Le fait
Fin août 2025, Science Robotics publie la synthèse du débat Oxford-style clôturant ICRA (Atlanta, mai) : « Data will solve robotics and automation: True or false? ». Panel international : Daniela Rus, Russ Tedrake et Leslie Kaelbling (MIT CSAIL), Aude Billard (EPFL), Frank Park (Seoul National University), Animesh Garg (Georgia Tech), modéré par Ken Goldberg (UC Berkeley) — « l’avenir de la robotique s’écrira-t-il en code ou en data ? ». Côté « true », Rus et Tedrake défendent l’apprentissage à grande échelle pour la manipulation en milieux humains imprévisibles. Côté « false », Kaelbling, Billard et Park rappellent modèles, premiers principes et garanties de sécurité. Garg plaide l’hybride.
Contexte
Quarante ans après la première ICRA, la communauté n’a plus une feuille de route unique. Rus : « La physique donne des modèles propres en environnement contrôlé ; dès qu’on sort, les hypothèses s’effondrent. » Son lab construit des datasets multimodaux du quotidien (cuisine CSAIL : trajectoires, couples, regard, forces). Tedrake (TRI / CSAIL) montre qu’en scaleant les démos, un robot bimanual apprend à évider et trancher des pommes variables — et que des comportements de récupération d’erreur émergent sans programmation manuelle : un « sens commun » physique. En face, Kaelbling : sans modèles, des systèmes qui marchent… jusqu’à ce qu’ils cassent. Billard souligne la rareté des données réelles et la variabilité infinie des tâches ; Park insiste sur les biais inductifs issus de la physique et de la biologie.
Pourquoi ça compte
Ce n’est pas un débat académique abstrait : il structure les roadmaps VLA / imitation learning vs stacks model-based / physics-informed, donc les choix d’investissement (collecte de data vs ingénierie de modèles), de sécurité (certification) et de déploiement (maisons, hôpitaux, usines). La manipulation dexterous — pommes, laundry, co-manipulation — est le goulot du physical AI : si la data encode vraiment le « common sense » moteur, les datasets et les fondations embodiment deviennent l’actif stratégique ; sinon, scaler sans structure produit des systèmes fragiles. Le consensus de fait qui émerge : les deux, mais la question du leadership (data d’abord ou modèles d’abord) reste ouverte.
Lecture Neurone21
Neurone21 retient la formule de Tedrake : « Solving robotics is a long-term agenda… we’ll probably need both data and models. » Pour décideurs FR/EU : (1) ne pas opposer data et modèles dans les RFPs — exiger traçabilité, physical priors et couverture long-tail ; (2) investir dans la données d’interaction (force, tactile, multi-plateformes) plutôt que de coller des LLM sur des bras ; (3) lire ce panel comme boussole 2025–2030 pour le « robot brain » européen. À suivre : suites Science Robotics, datasets CSAIL/TRI ouverts, et preuves terrain hors cuisine lab.
Sources : MIT CSAIL — MIT roboticists debate the future of robotics (27/08/2025) · The Robot Report — MIT roboticists debate data and computing · Science Robotics — « Data will solve robotics and automation: True or false? » (août 2025) · Robotics & Automation News (28/08/2025).