Avec des informations issues d’Axis Robotics

En 2026, l’industrie de l’intelligence artificielle a appris à résoudre le problème du calcul. Les GPU deviennent de plus en plus accessibles, les modèles sont moins coûteux à exécuter en inférence, et l’infrastructure cloud continue de croître. Mais la prochaine vague d’IA, de la robotique et de l’IA physique, fait face à un tout autre problème. Tout se résume à des données qui n’existent tout simplement pas en quantité suffisante.

Pas d’Internet pour les robots

Les modèles de langage (LLM) sont issus d’une base qui existait déjà. Des décennies de texte sur Internet, des billions de tokens couvrant presque tous les domaines du savoir humain. Une fois ce corpus en place, les progrès se sont surtout joués sur la mise à l’échelle du calcul et l’amélioration des architectures.

La robotique n’a pas une telle base. Le monde physique n’a pas d’index de recherche, et il n’existe pas de « réseau internet d’interactions robotiques » sur lequel entraîner un modèle.

Le volume de données disponible aujourd’hui pour entraîner des robots n’est qu’une fraction infime des corpus de texte sur lesquels sont entraînés les modèles de langage modernes. Cela crée une pénurie de données fondamentales à tous les niveaux.

Le moment « GPT-1 manquant » de la robotique

La trajectoire des modèles de langage est instructive, car chaque étape retirait une nouvelle contrainte. GPT-2 a été entraîné sur environ 10 milliards de tokens, soit environ 500 000 heures de lecture à un rythme humain.

C’était à ce moment-là que le comportement émergent du modèle est apparu pour la première fois. GPT-3 a été entraîné sur environ 300 milliards de tokens, soit environ 15 millions d’heures, et sans ce volume, il n’y aurait pas de ChatGPT, ni rien de ce qui a suivi.

La robotique n’a pas encore eu ce moment. Les architectures de modèles convergent, les algorithmes arrivent à maturité, mais les données elles-mêmes restent incertaines. Quelle distribution de pré-entraînement est la bonne ? Quel devrait être le ratio entre la simulation, le monde réel et les données ego-centrées ? Il n’y a tout simplement aucun consensus sur la structure des données.

Si 15 millions d’heures de texte ont permis GPT-3, un modèle vraiment généraliste d’intelligence physique pourrait nécessiter de l’ordre de 100 millions d’heures de données portant sur la manipulation d’objets par des humains.

Aujourd’hui, l’industrie dispose d’environ 2 000 heures, du meilleur jeu de données public, Open X-Embodiment. Un écart similaire existe en diversité de scènes et en nombre de compétences atomiques maîtrisées.

Pourquoi la collecte ne se met pas à l’échelle

Le calcul, le matériel et les algorithmes pour l’intelligence physique sont déjà prêts. Ce qui manque réellement, ce sont les données, et il y a trois raisons structurelles à cela.

• La collecte dans le monde réel est limitée par le matériel. Des montages spécialisés, des systèmes de sécurité, et un opérateur formé pour chaque robot. Cela limite à la fois le volume et la couverture, rendant structurellement inaccessible la mise à l’échelle des modèles de base.

• La collecte manuelle ne peut pas produire la diversité nécessaire. La généralisation requiert une diversification cumulative entre les objets, les scènes, les implantations robotiques et les angles de caméra, que les jeux de données collectés à la main ne peuvent tout simplement pas fournir.

• Les modèles entraînés uniquement sur des démonstrations d’experts sont aveugles à leurs propres erreurs. La politique ne voit que les états que l’expert a visités, ce qui signifie que c’est précisément là où elle est la plus faible qu’il y a le moins de données d’entraînement. Les erreurs s’accumulent sur tout l’horizon de la tâche.

Chacune de ces contraintes pointe dans la même direction. Ce dont nous avons besoin n’est pas un modèle plus avancé, mais un régime fondamentalement différent pour produire des données.

