Un robot n’est pas un data center sur deux jambes

La première distinction est fondamentale : un robot humanoïde n’a pas vocation à remplacer les gigantesques infrastructures utilisées pour entraîner les modèles d’intelligence artificielle.

Les modèles les plus avancés sont entraînés dans des centres de données regroupant des milliers, voire des dizaines de milliers de processeurs spécialisés. Un humanoïde doit au contraire fonctionner avec une quantité limitée d’électricité, de mémoire et de refroidissement.

NVIDIA équipe par exemple les nouvelles générations de robots avec sa plateforme Jetson Thor, capable d’atteindre jusqu’à 2 070 téraflops en FP4 avec 128 Go de mémoire, pour une consommation pouvant aller jusqu’à 130 watts. Cette puissance permet d’exécuter localement des modèles avancés, de traiter les flux des caméras et capteurs et de prendre des décisions rapidement. Elle reste néanmoins sans commune mesure avec celle des supercalculateurs employés pour entraîner les grands modèles.

Le robot augmente donc surtout la capacité de calcul à la périphérie du réseau, ce que l’on appelle l’edge computing.

Il ne rend pas directement le « cerveau » central de l’IA beaucoup plus puissant.

Pourquoi mettre du calcul directement dans le robot ?

Pour agir dans le monde physique, une IA ne peut pas attendre plusieurs secondes qu’un serveur distant lui réponde.

Un humanoïde doit en permanence analyser les images de ses caméras, évaluer les distances, contrôler son équilibre, ajuster ses articulations, éviter un obstacle et réagir lorsqu’un objet lui échappe.

Une partie de ces opérations doit donc être réalisée localement.

Google DeepMind a précisément développé Gemini Robotics On-Device, une version de ses modèles robotiques conçue pour fonctionner directement sur le matériel embarqué. En juillet 2026, Gemini Robotics 2 a également démontré des capacités de contrôle du corps entier, de planification sur plusieurs étapes et même de collaboration entre plusieurs robots.

Le robot devient ainsi une petite plateforme informatique autonome.

Mais cette puissance embarquée sert avant tout à la perception et à l’action en temps réel. Pour les raisonnements les plus lourds, les systèmes pourront continuer à utiliser des serveurs distants.

Le futur de la robotique sera donc probablement hybride : une partie de l’intelligence dans le robot, une autre dans le cloud ou dans des centres de calcul proches.

Des millions de robots pourraient-ils former un supercalculateur ?

En théorie, oui. En pratique, ce serait rarement le moyen le plus efficace.

Si un million de robots possèdent chacun un processeur puissant, la somme de leur capacité informatique devient considérable. Il serait techniquement possible d’utiliser une partie de cette puissance inutilisée pour effectuer certains calculs distribués.

Mais entraîner un grand modèle nécessite des échanges extrêmement rapides entre processeurs. Les centres de données sont précisément conçus pour cela : les GPU sont regroupés, reliés par des réseaux à très haut débit et alimentés par des systèmes électriques et de refroidissement adaptés.

Des robots dispersés dans des milliers de bâtiments seraient beaucoup moins efficaces. Leur connexion serait plus lente, leurs batteries devraient rester disponibles pour leurs missions et leur matériel serait hétérogène.

Une recherche publiée par NVIDIA en juillet 2026 sur les « usines de robots » illustre d’ailleurs la logique inverse : plutôt que de placer toute la puissance nécessaire dans chaque machine, le système ROSA permet à plusieurs robots de partager un pool de GPU de classe serveur afin d’améliorer l’efficacité globale.

La puissance de calcul restera donc probablement concentrée en grande partie dans des infrastructures spécialisées.

Les robots pourraient cependant offrir quelque chose de plus rare : des données physiques

C’est ici que leur rôle pourrait devenir beaucoup plus important.

Les grands modèles de langage ont bénéficié d’une ressource exceptionnelle : Internet. Des milliards de pages, livres, images, vidéos et lignes de code ont permis d’entraîner des systèmes sur une immense partie de la production numérique humaine.

La robotique ne dispose pas encore d’un équivalent.

Pour apprendre à ranger une cuisine, ouvrir une porte difficile, manipuler un objet fragile ou déplacer une chaise dans un appartement encombré, une IA a besoin de données décrivant les interactions réelles entre un corps et son environnement.

Or ces données sont beaucoup plus rares.

Des travaux récents sur l’apprentissage des humanoïdes identifient précisément la collecte de données physiques comme l’un des principaux goulets d’étranglement du secteur. Contrairement au texte disponible sur Internet, enregistrer des milliers d’heures de manipulation robotique reste long et coûteux.

