Le leader de Yushu jette un froid ? Combien de temps encore avant le "moment ChatGPT" de l'intelligence incarnée ?

Alors que les robots humanoïdes sont à leur apogée, le leader de la "première action de robot humanoïde" sur le marché A (A-shares) semble avoir refroidi l'enthousiasme du secteur.

Le 20 août, lors du Congrès mondial de la robotique 2026, Wang Xingxing, fondateur de Yushu Technology, a déclaré lors de son premier discours public après l'introduction en bourse que le "moment ChatGPT" de l'intelligence incarnée n'était pas encore arrivé, et qu'il pourrait survenir dans deux à trois ans au plus tôt, ou dans cinq à dix ans au plus tard.

Au cours des deux dernières années, les robots humanoïdes sont devenus des "objets à la mode" technologiques très prisés. Sur les scènes des grands spectacles, lors des salons des fabricants de jeux, et même à l'entrée des centres commerciaux et des magasins de détail, il est de plus en plus courant de voir ces robots futuristes. Ils dansent, marchent et saluent le public, interagissant avec les spectateurs, et passent rapidement des laboratoires à la vue du grand public.

Cependant, derrière ces démonstrations spectaculaires, les capacités réelles de ces robots sont manifestement loin des attentes que les gens ont pour les "robots du futur". Au moins dans l'attente plus générale, les robots ne devraient pas se limiter à des performances scéniques ou à des tâches de marketing, mais devraient réellement entrer dans les usines et les foyers pour transporter, organiser, manipuler des outils, ou effectuer certaines tâches ménagères et de soins. La question du public reste précise et directe : quand les robots seront-ils réellement capables de travailler ?

Dans le domaine des modèles de langage, ChatGPT a déjà fourni une réponse symbolique. Ce n'était pas le premier modèle de langage, mais il a permis à un grand nombre d'utilisateurs ordinaires de prendre conscience que l'IA avait franchi un certain seuil de capacité. Quand un moment similaire se produira-t-il dans le domaine de l'intelligence incarnée ? Cela devient progressivement l'une des questions les plus suivies de l'industrie robotique.

Les robots dans chaque foyer, la clé réside dans la capacité de généralisation

Lors du Congrès mondial de la robotique du 20 août, Wang Xingxing a pointé le principal obstacle actuel de l'intelligence incarnée vers une question déjà largement débattue dans l'industrie : la capacité de généralisation.

Selon lui, de nombreux modèles de robots, dans des scénarios fixes, peuvent atteindre un taux de réussite proche de 100 % dès qu'ils ont suffisamment de données collectées et d'entraînement. Mais dès que l'objet à manipuler change ou que l'environnement est légèrement modifié, le taux de réussite des robots peut chuter de manière significative.

C'est également le principal obstacle qui empêche les robots d'entrer véritablement dans la vie quotidienne et les foyers.

Wang Xingxing a donné un critère de jugement assez concret : si un jour, un robot pouvait être amené dans un foyer ou un environnement totalement inconnu et accomplir environ 80 % des tâches uniquement par des instructions vocales ou verbales, alors l'intelligence incarnée aurait presque atteint son "moment ChatGPT". En termes de temps, il estime qu'il pourrait falloir deux à trois ans au plus tôt, et cinq à dix ans au plus tard.

Wang Xingxing souligne que la véritable difficulté ne réside pas dans le fait de faire en sorte qu'un robot "sache à peu près quoi faire", mais dans les derniers centimètres, voire millimètres.

Par exemple, pour faire saisir un objet par un robot, le modèle peut avoir correctement planifié l'ensemble du mouvement, et le bras mécanique peut être déjà positionné près de l'objet, mais si la dernière petite erreur de position, le retour tactile ou la force de préhension ne sont pas correctement ajustés, cela peut entraîner l'échec de la tâche entière.

C'est aussi ce qui distingue les robots des grands modèles de langage.

Les entrées et sorties des modèles de langage se produisent toujours dans un espace numérique, tandis que chaque perception et action d'un robot doit interagir avec le monde physique réel. Les capteurs présentent du bruit, les actionneurs ont des erreurs, et la position, le matériau et le poids des objets changent constamment, ces erreurs s'accumulent au fur et à mesure de l'exécution des tâches. Ainsi, pour l'intelligence incarnée, passer de "savoir faire" à "faire correctement de manière stable" peut être plus difficile que d'apprendre initialement une tâche.

Pratiquement au même moment où Wang Xingxing a formulé ce jugement, Wang He, fondateur et CTO de Galaxy General, a également donné une année plus précise. Wang He a déclaré qu'avec l'accumulation continue de données et des percées technologiques supplémentaires, l'intelligence incarnée devrait atteindre son "moment ChatGPT" en 2028. Il définit ce point comme suit : les robots, sans formation spécifique pour une tâche donnée, devraient être capables d'accomplir environ 70 % à 80 % des tâches quotidiennes.

