Les prévisions de percée des humanoïdes Unitree se déplacent vers 2028 alors que le fondateur revoit ses perspectives

Le fondateur de Unitree, Wang Xingxing, estime désormais qu'une percée des humanoïdes pourrait survenir dès 2028, resserrant une prévision antérieure qui s'étendait jusqu'à une décennie. Cette prévision de percée des humanoïdes Unitree concerne des machines capables d'exécuter des tâches quotidiennes à partir d'instructions orales, plutôt que de simplement reproduire des mouvements répétés. Selon les informations publiées par Bloomberg le 23 octobre, Wang imagine des robots accomplissant 80 % des tâches qui leur sont confiées dans les usines ou les foyers.

Cette prévision met en lumière une tension déjà visible dans la robotique : l'amélioration de l'intelligence artificielle face à la fiabilité du travail physique. Un robot doit transformer des instructions en actions, reconnaître ses erreurs et se rétablir sans créer un autre problème. Comprendre ce que souhaite une personne ne représente qu'une partie de l'exécution de la tâche.

Le travail de Figure avec BMW fournit un point de référence utile dans ce débat. Les applications en usine offrent des tâches concrètes et des résultats observables, tandis que le travail domestique introduit des environnements moins prévisibles. La confiance révisée de Wang soulève la question de la rapidité avec laquelle les progrès de l'IA se transféreront entre ces contextes.

Ce que la prévision de percée des humanoïdes Unitree change réellement

Wang a avancé ses attentes ; il n'a pas annoncé que l'autonomie générale à domicile existe déjà.

La prévision de percée des humanoïdes de Bloomberg, reprise par The Edge Malaysia, attribue son optimisme accru aux récentes avancées de l'IA. Le rapport décrit des commentaires faits lors d'une conférence industrielle à Hangzhou, à partir d'une transcription partagée par Unitree.

Wang a également reconnu directement la limite actuelle : « Si vous emmenez aujourd'hui un humanoïde chez vous et lui demandez de nettoyer la pièce, honnêtement, je ne pense pas qu'il puisse accomplir cette tâche. »

Cet aveu établit l'écart entre les produits actuels et l'étape qu'il projette. Il rend également l'annonce plus utile qu'une affirmation indifférenciée selon laquelle les robots progressent. La prévision porte sur une transition entre des comportements spécialisés et la capacité à suivre des instructions pratiques dans des tâches quotidiennes variées.

La comparaison historique exige toutefois de la prudence. Le récit du 20 août de The Next Web concernant ses premières perspectives sur la robotique décrivait une fourchette, plutôt qu'une échéance fixe de dix ans. Wang envisageait alors une percée sous deux à trois ans dans des conditions favorables, ou sous cinq à dix ans en cas de progrès plus lents.

Sa position la plus récente traduit donc une confiance accrue dans l'issue la plus rapide. Elle ne signifie pas qu'il excluait auparavant des progrès avant la prochaine décennie. Décrire précisément ce changement importe, car l'extrémité optimiste de la fourchette antérieure recoupait déjà 2028.

Cette distinction modifie aussi la manière dont les lecteurs doivent interpréter la date. Une prévision indique une direction et un calendrier attendus ; un engagement de livraison précise ce qu'un client recevra. Les commentaires rapportés n'établissent ni calendrier de lancement grand public, ni test d'acceptation défini, ni performance garantie.

Une étape industrielle ne survient pas non plus nécessairement en même temps dans différentes applications. Une machine capable de gérer certaines tâches en usine pourrait encore peiner avec des objets domestiques inconnus. La date peut rester significative sans impliquer que chaque robot deviendra soudainement largement utile.

Le changement pratique réside dans une conviction plus forte que les progrès de l'IA raccourciront le chemin entre les instructions et une action utile. Cette conviction mérite l'attention, car elle vient de quelqu'un qui construit le matériel devant exécuter ces actions.

Pour les lecteurs, la question centrale est de savoir comment cette confiance deviendra mesurable. Une démonstration réussie constitue un point de départ. Des performances répétées dans des conditions divulguées offriraient une base plus solide pour accepter le calendrier révisé.

Maintenir ces catégories distinctes protège le récit contre toute exagération inutile. L'optimisme de Wang est en lui-même digne d'intérêt. Il n'a pas besoin de devenir une affirmation selon laquelle la robotique domestique a déjà franchi le seuil qu'il décrit.

Les progrès plus rapides de l'IA mettent les développeurs de robots sous pression

Le calendrier révisé met les développeurs sous pression pour démontrer qu'une meilleure IA réduit le travail nécessaire au déploiement d'un robot.

