Problèmes à deux pattes : pourquoi l'IA écrit du code mais trébuche sur le seuil

Imaginez la situation : une intelligence artificielle écrit du code Python complexe en quelques secondes seulement, compose une symphonie dans le style de Bach et établit des diagnostics médicaux avec plus de précision qu'un conseil médical. Mais dès que cette même intelligence « s'installe » dans un corps métallique et tente simplement de se rendre à la cuisine, les problèmes commencent. Elle trébuche sur le tapis, se fige devant le seuil et finit par tomber avec la grâce d'un sac de pommes de terre.

Cela semble absurde en 2026, mais le monde physique reste le terrain de jeu le plus difficile pour les algorithmes. Nous avons l'habitude de penser que le raisonnement est une fonction supérieure et la marche quelque chose de primitif. La réalité s'est avérée être exactement l'inverse.

En robotique, il existe depuis longtemps ce qu'on appelle le paradoxe de Moravec. Son essence est simple : le raisonnement de haut niveau nécessite très peu de puissance de calcul, tandis que les compétences sensorimotrices de bas niveau demandent des ressources énormes. Nous enseignons facilement à un ordinateur à jouer aux échecs au niveau du maître car les échecs sont une structure logique avec des règles claires.

Mais apprendre à un robot à sentir la surface d'une table ou à s'équilibrer sur une jambe est un véritable cauchemar pour les ingénieurs. L'évolution a passé des millions d'années à perfectionner notre appareil vestibulaire et notre réponse musculaire, et nous essayons de reproduire cela avec des servomoteurs et des batteries au lithium en seulement quelques décennies.

Le problème principal réside dans la latence et la rétroaction. Quand vous marchez sur un terrain accidenté, votre cerveau reçoit des milliers de signaux de vos muscles et articulations en temps réel, corrigeant la position de votre corps avant même que vous ne réalisiez que vous avez marché sur une pierre. Le cycle d'un robot moderne fonctionne différemment.

Les caméras voient l'obstacle, le processeur traite l'image, l'algorithme prend une décision, et ce n'est qu'après que le signal est envoyé aux moteurs. Si cette chaîne prend même 50 millisecondes de plus que prévu, la gravité reprend ses droits. Nous appelons cela le « ping » dans les jeux vidéo, mais pour un robot pesant 80 kilogrammes, un ping élevé signifie des réparations coûteuses.

De plus, il existe un énorme fossé entre la simulation et la réalité que les spécialistes appellent le sim-to-real gap. Dans un environnement virtuel où les réseaux de neurones sont entraînés à contrôler le corps, la physique est parfaite. Il n'y a pas de poussière dans les roulements, pas de baisse de tension dans la batterie et pas d'irrégularités microscopiques du sol.

Quand un modèle entraîné dans le monde « numérique » est transféré à du matériel réel, il se confronte au chaos du monde physique. Chaque actionneur a son propre jeu, chaque capteur produit du bruit, et le système commence à « buguer ». Pour le moment, des entreprises comme Figure et Boston Dynamics tentent de résoudre cela par l'apprentissage bout à bout (end-to-end), où un réseau de neurones relie directement le flux visuel à la tension du moteur, contournant les couches intermédiaires de la programmation classique.

Nous ne devons pas non plus oublier les limitations purement mécaniques. Le pied humain est un chef-d'œuvre d'ingénierie avec 26 os et de nombreux ligaments qui fonctionne comme un amortisseur idéal. La plupart des robots modernes ont à la place d'un pied une plate-forme rigide « en forme de sabot » ou au mieux une articulation avec des degrés de liberté limités. Nous essayons de forcer un morceau de métal à imiter un tissu biologique qui est par nature élastique et capable d'emmagasiner de l'énergie. Tant que nous ne créerons pas de nouveaux types d'actionneurs qui fonctionnent comme des muscles artificiels, la démarche des robots restera « en bois » et hésitante.

L'avenir, bien sûr, réside dans les puces neuromorphes et les nouveaux matériaux, mais pour l'instant nous devrions modérer nos attentes concernant les robots d'assistance domestiques. Très probablement, les premiers résidents de nos maisons ne seront pas des athlètes à deux pattes, mais des plateformes à roues avec des manipulateurs—c'est simplement moins cher et plus fiable. La gravité est une maîtresse impitoyable, et elle ne pardonne pas les erreurs de code quand il s'agit de déplacer un corps de fer dans l'espace. Nous sommes à un point où l'intelligence est déjà prête pour des conversations philosophiques, mais a toujours peur d'un simple seuil dans la salle de bains.

Le point clé : Le problème de la marche n'est pas un problème « d'intelligence », mais un problème de vitesse de réaction et de mécanique imparfaite. Tant que le matériel n'aura pas rattrapé le logiciel en flexibilité et en réactivité, les humanoïdes resteront des jouets coûteux pour les laboratoires.