Résumé des points clés
Cette année, deux changements majeurs ont marqué l'industrie des robots humains : premièrement, les ventes ont connu une forte augmentation (plus de 40 000 unités en Chine au premier semestre, représentant 97 % du total mondial), mais il reste encore loin d'une commercialisation à grande échelle ; deuxièmement, l'attention de l'industrie s'est déplacée des « performances spectaculaires » (courir, sauter, jouer au tennis) vers l'« utilité réelle » (capacité à effectuer des tâches). Il ne s'agit plus de rivaliser en termes de performances sportives, mais de savoir si les robots peuvent accomplir efficacement des tâches dans des environnements inconnus. De plus, les acteurs du secteur définissent les critères pour l'arrivée de la « ère de l'intelligence incarnée avec ChatGPT » (un robot capable d'exécuter 80 % des tâches inconnues grâce à des instructions verbales), et estiment que la généralisation des capacités et l'accumulation de données constituent les principaux obstacles. Le modèle économique évolue également, passant de la vente de machines à la vente de leur « productivité ».
De la démonstration de force à l'utilisation pratique
Au cours des dernières années, les robots humains se sont spécialisés dans l'exécution d'actions complexes (par exemple, le robot Yuzhu a couru à 12,65 mètres par seconde, dépassant la vitesse maximale humaine, et le robot Galaxy General a joué au tennis). Cependant, ces performances sont peu pertinentes dans des contextes réels : les usines ont besoin de robots pour assembler des pièces, les ménages ont besoin d'aide pour ranger les lieux, et les entrepôts nécessitent des robots pour trier et emballer les produits. Cette année, l'industrie se concentre sur des tâches plus pratiques : par exemple, le robot Yuzhu a démontré sa capacité à nettoyer une salle de réunion (en alternant 7 à 8 tâches et en gérant des perturbations), tandis que le robot développé en collaboration par StarMap et JD.com a effectué plus de 100 commandes en un jour sans intervention humaine. Ces tâches peuvent sembler banales, mais selon Wang Xingxing, elles ont une grande valeur pratique et ne sont pas particulièrement difficiles ; elles marquent le début de l'intégration des robots dans la vie quotidienne.
Qu'est-ce qui manque pour une utilisation à grande échelle ?
Les 40 000 unités vendues au premier semestre semblent nombreuses, mais la plupart sont des essais en petite quantité et non des applications à large échelle. Trois facteurs expliquent cela :
1. Efficacité inférieure à celle des humains : par exemple, il faut 2 minutes à un robot pour plier une chemise courte, soit seulement 70-80 % de l'efficacité d'un être humain ; dans les usines, les robots assemblent des pièces simples, mais plus lentement que les travailleurs.
2 Faible généralisation : la généralisation désigne le coût pour qu'un robot apprenne de nouvelles tâches. Actuellement, il faut 10 heures d'entraînement pour enseigner à un robot une nouvelle tâche, et son taux de réussite diminue dès que l'environnement change (par exemple, si la position des objets est modifiée). C'est similaire à un employé qui ne peut effectuer que des tâches précises dans un poste spécifique et doit être réentraîné pour en changer.
3 Manque de précision : les robots peuvent effectuer des actions avec une précision au niveau des centimètres, mais nécessitent encore des améliorations pour des tâches exigeantes au niveau des millimètres.
Ces problèmes limitent l'utilisation des robots à des environnements stables et empêchent leur généralisation dans des contextes plus complexes.
Le modèle économique évolue : de la vente de machines à la vente de productivité
Auparavant, les entreprises spécialisées dans les robots se faisaient un profit en vendant les machines elles-mêmes (marge brute de 40-60 %). Aujourd'hui, le modèle économique évolue vers la vente des services fournis par les robots :
- Phase 1 : Vente des machines.
- Phase 2 : Abonnement à des solutions (à l'avenir) : facturation en fonction du nombre de commandes exécutées par le robot, avec une marge brute d'environ 20 %.
- Phase 3 : Utilisation de tokens dans le monde physique : facturation en fonction de la valeur créée par le robot (par exemple, un paiement pour chaque tâche d'emballage), déplaçant ainsi le focus de la technologie vers les capacités intelligentes.
StarMap a déjà livré des centaines de robots, et pourrait atteindre 10 000 unités l'année prochaine. À l'avenir, les entreprises seront évaluées non pas en fonction du nombre de machines vendues, mais de leur capacité à effectuer des tâches réelles, de la baisse des coûts d'entraînement et du taux de réussite.
L'arrivée de la « ère de ChatGPT » est-elle proche ?
L'année dernière, les experts se demandaient quand arriverait l'ère de l'intelligence incarnée avec ChatGPT. Cette année, les acteurs du secteur ont défini des critères concrets :
- Wang Xingxing (Yuzhu) : Le point de basculement sera atteint lorsque les robots pourront effectuer 80 % des tâches inconnues grâce à des instructions verbales, dans un environnement inconnu. Cela pourrait se produire en 2-3 ans au plus tard, ou plus tard.
- Wang He (Galaxy General) : Les modèles actuels sont à l' niveau de GPT2, mais pour atteindre le niveau de ChatGPT, il faut que les robots aient un taux de réussite de 70-80 % dans des tâches courantes et que les personnes puissent rapidement entraîner les robots à effectuer des tâches spécifiques. L'entreprise vise d'y parvenir en 2028.
Principaux obstacles :
- Faible généralisation : les robots réussissent bien dans des environnements stables, mais échouent dès que l'environnement change.
- Manque de données : l'entraînement des robots nécessite des milliers d'heures de données, alors qu'il n'y en a actuellement que des centaines de milliers.
- Incompatibilité entre AI et robot : les robots savent quoi faire (par exemple, prendre un objet), mais des erreurs au niveau des derniers centimètres (problèmes de vision ou de toucher) entraînent l'échec des tâches.
Le futur de la compétition : les données et les modèles deviennent essentiels
Auparavant, la compétition se concentrait sur le matériel (vitesse de fonctionnement, flexibilité des articulations). Aujourd'hui, l'accent est mis sur le logiciel et les données :
- Yuzhu travaille sur l'évolution autonome de l'intelligence artificielle : les grands modèles génèrent automatiquement du code de contrôle, qui est ensuite testé en simulation et en situation réelle pour améliorer continuellement les capacités du robot.
- Toutes les entreprises s'affrontent pour obtenir des données : celles-ci sont essentielles pour entraîner les robots, et les modèles représentent leur « cerveau ». Celui qui dispose de plus de données réelles aura un avantage significatif dans la généralisation des capacités.
En bref, pour que les robots deviennent une force productive réelle et non plus de simples objets de démonstration en laboratoire, il est crucial qu'ils soient capables d'effectuer des tâches de manière fiable dans un monde en constante évolution. C'est le véritable tournant pour l'industrie.
Cette analyse nous montre que l'industrie des robots passe d'une époque axée sur les performances spectaculaires à une époque où leur utilité réelle est de plus en plus valorisée. Les prochaines années seront déterminées par la capacité des entreprises à transformer les robots en collaborateurs fiables et efficaces.