Aller au contenu principal
Maniformer lance une plateforme de données d'IA physique tout-en-un pour préparer l'ère de l'AGI
Chine/AsiePandaily 

Maniformer lance une plateforme de données d'IA physique tout-en-un pour préparer l'ère de l'AGI

1 source couvre ce sujet·Source originale ↗·
Résumé IASource uniqueImpact UE

Maniformer, startup chinoise spécialisée dans l'infrastructure de données pour l'IA physique, a officiellement lancé sa plateforme de services de données en un seul guichet, accompagnée de la gamme matérielle MEgo et du système de gouvernance MEgo Engine. La gamme MEgo comprend trois composants : le MEgo Gripper pour la capture de données de manipulation robotique, le MEgo View, un dispositif de collecte portable à tête montée, et le MEgo Engine pour le traitement et la gouvernance des données. Ces outils affichent une précision millimétrique, une synchronisation sub-milliseconde et une perception panoramique supérieure à 300 degrés. Le système est nativement compatible avec le robot G2 Air, garantissant la cohérence entre environnements simulés et réels. Selon Yao Maoqing, président-directeur général, l'entreprise vise une capacité de production de dizaines de millions d'heures de données d'ici 2026, puis des dizaines de milliards d'heures d'ici 2030.

Le problème que Maniformer cherche à résoudre est structurel : les données d'interaction physique réelle disponibles pour l'IA incarnée représentent moins de 1/20 000 de ce qui existe pour les grands modèles de langage. Ce déficit, combiné à l'absence de standards, à des problèmes de qualité hétérogène et à des inadéquations entre offre et demande, freine concrètement la commercialisation des robots autonomes. En proposant une infrastructure full-stack couvrant la télé-opération réelle, la collecte sans robot dédié et la génération synthétique par simulation, Maniformer cherche à décorréler la production de données de la disponibilité des plateformes robotiques elles-mêmes, une approche qui, si elle tient ses promesses, pourrait accélérer significativement le cycle sim-to-real pour les intégrateurs et les équipes R&D. L'analogie revendiquée avec l'électricité ou l'eau comme utilities est ambitieuse ; elle reste à valider à l'échelle industrielle.

L'entreprise s'inscrit dans un contexte de course mondiale aux données d'entraînement pour robots humanoïdes et manipulateurs, où des acteurs comme Physical Intelligence (Pi-0), Boston Dynamics, Figure AI ou Unitree investissent massivement dans leurs propres pipelines de données propriétaires. La stratégie de Maniformer est différente : se positionner en fournisseur tiers d'infrastructure, à la manière d'un AWS pour la donnée physique. L'initiative "Hive" annoncée vise à fédérer des partenaires mondiaux pour co-construire des standards sectoriels, une démarche de standardisation qui, si elle aboutit, pourrait bénéficier à l'ensemble de l'écosystème, y compris aux acteurs européens comme Enchanted Tools ou Wandercraft qui peinent à constituer des datasets suffisants. La prochaine étape annoncée est le déploiement d'un réseau global de collecte de données, sans calendrier précis communiqué au-delà de l'horizon 2026.

Impact France/UE

Si l'initiative 'Hive' de standardisation aboutit, les acteurs européens comme Enchanted Tools ou Wandercraft pourraient bénéficier d'une infrastructure de données partagée pour accélérer leurs pipelines sim-to-real.

À lire aussi

Un CTO cadet chinois lance une plateforme d'IA physique, lève plus de 100 millions de yuans en seed auprès de Yunqi et SenseTime
136Kr 

Un CTO cadet chinois lance une plateforme d'IA physique, lève plus de 100 millions de yuans en seed auprès de Yunqi et SenseTime

