Le paysage des robots humanoïdes en 2026, cartographié par les données

Comptez les startups de robots humanoïdes ayant annoncé un modèle de fondation au cours des dix-huit derniers mois, et vous manquerez de doigts avant de manquer de noms. Figure, 1X, Physical Intelligence, Skild AI, Apptronik, Agility, ainsi que les groupes de recherche de NVIDIA, Google DeepMind et Toyota. Le matériel converge discrètement : deux bras, deux jambes, une caméra stéréo ou trois, des mains dextres ou qui essaient de l’être, une batterie tenant à peu près un poste. À force de regarder des vidéos de lancement, les machines finissent par se confondre.

Ce qui ne converge pas, c’est l’origine des données d’entraînement. C’est l’axe qu’il vaut la peine de cartographier en 2026, car un humanoïde ne vaut que par les démonstrations qu’il a vues, et chaque équipe sérieuse a fait un pari différent sur la manière de les obtenir. Téléopérer une flotte ? Synthétiser du mouvement en simulation ? Exploiter de la vidéo humaine ? Mutualiser des trajectoires entre laboratoires ? Chaque réponse porte sa propre structure de coûts, son propre mode de défaillance et son propre plafond.

Ceci est donc un guide de terrain organisé autour de cette seule question. Pas « qui a le meilleur robot », à laquelle personne ne peut honnêtement répondre pour l’instant, mais « qui nourrit son robot avec quoi », ce qui en dit beaucoup plus long sur qui sera encore debout en 2028.

Quatre façons de nourrir un humanoïde

Une fois le marketing mis de côté, presque tous les programmes du secteur puisent dans l’une de quatre sources de données, le plus souvent en mélangeant deux d’entre elles. On peut téléopérer des robots physiques et enregistrer des étiquettes d’action propres. On peut générer du mouvement et des pixels en simulation. On peut emprunter de la vidéo humaine à la première personne, abondante mais dépourvue de toute action robotique. Ou l’on peut mutualiser les journaux de tous dans un corpus partagé et entraîner à travers les incarnations. Le tableau ci-dessous est une carte approximative, pas un classement : la plupart des équipes se couvrent sur plusieurs fronts, et le détail intéressant est de savoir sur quelle source elles s’appuient le plus.

Les flottes sur robot : étiquettes parfaites, économie brutale

La stratégie la plus pure est aussi la plus ancienne : mettre un humain dans la boucle, le laisser piloter le robot comme une marionnette à travers une tâche, et enregistrer chaque angle articulaire et chaque image de caméra. Les étiquettes d’action sont exactes parce que le robot a réellement exécuté le mouvement. Figure applique ce schéma avec ses propres opérateurs, et Toyota Research Institute a publié des Large Behavior Models entraînés sur des démonstrations de politiques de diffusion téléopérées, un réseau unique absorbant des centaines de compétences. Physical Intelligence est allé plus loin avec π0, une politique de type flow-matching entraînée sur une flotte de corps de robot différents, de l’ordre de dix mille heures de manipulation, de sorte qu’un même modèle se transfère à des bras sur lesquels il n’est pas né.

La faiblesse, c’est l’arithmétique. La téléopération se déroule en temps réel, à raison d’environ un opérateur par robot. Une heure de données coûte une heure d’attention humaine qualifiée, et les moments rares, maladroits, de récupération après échec, ceux dont les politiques ont le plus besoin, sont précisément ceux que les opérateurs produisent le moins souvent.

La téléopération achète des étiquettes parfaites au pire coût unitaire possible : un humain, un robot, une heure, pour une heure de données.

La simulation et le pari du modèle du monde

Si les données réelles sont lentes à produire, autant produire des données synthétiques rapidement. La simulation restitue des millions d’essais en parallèle, avec des étiquettes gratuites et exactes pour chaque contact et chaque articulation. Le laboratoire GEAR de NVIDIA a construit Isaac GR00T autour de cette idée, en publiant les poids ouverts de GR00T N1 et N1.5, entraînés sur un mélange à forte dominante de trajectoires synthétiques et de vidéo humaine, afin que des équipes plus petites puissent affiner le modèle plutôt que de repartir de zéro. Skild AI mise plus fort encore sur la simulation, avec un cerveau de robot indépendant de l’incarnation, conçu pour s’adapter à de nombreuses machines.

Le piège, c’est l’écart à la réalité : une politique parfaite en simulation peut encore rater un câble réel ou une tasse translucide que le moteur de rendu n’a jamais tout à fait su modéliser. Les modèles du monde sont la réponse actuelle. 1X entraîne un simulateur neuronal appris de son environnement domestique, qu’elle utilise à la fois pour générer de l’expérience et pour évaluer les politiques avant qu’elles ne touchent un robot physique. Le pari est qu’un prédicteur suffisamment bon de l’image suivante vaut plus qu’un entrepôt supplémentaire de téléopérateurs.

Emprunter de la vidéo humaine

Chaque personne qui fait la vaisselle est une démonstration non étiquetée de manipulation dextre, et il en existe des milliards. C’est là tout l’attrait de la vidéo humaine à la première personne. Des ensembles académiques comme Ego4D et son prolongement Ego-Exo4D ont capturé des milliers d’heures d’activité égocentrique, et ces images alimentent de plus en plus les pipelines des humanoïdes : le mélange d’entraînement de GR00T puise dans la vidéo humaine, et Gemini Robotics hérite des a priori visuels et sémantiques d’un modèle à l’échelle du web avant même d’avoir vu une pince.

Le problème, c’est l’écart d’incarnation. La vidéo humaine montre ce qui s’est passé, mais pas les couples articulaires, les forces de contact ou les commandes de préhension qui l’ont produit, si bien que les actions doivent être déduites, retransposées, ou associées à une petite tranche de données robot pour devenir exploitables à l’entraînement. Offre abondante, étiquettes manquantes : l’image inversée du problème de la téléopération.

Les biens communs partagés

Open X-Embodiment a mutualisé plus d’un million de trajectoires de robots réels issues de vingt-deux incarnations réparties dans plus de vingt laboratoires, et a montré qu’une politique entraînée sur ce mélange surpasse souvent une politique entraînée sur les données d’un seul robot. DROID a ajouté environ soixante-seize mille trajectoires de démonstration collectées sur le terrain, dans des dizaines de bâtiments. Le LeRobot de Hugging Face est devenu la plomberie ouverte qui relie tout cela : formats de jeux de données standard, politiques pré-entraînées, et un hub où s’accumulent les jeux de données de la communauté.

L’entraînement multi-incarnation est désormais une hypothèse par défaut plutôt qu’une curiosité de recherche. Cela redéfinit aussi discrètement la nature de la concurrence. Si les architectures convergent et que les jeux de données de base sont partagés, l’avantage se déplace vers quiconque peut ajouter les données que le bien commun ne contient pas encore.

Ce qu’il faut surveiller à mesure que 2026 avance

Le constat honnête est qu’aucune stratégie de données n’a encore gagné, et que les meneurs sont ceux qui en mènent deux ou trois de front : la téléopération pour des étiquettes propres, la simulation pour le volume, la vidéo humaine pour la diversité, les corpus partagés pour la couverture. La question des dix-huit prochains mois est moins « quel robot marche le mieux » que « quel pipeline de données capitalise le mieux ». Observez d’où vient la démonstration marginale, ce qu’elle coûte, et qui est autorisé à l’utiliser. C’est cette carte qui restera lisible en 2028.