En robotique, le cerveau n’a jamais été le maillon faible. Les architectures de modèles progressent vite ; ce qui manque, c’est la matière première pour les nourrir. Xiaomi vient de poser un jeton sur cette table précise avec Xiaomi-Robotics-1, un modèle de fondation vision-langage-action (VLA, un modèle qui relie ce qu’il voit, une consigne en langage et le geste à exécuter) entraîné sur plus de 100 000 heures de manipulation réelle. Le chiffre a de quoi impressionner. Le plus instructif se joue pourtant en amont, dans la manière dont ces heures ont été produites.
Collecter la donnée sans passer par le robot
La robotique a longtemps buté sur un mur simple : les démonstrations coûtent cher. Faire manipuler un bras réel des milliers d’heures pour lui apprendre un geste, c’est lent, fragile et impossible à généraliser. Xiaomi contourne le mur en dissociant la collecte du robot lui-même.
Ses 100 000 heures viennent de trajectoires UMI (Universal Manipulation Interface, un dispositif de préhension tenu à la main qui enregistre le geste humain sans robot dans la boucle). On filme des mains qui saisissent, déplacent, rangent, dans plus de 1 700 décors : logements, commerces, sites industriels, extérieurs. Le modèle apprend une connaissance de la manipulation détachée de tout corps mécanique précis, avant d’être seulement raccordé à un robot physique.
C’est le déplacement à comprendre. La barrière à l’entrée cesse d’être « posséder une flotte de robots » pour devenir « savoir capturer du geste réel à grande échelle, à bas coût ». Xiaomi, qui vend du matériel grand public par centaines de millions d’unités, sait précisément faire cela.
Un modèle qui s’annote tout seul
Rassembler 100 000 heures ne sert à rien si personne ne peut les étiqueter. Annoter à la main un tel volume est hors de portée. Xiaomi confie donc ce travail à un autre modèle : un VLM (vision-language model, un modèle qui décrit une image en langage) découpe chaque longue trajectoire en clips courts et décrit comment les pinces et les objets évoluent dans chacun.
Xiaomi-Robotics-1 apprend ensuite à générer les actions qui produisent la transition décrite par cette phrase. La donnée brute et désordonnée devient un jeu d’entraînement qui relie une image, un but formulé en mots et un geste. Un deuxième alignement, sur consigne, apprend au modèle à obéir à des ordres en langage naturel plutôt qu’à de simples descriptions d’état.
Cette chaîne d’auto-annotation est le levier d’échelle décisif. Elle transforme une caméra et une pince à main en usine à données d’entraînement, sans goulot humain.
Deux fois moins d’échecs que π0.5, à données égales
Reste la question qui tranche : est-ce que cette masse de données pré-apprises se transfère à un robot en chair et en métal ? Xiaomi affirme que oui, et donne un point de comparaison nommé. Sur quatre tâches concrètes — emballer un téléphone, recharger une imprimante, remplir un lave-linge, monter un carton — avec en moyenne moins de dix heures de démonstrations spécifiques par tâche, le modèle atteint 75 % de réussite, contre 40 % pour π0.5 (le modèle de référence de Physical Intelligence) à budget de données égal.
Deux fois moins d’échecs pour une même quantité de démonstrations : l’écart ne vient pas d’une astuce d’architecture, il vient de ce que le modèle a déjà vu avant. Xiaomi ajoute avoir aligné son modèle sur plus de 7 200 heures de données robot réelles collectées dans de vrais logements, et observe que plus le pré-entraînement grossit, plus le taux de réussite sur robot physique monte, sans plateau visible pour l’instant.
C’est exactement la courbe que la robotique attendait, celle que le langage et la vision connaissent depuis des années : plus de données, plus gros modèle, meilleure performance. Le message adressé aux concurrents est limpide : la robotique vient d’entrer dans son moment « scaling ».
Qui possède la donnée mène la partie
Lu comme un coup sur l’échiquier, Xiaomi-Robotics-1 ne vise pas d’abord à battre un modèle rival sur un banc d’essai. Il redéfinit la ressource qui décide de la victoire. Tant que l’avantage tenait à l’architecture, Google, Tesla ou une jeune pousse comme Physical Intelligence pouvaient rivaliser à talent égal. Si l’avantage bascule vers le volume et la diversité de la donnée terrain, alors l’acteur qui contrôle la captation à l’échelle industrielle part avec une longueur d’avance structurelle. Les paris pour franchir ce goulot divergent d’ailleurs : NVIDIA l’attaque par la donnée synthétique générée en simulation avec sa pile GR00T, là où Xiaomi mise sur la captation de geste humain réel à bas coût.
Or Xiaomi cumule une profondeur matérielle, une présence dans les foyers et une logistique de production que peu d’acteurs de l’IA possèdent. Séparer la collecte du robot final n’est pas un détail technique : c’est ce qui permet d’aligner cette collecte sur des dispositifs bon marché, déployables partout. On ne parie plus sur un modèle, on parie sur un pipeline d’acquisition.
Un transfert du geste humain encore à prouver
Un point impose la prudence : les 75 % sont mesurés par Xiaomi, sur ses tâches, avec sa propre comparaison. Le protocole devra être reproduit par des tiers, et la robustesse hors des décors d’entraînement — l’échec classique de la manipulation — jugée sur pièces, pas sur graphique.
Il reste aussi une inconnue de fond : une pince tenue à la main n’a ni la dynamique, ni les capteurs, ni les défauts d’un robot réel. Le pari de Xiaomi est que la connaissance apprise sur ce geste humain se transfère malgré l’écart de corps. Les premiers chiffres le suggèrent. L’épreuve décisive viendra le jour où ces robots travailleront dans des logements qu’aucune de ces 100 000 heures n’a filmés.
