Pourquoi 2026 est l’année des données pour les humanoïdes
Le matériel est livré et la puissance de calcul s’achète. En 2026, la contrainte déterminante des robots humanoïdes, ce sont les données d’entraînement. Pourquoi le mur s’est déplacé vers la couche de données.
En 2025, un robot humanoïde traversant le sol d’un entrepôt a cessé d’être une démonstration pour devenir un poste de coûts. Figure, 1X et Agility ont tous sorti leurs machines du laboratoire pour les envoyer dans des projets pilotes payants. Le matériel, longtemps objet de railleries, fonctionnait pour l’essentiel. Et c’est exactement à ce moment que le vrai problème est apparu au grand jour.
Un humanoïde capable de se tenir debout, de garder l’équilibre et de bouger ses mains n’est pas la même chose qu’un humanoïde qui sait quoi en faire. Le corps est une plateforme. Le comportement est une policy, et une policy ne vaut que les démonstrations dont elle a appris. En 2026, ce qui sépare un robot qui marche d’un robot utile, ce ne sont pas les moteurs ni les teraflops. Ce sont les données.
C’est l’argument qu’il vaut la peine d’énoncer clairement : cette année est celle où la contrainte déterminante des humanoïdes s’est déplacée vers la couche de données. Non pas parce que le matériel et la puissance de calcul seraient résolus pour toujours, mais parce qu’ils ont cessé d’être l’obstacle que l’on rencontre en premier.
L’excuse du matériel a expiré
Pendant une décennie, la réponse honnête à la question de savoir pourquoi les robots ne pouvaient pas faire davantage, c’était le robot lui-même. Les mains étaient maladroites. Les actionneurs étaient faibles ou saccadés. Les batteries rendaient l’âme. L’équilibre était un sujet de recherche. Une grande partie de tout cela est aujourd’hui, sinon achevée, du moins assez au point pour être déployée. Les humanoïdes commerciaux de Figure, 1X et Agility se trouvent dans de vraies installations à faire un travail répétitif, et l’International Federation of Robotics suit de longue date un déploiement industriel régulier sous les gros titres consacrés aux humanoïdes.
La locomotion est la partie qui se photographie bien, et celle qui a été résolue en premier. Marcher, garder l’équilibre, monter des escaliers, encaisser une poussée sans tomber : ce sont pour l’essentiel des problèmes de dynamique et de commande, et des années de recherche, alliées à de meilleurs actionneurs, les ont rendus traitables. La manipulation est la moitié la plus difficile, la plus discrète. Décider comment saisir un sac souple, quelle force exige une fermeture éclair, si une pièce s’est effectivement mise en place, ce n’est pas un gain que l’on règle. C’est un comportement qu’un robot doit apprendre à partir d’exemples.
Rien de tout cela ne signifie que le matériel est achevé. Les mains restent le maillon faible, et la dextérité a encore beaucoup de chemin à parcourir. Mais le goulot d’étranglement s’est déplacé. Quand une machine peut physiquement exécuter une tâche et échoue malgré tout, l’échec ne réside plus dans le poignet. Il réside dans la policy qui commande le poignet, et la policy est un problème de données.
La puissance de calcul n’allait jamais être le mur
L’histoire de la puissance de calcul est plus courte. Entraîner une policy de robot n’est pas bon marché, mais ce n’est pas la dépense exotique, à l’échelle d’une nation, qu’est devenu l’entraînement d’un modèle de langage de pointe. Les GPU existent. On peut les louer à l’heure. Aucune loi physique n’est ici forcée, aucune attente de plusieurs années pour une usine de puces ne se dresse entre vous et une capacité supplémentaire. Les policies de robot sont en outre bien plus petites que les modèles de langage de pointe, si bien que les cycles d’entraînement eux-mêmes sont plus courts et moins coûteux.
La puissance de calcul est un chèque que l’on peut signer. Ce seul fait remodèle tout le problème. Quand l’intrant rare est quelque chose que l’argent achète à la demande, ce n’est pas votre contrainte. La contrainte, c’est tout ce que l’on ne peut pas simplement acheter à volonté, et pour l’apprentissage incarné, c’est un enregistrement vaste et propre du comportement physique.
