie in January 2026 (AI Ultra subscribers in the US); Waymo derived from it a dedicated world model for simulating edge cases for its robotaxis. Meta and AMI Labs : Meta carried the V-JEPA research line before"}, {"anchor": "poursuivre", "heading": "Keep reading", "text": "See how the VLA consumes this synthetic data in our VLA models explained guide. Place simulation within the wider stack with our physical AI stack pillar. Compare the simulators that produce this data in our simulators comparator ."}]}]}}