Des millions de robots déployés dans les usines, entrepôts ou logements changeraient complètement cette équation.

Chaque robot pourrait devenir à la fois utilisateur et producteur de données.

Un robot apprend, puis tous les autres peuvent bénéficier de l’expérience

C’est probablement l’une des différences les plus importantes entre un humain et une machine.

Lorsqu’une personne apprend à accomplir une tâche, cette compétence reste essentiellement dans son cerveau. Elle peut l’enseigner aux autres, mais ce transfert est lent.

Pour des robots partageant un modèle commun, le transfert pourrait être beaucoup plus direct.

Un robot rencontre une situation nouvelle, collecte les données nécessaires et permet d’améliorer le modèle central. Une nouvelle version peut ensuite être distribuée à l’ensemble de la flotte.

L’expérience acquise par une machine peut donc potentiellement bénéficier rapidement à des milliers d’autres.

Les chercheurs de NVIDIA décrivent déjà cette ambition : agréger l’expérience provenant de différentes plateformes robotiques afin de développer une intelligence capable de contrôler plusieurs types de machines.

Google DeepMind travaille dans la même direction. Gemini Robotics 2 peut adapter son intelligence à différentes morphologies et permettre à plusieurs robots de collaborer pour accomplir une mission commune.

Le véritable effet d’échelle pourrait ainsi se trouver moins dans l’addition des processeurs que dans l’addition des expériences.

Le monde réel deviendrait un gigantesque jeu de données

Cette perspective est importante parce que les limites actuelles de l’IA ne concernent pas seulement le calcul.

Un modèle peut lire des millions de descriptions de la manière de saisir un verre sans avoir jamais ressenti, même indirectement, ce qui se produit lorsqu’un objet glisse, qu’une surface est mouillée ou qu’un obstacle imprévu apparaît.

Les robots peuvent fournir cette boucle d’apprentissage : observer, agir, constater le résultat, corriger puis recommencer.

C’est ce que l’on appelle souvent l’IA incarnée, ou embodied AI.

Google DeepMind explique ainsi que ses modèles robotiques doivent développer une compréhension spatiale et physique permettant de transformer un raisonnement numérique en actions concrètes.

Si des millions de machines effectuent continuellement ce type d’apprentissage, la quantité de données physiques produites pourrait devenir immense.

Les progrès de l’IA dépendraient alors d’un nouveau cercle : meilleurs modèles, robots plus compétents, davantage de données réelles, puis nouveaux modèles encore plus performants.

La simulation pourrait encore multiplier cet effet

Il n’est d’ailleurs pas nécessaire de faire réaliser chaque expérience par un véritable robot.

Les données recueillies dans le monde réel permettent aussi d’améliorer des simulateurs. Une fois suffisamment réalistes, ceux-ci peuvent générer des millions de scénarios virtuels : chute d’un objet, configuration différente d’une pièce, nouvel obstacle, modification de la lumière ou comportement d’un humain.

NVIDIA décrit précisément son architecture de robotique comme l’association de trois niveaux : des supercalculateurs pour entraîner les modèles, des environnements de simulation pour générer et tester les comportements, puis des ordinateurs embarqués permettant leur exécution sur le robot.

Le robot physique devient alors une partie d’une boucle beaucoup plus vaste reliant le monde réel, la simulation et les data centers.

C’est cette boucle, davantage que la simple puissance du processeur installé dans son torse, qui pourrait accélérer les capacités de l’IA.

L’humanoïde apporte surtout un nouveau territoire à l’intelligence artificielle

Les robots humanoïdes ne vont donc probablement pas résoudre la course à la puissance de calcul.

Pour entraîner les modèles les plus avancés, les entreprises continueront à construire d’immenses centres de données dotés de GPU spécialisés et d’importantes capacités électriques.

Le rôle des humanoïdes est différent.

Ils permettent à l’intelligence artificielle de quitter l’univers exclusivement numérique et d’accéder directement au monde physique : objets, gestes, distances, erreurs, conséquences et interactions humaines.

Un robot devient simultanément un ordinateur, un ensemble de capteurs, un moyen d’action et une source permanente de nouvelles données.

À l’échelle d’une machine, le gain de calcul est limité.

À l’échelle de millions de robots connectés aux mêmes modèles, le gain en apprentissage pourrait en revanche être considérable.

Les humanoïdes ne rendront donc pas nécessairement l’IA beaucoup plus intelligente parce qu’ils lui apporteront davantage de processeurs.

Ils pourraient la rendre plus puissante parce qu’ils lui donneront davantage d’expérience du monde.