Robot humanoïde formé en 40 minutes : Bleu Robotics parie contre les modèles milliardaires

Le 29 octobre, la startup parisienne Bleu Robotics a annoncé avoir levé cinq millions d'euros en capital de pré-amorçage, et le calcul qui l'accompagne semble presque insultant de simplicité : environ quarante minutes à partir de la première démonstration jusqu'au robot fonctionnel, et environ dix étapes présentées suffisent là où d'autres calculent avec des millions de points de données.

Deux jours avant, on a appris que Physical Intelligence en Californie souhaite lever plus d'un milliard de dollars, sans chiffre d'affaires et pour le pari exactement inverse. Cela signifie que deux réponses différentes se dressent face à la même question : les robots doivent-ils apprendre à partir de grandes quantités de données ou à partir de quelques gestes simples démontrés ? Les chiffres des Parisiens proviennent jusqu'à présent du simulateur, non pas d'une usine en exploitation.

La formation se fait sur le lieu de travail lui-même, avec une pince manipulatrice que l'employé prend en main et avec laquelle il effectue la tâche une fois, sans qu'une seule ligne de code ne soit écrite. Le logiciel n'essaie pas ensuite de reproduire le mouvement, mais plutôt de déduire l'intention derrière celui-ci, c'est-à-dire l'objectif et les conditions de la tâche, et en construire une exécution propre. Bleu appelle cela l'apprentissage abductif et l'oppose explicitement aux modèles bout à bout courants, qui tirent des mouvements directement à partir d'images. Selon le blog de l'entreprise, le calcul se fait sur le robot lui-même et non dans le cloud, et la formation d'une tâche devrait prendre moins de deux minutes sur un ordinateur portable, là où une Diffusion Policy en prend entre une et trois heures.

L'entreprise est dirigée par trois personnes ayant des biographies étonnamment bien adaptées. Benoît Berkoukchi a longtemps dirigé de grandes équipes sur les chaînes de montage chez Renault, Jean-Baptiste Mouret et Serena Ivaldi sont directeurs de recherche à l'institut français Inria et travaillent depuis environ quinze ans sur l'IA et la robotique, avec des publications jusqu'à Nature. Bleu a été fondée seulement en décembre 2025, le tour étant mené par Contrarian Ventures et OVNI Capital, auxquels se joignent Kvanted, WEPA Ventures, Motier Ventures et Charlie Songhurst, qui siège au conseil d'administration de Meta.

Qui fait le calcul trouvera cependant une lacune entre la publicité et la preuve. L'annonce de financement parle d'une efficacité des données jusqu'à cent fois meilleure par rapport à l'état de l'art, les propres mesures de l'entreprise sur le blog de l'entreprise ne le soutiennent pas. On y lit que dans l'environnement de simulation ManiSkill3, avec moins de dix démonstrations, un taux de réussite de 98 pour cent est atteint, tandis qu'une Diffusion Policy en a besoin d'au moins cent démonstrations. C'est une puissance de dix et non cent fois, et c'est de la simulation. Une deuxième tâche en laboratoire, où un robot ouvre une porte et appuie sur un bouton, atteint 99 pour cent par rapport à zéro pour la méthode de comparaison, ce qui est impressionnant, mais cela n'a pas été mesuré dans une usine.

L'entreprise elle-même établit les limites, ce qui est agréablement inhabituel dans cette industrie. L'attention porte sur des pièces rigides, les textiles sont en dehors du champ d'application, et le passage indépendant entre deux postes de travail est toujours considéré comme un travail futur. Les tests ont été effectués entre autres sur un Unitree G1 et un Franka Research 3, le logiciel devrait en principe fonctionner sur n'importe quel robot qui parle l'interface ROS. Selon l'entreprise, il y a déjà deux grands clients industriels, l'entreprise ne donne pas leurs noms, et le chiffre de quarante minutes provient d'une interview du fondateur et non d'un protocole d'usine publié.

Pourquoi ce pari trouve du financement est montré par un chiffre d'Interact Analysis qui circule dans l'industrie : sur plus de 20 000 humanoïdes construits l'année dernière, seuls environ dix pour cent ont abouti à une véritable application. Le goulot d'étranglement n'est donc pas le robot, mais la formation, et c'est précisément là que plusieurs projets européens se concentrent actuellement. Audi teste depuis l'annonce du 21 octobre au Production Lab d'Ingolstadt les humanoïdes mobiles d'Agile Robots pour le séquençage des pièces, avec un jumeau numérique de Dassault Systèmes et des bibliothèques de Nvidia. Il s'agit explicitement d'une preuve de concept, sans chiffres de performance et sans délai de déploiement.

Pour la Suisse, c'est le chantier le plus intéressant. Quiconque fabrique ici le fait en petites séries avec de nombreuses variantes, et un robot qui a besoin de centaines d'heures de données d'entraînement pour chaque nouvelle variante est inutilisable dans une telle entreprise, peu importe le prix de la quincaillerie. Le calcul se décide à la durée de formation et non au prix, mais jusqu'à présent, presque tous les fournisseurs ne parlent que du prix. Un chef d'atelier à Zurich ou à Bienne n'a pas besoin d'un humanoïde de 20 000 francs dont l'intégration prend trois mois, mais plutôt d'un que le contremaître peut convertir à la nouvelle série vendredi après-midi.

Berkoukchi énonce sobrement la raison du détour. Il dit qu'il n'y a pas assez de données sur le travail en usine, et pour les robots, il n'y aura longtemps pas de volumes de données à l'échelle d'Internet, comme ceux qui ont développé les grands modèles de langage. Si cela devient une affaire se décide auprès des deux clients industriels non nommés, et notamment sur le fait que les quarante minutes tiennent aussi quand les pièces sont tombées dans le bac. Il y a une phrase sur le blog de l'entreprise qui en dit plus sur l'état de l'art que n'importe quel taux de réussite : si le robot ne reconnaît pas la situation, il s'arrête et demande de l'aide.