Les 10 modèles d'IA physique qui pilotent de vrais robots en 2026

Une nouvelle classe de modèles de fondation, entraînés non pas sur du texte mais sur des actions physiques, tourne déjà sur du matériel réel dans des ateliers d'usine, des centres logistiques et des laboratoires de recherche du monde entier. En 18 mois, l'écart entre les capacités des modèles de langage et le déploiement robotique réel s'est nettement réduit.

Qu'est-ce que l'IA physique ?

Les modèles d'IA physique (policy models) diffèrent fondamentalement des LLM classiques : ils reçoivent en entrée des flux de caméras, des données de capteurs inertiels et la position des articulations, et produisent des commandes motrices concrètes en temps réel. La tâche n'est pas de « répondre à une question », mais de « saisir un objet et le déposer au bon endroit » ou « assembler un composant sur une chaîne ».

Trois grandes orientations architecturales en 2026 :

• VLA (Vision-Language-Action) : comprennent des instructions en langage naturel et les convertissent en actions physiques
• Politiques de diffusion : approche générative pour planifier des trajectoires de mouvement
• Transformers pour capteurs : traitement unifié des données de caméras, de lidars et de capteurs tactiles

Dix systèmes qui fonctionnent aujourd'hui

Pi0 (Physical Intelligence) est la première politique généraliste préentraînée sur un parc hétérogène de robots. La start-up a réuni des dizaines de milliers d'heures de données de téléopération sur différentes plateformes. Le modèle obtenu se réajuste à une plateforme donnée en quelques heures, contrairement aux systèmes de contrôle traditionnels, qui exigent des mois de développement.

RT-2 (Google DeepMind) a montré que l'approche VLA transfère le « bon sens » tiré des données d'internet vers des tâches physiques : débarrasser une table, naviguer dans des pièces inconnues, manipuler des objets d'après des instructions verbales. Le modèle comprend des ordres abstraits comme « apporte-moi quelque chose pour étancher ma soif ».

Isaac GR00T (NVIDIA) est un modèle de fondation pour robots humanoïdes. Il s'entraîne sur des données synthétiques dans le simulateur photoréaliste Omniverse, puis passe sur des plateformes physiques grâce à la domain randomization.

OpenVLA est un VLA open source issu d'un consortium de laboratoires universitaires, devenu la base de référence pour la recherche. Les poids sont ouverts, et une communauté active publie des versions réajustées pour diverses tâches, des opérations d'entrepôt aux manipulateurs médicaux.

Octo est une architecture légère et réajustable pour des tâches sur mesure, assez compacte pour tourner sur des GPU embarqués sans connexion permanente au cloud.

La liste se termine par les modèles de Figure AI et 1X Technologies pour plateformes humanoïdes, RoboFlamingo (extension d'OpenFlamingo pour la manipulation d'objets), CrossFormer (politique pour robots à nombre de degrés de liberté variable) et UniSim, préentraîné sur des données synthétiques sans la moindre démonstration réelle.

Les données, premier goulot d'étranglement

Tous les modèles physiques qui réussissent partagent un point commun : des millions d'heures de téléopération dans le jeu d'entraînement. Pi0 et ses équivalents élargissent activement leurs parcs de robots pilotés par des opérateurs, précisément pour collecter des données, et chaque nouvelle démonstration améliore la précision de la politique. Les données synthétiques issues des simulateurs aident, mais ne remplacent pas encore totalement les enregistrements réels.

Contrairement aux LLM, la montée en puissance de calcul fonctionne ici différemment : la ressource essentielle est la diversité des scénarios physiques. Cela ouvre des perspectives aux acteurs disposant d'un accès unique à des données de production.

Ce que cela signifie

L'IA physique est sortie du stade de la preuve de concept pour entrer en production réelle. Les entreprises d'automatisation industrielle disposent désormais de modèles de base prêts à l'emploi, un peu comme les poids préentraînés ont transformé la vision par ordinateur il y a dix ans. La question n'est plus de savoir si les robots seront pilotés par des modèles de fondation, mais qui sera le premier à les adapter à ses propres tâches.