C'est quoi un modèle Vision-Language-Action (VLA) ?

Un VLA est un modèle d'IA qui prend en entrée ce que le robot voit (vision) et une instruction en langage naturel (language), et produit en sortie les commandes motrices pour contrôler le robot (action). C'est l'équivalent d'un LLM pour les chatbots, mais au lieu de générer du texte, il génère des mouvements. Un seul modèle contrôle tout le corps, des pieds aux doigts.

Gemini Robotics 2 peut contrôler quels robots ?

Gemini Robotics 2 est un VLA multi-embodiment : il peut contrôler des humanoïdes complets (comme l'Apollo 2 d'Apptronik), des robots bi-bras, des robots tabletop. Google DeepMind annonce qu'il s'adapte à un nouveau robot en quelques heures avec moins de 200 exemples de démonstration, même si le robot a une forme et des capteurs très différents.

Est-ce que les robots humanoïdes sont autonomes aujourd'hui ?

Pas encore. Les démonstrations de Figure Helix 02 (décharger un lave-vaisselle en 4 minutes) et de Gemini Robotics 2 (ranger une pièce en marchant) sont des tâches autonomes, mais en environnement contrôlé. Les robots restent lents, font des erreurs, et ont besoin de supervision humaine pour les tâches critiques. Les progrès sont réels mais le déploiement grand public n'est pas imminent.

Quelle est la différence entre Helix 02 de Figure et Gemini Robotics 2 de Google ?

Figure Helix 02 utilise une architecture à trois couches : System 0 (équilibre et coordination du corps entier à 1 kHz, entraîné sur 1000h de données humaines), System 1 (perception et mouvement à 200 Hz) et System 2 (raisonnement et langage). Gemini Robotics 2 sépare aussi le raisonnement (Gemini Robotics ER 2) de l'action (VLA) et ajoute un modèle on-device. Les deux approches convergent : un modèle de raisonnement en haut, un modèle de contrôle en bas.

Est-ce que je peux utiliser ces modèles sur mon propre robot ?

NVIDIA Isaac GR00T N1.7 est open et disponible sur Hugging Face. Le modèle Psi0 de Physical Superintelligence Lab est aussi open-source (2700+ stars sur GitHub). Les modèles de Google et Figure sont en accès privé ou limité aux partenaires. Pour expérimenter, les modèles NVIDIA et les frameworks open-source comme HEX sont les plus accessibles.

Actualité · Robots IA

Les LLMs deviennent le cerveau des robots humanoïdes (voici comment ça marche)

12 août 2026 · 6 min de lecture

Illustration aquarelle d'un petit robot astronaute violet installant un cerveau lumineux dans un grand robot humanoïde, symbolisant les LLMs comme cerveau des robots

Un robot humanoïde rentre dans une cuisine, ouvre un lave-vaisselle, en sort les assiettes, marche jusqu'au placard, les range, revient, charge le lave-vaisselle et le lance. Quatre minutes, zéro intervention humaine. C'est la démo de Helix 02, publiée le 27 janvier 2026 par Figure. Six mois plus tard, Google DeepMind sort Gemini Robotics 2, qui contrôle un humanoïde des pieds aux doigts. NVIDIA publie GR00T N1.7, un VLA ouvert. Un lab indépendant sort Psi0, 2700 étoiles GitHub en quelques semaines.

Ce que ces annonces ont en commun : un seul modèle d'IA prend ce que le robot voit et une instruction en langage naturel, et produit les commandes motrices pour tout le corps. Pas de code écrit à la main. Pas de contrôleur séparé pour marcher, un autre pour attraper, un troisième pour équilibrer. Un seul réseau de neurones, des pieds aux doigts.

C'est la même bascule que les LLMs ont fait pour le texte en 2023. Avant, tu avais un pipeline : un modèle pour la syntaxe, un pour la sémantique, un pour la cohérence. Après, tu as un seul modèle qui fait tout. Pour les robots, ce moment arrive maintenant.

Le problème que les VLA résolvent

Un robot humanoïde traditionnel, c'est de la tuyauterie. Un contrôleur pour la marche (PID, MPC), un autre pour la manipulation (planification de trajectoire), un autre pour l'équilibre (feedback control). Ces contrôleurs sont écrits à la main, testés un par un, et quand tu veux changer de robot, tu recommence.

Le problème fondamental, c'est que la marche et la manipulation ne sont pas indépendantes. Tu lèves quelque chose de lourd, ton équilibre change. Tu avances, ton reach change. Bras et jambes se contraignent en permanence. Les architectures traditionnelles gèrent ça avec des machines à états : marcher, stopper, stabiliser, atteindre, saisir, remarcher. Les transitions sont lentes, fragiles, et peu naturelles.

Figure décrit bien ce problème dans leur post Helix 02 : les humanoïdes démontrent des comportements impressionnants (sauter, danser, faire du yoga), mais presque tous partagent la même limite. Ils ne sont pas vraiment pilotables. La plupart rejouent des mouvements planifiés hors ligne avec peu de feedback. Si un objet bouge ou si le contact se passe différemment, le comportement casse.