Les humanoïdes fonctionnent grâce aux données

2026 est devenu le pic d’intérêt pour l’investissement dans les robots humanoïdes. Des milliards de dollars se sont déversés dans le matériel, dans les modèles et dans la capacité de production des principaux acteurs de l’industrie. Mais tout ce capital se heurte au même goulot d’étranglement. L’argent résout la question du matériel et du calcul, mais où trouver des millions d’heures de données sur la manipulation d’objets dans le monde réel ?

Cela fait de la problématique des données la véritable chose qui freine actuellement une industrie pourtant dotée d’investissements de plusieurs milliards de dollars. Plus les ambitions de déployer des humanoïdes dans des conditions réelles augmentent, plus la pénurie de données augmente elle aussi rapidement. Chaque nouvelle implantation robotique, nouvel environnement et nouvelle compétence nécessite sa propre part de données d’entraînement.

Axis Robotics : moteur de données à effet cumulatif

La plupart des pipelines de données en robotique sont unidirectionnels. On collecte les données, on entraîne le modèle, on l’expédie, puis on recommence. Axis est conçu comme une boucle fermée, dans laquelle chaque contribution améliore la politique suivante, et chaque politique améliorée détermine quelles données collecter ensuite. Les données cessent d’être un coût ponctuel et deviennent un actif dont la valeur augmente.

Le cycle se compose de cinq étapes : générer la tâche et la scène, collecter le comportement via la téléopération en simulation et capturer les interactions dans le monde réel, traiter et nettoyer les trajectoires, entraîner et déployer la politique sur des flottes réelles et simulées.

Au final, il s’agit de collecter des signaux indiquant exactement où la politique continue de faire des erreurs. Ces signaux déterminent quelles tâches s’ouvrent au prochain tour, et le cycle se répète sur des données plus difficiles et plus précieuses.

Trois produits plateforme couvrent l’ensemble du cycle :

• Plateforme de données de simulation web : une simulation basée sur un navigateur, sans installation et sans exigences matérielles, où les participants contrôlent le robot via la téléopération et génèrent des démonstrations, ainsi que corrigent le comportement d’un modèle déjà entraîné. Le débit atteint déjà 10 000 trajectoires valides par heure aujourd’hui ;

• Application mobile ego-centrée : une application mobile pour capturer des données à la première personne via le suivi de la posture des mains, sans équipement spécialisé. Lancement en septembre 2026 avec un objectif de 10 000+ heures de données valides par mois ;

• Pipeline Data-to-Model : une chaîne de traitement unifiée qui nettoie, enrichit via la randomisation par domaine et annote les trajectoires brutes, en les transformant en données prêtes pour l’entraînement de modèles.

Le résultat empirique clé est que la poursuite de l’entraînement de la manière π0.5 de Physical Intelligence sur le dataset Axis a augmenté le taux de réussite sur le benchmark LIBERO-Plus de 83,9 % à 88,8 %, et a surpassé le résultat d’un groupe de contrôle apparié en volume (volume-matched) de RoboCasa365 de 31,3 points de pourcentage. Le gain s’accroît avec le volume des données Axis, ce qui pointe vers la cohérence du signal provenant du crowdsourcing, plutôt que vers un simple bruit aléatoire.

À la fin août 2026, la plateforme a dépassé 150 000 contributeurs mondiaux et collecté plus de 3,7 millions de trajectoires pour plus de 4 000 tâches publiées.

Parmi les partenaires d’Axis : des fabricants de matériel robotique AgiBot, Booster Robotics, Unitree et Deep Robotics ; des laboratoires de modèles de base comme Manycore Tech ; et des clients industriels Geely Auto et Lotus Cars, qui utilisent la plateforme pour entraîner l’automatisation du tri et d’autres tâches de production.

La crypto comme infrastructure

Ouvrir un système comme celui-ci à une communauté mondiale, sans autorisation par défaut, de contributeurs soulève une question que le moteur de données lui-même ne peut pas résoudre. Comment transformer des contributions bruyantes, parfois sous-optimales, voire potentiellement de mauvaise foi, en un jeu de données d’entraînement fiable, tout en gardant une trace exacte de qui a produit quoi ?