La pression est immédiate pour les équipes qui décident où investir leurs efforts d'ingénierie. Si une IA plus capable peut traiter des instructions inconnues, une programmation intensive pour chaque nouvelle tâche devient plus difficile à justifier. Le résultat pertinent est une réduction du travail de déploiement, parallèlement à une exécution fiable des tâches.

Un article du 12 octobre dans The Standard avait déjà documenté les perspectives de Wang sur l'autonomie des robots. Il rapportait qu'il prévoyait un point de bascule commercial d'ici un à deux ans, tout en reconnaissant les limites persistantes des systèmes actuels.

Le même article décrivait un processus de développement interne chez Unitree reliant codage, entraînement, déploiement, tests et retours. Selon les propos de Wang, des personnes devaient encore vérifier les mouvements et les performances des tâches. Cette réserve importe pour évaluer les affirmations sur des systèmes capables de s'améliorer eux-mêmes.

L'IA incarnée, c'est-à-dire une IA qui perçoit et agit à travers une machine physique, relie les décisions logicielles à des conséquences hors d'un écran. Une amélioration de la planification doit résister au contact avec les objets, les surfaces, les obstacles et les instructions changeantes. Chaque dépendance supplémentaire complique le passage d'un modèle prometteur à un produit utile.

Prenons une demande hypothétique consistant à rapporter un objet depuis une autre pièce. Le robot doit identifier l'objet visé, le localiser, l'atteindre, le saisir et le rapporter. Une demande imprécise pourrait nécessiter une question avant que le mouvement ne commence.

Une meilleure compréhension des instructions résoudrait une partie réelle de cette tâche. Elle ne réglerait pas automatiquement une prise glissante, un itinéraire obstrué ou un objet hors de portée de la machine. Toute la chaîne compte pour la personne qui attend le résultat.

Cela crée une pression sur les équipes matérielles autant que sur les développeurs d'IA. Les capacités mécaniques doivent soutenir les actions sélectionnées par le logiciel. Un système a également besoin d'un moyen fiable de détecter lorsqu'une action dépasse ses limites physiques.

Les acheteurs professionnels font face à une décision différente. Une prévision de percée plus précoce leur donne une raison de préparer des projets d'évaluation, mais elle ne tranche pas la question des achats. Leur tâche consiste à identifier les travaux pour lesquels une flexibilité accrue aurait une valeur pratique.

Un acheteur évaluant, par exemple, la manutention de matériaux devrait demander dans quelle mesure la configuration change lorsque les objets ou leurs positions évoluent. Un robot qui s'adapte avec moins de préparation offre une proposition différente de celle d'un robot nécessitant des interventions d'ingénierie répétées.

Pour les développeurs, cela fait de l'effort de déploiement un complément important à la réussite des tâches. Accomplir une tâche après une personnalisation poussée raconte une histoire différente de son accomplissement à partir d'instructions ordinaires. Les deux résultats peuvent être utiles, mais ils étayent des affirmations différentes.

La pression commerciale découle directement de cette distinction. Des progrès plus rapides de l'IA font naître l'attente que les clients bénéficieront plus tôt de comportements adaptables. Les fournisseurs doivent alors montrer où cette adaptabilité fonctionne, quelle préparation elle exige et quel soutien humain demeure nécessaire.

Le revirement porte sur le travail inconnu, pas sur une meilleure chorégraphie

La confiance accrue de Wang importe surtout si les robots peuvent adopter des comportements utiles dans des contextes que leurs développeurs n'ont pas préparés à l'avance.

C'est le conflit central entre la prévision et les exigences de déploiement actuelles. Une routine répétée peut démontrer coordination et contrôle. Elle ne peut pas, à elle seule, établir que la même machine comprendra une tâche différente dans une pièce différente.

La généralisation consiste à appliquer un comportement appris à des situations inconnues. Pour un robot, l'élément inconnu peut être un objet, son emplacement, l'espace environnant ou l'instruction elle-même. Une évaluation convaincante doit expliquer quels éléments ont changé.

C'est pourquoi une tâche apparemment ordinaire peut révéler davantage qu'une performance élaborée. Ramasser un contenant inconnu oblige la machine à prendre des décisions concernant la forme, le contact et le mouvement. Le résultat devient plus informatif lorsque la configuration empêche toute préparation préalable pour ce contenant précis.