Les deux jugements sont en réalité très proches. Wang Xingxing se concentre sur le taux d'achèvement des tâches des robots dans des environnements inconnus, tandis que Wang He se concentre sur la capacité de généralisation directe du modèle de base sans formation spécifique, mais tous deux placent le point critique autour d'un taux de réussite de 70 % à 80 % pour des tâches inconnues.

Cela signifie également que le "moment ChatGPT" dont ils parlent n'est pas la capacité de mouvement affichée aujourd'hui par les robots humanoïdes, ni un démonstrateur fixe ayant un taux de réussite supérieur à 99 % après un entraînement intensif. Le véritable changement devrait se produire lorsque les robots commenceront à se libérer de leur dépendance à des scénarios fixes, des objets fixes et d'une formation spécifique.

Quand les robots vont-ils vraiment "s'éveiller" ? Un consensus collectif sur 2 à 5 ans

Il y a un mois, lors du Congrès mondial de l'intelligence artificielle 2026 (WAIC), une table ronde a posé la même question à six entrepreneurs et chercheurs de premier plan dans le domaine de l'intelligence incarnée.

Le 19 juillet, lors d'un événement intitulé "Forum d'Intelligence Incarnée" organisé par Zhiyuan Robotics et Mifeng Technology, le modérateur a demandé aux six invités de répondre à une question très directe : combien d'années avant le "moment ChatGPT" des robots ?

Les résultats étaient étonnamment convergents. Yao Maoqing, partenaire de Zhiyuan Robotics et président et CEO de Mifeng Technology, a donné une réponse de 2 ans ; Tony Zhao, co-fondateur et CEO de Sunday Robotics, a estimé que cela serait dans les 3 ans ; Zhang Zhengyou, scientifique en chef de Tencent et directeur du Robotics X Lab, a donné une estimation de 3 à 5 ans ; Ma Yecheng, co-fondateur et scientifique en chef de Dyna Robotics, a estimé qu'il faudrait environ 4 ans ; Ren Zhiyi, chercheur en sciences chez Physical Intelligence, a jugé qu'il faudrait 4 à 5 ans ; et Xu Danfei, professeur à l'Institut de technologie de Georgie, a donné une réponse de 5 ans.

Ces six personnes viennent d'entreprises et d'instituts de recherche totalement différents, avec des lignes technologiques variées, mais toutes ont finalement convergé vers une réponse dans les 2 à 5 ans à venir.

Parmi eux, Yao Maoqing est le plus optimiste. Son jugement repose principalement sur la croissance de l'échelle des données. Selon lui, les principaux obstacles au développement ultérieur de l'IA physique peuvent être résumés par trois murs : "données, représentation et boucle fermée". Contrairement aux volumes massifs de textes et d'images facilement accessibles dans le monde d'Internet, les données d'interaction réelles des robots sont non seulement coûteuses, mais aussi limitées par les différences entre les robots eux-mêmes, les tâches et les scénarios.

Un robot véritablement prêt à l'emploi doit comprendre des instructions en langage naturel ouvertes et atteindre un taux de réussite de base d'environ 70 % à 80 % sur des tâches courantes. Pour y parvenir, l'intelligence incarnée nécessite des données à une échelle bien supérieure à celle actuelle. Il a même suggéré qu'à l'avenir, il pourrait être nécessaire d'atteindre une échelle de données de plusieurs millions d'heures.

En d'autres termes, dans le cadre de son jugement, le "moment ChatGPT" est en grande partie une question d'échelle : lorsque les données du monde réel, les données de simulation, les vidéos d'Internet, les données de première personne et les données de retour des déploiements de robots commencent à former une échelle, les capacités des modèles pourraient également franchir un seuil.

Tony Zhao de Sunday Robotics a quant à lui fixé le délai à moins de 3 ans. Plutôt que de se concentrer uniquement sur la création de robots plus complexes, il s'intéresse à savoir quand le "cerveau" des robots pourra vraiment mûrir. Sunday Robotics se concentre depuis longtemps sur les robots domestiques et les modèles de base, et son approche est que si un modèle de base suffisamment puissant peut comprendre des environnements et des tâches complexes, même si le robot utilise des pinces relativement simples et moins coûteuses, il pourrait d'abord résoudre de nombreux problèmes pratiques.

L'attitude de Zhang Zhengyou est beaucoup plus prudente. Il a donné une réponse de 3 à 5 ans, mais a souligné que cette fenêtre de temps ne signifie pas que l'industrie doit simplement attendre qu'un modèle plus grand apparaisse soudainement. La raison pour laquelle les grands modèles de langage ont pu rapidement développer des capacités à grande échelle est qu'un prérequis important est que le Transformer est devenu une architecture relativement unifiée. Cependant, l'intelligence robotique n'a pas encore formé un paradigme technologique aussi clair.