Axis répond à cela avec un système d’évaluation à deux niveaux. Le Système de scoring évalue chaque trajectoire individuelle, tandis que le Système de points agrège la réputation d’un contributeur au fil du temps en se basant sur le volume, la difficulté des tâches, la qualité et la diversité de la contribution.

Chaque trajectoire acceptée est signée on-chain sur le réseau Base avec un Data ID unique, ce qui lie le portefeuille du contributeur, un horodatage, le score de qualité et une référence de tâche dans un enregistrement permanent, inviolable (tamper-proof). Ici, la crypto sert d’infrastructure pour la provenance, la transparence et la coordination dans la production d’IA physique.

En plus de Base, le projet s’intègre aussi à BitRobot Network dans l’écosystème Solana et à Pi Network, tandis que l’architecture de provenance elle-même reste la même quel que soit le réseau utilisé.

Enseignements tirés d’Axis Robotics

Nous avons interrogé l’équipe d’Axis Robotics sur les mécanismes permettant de mettre à l’échelle un moteur de données issu du crowdsourcing : comment la qualité se maintient à mesure que la plateforme grandit, comment ils décident quoi collecter ensuite, et ce que signifie réellement pour eux la « mise à l’échelle des modèles de base ».

Q : Comment maintenez-vous la qualité des données à mesure que la base de contributeurs grandit aussi vite ?

Dès le premier jour, nous avons construit un système complet de contrôle et d’inspection de la qualité en trois couches, accompagné d’une chaîne de traitement automatisée des données correspondante. En conséquence, notre contrôle qualité n’est pas réellement mis à rude épreuve à mesure que la base de contributeurs augmente.

Plus précisément, les trois couches de contrôle qualité sont :

Couche 1 :Validation en temps réel au moment de la soumission. Lorsqu’un utilisateur soumet des données, le système utilise un vérificateur de succès pour vérifier immédiatement si la tâche a réellement été menée à bien et si l’état résultant est cohérent, et filtre les soumissions manifestement anormales comme des mouvements non naturels, des erreurs d’exploitation ou des fichiers corrompus.

Couche 2 :Relecture des trajectoires côté backend. Le backend rejoue l’intégralité de la trajectoire, en utilisant un mécanisme de relecture via simulateurs croisés pour vérifier si des scripts, des outils de triche ou toute autre intervention non humaine ont été impliqués pour accomplir la tâche, tout en vérifiant davantage la qualité des données et la stabilité de la trajectoire elle-même.

Couche 3 :Validation de la politique au niveau des lots (batch). Chaque lot de données sert à entraîner rapidement une politique légère, et la performance de cette politique est utilisée pour valider l’efficacité et la capacité d’apprentissage de ce lot.

Une fois les trois couches de validation terminées, le système conserve les données valides et attribue un score de qualité. Les utilisateurs peuvent ensuite enregistrer la trajectoire de données correspondante on-chain, ce qui garantit que chaque élément de données valides porte un historique long terme, traçable et vérifiable de sa provenance.

Q : Comment décidez-vous quelles implantations robotiques et quels scénarios prioriser pour les ajouter au moteur de génération de tâches ?

Nous déterminons la priorité selon trois dimensions principales : la généralité, la diversité et les besoins spécifiques de nos partenaires.

D’abord, une généralité suffisamment élevée. Nous priorisons les formes d’implantations du robot et les scénarios offrant la couverture la plus large et les usages les plus répandus dans l’ensemble de l’industrie. Côté implantation, par exemple, nous donnons la priorité à des formes typiques à un seul bras comme le Franka Arm, ainsi qu’à des formes à deux bras comme Open Arm. La plateforme prend actuellement en charge plus de dix actifs robotiques grand public, allant des robots à un bras, aux robots à deux bras, aux robots à deux bras montés sur roues, et à d’autres types encore. Côté scénarios, nous avons systématiquement couvert tout le spectre, du domicile au milieu industriel, en veillant à ce que tous les principaux scénarios de niveau supérieur soient pris en charge.

