Les chercheurs en robotique ont longtemps rêvé de machines humanoïdes. Aujourd’hui, grâce à des avancées majeures dans l’apprentissage automatique, ces rêves deviennent réalité.
Les chercheurs en robotique ont traditionnellement aspiré à créer des machines aussi complexes que le corps humain, mais souvent, ils se sont retrouvés à perfectionner des bras robotiques pour des usines. Leur ambition était de concevoir des robots de science-fiction capables de se déplacer, de s’adapter à différents environnements et d’interagir de manière sécurisée avec les humains. Pour certains, ces machines pourraient aider les personnes à mobilité réduite, réduire la solitude ou accomplir des tâches dangereuses. Pour d’autres, elles représenteraient une source de main-d’œuvre sans salaire. Cependant, une longue histoire d’échecs avait rendu la Silicon Valley hésitante à investir dans les robots d’assistance. Cela a changé récemment, avec un investissement de 6,1 milliards de dollars dans les robots humanoïdes en 2025, soit quatre fois plus qu’en 2024. Cette révolution est due à une avancée significative dans la façon dont les machines apprennent à interagir avec leur environnement.
Pour illustrer cela, imaginons que vous souhaitez installer des bras robotiques chez vous pour plier des vêtements. Dans le passé, l’approche consistait à créer un ensemble de règles précises pour chaque action à entreprendre. Cependant, à partir de 2015, les chercheurs ont commencé à adopter une méthode différente : créer une simulation numérique des bras robotiques et des vêtements, en attribuant des récompenses lorsque l’opération réussissait et des échecs en cas d’erreur. Ainsi, en utilisant l’apprentissage par essais et erreurs, les robots ont pu améliorer leurs performances grâce à des millions d’itérations, semblable à la façon dont l’IA a réussi dans les jeux vidéo.
L’arrivée de ChatGPT en 2022 a encore accéléré cette tendance. Les modèles de langage de grande taille, formés sur d’énormes quantités de texte, ont appris à prédire le mot suivant dans une phrase. Des modèles similaires adaptés à la robotique ont rapidement été capables d’absorber des images, des lectures de capteurs et la position des articulations d’un robot pour prédire la prochaine action à entreprendre, émettant des dizaines de commandes moteur par seconde. Ce changement conceptuel, qui repose sur des modèles d’IA capables d’ingérer de grandes quantités de données, semble fonctionner quel que soit le type de robot, qu’il s’agisse d’un robot interactif, d’un robot mobile ou d’un robot effectuant des tâches complexes. De plus, l’idée de déployer des robots même s’ils ne sont pas encore parfaits leur permet d’apprendre de l’environnement dans lequel ils doivent opérer, renforçant ainsi cette nouvelle approche de l’apprentissage en robotique.