Qui paie pour la « base de données » des humanoïdes ? Une restructuration à Pékin montre ce qui compte vraiment.

Le centre a été fermé - est-ce la fin ?

Le centre de formation aux robots humanoïdes du parc Shougang, à Pékin, qui fonctionnait depuis mars 2025 en tant que l’un des premiers centres en Chine, a cessé ses activités. Selon les médias locaux, la cause en est le retrait de Realman, un fournisseur d’équipements et de technologies. Il ne s’agit pas d’un échec du projet, mais de sa restructuration. Le district de Shijingshan a expliqué qu’après le départ du partenaire de la phase I, le centre passe à une nouvelle phase : le développement de champs lumineux gaussiens 4D et de modèles du monde. Au lieu de construire d’autres projets, la logique change : on passe de la collecte de données dans des conditions contrôlées à leur utilisation dans des scénarios réels.

Ce n’est pas la première fois qu’un centre de formation change de cap. Au cours des deux dernières années, de nombreuses régions de Chine ont investi dans ces installations dans le cadre d’une stratégie de développement de l’intelligence incarnée. Mais la construction d’infrastructures n’est que le début. La question clé est : qui paiera pour les données à long terme - et ces données seront-elles vraiment utiles ?

En mai de cette année, la phase III du centre de Shijingshan a rassemblé près de 270 robots et avait une capacité de production annuelle de données d’environ 20 millions de points. Initialement, au cours de la phase I en mars 2025, il était prévu de produire plus d’un million de points de données par an. Un tel rythme de développement montre à quel point les régions de Chine investissent dans l’infrastructure pour les robots humanoïdes.

Les données ne sont pas une « base » - ce sont un outil.

La logique précédente était simple : plus il y a de données, mieux c’est. Le centre de Pékin devait collecter plus de 20 millions de points de données par an, principalement à partir de scénarios simulés - allant des tâches ménagères au montage d’électronique. Mais il s’est avéré que les données provenant de conditions stables en laboratoire sont difficiles à utiliser dans le monde réel. Les robots rencontrent un éclairage changeant, des inégalités du sol, des perturbations imprévues : des situations qu’il est difficile de simuler facilement.

Realman l’a compris et a changé de stratégie. Au lieu de collecter des données dans des conditions contrôlées, il effectue désormais à distance des opérations sur des robots dans des usines, des entrepôts et des maisons. Cela fonctionne comme un « circuit fermé » : les données sont générées pendant le travail réel, elles sont immédiatement utilisées pour améliorer le modèle, et celui-ci, à son tour, gère mieux les situations suivantes. Il ne s’agit plus seulement de collecter des données - il s’agit d’une itération continue.

Les données issues d'environnements de laboratoire stables sont difficiles à utiliser dans le monde réel, où l'éclairage changeant, les inégalités du sol et les perturbations imprévues sont présents. Realman affirme que les données provenant d'opérations réelles dans des environnements non contrôlés sont plus précieuses pour le modèle que les données issues d'environnements de laboratoire stables.

Qui paiera pour les données à l'avenir ?

Le problème est que les données pour les robots humanoïdes ont un caractère fortement « spécifique au domaine ». Chaque entreprise utilise des corps de robot, des capteurs, des systèmes de contrôle et des architectures de modèles différents. Par conséquent, les données d'un système sont difficiles à utiliser par un autre. Cela signifie que même si un centre de formation collecte des millions de points de données, une entreprise pourrait ne pas être disposée à les acheter - s'ils n'apportent pas une amélioration directe du modèle.

Il en résulte un conflit : les autorités locales souhaitent construire des centres publics en tant qu'infrastructure soutenant le développement de l'industrie, et les entreprises se concentrent sur le fait que les données sont coûteuses et qu'elles apporteront une valeur réelle. Ce n'est pas une contradiction - mais une différence d'objectifs. C'est pourquoi la question clé devient : qui financera cette boucle ? Seront-ce les entreprises qui l'utiliseront, ou l'État en tant qu'investisseur dans l'avenir ?

La valeur des données ne réside pas dans leur quantité, mais dans leur utilité. C'est pourquoi la question clé devient : qui financera cette boucle ? Seront-ce les entreprises qui l'utiliseront, ou l'État en tant qu'investisseur dans l'avenir ?

Une nouvelle ère des données - de la collecte à l'application

Cela montre que le gouvernement comprend qu'il n'y a pas une seule « méthode correcte ». Les données peuvent provenir de simulations, de vidéos, d'Internet ou d'opérations réelles - mais leur valeur dépend de la manière dont elles sont utilisées.

L'avenir ne réside pas dans la construction de nouveaux centres de formation, mais dans la création de boucles fermées : scénario → données → modèle → amélioration. Cela signifie que le centre n'a pas besoin d'être « exactement le même » - il peut évoluer, comme l'a fait Pékin. Il est essentiel qu'il fonctionne en accord avec les besoins réels du modèle, et non seulement en accord avec un plan d'investissement.

Realman affirme que les données provenant d'opérations réelles dans des environnements non contrôlés sont plus précieuses pour le modèle que les données issues d'environnements de laboratoire stables. Cela montre que l'avenir ne réside pas dans la quantité de données, mais dans leur qualité et leur utilité.

Qu'est-ce que cela signifie pour l'avenir de la robotique ?

La fermeture du centre de formation à Pékin n'est pas une fin, mais un tournant. Elle montre que la construction d'une infrastructure sans modèle financier clair et sans application est un risque. Mais elle montre également que l'avenir ne réside pas dans la quantité de données, mais dans leur qualité et leur utilité.

Pour les entreprises, c'est un défi : elles doivent considérer les données comme un outil pour le développement du modèle, et non seulement comme un coût. Pour les gouvernements, c'est un nouveau rôle : il ne s'agit plus de construire des centres, mais de soutenir des systèmes intégrés qui relient les données à des scénarios et des applications réels. Il ne s'agit plus de savoir « qui paie pour le terrain des données », mais de savoir « comment transformer les données en valeur ».

Cette transformation montre que l'avenir de la robotique ne réside pas dans la construction de centres de données toujours plus grands, mais dans la création de systèmes dynamiques et intégrés qui combinent les conditions réelles d'exploitation avec l'amélioration continue des modèles. L'élément clé n'est plus celui qui paie pour les données, mais plutôt comment ces données sont utilisées en pratique - se traduisent-elles par de meilleures décisions, des réactions plus rapides et des actions robotiques plus fiables ? Pour les entreprises, cela signifie qu'il faut passer d'une vision des données comme un coût à une vision des données comme la clé de la compétitivité. Pour les gouvernements, il s'agit d'un nouveau rôle : ne pas construire d'infrastructures, mais soutenir les écosystèmes qui permettent des circuits fermés de données.