La prévision de percée des humanoïdes Unitree rend ces distinctions particulièrement importantes. Son importance repose sur l'élargissement des comportements utiles, plutôt que sur l'ajout d'une nouvelle compétence isolée. Une collection croissante de routines préparées et un système adaptable peuvent sembler similaires dans certaines séquences vidéo.

La différence apparaît lorsque quelqu'un modifie les conditions. Déplacez l'objet, modifiez la demande ou introduisez un obstacle, et la machine doit réagir de manière appropriée. Répéter le mouvement initial ne suffit plus.

Cela ne rend pas les comportements préparés sans importance. L'automatisation industrielle réussit souvent en rendant un environnement prévisible et en répétant une opération étroitement définie. La question est de savoir si un nouveau système réduit la quantité de prévisibilité que le client doit créer.

La description par Figure, le 30 juin, de son travail de séquençage en usine offre une comparaison concrète. L'entreprise a indiqué que Figure 03 était arrivé à l'usine BMW de Spartanburg pour des travaux logistiques impliquant la sélection et le placement de pièces. Son compte rendu soulignait les variations de position des chariots, des bacs et des composants.

Il s'agit de capacités rapportées par le fournisseur, et non de preuves indépendantes d'une autonomie générale. Elles identifient néanmoins un problème opérationnel pertinent : gérer la variation au sein d'un flux de travail utile. La tâche a un objectif qui dépasse la démonstration de mouvements.

Pour Unitree, la question comparable est de savoir quelle variation un système déployé peut absorber avant que des spécialistes ne doivent intervenir. Cela comprend les changements d'objets et d'environnement, mais aussi les interruptions et les instructions incomplètes. Un robot flexible doit pouvoir gérer l'incertitude sans deviner de manière imprudente.

Le revirement dans les perspectives de Wang constitue donc un changement dans son attente concernant la contribution des logiciels. Son optimisme implique que l'IA supprimera une plus grande part du travail de préparation de chaque tâche. Le bénéfice pour le client serait une adaptation plus facile, à condition que l'exécution physique reste fiable.

Cette dernière condition maintient le récit ancré dans la réalité. Un planificateur plus capable peut sélectionner une action sensée que la machine ne peut toujours pas exécuter en toute sécurité. Les progrès acquièrent une importance commerciale lorsque la gestion des instructions, le mouvement et le retour d'information fonctionnent ensemble.

Les preuves les plus solides montreraient ce lien à travers des tâches inconnues. Elles expliqueraient ce que le robot a reçu comme entrée et l'assistance dont il a eu besoin. Cela rendrait la prévision évaluable sans s'appuyer sur l'attrait de la démonstration.

Les pilotes en usine offrent une comparaison plus restreinte mais utile

Les déploiements en usine apportent des preuves d'un travail utile, tout en laissant sans réponse l'affirmation plus large concernant les foyers.

Un environnement de production offre à un développeur de robots une tâche précise et à un client un intérêt opérationnel dans le résultat. Cela aide à distinguer une application utile d'une capacité montrée sans objectif clair. Cela crée également des occasions de mesurer les performances répétées.

La description par BMW, le 21 septembre, de son projet pilote de robot à Leipzig offre un autre exemple. Le constructeur automobile a décrit comment AEON soutient la production grâce à des tâches répétitives et à l’acheminement de matériaux. BMW a présenté le projet sous l’angle de son intégration à ses systèmes de fabrication.

La pertinence pour la prévision de Wang est concrète. Un robot n’arrive pas dans un lieu de travail vide pour fonctionner indépendamment de tout ce qui l’entoure. Il doit s’intégrer aux horaires, aux itinéraires, aux données, aux équipements et aux responsabilités des travailleurs présents à proximité.

Une usine peut rendre certaines de ces conditions plus prévisibles. Les responsables peuvent définir l’emplacement des matériaux et les opérations que la machine doit tenter d’exécuter. Ils peuvent également préciser à quel moment elle doit s’arrêter et demander de l’aide.

Cela fait du travail industriel un terrain d’essai utile, mais limite la portée de tout projet pilote réussi. Une application conçue autour d’un flux de travail connu ne démontre pas automatiquement une aptitude à évoluer dans un foyer. L’environnement physique et la définition de la réussite diffèrent.

Prenons une mission hypothétique de tri dans une usine. Les objets autorisés peuvent être précisés, et la destination requise peut être vérifiée. Une demande domestique visant à ranger des affaires introduit des préférences personnelles et des objets qui ne relèvent pas forcément d’une catégorie évidente.

La tâche en usine peut néanmoins rester difficile. Les pièces se déplacent, les équipements s’usent et les personnes interrompent les flux de travail. L’avantage est que le client peut généralement définir le résultat souhaité plus clairement qu’un utilisateur domestique.

