Innodata ouvre un laboratoire de capture de mouvement, entre engouement pour les humanoïdes et réalité industrielle

Innodata Inc. a annoncé le 30 septembre l'ouverture d'un laboratoire chargé de capturer des données de mouvement pour entraîner la prochaine génération de robots à forme humaine. Le site doit aussi valider de façon indépendante les données de performance que ces robots génèrent en interne. L'entreprise d'ingénierie de données de Ridgefield Park, dans le New Jersey, fondée en 1988, présente ce laboratoire comme la solution à une pénurie devenue la contrainte déterminante du secteur.

« L'IA physique croît plus vite que tout autre segment de l'IA, mais chaque équipe de robotique se heurte au même mur : il n'y a pas assez de données d'interaction avec le monde réel, et ce qui existe coûte cher et se produit lentement », a déclaré Rahul Singhal, PDG d'Innodata, dans un communiqué repris par The Robot Report. Franklin Tanner, vice-président chargé de la robotique et de l'IA physique, a expliqué à la même publication que « l'IA physique doit gagner ses tokens une interaction à la fois, et ces interactions doivent être réfléchies ».

L'argument est étroit et technique. D'autres fournisseurs de données déduisent le mouvement en 3D en analysant de la vidéo 2D. Innodata affirme pour sa part capturer directement les données 3D à partir des corps, humains ou mécaniques, et ses capteurs enregistrent le mouvement de chaque articulation. Pour Tanner, la précision compte parce qu'un humanoïde peut peser près de 200 lb (90,7 kg) : les mesures « ne peuvent pas se contenter d'un ordre de grandeur ».

Le problème des données est le problème du déploiement

Le laboratoire d'Innodata arrive dans une semaine chargée d'annonces sur la vitesse à laquelle les robots entrent dans les usines, et de scepticisme sur la part de réel dans tout cela. Le même jour, Arrowfly, société mère de The Robot Report, a lancé AI for Engineers, une plateforme, une conférence et un conseil consultatif destinés aux ingénieurs qui appliquent l'IA à la conception de produits, à la fabrication et à la robotique. Arrowfly indique que son réseau d'ingénierie touche 2,1 millions de lecteurs professionnels vérifiés à travers plus de 20 marques, et que 30 000 professionnels de l'ingénierie se sont déjà intéressés aux sujets d'IA dans son portefeuille. La conférence, prévue du 20 au 22 septembre 2027 à Henderson, dans le Nevada, attend 700 ingénieurs répartis en cinq parcours, dont la robotique et les opérations industrielles. Amanda Buehner, vice-présidente des ventes et de la stratégie de la division ingénierie d'Arrowfly, a déclaré que le défi décrit par les dirigeants techniques n'est pas de savoir s'il faut adopter l'IA, mais « comment passer de l'expérimentation à des applications pratiques et reproductibles qui donnent des résultats ».

Côté modèles, une start-up nommée MindOn a publié le 30 septembre un article technique affirmant que son nouveau modèle d'IA physique, Mind-1, réduit la latence d'inférence des robots de 82 ms à 32 ms. L'entreprise soutient que la vitesse, et pas seulement la capacité, détermine si les robots entrent dans des flux de travail réels : à une vitesse de 3 mètres par seconde en bout d'effecteur, précise-t-elle, 10 ms de latence correspondent à environ 3 cm de déplacement, assez pour affecter une saisie ou une insertion précises. MindOn pointe aussi un problème de données d'entraînement qui fait écho à celui d'Innodata. Une grande partie des données de manipulation robotique provient de la téléopération, plus lente que le mouvement humain naturel, et les modèles apprennent le tempo de leurs démonstrations en même temps que la tâche. Des démonstrations lentes, selon l'entreprise, produisent des politiques prudentes.

Les benchmarks masquent un tableau en dents de scie

Des travaux d'évaluation indépendants publiés le 30 septembre compliquent tout récit fondé sur un chiffre unique. Des chercheurs de Fig Inc. ont évalué des modèles de pointe, dont Astra et Opus 5.5, sur l'automatisation web et quatre domaines physiques : Bench2Drive, VLABench, IndEgo et Assembly101. Leur conclusion, publiée avec un jeu de données appelé RIDGE : dans chaque paire de modèles testée, le modèle le moins bien noté a résolu au moins une tâche que le mieux noté a échouée.

Les mises à jour de modèles ont redessiné ces profils sans faire bouger les moyennes. Une mise à jour au sein d'une même famille a laissé la moyenne presque inchangée tandis que de nombreuses tâches individuelles basculaient. Une autre, qui augmentait la moyenne, perdait tout de même des tâches que l'ancien modèle réussissait. La même irrégularité est apparue dans les domaines physiques, où des modèles qui battaient Gemini 3.5-Flash sur la moyenne de chaque domaine faisaient moins bien sur certaines catégories de tâches. Cela compte pour les usines, car les décisions de déploiement s'appuient sur les scores des benchmarks. Si les taux de réussite varient fortement à l'intérieur d'un chiffre unique publié, un robot qui paraît fiable en moyenne peut échouer sur la tâche précise qu'une ligne de production attend de lui.