Ensuite, une diversité suffisamment riche. Nous suivons en continu la recherche académique de pointe et la demande de l’industrie afin d’identifier quels scénarios, types d’objets et compétences atomiques manquent le plus urgemment à l’entraînement actuel du modèle, puis nous étendons et comblons ces lacunes rapidement. Notre objectif est qu’Axis devienne la plateforme de données avec un avantage clair à la fois sur la diversité et la couverture, en créant une valeur différenciée notamment pour les tâches en queue de distribution (long-tail), les scénarios de cas limites (edge cases) et les capacités d’interaction complexes.

Troisièmement, les besoins spécifiques de nos partenaires. Nous priorisons également les implantations et les scénarios en fonction des besoins réels de nos partenaires. Pour des partenaires comme Booster Robotics, Feagine Robotics et d’autres collaborateurs en matériel et en implantations, nous donnons la priorité à l’adaptation à leurs implantations robotiques et à la conception de collectes de données et de tâches sur mesure à partir de leurs entrées visuelles, de leurs espaces d’action et de leurs objectifs d’entraînement du modèle.

Il vaut la peine de souligner que, grâce à la nature même de la simulation, ainsi qu’à la vaste bibliothèque d’actifs que nous avons construite en interne, nous pouvons étendre très efficacement à de nouvelles implantations robotiques, à de nouveaux actifs d’objets, à de nouveaux environnements de scène et à de nouvelles compétences atomiques. Cela donne à Axis une forte flexibilité et une capacité d’évolution (scalabilité) dans la production de données, nous permettant de répondre rapidement à la fois aux besoins partagés de l’industrie et aux exigences spécifiques des clients.

Q : Qu’est-ce qui vous convaincrait réellement que le moteur de données a atteint une mise à l’échelle de type « modèle de base » ?

Juguer si un moteur de données a réellement atteint une mise à l’échelle de type « modèle de base » ne se résume pas seulement à accumuler un volume brut de données, même si le volume compte encore énormément.

Côté données ego, par exemple, il faut d’abord une réserve d’au moins 1 M d’heures de données OTS couvrant des centaines de sous-catégories ; côté données de simulation, il faut des millions de trajectoires validées et efficaces. C’est l’échelle de base nécessaire pour l’entraînement des modèles de base.

Mais au-dessus de cette base, la question la plus critique est de savoir si la plateforme dans son ensemble peut continuer à évoluer : si elle peut itérer continuellement, s’étendre et se renforcer elle-même au fur et à mesure que les limites de la capacité des modèles, les directions de recherche et les besoins de l’industrie changent.

Un véritable moteur de données à l’échelle des modèles de base doit être une infrastructure de recherche proactive, pas un système de production de données passif qui ne fait que répondre aux commandes entrantes. Il doit pouvoir traduire rapidement et automatiquement des objectifs de recherche ou commerciaux en tâches structurées, et générer des données à grande échelle pour de nombreuses implantations robotiques, de nombreux scénarios et de nombreuses plateformes de tâches. En même temps, il doit utiliser les résultats de l’entraînement du modèle pour valider l’efficacité et la valeur de ces données en retour, en formant une boucle fermée continue de production de données, entraînement de modèles, évaluation des capacités et itération des tâches.

Au final, un moteur de données à l’échelle des modèles de base devrait être capable de démontrer qu’il peut livrer en continu des données de haute qualité, très diversifiées et largement couvertes à faible coût marginal, en faisant progresser régulièrement le niveau d’intelligence des modèles et des implantations robotiques, et en montrant une robustesse et une généralisation plus fortes dans des environnements réels, non scénarisés (non scripted).