Quantum Dynamics (昆腾动力), startup chinoise fondée au premier semestre 2026, vient de boucler un tour d'amorçage dépassant 100 millions de yuans (environ 14 millions de dollars, montant exact non précisé), mené par Yunqi Capital et SenseTime, avec la participation de Duowei Capital à l'incubation et à la construction de l'équipe. Les fonds financeront la R&D en Physical AI, le recrutement et l'expansion internationale. Le fondateur et CEO, Li Qiang, a passé dix-sept ans chez Alibaba : CTO de Cainiao Group, puis CTO de la division commerce international du groupe, tout en dirigeant simultanément l'unité de véhicules autonomes de Cainiao, à la tête d'équipes R&D de plusieurs milliers de personnes réparties dans le monde, avec des partenariats noués avec les services postaux de 200 pays. L'entreprise cible l'entrepôt logistique comme point d'entrée : en 2026, réapprovisionnement, picking et emballage dans des entrepôts B2C et e-commerce de taille moyenne, en priorité sur des SKU standardisés de cosmétique et pharmacie, en mode mixte humain-robot ; en 2027, extension vers des sites de messagerie plus complexes, puis les lignes de production industrielle, le commerce de détail, le tri pharmaceutique, les services commerciaux et, à terme, l'assistance à domicile. Cette annonce illustre un basculement plus large de la course au Physical AI, désormais jugée sur la profondeur des données réelles collectées plutôt que sur la taille des modèles. Selon IDC, les dépenses des utilisateurs chinois en robots à intelligence incarnée devraient dépasser 1,4 milliard de dollars en 2025 et atteindre 77 milliards de dollars en 2030, soit une croissance annuelle moyenne de 94 %. Le pari de Quantum Dynamics repose sur un constat simple : contrairement au texte ou à l'image, les données du monde physique ne peuvent pas être aspirées en masse sur le web. Celui qui déploie le plus de robots réels en premier accumule donc un avantage propriétaire en données, une logique que Li Qiang compare explicitement à celle de Tesla FSD ou de Claude, où l'échelle du parc déployé nourrit un apprentissage par renforcement en boucle continue. Pour les intégrateurs et décideurs B2B, le signal est clair : plutôt que d'attendre un modèle généraliste abouti, l'entreprise mise sur une commercialisation étroite et rapide en entrepôt pour amorcer sa boucle de données, un pari sur l'exécution plus que sur la démonstration. Le contexte est celui d'un salon WAIC 2026 qui vient de s'achever, où les démonstrations spectaculaires de robots dansant ou faisant des saltos attirent toujours les foules, mais où les stands reproduisant des lignes d'usine automobile ou de tri logistique concentrent désormais tout autant l'attention, signe d'un secteur qui bascule du spectacle vers l'exploitation réelle. Li Qiang incarne un profil de fondateur distinct des deux archétypes dominants du secteur, issus soit de la conduite autonome soit de laboratoires de recherche de pointe type Neo Lab : son bagage vient de l'opérationnel logistique et international. Aucun acteur français ou européen n'apparaît dans cette opération. À ce stade, il s'agit d'une levée d'amorçage adossée à une stratégie et une architecture technique détaillées (modèle monde-action, correction en temps réel, apprentissage par renforcement en flotte) mais sans volumes de déploiement ni noms de clients pilotes rendus publics.

Chine/AsieActu
1 source
BrainCo dévoile une plateforme robotique "contrôlée par la pensée" à la Conférence mondiale sur l'IA en Chine
2SCMP Tech 

BrainCo dévoile une plateforme robotique "contrôlée par la pensée" à la Conférence mondiale sur l'IA en Chine