L'Europe finance la couche de perception

Les financements continuent d'aller aux entreprises qui s'attaquent au déficit de perception et de contrôle plutôt qu'au format humanoïde lui-même. La parisienne Inbolt a levé 11 millions d'euros, a rapporté Tech.eu le 30 septembre, lors d'un tour mené par Shift4Good avec Bridges Climate Transition Partners et les investisseurs existants BNP Paribas Développement et Ora Global. Le financement total atteint désormais 30 millions d'euros. Inbolt, fondée en 2019 par Rudy Cohen, Albane Dersy et Louis Dumas, combine vision 3D et couche logicielle d'IA indépendante du matériel. Les robots ajustent ainsi leurs boucles de contrôle en temps réel, sur des lignes de production nouvelles ou existantes. Tech.eu rapporte que le système est déployé sur plus de 200 robots dans plus de 100 usines sur trois continents, avec parmi ses clients Bosch, Beko, Flex, Ford, Stellantis et Toyota.

L'entreprise cible un mode de défaillance banal : des pièces mal alignées ou l'usure de l'outillage bloquent les robots, génèrent des erreurs ou produisent des pièces défectueuses. C'est du temps d'arrêt, pas un problème de démonstration.

La chaîne d'approvisionnement solaire de Tesla, et une commande de Robotaxi qui n'en est pas une

Toute l'actualité liée aux robots, cette semaine, ne parle pas de robots. L'usine solaire que Tesla prévoit au Texas a été entraînée dans un litige de brevets américain entre deux fabricants chinois d'équipements, rapporte Electrek le 30 septembre. Linton Crystal Technologies, société de Rochester, dans l'État de New York, entièrement détenue par le chinois Dalian Linton, a poursuivi Zhejiang Jingsheng le 22 septembre devant la division Marshall du district est du Texas. Elle invoque deux brevets couvrant un système de levage et de rotation de germe utilisé dans les tireurs de cristaux Czochralski. Jingsheng, cotée à Shenzhen, a informé ses investisseurs du litige le 24 septembre. L'entreprise affirme que ses produits utilisent « des solutions techniques entièrement différentes » de celles des brevets, qu'elle n'a pas été formellement assignée et qu'elle n'attend aucun impact significatif. Linton réclame des dommages-intérêts, des dommages triplés pour contrefaçon délibérée et une injonction permanente. Des rapports de l'industrie chinoise indiquent que Jingsheng a remporté une commande de Tesla pour des tireurs de cristaux d'environ 3 milliards de yuans, soit environ 420 millions de dollars. Tesla n'est pas partie au litige, et ni Tesla ni Jingsheng n'ont confirmé la commande.

Le tireur de lingots est la première étape de la chaîne de Tesla. En août, note Electrek, Tesla a déposé un projet d'usine « Project Crystal Sun » de 10,1 milliards de dollars dans le comté de Fort Bend, couvrant la croissance des lingots jusqu'aux modules finis, avec une production prévue début 2029. Sans tireurs, indique le rapport, pas de plaquettes, pas de cellules.

Par ailleurs, le dossier Robotaxi a offert un exemple d'école de la minceur de certaines annonces d'automatisation. KIDZ AI, anciennement l'école de code en ligne Classover Holdings, a annoncé le 30 septembre avoir envoyé à Tesla une « demande d'achat » portant sur 500 Robotaxis. Electrek relève ce que le communiqué concède lui-même : la demande « ne constitue pas une commande ferme », le projet est en phase préliminaire et l'entreprise « pourrait décider de ne pas donner suite ». KIDZ AI déclarait 8,88 millions de dollars de trésorerie et de trésorerie affectée à la fin du mois de juin. Ses résultats du deuxième trimestre 2026 font état d'un chiffre d'affaires de services en baisse de 34 % sur un an, à 0,48 million de dollars, et d'une perte trimestrielle de 2,5 millions de dollars. Electrek calcule que 500 Cybercabs, même au tarif « moins de 30 000 dollars » annoncé par Elon Musk, coûteraient environ 15 millions de dollars, soit à peu près six fois la valeur boursière de l'entreprise. L'action a perdu environ 6 % après l'ouverture, après avoir gagné environ 10 % avant l'ouverture.

Ce que 30 000 robots chiens disent de la production

Le récit le plus concret de la semaine ne vient pas d'un laboratoire ni d'un dépôt réglementaire, mais d'un fabricant. Rongzhong Li, qui a construit le prototype OpenCat dans sa chambre universitaire il y a dix ans, écrit sur Hackster que depuis la campagne Nybble de 2018, son entreprise a livré plus de 30 000 quadrupèdes, et que son troisième produit, Quaddle, est sur Kickstarter à partir de 99 dollars.

Les chiffres de Li sont les moins spectaculaires de cette série, et peut-être les plus utiles. Le premier prototype OpenCat avait 14 degrés de liberté, un coût des composants d'environ 300 dollars et un coût mesuré en temps plutôt qu'en pièces. Il note que les produits les plus diffusés en robotique ces dernières années ont été des vidéos, et que les critiques reprochant aux robots de seulement danser ou courir vite passent à côté de l'essentiel : le spectacle fait depuis longtemps partie du métier. Sa question ouverte, non résolue en dix ans, ne porte pas sur les actionneurs ni sur la latence d'inférence. Elle est de savoir si un fabricant peut construire un robot et rendre le travail assez significatif pour que d'autres le poursuivent. Cette question n'apparaît dans aucun benchmark.