De la cognition de haut niveau, de la perception visuelle et de la planification des tâches, au contrôle des mouvements en temps réel, aux retours corporels et aux réactions de sécurité, un robot doit traiter simultanément des problèmes à différentes échelles de temps. Par conséquent, une véritable percée pourrait nécessiter une avancée conjointe dans la collecte de données, la simulation, le déploiement réel, la récupération après échec, le matériel et les modèles, plutôt que de simplement reproduire la loi d'échelle des grands modèles de langage. C'est pourquoi, en formulant son jugement, Zhang Zhengyou a également souligné que l'industrie doit encore "travailler sérieusement".

Ma Yecheng de Dyna Robotics a donné un délai d'environ 4 ans. Son jugement provient davantage du déploiement commercial. Pour un démonstrateur de laboratoire, un taux de réussite de 80 % ou 90 % peut déjà suffire à prouver l'efficacité de la ligne technologique ; mais pour une véritable entreprise qui achète des robots pour travailler, une telle fiabilité est souvent largement insuffisante. Ainsi, le "moment ChatGPT" de l'intelligence incarnée ne signifie pas seulement que les robots peuvent comprendre plus de tâches, mais qu'ils doivent également atteindre un niveau de fiabilité acceptable dans un environnement commercial réel.

Ren Zhiyi de Physical Intelligence a donné une estimation de 4 à 5 ans. Il a déclaré qu'avant de rejoindre Physical Intelligence, il pensait que ce processus pourrait prendre 10 ans, mais avec le développement des modèles de base des robots au cours de l'année dernière, ses attentes ont été considérablement avancées.

Physical Intelligence est également l'une des entreprises actuellement représentatives de la ligne des "modèles de base des robots", dont l'objectif est d'acquérir progressivement une plus large capacité opérationnelle grâce à l'entraînement de données à travers différents corps et tâches. Dans cette logique, ce qui est vraiment important est de savoir si les capacités des robots peuvent émerger continuellement à mesure que le modèle et l'échelle des données augmentent, et finalement produire un effet similaire à celui du transfert zéro échantillon des grands modèles de langage.

La réponse de Xu Danfei, professeur à l'Institut de technologie de Georgie, est la plus conservatrice, mais elle reste à 5 ans. Plutôt que de parier sur une certaine ligne de modèle spécifique, il se concentre davantage sur trois indicateurs fondamentaux : le modèle peut-il vraiment apprendre à partir des données, les capacités apprises peuvent-elles se généraliser à de nouveaux environnements et tâches, et la vitesse de raisonnement peut-elle répondre aux exigences d'opération en temps réel des robots dans le monde réel ?

En mettant ensemble le "plus tôt dans 2 à 3 ans" de Wang Xingxing, le "2028" de Wang He, et les réponses des six invités du WAIC, un phénomène de plus en plus évident émerge : l'industrie de l'intelligence incarnée est en train de comprimer le calendrier des "robots généraux" qui semblait auparavant lointain, dans un cycle technologique à venir.

Un point historique clair ou un processus graduel ?

Cependant, bien que ces entrepreneurs et chercheurs prédisent de plus en plus près le temps, ils ne discutent en réalité pas du "moment ChatGPT" selon les mêmes critères.

Wang He se concentre sur le saut de capacité du modèle de base lui-même. Dans sa définition, lorsque les robots n'ont plus besoin d'une formation spécifique pour chaque nouvelle tâche, mais peuvent accomplir 70 % à 80 % des tâches quotidiennes uniquement grâce au modèle de base, l'intelligence incarnée aura franchi un seuil similaire à celui de ChatGPT. Ce critère évalue d'abord si le modèle peut passer d'une "intelligence spécialisée" ciblée sur des tâches spécifiques à une intelligence générale avec une forte capacité de transfert.

Le critère donné par Wang Xingxing est plus proche de la performance des robots dans le monde réel. Il considère également un taux d'achèvement d'environ 80 % comme un seuil important, mais souligne la capacité des robots à accomplir la plupart des tâches uniquement par des instructions verbales dans un environnement inconnu. À ses yeux, de nombreux robots d'aujourd'hui peuvent déjà atteindre un taux de réussite élevé dans des environnements fixes bien entraînés, mais la véritable difficulté réside dans la capacité du modèle à continuer à fonctionner lorsque l'environnement, l'objet ou la tâche changent.

