Un modèle de langage se juge en quelques heures : on l’expose à des milliers de questions, on compte les bonnes réponses. Un robot, non. Pour savoir si une politique de contrôle (la logique qui décide de chaque geste) tient la route, il faut la faire tourner dans le monde physique, sous supervision humaine, une manipulation après l’autre. Lent, cher, borné par le matériel. C’est ce mur d’évaluation, invisible derrière les démos d’humanoïdes qui dansent, que deux stratégies opposées tentent aujourd’hui de contourner.
D’un côté, Google DeepMind vient d’annoncer que les données réelles collectées par Apollo 2, la dernière plateforme humanoïde d’Apptronik, serviront à entraîner et faire progresser Gemini Robotics, à mesure qu’Apptronik agrandit son site Robot Park. De l’autre, un travail de recherche baptisé GigaWorld-1 propose exactement l’inverse : remplacer une partie de ces essais physiques par des world models (des simulateurs vidéo qui prédisent ce que ferait le robot sans le sortir de l’atelier).
Collecter le réel ou le simuler
Les deux camps visent la même cible et s’y prennent en miroir. Apptronik mise sur l’accumulation : plus d’heures d’humanoïde réel dans un environnement réel, plus de gestes captés, plus de matière pour affiner Gemini Robotics. La donnée vient du terrain, avec son bruit, ses ratés, ses cas limites qu’aucune simulation n’anticipe vraiment.
GigaWorld-1 parie sur la reconstitution. Plutôt que d’immobiliser un robot et un opérateur pendant des jours, on entraîne un modèle à générer les conséquences probables d’une action, puis on évalue la politique contre cette prédiction. Le banc d’essai associé, WMBench, s’appuie sur de la téléopération réelle (des gestes pilotés à distance par un humain) et sur plus de 324 000 déroulés simulés confrontés à des exécutions robotiques réelles. La promesse : évaluer vite, à coût quasi nul, sans matériel.
Deux façons de nourrir la même IA embarquée, donc. L’une va chercher le monde, l’autre le fabrique.
La belle image ne suffit pas à juger un robot
Le papier n’aligne pas d’abord des scores : il opère un tri. En analysant sept modèles de monde vidéo et quatre façons d’encoder l’action, les auteurs concluent que le réalisme visuel à court terme, l’image jolie sur trois secondes, compte peu. Ce qui fait un bon évaluateur, c’est la cohérence du déroulé sur le long terme et la fidélité à l’action commandée. Un simulateur qui produit de belles images mais dérive dès qu’on enchaîne les gestes ne vaut rien pour juger un robot.
Le monde simulé ne remplace donc pas encore le réel : il le présélectionne. On écarte à bas coût les politiques manifestement mauvaises, mais la validation finale repasse par le physique. Les auteurs eux-mêmes libèrent code, modèles et jeux de données, signe qu’on est au stade de l’outillage partagé, pas de la solution close.
Et c’est précisément ce dernier point qui rapproche les deux camps plus qu’il ne les sépare.
La donnée terrain devient un péage
Car le monde simulé, lui aussi, réclame du réel pour être calibré. WMBench est bâti sur de la téléopération réelle et plus de 12 000 heures de vidéos d’entraînement. Autrement dit, celui qui possède le flux continu de données terrain alimente les deux moteurs à la fois : les modèles embarqués et les simulateurs censés les évaluer. La boucle données-réel commande tout le reste : c’est là, et pas dans les modèles, que se gagne la partie.
L’annonce DeepMind–Apptronik prend là tout son relief. Apptronik fournit le corps et le terrain, DeepMind le modèle et la boucle d’apprentissage. Un partenariat de recherche de ce type verrouille un actif que l’argent seul ne rachète pas : des heures d’humanoïde en conditions réelles, impossibles à générer synthétiquement sans y injecter des biais. Un Robot Park qui s’agrandit, c’est un gisement de données qui s’élargit, et un fossé qui se creuse avec ceux qui n’en ont pas.
La recherche ouverte pousse dans l’autre sens : mutualiser l’évaluation pour que personne ne la détienne. L’approche par simulation n’a d’ailleurs rien de confidentiel : NVIDIA en a fait une industrie avec Cosmos, sa famille de world models ouverts pour l’IA physique, déjà adoptée par des fabricants d’humanoïdes comme Figure, 1X ou Boston Dynamics. Deux visions du même levier s’affrontent en silence, l’une propriétaire et intégrée, l’autre ouverte et distribuée.
Deux paris qui ne s’opposent qu’en surface : l’un accumule le réel, l’autre tente de s’en affranchir, et aucun ne tient sans l’autre. Ce qui départagera les humanoïdes des prochaines années se joue moins sur scène que dans les entrepôts où se collecte la donnée. Et rien ne garantit qu’un tel robinet, une fois branché sur un modèle propriétaire, reste ouvert à ceux qui n’ont pas leur propre Robot Park.