Un VLA (Vision-Language-Action) attaque le problème différemment. Un seul réseau de neurones prend la vision (ce que les caméras voient), le langage (l'instruction), la proprioception (les capteurs internes du robot), et produit les commandes pour chaque articulation. Pas de machine à états. Le modèle raisonne sur le corps entier d'un coup.

Les trois couches qui font marcher un humanoïde

Le pattern qui émerge chez Figure et Google est clair : séparer le raisonnement de l'action en couches, chacune à sa fréquence.

Couche haute : raisonnement et langage. Chez Figure, c'est System 2. Chez Google, c'est Gemini Robotics ER 2. Cette couche comprend la scène, interprète l'instruction ("range la pièce"), planifie les étapes, et peut communiquer avec un humain. Elle tourne à quelques Hz. Avant, "range la pièce" était une instruction impossible à donner à un robot. Maintenant, le modèle la décompose en sous-tâches.

Couche milieu : perception et mouvement. Chez Figure, c'est System 1 (200 Hz). Chez Google, c'est le VLA Gemini Robotics 2. Cette couche connecte les capteurs (caméras, toucher, proprioception) aux articulations. Elle prend les objectifs de la couche haute et les traduit en cibles articulaires. C'est le "all sensors in, all actuators out" de Figure : chaque caméra, chaque capteur tactile alimente un seul réseau qui contrôle chaque joint.

Couche basse : équilibre et coordination. C'est System 0 chez Figure, entraîné sur plus de 1000 heures de données de mouvement humain. Un réseau de 10M de paramètres qui tourne à 1 kHz et remplace 109 504 lignes de C++ écrits à la main. Chez Google, c'est géré dans le VLA directement, avec des techniques de "motion transfer" qui s'adaptent à de nouveaux robots en quelques heures.

La hiérarchie se résume à : le haut décide quoi faire, le milieu traduit en mouvements, le bas garde le robot debout. Ce n'est pas nouveau en robotique. Ce qui est nouveau, c'est que chaque couche est un réseau de neurones appris, pas du code écrit à la main.

Ce que Gemini Robotics 2 change

Google DeepMind a publié Gemini Robotics 2 le 30 juillet 2026. Trois modèles dans la famille :

Gemini Robotics 2 (VLA) : contrôle des humanoïdes complets, des pieds aux doigts. Multi-embodiment, ça veut dire qu'il peut contrôler des robots de formes différentes. Démonstrations sur l'Apollo 2 d'Apptronik : marcher vers une table, ramasser un arrosoir, aller le poser sur une étagère. Il contrôle aussi des mains à 5 doigts et 22 degrés de liberté (fermer un Ziploc, nouer un sac, dévisser une ampoule).
Gemini Robotics ER 2 : le modèle de raisonnement. Comprend les étapes d'une tâche, sait quand une tâche commence et finit, peut coordonner plusieurs robots. Le "cerveau" qui parle au VLA.
Gemini Robotics On-Device 2 : le VLA optimisé pour tourner localement sur le robot, sans connexion réseau. S'adapte à un nouveau robot avec moins de 200 exemples en quelques heures.

Le point sur la sécurité est nouveau. Google introduit ASIMOV-Agentic, un benchmark qui mesure si le modèle de raisonnement peut refuser des actions dangereuses demandées par le VLA, et s'il sait demander une intervention humaine quand il est incertain. Gemini Robotics ER 2 détecte mieux la présence d'humains à proximité et peut déclencher un arrêt de sécurité.

Ce que Figure Helix 2 apporte en plus

Figure a pris une direction différente mais convergente. Helix 02, publiée le 27 janvier 2026, contrôle le corps entier d'un seul réseau, avec trois particularités :

System 0, leur couche basse, est entraîné sur 1000 heures de mouvement humain retargeted. Pas de fonctions de récompense écrites à la main. Le modèle apprend à reproduire des mouvements humains et, ce faisant, apprend à coordonner les forces, ajuster la posture, maintenir l'équilibre.
Capteurs de paume et tactiles : Figure 03 a des caméras dans les paumes et des capteurs tactiles dans chaque doigt qui détectent des forces de 3 grammes (suffisant pour sentir un trombone). Le VLA utilise ces capteurs pour des manipulations fines impossible avant : extraire des pilules individuelles, dispenser des volumes précis de seringue, trier des petits objets dans le désordre.
Tâche longue durée : la démo du lave-vaisselle (4 minutes, centaines de décisions) est, selon Figure, la tâche la plus longue et complexe réalisée en autonomie par un humanoïde à ce jour.

Le côté open : NVIDIA et Psi0

NVIDIA publie Isaac GR00T N1.7, un VLA ouvert pour humanoïdes disponible sur Hugging Face. Le modèle est cross-embodiment (entraîné sur plusieurs robots) et prend entrées multimodales (langage + images). C'est la version la plus accessible pour expérimenter.

Le lab Physical Superintelligence Lab a sorti Psi0, un VLA pour humanoïdes open-source qui a récolté 2700 étoiles sur GitHub en quelques semaines. Le repo HEX d'Open-X-Humanoid propose un framework whole-body pour humanoides complets. L'open source rattrape le frontier en robotique, comme il l'a fait pour les LLMs.

