Les robots « qui ne peuvent pas être rassasiés » : les données réelles restent le terrain de combat incontournable pour l'intelligence incarnée

Les problèmes de données constituent l’un des défis centraux auxquels l’industrie des robots fait face dans le contexte actuel de sa mise à niveau vers l’intelligence.

Le 28 mars, en tant que forum parallèle du Zhongguancun Forum, à l’occasion de la 2026e Conférence chinoise sur la science-fiction, le centre d’innovation et de formation aux données sur l’intelligence incarnée tactile et la perception multimodale, situé à Shijingshan, Pékin, a été officiellement inauguré.

D’après ce que le journaliste a appris, ce centre a été construit conjointement par Beijing Shijingshan Science and Technology Innovation Group Co., Ltd. et la société Tianshan Technology. Il répond aux besoins de développement de l’industrie de l’intelligence incarnée et fixe trois grandes orientations techniques : la tactilité, l’hétérogénéité et l’autonomie sans personnel. Le centre met en place une plateforme de conversion technologique de bout en bout qui intègre collecte de données multimodales, entraînement d’algorithmes et déploiement sur site.

Les problèmes de données constituent l’un des défis centraux auxquels l’industrie des robots fait face dans le contexte actuel de sa mise à niveau vers l’intelligence. Lors de la session du Zhongguancun Forum « Dialogue sur l’intelligence incarnée à hauteur de cent milliards », Xiyue, cofondateur de Starry Movement Yuan, estime que la principale difficulté actuelle du développement de l’intelligence incarnée demeure encore les données.

D’après les scénarios précis de mise en œuvre dans les activités, Xiyue considère que la collecte de données en conditions réelles est difficile : il faut que les parties prenantes du site ouvrent les autorisations correspondantes. Par ailleurs, la collecte à grande échelle pose des problèmes de coût élevé et de durée longue. Quant aux solutions de remplacement existantes, elles présentent des limites : dans l’industrie, on utilise généralement le modèle de « reconstitution 1:1 » des scènes réelles et la mise en place de terrains d’entraînement, mais comme cela dépend de la participation constante des ingénieurs pour la collecte, l’entraînement, le déploiement et le diagnostic des problèmes, l’efficacité globale est faible et les coûts sont élevés.

Xiyue estime que l’industrie peut construire une « roue de données » en boucle fermée du type « collecte de données - itération du modèle », permettant aux robots de traiter de façon autonome toutes sortes de situations extrêmes dans l’environnement réel et d’améliorer continuellement l’efficacité du système. Deuxièmement, il faut promouvoir un mode combiné de collecte « démonstrations humaines + collecte sur machine réelle », mais à l’heure actuelle, il reste encore à lever des difficultés concernant les différences entre les deux en termes de configuration du châssis, de formes de mouvement et de méthodes de perception.

Tang Wenbin, fondateur de Yuanli Lingji, reconnaît que les données constituent l’un des goulets d’étranglement actuels de l’intelligence incarnée, mais ce n’est pas l’unique problème. Selon lui, la collecte de données est essentiellement une question d’argent et de temps. En investissant pour acheter des robots, construire des terrains d’entraînement, engager des opérateurs en téléopération et sous-traiter l’annotation, on peut rapidement accumuler des millions d’heures et atteindre des volumes d’échantillons à l’échelle des milliards. Ainsi, « avoir ou ne pas avoir des données » n’est pas une barrière industrielle. Le véritable avantage concurrentiel réside dans la capacité des entreprises à faire « refluer automatiquement » les données à partir des scénarios réels, et à construire une boucle fermée de roue de données efficace.

Zhi Ping dispose déjà à l’heure actuelle de plusieurs voies d’obtention de données, mais en revenant au réel, Zhang Peng, cofondateur, pense toujours que la valeur des données en scénarios réels est irremplaçable, et c’est justement la direction qui doit faire l’objet d’un déploiement prioritaire par l’industrie : une partie de l’émergence de données et de leur retour dans le temps grâce à des produits déployés concrètement sur le terrain représente l’actif de données le plus précieux. Dans le cadre de la garantie de la sécurité, Zhi Ping partagera également cette partie de données avec les clients.

D’après ce que le journaliste a appris, à l’heure actuelle, le projet de la quatrième phase du centre de collecte et d’entraînement de données de robots humanoïdes à Shijingshan, Pékin, coopère principalement avec des entreprises telles que Leju, Tianshan, Reellman, Lingchu, etc., dans le but d’essayer de résoudre la pénurie de données et les goulets d’étranglement de la qualité dans l’industrie des robots.

Concernant la question de l’offre et de la demande de données pour les robots, une personne du secteur a indiqué au journaliste que le domaine de l’intelligence incarnée traverse actuellement une restructuration du système de données. L’émergence de technologies de données sans données de l’avatar (par exemple les solutions EGO pour des données en perspective à la première personne, ou les solutions UMI pour des interfaces d’opération universelles) pourrait mettre en difficulté les usines de collecte de données en téléopération qui dépendaient auparavant d’investissements lourds en capital.

D’un point de vue de la valeur des données, cette personne affirme que les données de scénarios réels restent les données « au sommet de la pyramide » dont les modèles de robots ont besoin pour l’entraînement. Toutefois, l’industrie fait généralement face à deux problèmes centraux : d’une part, l’absence de standardisation en matière de qualité des données et de conception des pipelines de données ; d’autre part, un écart significatif dans les capacités de traitement des données, de sorte que tous les fabricants ne disposent pas de la puissance technique nécessaire pour construire un système de traitement des données efficace. De plus, dans l’industrie, il n’existe pas de mécanisme unifié de partage de « tours de main » techniques ni de système d’évaluation de référence, ce qui conduit à des niveaux d’efficacité d’utilisation des données très variables.

Cette personne indique que si, à l’avenir, des technologies de données sans avatar comme EGO, UMI, etc., parviennent à se généraliser, on pourrait encore amplifier la rareté centrale des ressources de scénarios. Côté entreprise, il serait également possible de se passer de la dépendance aux usines traditionnelles de collecte de données et d’effectuer directement la collecte dans des scénarios réels. L’accessibilité et la diversité des scénarios deviendront alors une variable clé de la compétitivité des données.

Ainsi, du point de vue de la tendance à l’amélioration et à l’itération technologiques, l’intelligence incarnée aura besoin de données d’entraînement à l’échelle de 100 millions ou de l’échelle d’heures cumulées. À l’heure actuelle, le volume total reste encore très insuffisant. Toutefois, certains actifs clés qui se situent sur des voies technologiques principales décalées pourraient à l’avenir faire face à un risque de dévalorisation : par exemple, des centres d’actifs lourds reposant sur le robot lui-même et sur des sites fixes pourraient entraîner une baisse de l’utilisation des capacités et une envolée du coût unitaire.

À long terme, la logique de concurrence fondamentale dans le domaine des données va subir un changement radical : on passera de la « comparaison matérielle portant sur la possession de centres d’entraînement à grande échelle » à des aspects tels que la capacité à obtenir des données à partir de scénarios réels, l’efficacité de l’itération en boucle fermée entre les scénarios et les données, etc.

Des informations massives, une interprétation précise : tout est sur l’application Sina Finance