Cela aide à comprendre pourquoi les comparaisons neutres entre concurrents devraient se concentrer sur les missions. Le travail de séquençage de Figure et le projet pilote de BMW à Leipzig répondent à des besoins de production identifiables. Leur valeur doit être évaluée au regard des exigences de ces besoins.

Un classement général des entreprises de robotique masquerait cette distinction. Un système conçu pour un flux logistique précis et une plateforme destinée à des travaux de développement variés exigent des évaluations différentes. Leurs démonstrations publiques ne répondent pas nécessairement à la même question.

Pour un acheteur en entreprise, la comparaison utile porte sur la manière actuelle d’effectuer le travail. Celle-ci peut impliquer des personnes, des équipements fixes ou une combinaison des deux. La forme humanoïde du robot n’a d’importance que dans la mesure où elle aide à satisfaire les exigences du flux de travail.

Cela clarifie également qui subit la pression d’une échéance de percée plus proche. Les fournisseurs doivent relier leurs affirmations sur des capacités plus larges aux résultats obtenus par les clients. Les acheteurs doivent éviter d’écarter des applications restreintes mais utiles au seul motif qu’elles n’atteignent pas le niveau d’un assistant domestique généraliste.

Les preuves issues des usines peuvent justifier l’optimisme sans trancher l’ensemble du débat. Elles peuvent montrer où un comportement adaptatif crée de la valeur aujourd’hui. La question suivante est de savoir si ces bénéfices s’étendent à des missions nécessitant moins de préparation et d’assistance.

Un objectif de 80 % exige une définition claire de la réussite

Un taux de réussite mis en avant ne peut établir l’utilité sans expliquer les tâches, les conditions et l’assistance humaine qui le sous-tendent.

Le seuil de Wang offre un objectif mémorable, mais il s’agit de son jalon proposé, et non d’une certification sectorielle. Sa signification dépend de la manière dont une évaluation définit une mission. Une série d’actions simples diffère d’une tâche ménagère complète.

L’AI Index 2026 de Stanford propose une évaluation plus large du déploiement des humanoïdes. Son analyse distingue la croissance de la disponibilité matérielle et des investissements d’un déploiement généralisé. Elle souligne aussi l’incertitude entourant la demande et le passage de pilotes structurés à des environnements moins prévisibles.

Cette perspective indépendante soutient une lecture mesurée de la prévision. Les progrès du matériel disponible ne démontrent pas la manière dont les clients l’utiliseront. Les applications annoncées et les résultats d’exploitation doivent rester dans des catégories distinctes tant que des preuves ne les relient pas.

Pour le seuil proposé, le choix des tâches constitue le premier enjeu. Une évaluation doit expliquer qui a sélectionné les missions et si elles représentent des besoins réels des clients. Sans cela, un résultat favorable peut simplement refléter une sélection favorable.

Le point suivant concerne la frontière de la réussite. Récupérer un objet n’équivaut pas nécessairement à accomplir la demande plus vaste qui a motivé cette récupération. Un robot peut transporter correctement un article tout en laissant le travail environnant inachevé.

L’assistance humaine doit également être décrite clairement. Une personne qui choisit chaque action suivante fournit un niveau de soutien différent de celui d’une personne qui formule la demande initiale. Ces deux configurations peuvent produire un travail utile, mais elles démontrent des degrés d’autonomie différents.

La téléopération, c’est-à-dire le contrôle à distance d’un robot par un humain, est particulièrement importante à divulguer. Elle peut aider les développeurs à acquérir de l’expérience et à soutenir les premiers déploiements. Sa présence modifie la manière dont les observateurs doivent interpréter une affirmation concernant l’exécution indépendante de tâches.

Il en va de même pour l’intervention après une erreur. Une machine qui s’arrête et demande de l’aide se comporte différemment d’une machine qui continue sans succès. Les clients doivent savoir à quelle fréquence chaque situation survient et ce qu’implique la reprise.

La vitesse ajoute une autre dimension. Une mission finalement achevée peut tout de même ne pas satisfaire une exigence professionnelle. Un reportage utile devrait associer l’achèvement à la durée écoulée, à la préparation, à la supervision et aux conséquences des erreurs.

La sécurité ne peut pas être déduite des seules tentatives réussies. Un robot devrait aussi reconnaître lorsqu’il ne dispose pas d’un moyen sûr de poursuivre. Refuser une action inadaptée peut être le bon résultat, même si un simple compteur de réussites le considère comme un échec.