À quoi ressemble un domaine contraint par les données
Les modèles de langage avaient l’internet : un corpus d’entraînement préexistant, quasi gratuit, que l’humanité a généré pour d’autres raisons. Les robots ne disposent d’aucune aubaine de ce genre. Il n’existe aucune archive accumulée de vidéo, de force et de mouvement des mains synchronisés, provenant de personnes effectuant un vrai travail manuel, parce que presque personne n’était équipé de capteurs en le faisant. Chaque démonstration utile doit être produite délibérément, un enregistrement à la fois.
L’écart d’échelle est facile à sous-estimer. Un modèle de langage de pointe s’entraîne sur un corpus qui se compte en milliers de milliards de tokens, rassemblés à un coût marginal quasi nul. Les plus grands jeux de données ouverts de manipulation robotique se comptent en milliers d’heures, chacune payée en temps humain. Grossièrement, les deux courbes d’offre ne sont pas dans le même univers, et aucune architecture, si astucieuse soit-elle, ne comble à elle seule un écart aussi large.
| Contrainte | L’ancien obstacle | État en 2026 |
|---|---|---|
| Matériel | Mains faibles, équilibre médiocre, autonomie courte | Déployable pour de nombreuses tâches ; dextérité encore en progrès |
| Puissance de calcul | Capacité d’entraînement insuffisante | Disponible à la demande ; se loue, pas rare |
| Données | Négligées derrière les deux autres | La contrainte déterminante ; aucune offre à l’échelle de l’internet n’existe |
Lisez le tableau de haut en bas et il fait aussi office de chronologie. Le secteur a réglé le matériel, puis n’a jamais vraiment buté sur la puissance de calcul, et il est arrivé à l’intrant que personne ne pouvait contourner. Le Toyota Research Institute a été sans détour à ce sujet dans ses travaux sur les large behavior models : le plafond des compétences générales d’un robot, c’est la quantité et la qualité des données de comportement que l’on peut lui fournir, et non la taille du réseau.
La ruée sur l’approvisionnement
On peut lire 2026 en observant où passe l’effort. Des fermes de téléopération, où des humains manipulent des robots comme des marionnettes pendant des heures pour générer des démonstrations propres. Des pipelines de simulation qui gonflent un peu de données réelles en une masse de données synthétiques. Des rigs de capture portables qui enregistrent des personnes accomplissant des tâches ordinaires à la première personne. De nouveaux jeux de données, de nouveaux formats, de nouvelles entreprises dont le produit tout entier est la collecte elle-même, un basculement que la presse spécialisée comme The Robot Report couvre désormais comme une rubrique à part entière. Les capitaux suivent la même logique : l’investissement qui courait autrefois après les actionneurs inédits et les démonstrations léchées vise de plus en plus quiconque peut produire des démonstrations en masse. Quand les groupes les plus brillants d’un domaine se mettent tous à résoudre le même problème en amont, ce problème est la contrainte.
On ne peut pas louer la démonstration d’un humain pliant une serviette comme on loue un GPU. La puissance de calcul répond à l’argent à l’échelle de la minute. Les données répondent à l’effort physique à l’échelle du mois, et aucun bon de commande ne raccourcit ce délai.
Rien de tout cela ne rend le matériel ou la puissance de calcul sans importance ; un programme riche en données a toujours besoin des deux. Le propos est plus étroit et, pour 2026, décisif. L’intrant qui verrouille désormais le progrès est celui que l’on ne peut ni acheter sur étagère ni provisionner dans un centre de données. Il faut le capturer, auprès de vraies personnes accomplissant de vraies tâches, délibérément et à grande échelle. Les équipes qui intègrent cela tôt ne sont pas celles qui ont le meilleur modèle cette année. Ce sont celles qui construisent le pipeline destiné à alimenter chaque modèle qui suivra.