Percevoir, comprendre, prédire et agir : appliquée à la robotique, l’IA physique associe une intelligence capable d’interagir avec le monde réel à des modèles qui en capturent les contraintes. Deux dimensions complémentaires pour développer des robots plus autonomes et adaptatifs.
« Physical », bien plus qu’une question de matériel
L’expression « Physical AI for Robotics » dépasse la simple intégration de composants d’intelligence artificielle dans certaines fonctions d’un robot. Elle désigne les méthodes permettant à un système autonome de percevoir, modéliser, comprendre, prédire et exploiter les propriétés du monde physique afin d’interagir avec lui de manière sûre, robuste et efficace.
Cette intelligence est « incarnée » dans un système physique : un robot mobile, un bras manipulateur, un drone ou un véhicule autonome. À partir des informations provenant de ses capteurs, elle contribue à comprendre une scène, à raisonner sur les actions possibles, à planifier des mouvements, à interagir avec des objets et des humains, ou à apprendre de nouvelles compétences.
Ces fonctions peuvent être rapprochées de celles des zones corticales du système nerveux central humain. Le qualificatif « physique » souligne ici que l’IA est intégrée à un agent capable de percevoir et d’agir dans le monde réel.
Apprendre en mettant la main à la tâche
Associer la perception à des moyens d’action ouvre des possibilités d’apprentissage interactif, notamment par le renforcement. La perception multimodale, embarquée sur un système mobile ou intégrée à un dispositif de manipulation, permet au robot d’explorer son environnement et d’interagir avec celui-ci.
Cette association contribue au développement de capacités cognitives avancées : perception des environnements, compréhension des scènes et raisonnement sur des tâches ancrées dans la réalité physique.
La robotique offre ainsi à l’IA un terrain d’exploration autonome et de confrontation au monde physique, ce qui contribue au développement des fonctions cognitives de l’IA agentique.
Un corps pour agir, des modèles pour anticiper
L’IA physique recouvre également l’apprentissage ou l’intégration des lois qui régissent le comportement des systèmes et de leur environnement. Ces modèles peuvent représenter la dynamique du robot lui-même ou ses interactions physiques avec son environnement.
Ils servent à améliorer la prédiction, la planification, le contrôle et l’adaptation des activités de mobilité, de manipulation ou de perception. L’IA peut ainsi exploiter une représentation du monde physique pour adapter les actions du système aux changements.
Deux piliers apparaissent donc indissociables : l’IA incarnée, intégrée à un agent qui perçoit et agit, et l’IA de modélisation physique, qui modélise le comportement des systèmes et de leur environnement.
De la carte à la décision
Les progrès de l’IA agentique, de la perception sémantique, de l’apprentissage multimodal et des modèles de fondation incarnés permettent aux agents autonomes de dépasser la cartographie passive. Ils ouvrent la voie à une prise de décision tenant compte du contexte et à une navigation orientée vers un objectif.
Le SLAM, qui associe localisation et cartographie, évolue ainsi vers un modèle spatial du monde, mobilisable pour la perception, la mémoire, le raisonnement et la prise de décision autonome.
Dans cette vision élargie, les robots ne se contentent plus d’exécuter des commandes : ils développent une représentation du monde physique, en prennent en compte les contraintes et adaptent leur comportement. Cette convergence entre l'intelligence incarnée et la modélisation physique constitue une orientation majeure de la robotique autonome.