Il s’agit de questions d’évaluation, et non de raisons d’écarter la prévision. Elles identifient les éléments de preuve qui rendraient l’affirmation convaincante. Un test divulgué peut montrer une amélioration significative tout en révélant aussi des limites.

Pour les équipes techniques, conserver ces détails ensemble aide à éviter les comparaisons entre démonstrations incompatibles. Un registre consultable de documents techniques peut relier les spécifications, les conditions de test et les observations d’exploitation. L’objectif est de préserver le contexte de chaque résultat.

Tant que ces conditions ne sont pas explicites, la prévision d’une percée des humanoïdes Unitree reste une attente concernant des capacités futures. Elle ne mérite ni acceptation automatique ni rejet. La réponse utile consiste à demander quel résultat constituerait une preuve.

Ce qu’il faut surveiller d’ici au début de 2027

Les prochains signaux utiles seront des tests d’autonomie divulgués, des preuves d’exploitation fournies par les clients et des réductions mesurables de l’effort de déploiement.

Le premier signal est une évaluation exposant des robots à des missions inconnues dans des conditions clairement énoncées. Recherchez une liste complète des tâches, la divulgation de la préparation et une explication de l’implication humaine. Des images continues aideraient les lecteurs à comprendre ce qui s’est produit entre les moments de réussite sélectionnés.

Une telle évaluation renforcerait les perspectives de Wang si les performances se maintenaient malgré des changements d’objets, d’instructions et d’environnements. Elle serait moins convaincante si chaque variation exigeait une programmation préalable substantielle. La distinction importante réside dans l’adaptabilité sous des conditions divulguées.

Les échecs devraient apparaître aux côtés des tentatives réussies. Ils révèlent où se situent les limites du système et s’il les reconnaît. Une démonstration qui explique les résultats infructueux peut fournir des preuves plus utiles qu’une vidéo donnant l’impression que chaque action est sans effort.

Le deuxième signal est une information d’exploitation étayée par le client, provenant d’un flux de travail réel. Recherchez la description de la mission par le client, les responsabilités du robot et le soutien apporté par le personnel. Les preuves deviennent plus solides lorsqu’elles couvrent une exploitation ordinaire plutôt qu’une démonstration planifiée.

Un client qui étend l’utilisation après avoir évalué les résultats appuierait le volet commercial de la prévision de Wang. Un projet pilote inchangé exigerait davantage de contexte avant de tirer une conclusion. La raison pourrait concerner les capacités, l’intégration, la demande ou les priorités au sein de l’entreprise cliente.

Le troisième signal est une réduction de l’effort nécessaire pour ajouter ou modifier une mission. Cela répond directement à la logique qui sous-tend les perspectives révisées. Si une meilleure IA raccourcit le chemin vers le déploiement, le processus de préparation devrait devenir plus facile à documenter.

Recherchez des comparaisons qui précisent les exigences liées aux tâches et au matériel. Un processus de configuration plus court compte surtout lorsque le comportement obtenu reste fiable. Transférer le travail des ingénieurs vers des opérateurs invisibles exigerait une interprétation différente.

Ces signaux distinguent également les progrès techniques de l’adoption. Un robot peut devenir plus capable avant qu’un client ne réorganise son travail autour de lui. À l’inverse, une application utile mais limitée peut gagner des clients sans atteindre un niveau de référence domestique généraliste.

Au cours des prochains mois, les annonces les plus instructives relieront les capacités aux conditions d’exploitation. Elles expliqueront ce qui a changé, ce qui reste difficile et ce que le client peut désormais demander à la machine de faire. C’est la preuve nécessaire pour évaluer une échéance plus proche.

Suivez la prévision d’une percée des humanoïdes Unitree en gardant ces distinctions à l’esprit. Comparez les démonstrations selon leurs conditions divulguées, puis recherchez des témoignages de clients montrant que le même comportement résiste au travail ordinaire. Accordez une attention particulière aux missions inconnues, aux besoins d’intervention et à l’effort nécessaire pour introduire une nouvelle tâche.

Pour les acheteurs et les développeurs, l’action immédiate consiste à définir le travail qui mérite d’être testé avant de choisir un robot. Précisez un résultat acceptable, l’assistance autorisée et les conditions dans lesquelles le système doit s’arrêter. Évaluez ensuite les nouvelles annonces à l’aune de cette norme. Quel résultat à venir vous apporterait suffisamment de preuves pour passer de l’observation de la technologie à son test dans votre propre flux de travail ?