Un exemple chez Maisons&Mobilia

Pierre, développeur chez Maisons&Mobilia (M&M, enseigne de meubles fictive), suit les démos de robots humanoïdes. M&M a un entrepôt où des employés rangent des meubles livrés en kit. Aujourd'hui, un préparateur de commande passe 20 minutes à identifier les pièces d'un meuble, les trier, et les placer sur le chariot.

Un humanoïde avec un VLA pourrait, en théorie, recevoir l'instruction "prépare le kit armoire Björken pour l'expédition", identifier les pièces visuellement, les saisir avec des mains à 5 doigts, les ranger dans le bon ordre sur le chariot, et s'arrêter si un humain passe à côté.

La réalité aujourd'hui : le robot serait trop lent (les humanoïdes VLA marchent à vitesse réduite), ferait des erreurs sur les pièces qui se ressemblent, et coûterait plus cher qu'un préparateur humain. Mais la trajectoire est claire. Google dit que ses robots "ont encore à progresser en vitesse de mouvement". Figure montre 4 minutes pour un lave-vaisselle. Un humain met 90 secondes.

L'écart se réduit. Pas vite, mais il se réduit.

Ce que ça change pour toi

Tu n'achèteras pas un humanoïde cette année. Mais ce qui se passe avec les VLA suit exactement la même courbe que les LLMs en 2023 :

Un modèle unifié remplace des pipelines codés à la main.
L'open source rattrape le frontier en quelques mois.
Les capacités augmentent vite, les coûts baissent.
Les cas d'usage sont d'abord industriels (entrepôts, fabrication), puis grand public.

La différence : un LLM qui hallucine génère du texte faux. Un VLA qui hallucine fait tomber le robot, casse un objet, ou pire. Les enjeux de sécurité sont plus élevés, et les benchmarks comme ASIMOV-Agentic de Google le montrent. C'est pour ça que le déploiement sera plus lent que pour les chatbots.

Mais la direction est claire. Les contrôleurs robotiques écrits à la main sont en train de devenir ce que les pipelines NLP étaient avant les LLMs : une approche qui marche, qui est dépassée, et que personne ne regrettera.

Aller plus loin

Pour comprendre comment les agents IA utilisent des modèles pour prendre des décisions, notre article sur comment fonctionne un agent IA pose les bases. Pour voir comment les LLMs transforment des tâches qui n'avaient rien à voir avec le texte, le guide sur les usages concrets de l'IA générative donne des exemples par métier. Et pour t'entraîner à ces notions en 5 minutes par jour, l'app saisir.ai propose des modules interactifs sur les agents, les LLMs et le tool use, en français, sans coder.

Sources

Questions fréquentes

C'est quoi un modèle Vision-Language-Action (VLA) ?: Un VLA est un modèle d'IA qui prend en entrée ce que le robot voit (vision) et une instruction en langage naturel (language), et produit en sortie les commandes motrices pour contrôler le robot (action). C'est l'équivalent d'un LLM pour les chatbots, mais au lieu de générer du texte, il génère des mouvements. Un seul modèle contrôle tout le corps, des pieds aux doigts.
Gemini Robotics 2 peut contrôler quels robots ?: Gemini Robotics 2 est un VLA multi-embodiment : il peut contrôler des humanoïdes complets (comme l'Apollo 2 d'Apptronik), des robots bi-bras, des robots tabletop. Google DeepMind annonce qu'il s'adapte à un nouveau robot en quelques heures avec moins de 200 exemples de démonstration, même si le robot a une forme et des capteurs très différents.
Est-ce que les robots humanoïdes sont autonomes aujourd'hui ?: Pas encore. Les démonstrations de Figure Helix 02 (décharger un lave-vaisselle en 4 minutes) et de Gemini Robotics 2 (ranger une pièce en marchant) sont des tâches autonomes, mais en environnement contrôlé. Les robots restent lents, font des erreurs, et ont besoin de supervision humaine pour les tâches critiques. Les progrès sont réels mais le déploiement grand public n'est pas imminent.
Quelle est la différence entre Helix 02 de Figure et Gemini Robotics 2 de Google ?: Figure Helix 02 utilise une architecture à trois couches : System 0 (équilibre et coordination du corps entier à 1 kHz, entraîné sur 1000h de données humaines), System 1 (perception et mouvement à 200 Hz) et System 2 (raisonnement et langage). Gemini Robotics 2 sépare aussi le raisonnement (Gemini Robotics ER 2) de l'action (VLA) et ajoute un modèle on-device. Les deux approches convergent : un modèle de raisonnement en haut, un modèle de contrôle en bas.
Est-ce que je peux utiliser ces modèles sur mon propre robot ?: NVIDIA Isaac GR00T N1.7 est open et disponible sur Hugging Face. Le modèle Psi0 de Physical Superintelligence Lab est aussi open-source (2700+ stars sur GitHub). Les modèles de Google et Figure sont en accès privé ou limité aux partenaires. Pour expérimenter, les modèles NVIDIA et les frameworks open-source comme HEX sont les plus accessibles.