Ce qui ressort dans les trois réponses, c’est qu’Axis considère la mise à l’échelle elle-même comme un problème d’ingénierie, pas seulement comme un chiffre cible : la qualité est garantie par des contrôles automatisés multicouches plutôt que par une relecture manuelle, et le seuil pour la « mise à l’échelle des modèles de base » relève d’une boucle de rétroaction qui se renforce.

Notes du PDG du Cicada Market Maker

Nous sommes retournés voir le PDG et cofondateur de Cicada, Maxim Moris, pour obtenir son avis sur l’IA physique : si le récit tient la route et où, selon lui, un token a réellement sa place.

Q : Qu’est-ce qui met l’IA physique et les données de robotique sur la feuille de route de Cicada ?

Honnêtement, d’abord et avant tout, c’est le prochain récit qui suivra : les listings et le volume. Nous travaillons avec la liquidité, pas avec des robots. Il y a un vrai problème dessous : les modèles de langage ont des milliers de milliards de tokens, la robotique a des milliers d’heures d’interactions physiques, et ces données ne peuvent pas être récupérées (scrapées) ; elles doivent être produites manuellement.

Ensuite vient la question qui m’intéresse le plus, plus que le récit lui-même : la collecte de données, c’est une activité normale, mais pourquoi aurait-elle besoin de son propre jeton ? À l’heure actuelle, la réponse honnête de la plupart des projets, c’est : « alors il faut un jeton ».

Q : Est-ce un récit durable ou le même cycle de battage médiatique ?

La demande en données est durable, les tokens construits sur cette demande ne le sont pas, et ce sont deux histoires différentes. L’acheteur ici est un laboratoire qui a besoin de droits propres, d’une provenance, et d’une qualité reproductible ; il paie en monnaie fiduciaire dans le cadre d’un contrat et n’a pas vocation à conserver le ticker de quelqu’un sur son bilan.

Les mécanismes DePIN se brisent aussi ici, car un robot est un actif capital avec un opérateur, pas un routeur Wi-Fi inactif, et payer des émissions en fonction du volume produit du spam, pas des données, ce qui empoisonne le jeu de données, hé Helium. Donc le récit survivra au cycle, et 90 % des tokens transportés par ce récit ne le feront pas.

Q : Que devient la catégorie dans un an ?

L’IA physique restera un mot pour les slides de présentation et les indices sectoriels, tandis que ce qui est réellement négocié, ce sont les sous-segments : les modèles VLA, la collecte de données, la simulation, le matériel, les opérations de flotte.

La crypto a objectivement sa place dans une couche étroite de cette liste : les paiements et l’identité machine, une fois qu’il y aura suffisamment de robots pour qu’ils commencent à se payer entre eux ; ce n’est pas le cas en 2027, et cela ne nécessite pas un jeton distinct pour chaque jeu de données.

Le reste, ce sont des entreprises ordinaires qui ont besoin d’un jeton comme canal de financement et de marketing, pas comme partie du produit. Je ne suis pas contre, je préfère juste appeler les choses par ce qu’elles sont.

Les réponses de Maxim tracent une ligne claire : la demande derrière les données d’IA physique est réelle, mais pour lui c’est un argument pour qu’elle reste une activité ordinaire.

Conclusion

L’IA physique retrace le chemin parcouru par les modèles de langage. La différence, c’est qu’en ce qui concerne les modèles de langage, cette mise à l’échelle existait déjà sous forme de texte sur Internet, tandis que pour la robotique, elle doit encore être collectée.

Des projets comme Axis Robotics parient sur le fait que ce processus suivra le même chemin que le texte sur Internet autrefois. Les données pour les robots seront collectées de manière distribuée, par de nombreuses personnes à travers le monde, plutôt que par un seul laboratoire disposant d’une flotte de robots limitée.

Le résultat sur LIBERO-Plus et le nombre de contributeurs de la plateforme qui atteint six chiffres, ainsi que la liste croissante de partenaires parmi les fabricants de matériel, les laboratoires et les clients industriels, confirment très tôt que ce modèle de production de données fonctionne réellement.

Pour en savoir plus : GPU shortage and the Birth of AI DePIN