Les déclarations publiques d’OpenAI témoignent d’une approche résolument axée sur le cerveau : concevoir un corps humanoïde si nécessaire, mais investir avant tout dans la couche cognitive. Cette distinction compte, car la conception des actionneurs, les capteurs et l’ingénierie mécanique ont atteint un niveau qui rend désormais possibles la marche bipède et les manipulations élémentaires dans des environnements contrôlés. Le défi restant ne se limite pas au matériel : il s’agit de créer des systèmes capables de transformer les flux bruts des capteurs en représentations fiables du monde, de conserver une mémoire sur des tâches longues, de planifier malgré l’incertitude physique et d’exécuter des actions avec une fiabilité et une sécurité comparables à celles d’un humain. Pour les responsables produit et les chercheurs, la conclusion est claire : c’est en se démarquant par les logiciels et les infrastructures d’entraînement qu’on obtiendra le plus grand effet de levier.
Aujourd’hui, la perception s’appuie sur de grands modèles multimodaux qui combinent vision, profondeur, signaux tactiles indirects et langage. Pourtant, les pièces et les processus réels continuent de les mettre en échec. Les chaînes de perception actuelles peinent face aux occultations, aux surfaces réfléchissantes, au bruit des capteurs et à la localisation de petits objets lorsque les données s’écartent de celles de l’entraînement. Les erreurs se répercutent : une segmentation ou une estimation de pose incorrecte transforme une simple prise en chute ou en collision. En pratique, il faut une redondance à plusieurs niveaux — fusion des capteurs, estimation rapide de l’état, étalonnage en ligne auto-supervisé — ainsi que des évaluations sur des jeux de données volontairement désordonnés, représentatifs d’entrepôts, de cuisines et de chantiers plutôt que de scènes de laboratoire soigneusement préparées.
La planification à long terme et la mémoire sont au cœur de l’argument d’Altman. Des contrôleurs réflexes suffisent pour des tâches simples et répétitives, mais des humanoïdes polyvalents doivent raisonner sur des séquences d’actions conditionnelles, conserver une mémoire épisodique du contexte de la tâche, anticiper les conséquences physiques de manipulations inédites et se remettre de perturbations non modélisées. L’apprentissage par renforcement et les modèles du monde fondés sur des modèles sont prometteurs, mais tous deux exigent un transfert efficace en échantillons de la simulation au réel et une couche de planification modulaire, capable de recourir à des abstractions de type symbolique quand cela est utile et à l’optimisation directe de trajectoires quand c’est nécessaire.
La sécurité, la vérification et la coordination entre humains et robots sont les principaux freins à la mise en production. Un robot qui évolue à proximité de personnes doit respecter des contraintes vérifiables concernant la force, la vitesse et les zones masquées, signaler clairement ses intentions et disposer de mécanismes de sécurité robustes. Ce ne sont pas de simples enjeux de recherche : ils conditionnent le déploiement et orienteront les stratégies de commercialisation — domaines d’intervention limités, supervision par des collègues et espaces dotés de nombreux capteurs — tant que la confiance dans l’autonomie ne sera pas plus grande. Investisseurs et exploitants devraient prévoir du temps et des capitaux pour des validations itératives dans des projets pilotes instrumentés, plutôt que miser sur des produits grand public immédiatement accessibles.