Ces deux définitions semblent proches, mais les niveaux d'attention ne sont pas tout à fait les mêmes. Un modèle, même s'il possède de bonnes capacités de zéro échantillon ou de transfert entre tâches, ne signifie pas qu'un robot qui l'embarque est devenu un outil de production fiable. Wang Xingxing a mentionné lors du WRC que Yushu a déjà déployé des robots dans des usines automobiles et dans sa propre usine, et qu'ils peuvent accomplir certaines tâches d'assemblage simples, mais qu'il n'y a pas encore de déploiement à grande échelle, l'une des raisons étant que l'efficacité des robots reste inférieure à celle des humains et qu'ils nécessitent souvent une nouvelle formation face à de nouvelles tâches.

Gao Jiyang, CEO de Xinghaitu, a donné un jugement intéressant à double niveau sur cette question. Dans la feuille de route industrielle présentée lors de ce WRC, Xinghaitu a clairement marqué 2027 comme le "moment GPT" sur le plan technologique, estimant qu'après que la loi d'échelle ait permis au modèle de base de franchir un point d'inflexion, les applications dans des scénarios verticaux commenceront à s'ouvrir rapidement ; mais le véritable "point d'inflexion commercial" est placé en 2028, suivi d'une pénétration profonde en 2029 et d'un déploiement généralisé en 2030.

Cependant, en parlant de savoir si l'intelligence incarnée reproduira des points historiques similaires à ceux de ChatGPT, Gao Jiyang a clairement déclaré qu'il pensait qu'il "y a de fortes chances qu'il n'y ait pas un tel moment". La raison en est que l'intelligence incarnée ne se répandra pas instantanément par un produit logiciel destiné à tous, mais plutôt qu'elle se débloquera progressivement à partir de scénarios B2B, un secteur à la fois, une tâche à la fois.

Et les percées technologiques et la prise de conscience publique ne peuvent difficilement se produire simultanément. Parce que l'explosion de GPT dépendait de la capacité de chacun à vivre personnellement l'expérience sur un téléphone ou un ordinateur, tandis que les premiers scénarios de déploiement de l'intelligence incarnée se trouvent dans des usines, des entrepôts et d'autres points de production, ce qui rend difficile pour le grand public de percevoir cela de manière intuitive. Par conséquent, le point d'inflexion de l'industrie se manifestera progressivement de manière "subtile", et lorsque les gens en prendront soudainement conscience, cela sera déjà omniprésent.

Ces deux formulations ne sont pas complètement contradictoires. Gao Jiyang distingue en réalité le point d'inflexion technologique des capacités du modèle et le point d'inflexion social de la diffusion industrielle : le premier peut apparaître de manière relativement claire à une certaine année, tandis que le second nécessite une validation par les scénarios, une production à grande échelle, une baisse des coûts et une maturation des modèles commerciaux, pour se transmettre progressivement dans le monde réel.

C'est également l'une des différences les plus significatives entre les robots et les grands modèles de langage. Après la sortie de ChatGPT en novembre 2022, les changements de capacité du modèle ont pu être transmis presque le même jour à des utilisateurs du monde entier. Pour un produit logiciel, tant que les serveurs et la puissance de calcul peuvent supporter, le coût d'ajouter un nouvel utilisateur est relativement limité ; un utilisateur ouvre une page Web, pose une question et peut immédiatement percevoir le saut de capacité du modèle. Ainsi, la percée technologique, le lancement de produits et l'adoption à grande échelle par les utilisateurs ont été presque compressés dans la même fenêtre de temps pour ChatGPT.

Les robots, en revanche, doivent entrer dans le monde physique par un corps réel. Même si un modèle de base acquiert soudainement une capacité de généralisation beaucoup plus forte demain, cette capacité doit encore être convertie en actions réelles à travers des puces, des capteurs, des articulations, des mains agiles et des actionneurs, tout en faisant face à une série de problèmes d'ingénierie tels que la précision, la stabilité, la sécurité, la durée de vie, la maintenance et les coûts.

Par conséquent, il est probable que l'intelligence incarnée ait du mal à reproduire un point historique aussi clair que celui du 30 novembre 2022. Elle se manifestera plutôt sous la forme d'une série de points critiques apparaissant progressivement. Peut-être qu'à l'avenir, même si les gens se retournent pour confirmer le "moment ChatGPT de l'intelligence incarnée", ils ne pourront pas nécessairement trouver un point que tout le monde reconnaît.

Ce contenu est fourni à titre informatif uniquement et ne constitue pas un conseil financier, d'investissement, juridique ou fiscal. Les événements, récompenses, promotions en ligne ou informations mentionnées ici ne doivent pas être considérés comme une recommandation, une sollicitation ou une invitation à acheter, vendre, trader ou effectuer toute autre opération sur des actifs crypto. Les actifs crypto sont très volatils et peuvent entraîner des pertes. La disponibilité des services, produits et événements liés à WEEX peut varier selon les régions. Veuillez vous assurer que votre participation respecte les lois et réglementations locales applicables.