FAQ IA physique

Un robot est une machine : des moteurs, des capteurs, une structure mécanique. Il peut être dépourvu de toute intelligence : la majorité des robots industriels installés dans le monde répètent des trajectoires programmées à l'avance, sans rien percevoir de leur environnement. L'IA physique désigne la couche d'intelligence qui permet à une machine de percevoir, de décider et de s'adapter. Un robot devient un système d'IA physique quand il gère l'imprévu : saisir une pièce mal positionnée, éviter un opérateur, ajuster son geste. Le robot est le corps, l'IA physique est le cerveau. Et ce cerveau peut équiper autre chose que des robots : véhicules, drones, machines-outils.

Les trois termes se recouvrent sans se confondre. La robotique est la discipline d'ingénierie qui conçoit les machines : mécanique, actionneurs, contrôle. L'embodied AI (IA incarnée) est un courant de recherche pour lequel une intelligence véritable doit s'apprendre à travers un corps qui interagit avec le monde. L'IA physique est le terme d'industrie, popularisé notamment par NVIDIA, qui englobe tous les systèmes d'IA opérant dans le monde réel : robots, mais aussi véhicules autonomes, drones et équipements industriels intelligents. En résumé : la robotique construit le corps, l'embodied AI théorise l'apprentissage incarné, et l'IA physique nomme le marché qui en résulte.

Un modèle VLA est un réseau de neurones qui reçoit des images (vision) et une consigne en langage naturel (langage), et produit directement des commandes pour un robot (action). Exemple de consigne : ranger les pièces bleues dans le bac de gauche. Héritiers des grands modèles multimodaux, les VLA sont entraînés sur des démonstrations robotiques et des données issues du web, ce qui leur donne une capacité de généralisation inédite : exécuter des variantes de tâches jamais vues à l'entraînement. Les représentants connus incluent RT-2 de Google DeepMind, π0 de Physical Intelligence, GR00T de NVIDIA et Helix de Figure. C'est la brique qui rapproche la robotique d'un fonctionnement à la ChatGPT.

Un LLM lit et produit du texte ; un VLA voit, comprend une consigne et produit des actions motrices. Le VLA réutilise l'architecture et le pré-entraînement des LLM (il en embarque souvent un comme cerveau), mais il travaille en boucle de contrôle temps réel, de 10 à plus de 200 Hz, là où un LLM peut se permettre quelques secondes de latence. Ses données d'entraînement (démonstrations robotiques) sont rares et chères, et ses erreurs ont un coût physique, parfois irréversible : la sécurité est une exigence de conception, pas une option. Notre guide détaille la comparaison.

Pour des pilotes, oui ; pour une production à grande échelle, pas encore. Plusieurs constructeurs automobiles et logisticiens testent des humanoïdes sur des tâches cadrées : déplacement de bacs, alimentation de machines, tri simple. Ces pilotes fonctionnent, mais avec des cadences inférieures à celles d'un opérateur, une supervision humaine et parfois une téléopération de secours. Les verrous restants sont la fiabilité sur des milliers d'heures, la sécurité en coactivité avec les humains et le coût complet d'intégration. L'année 2026 marque le passage des démonstrations aux premiers déploiements limités : le bon moment pour expérimenter, pas encore pour tout miser dessus. Suivez cette bascule dans notre indice de production humanoïde.

La fourchette est très large. L'entrée de gamme est incarnée par le Unitree G1, vendu à partir d'environ 16 000 dollars en version de base, orientée recherche et éducation ; les versions équipées de mains dextres et du SDK complet dépassent 70 000 dollars. Les plateformes industrielles occidentales se négocient au-delà de 150 000 dollars, souvent en location ou en robot-as-a-service. Tesla vise à terme 25 000 à 30 000 dollars pour Optimus, un objectif annoncé mais pas encore démontré. Attention : le matériel ne représente qu'une partie du coût total ; intégration, mise en sécurité et maintenance peuvent le dépasser. Comparez ces modèles dans notre comparateur robots.

Le sim2real (de la simulation au réel) consiste à entraîner une IA physique dans un monde virtuel avant de la transférer sur un robot réel. La simulation offre des millions d'essais rapides, sans casse ni danger, et des variations infinies d'environnements. Le défi est l'écart entre physique simulée et physique réelle : frottements, lumière, capteurs imparfaits. Les équipes le comblent par la randomisation de domaine (varier volontairement les paramètres pour forcer la robustesse) et par des simulateurs de plus en plus fidèles comme NVIDIA Isaac Sim. Le modèle Robostral Navigate de Mistral AI, entraîné entièrement en simulation, illustre la maturité de l'approche.

Trois pôles se dégagent. Les fournisseurs d'infrastructure : NVIDIA domine le calcul, la simulation (Isaac, Omniverse) et les modèles ouverts (GR00T) ; Google DeepMind pousse Gemini Robotics. Les constructeurs d'humanoïdes : Figure, valorisée 39 milliards de dollars fin 2025, Tesla, Boston Dynamics et Agility Robotics côté américain ; Unitree et UBTECH côté chinois, avec un avantage prix et chaîne d'approvisionnement. Enfin, les laboratoires de modèles robotiques comme Physical Intelligence ou Skild AI. Les États-Unis concentrent le capital et les modèles, la Chine la production de masse. Aucun acteur ne verrouille encore l'ensemble de la pile.

Oui, mais pas au centre du ring. L'Europe n'a ni les mégalevées américaines ni l'échelle industrielle chinoise, mais elle aligne des acteurs sérieux : Neura Robotics (Allemagne) sur les humanoïdes, PAL Robotics (Espagne), pionnier historique du domaine, 1X (Norvège) sur l'humanoïde domestique, Wandelbots (Allemagne) sur le logiciel de programmation no-code, ANYbotics (Suisse) sur l'inspection par robots quadrupèdes, et Mistral AI (France), qui a publié en juillet 2026 son premier modèle robotique, Robostral Navigate. Surtout, l'Europe possède le terrain de jeu : une densité exceptionnelle d'usines et d'intégrateurs. Sa carte à jouer est le déploiement industriel, pas la course aux modèles géants.

Oui, mais par un chemin spécifique, et le calendrier vient de bouger. Un robot est d'abord une machine : il relève du règlement Machines (UE) 2023/1230, qui régit le marquage CE et la sécurité. Les amendements adoptés en 2026 (paquet omnibus numérique) ont reporté les obligations à haut risque : décembre 2027 pour les usages de l'annexe III, et pour l'IA embarquée dans les machines, des exigences intégrées au règlement Machines via des actes délégués attendus d'ici août 2028. En clair : la conformité machine reste la référence immédiate, le volet IA se précise progressivement. Suivez le site officiel de la Commission.

Pas par un humanoïde. Commencez par un cas d'usage borné, mesurable et à retour sur investissement court : inspection automatisée, transport interne par AMR, chargement de machines, contrôle qualité par vision. Auditez ensuite vos prérequis : connectivité, données de production, compétences internes, exigences de sécurité. Lancez un pilote de trois à six mois avec des indicateurs définis à l'avance (disponibilité, cadence, taux d'erreur, coût complet), en impliquant les opérateurs dès le premier jour. Traitez la sécurité et le marquage CE dès la conception, pas à la fin. Enfin, privilégiez des plateformes interopérables pour éviter la dépendance à un fournisseur unique.