La société japonaise AIRoA œuvre à la construction d’une base technologique destinée au développement de robots capables d’apprendre dans des environnements réels, en mettant l’accent sur la collecte de données d’exploitation et l’entraînement de modèles fondamentaux pour l’intelligence artificielle physique. Cette orientation comprend le développement d’une vaste base de données robotiques, ainsi que d’installations destinées à expérimenter et à vérifier les performances des modèles dans des conditions plus proches de l’utilisation réelle.
L’article indique que la société a enregistré, le 26 juin 2026, une nouvelle base ou installation consacrée au développement de robots, avant d’annoncer cette initiative le 4 août. L’installation couvre environ 3500 mètres carrés et comprend des zones dédiées à la collecte de données, à l’entraînement des robots et à leurs essais. L’idée consiste à utiliser plusieurs robots pour recueillir des données d’exploitation variées, puis à intégrer les résultats de l’entraînement et de la validation pratique aux modèles fondamentaux.
De la collecte de données aux modèles fondamentaux
AIRoA ne se concentre pas sur un modèle de robot unique ou sur une seule application, mais sur une couche logicielle et de données pouvant être utilisée pour développer différents robots. Selon l’article, durant l’exercice fiscal 2025, la société a obtenu environ 8000 heures de données d’exploitation au moyen de robots mobiles équipés de bras, et elle travaille également à la mise en place d’un pipeline de données consacré à l’apprentissage et à la validation.
Cette étape revêt une importance particulière, car l’entraînement des systèmes d’intelligence artificielle physique nécessite des données liées au mouvement, à la perception et à l’interaction avec les objets et les environnements, et pas seulement des textes ou des images fixes. La qualité et la diversité des données, ainsi que la capacité à tester les modèles dans une installation réelle, pourraient donc être des facteurs déterminants pour évaluer dans quelle mesure les robots peuvent fonctionner en dehors du laboratoire.
Projets et partenariats au Japon
AIRoA associe ce travail à des initiatives japonaises plus larges dans les domaines de la recherche et de l’industrie. L’article indique que la société a lancé en avril 2026 un projet baptisé « Projet de vision pour l’intelligence artificielle et la robotique », en collaboration avec un organisme de recherche japonais, afin d’accélérer le développement des robots en tirant parti des actifs et des données des participants au projet et en renforçant le partage des connaissances entre les institutions.
L’article mentionne également le projet FRONTia de l’Agence japonaise pour le développement de l’énergie et des nouvelles technologies industrielles (NEDO), qui vise à développer des modèles fondamentaux d’intelligence artificielle pouvant être utilisés dans les robots et l’intelligence artificielle physique. La couverture aborde aussi les approches d’entreprises et d’organismes de recherche japonais, parmi lesquels Preferred Networks et Toyota, dans les domaines des robots humanoïdes et de l’intelligence artificielle physique.
Pourquoi cette actualité est-elle importante ?
Le changement réel ne réside pas ici dans le lancement d’un nouveau robot grand public, mais dans le déplacement de la concurrence vers les infrastructures qui précèdent les produits : des installations de collecte de données, des modèles fondamentaux et des méthodes permettant de vérifier la capacité d’un robot à exécuter des tâches dans le monde réel. Cette évolution concerne les développeurs de robots, les chercheurs et les entreprises industrielles qui doivent réduire le temps nécessaire pour adapter chaque robot à une nouvelle tâche ou à un nouvel environnement.
Toutefois, l’article ne démontre pas encore que les modèles d’AIRoA ont atteint un niveau précis de performance ou d’autonomie, et il ne présente ni résultats détaillés selon des critères de référence ni calendrier de mise à disposition de ces modèles en dehors de ses projets. De plus, le volume de données ne permet pas à lui seul de déterminer l’étendue de la diversité des tâches ou des environnements couverts. Les questions ouvertes restent donc liées à la transférabilité de l’apprentissage entre les robots, au coût de la collecte des données et à la capacité des modèles à gérer les situations imprévues.