BrainCo, licorne technologique chinoise spécialisée dans les interfaces cerveau-machine, a dévoilé vendredi à Shanghai sa "Brain-Controlled Robot AI Platform", présentée par l'entreprise comme la première plateforme intégrée permettant de piloter un robot par la pensée, sans le moindre mouvement musculaire. L'annonce a eu lieu lors de la World Artificial Intelligence Conference (WAIC), le rendez-vous phare de l'IA en Chine. Le communiqué de BrainCo revendique un système de contrôle cerveau-vers-robot inédit, mais aucune donnée technique précise (latence de commande, nombre de commandes reconnues, plateforme robotique associée, taux de fiabilité) n'a été communiquée à ce stade, ce qui invite à traiter la démonstration comme une vitrine plutôt qu'un produit validé en conditions réelles. Pour l'industrie robotique, cette annonce s'inscrit dans la course mondiale à l'IA incarnée (embodied AI), où les grands acteurs cherchent à coupler perception, cognition et contrôle moteur dans des systèmes de plus en plus autonomes. Une interface cerveau-machine capable de piloter un robot ouvrirait des usages potentiels en assistance aux personnes à mobilité réduite, en téléopération industrielle ou en environnements dangereux, mais l'écart entre une démonstration de conférence et un déploiement commercial fiable reste généralement important dans ce secteur, notamment sur les questions de robustesse du signal neuronal et de généralisation hors laboratoire. BrainCo s'est bâtie ces dernières années sur les technologies de casques et prothèses à interface cerveau-ordinateur, avant d'élargir son positionnement vers la robotique incarnée, un mouvement suivi par plusieurs laboratoires chinois et américains investissant dans les modèles vision-langage-action (VLA) et le contrôle neuronal. La WAIC de Shanghai, vitrine annuelle des ambitions chinoises en IA, sert régulièrement de tremplin à ce type d'annonce ; les prochaines étapes attendues concernent la publication de spécifications techniques et d'éventuels partenariats industriels pour valider la plateforme au-delà de la démonstration.

Chine/AsieActu
1 source
DeepMotor : une startup de Pékin mise sur les données en première personne pour une IA incarnée générale
3Pandaily 

DeepMotor : une startup de Pékin mise sur les données en première personne pour une IA incarnée générale

DeepMotor, une startup pékinoise fondée par Chen Kai au début 2025, développe une approche d'intelligence artificielle incarnée (embodied AGI) basée sur l'entraînement à partir de vidéos en première personne capturées par des humains. Au lancement, la thèse de l'entreprise n'a convaincu ni les investisseurs domestiques ni la majorité du secteur : pourquoi parier sur une méthode que même les géants américains n'avaient pas encore validée ? La startup a levé plusieurs centaines de millions de RMB et poursuit aujourd'hui un déploiement accéléré. La chronologie des validations industrielles donne la mesure de son avance : en mai 2025, Tesla a annoncé réorienter l'entraînement d'Optimus vers des données vidéo humaines. En juin 2025, GeneralistAI a présenté une démo d'apprentissage imitatif robotique, puis a confirmé les lois de mise à l'échelle avec 270 000 heures de données humaines réelles collectées sur le terrain. FigureAI a de son côté annoncé des partenariats avec des opérateurs immobiliers commerciaux pour collecter des flux en première personne. En février 2026, NVIDIA a publié EgoScale, un modèle pré-entraîné sur 20 000 heures de vidéo première personne destiné à la manipulation dextre. L'importance de cette séquence dépasse le simple calendrier. Elle valide l'hypothèse centrale de DeepMotor : la vidéo en vue égocentrique est le signal d'apprentissage le plus dense pour combler le sim-to-real gap en robotique généraliste. Chaque acteur majeur converge vers cette approche non par choix idéologique, mais parce que les benchmarks internes le forcent. Pour les intégrateurs industriels et les décideurs B2B, cela signifie que la prochaine génération de robots manipulateurs ne sera pas entraînée dans des simulateurs mais sur des flux de travail humains réels, ce qui redéfinit les exigences en matière de collecte de données et de gouvernance des contenus vidéo. DeepMotor s'inscrit dans un écosystème robotique chinois en forte accélération, concurrent direct d'Unitree, d'Agibot et des branches robotique de Baidu et Tencent, mais avec une orientation plus fondamentale sur la couche de données brutes plutôt que sur le hardware. La startup a devancé d'environ un an le consensus industriel mondial sur l'approche egocentric data, ce qui lui confère une position de référence potentielle si elle parvient à publier ses propres scaling laws ou à ouvrir un dataset. Les prochaines étapes probables incluent la publication de résultats comparatifs et des partenariats avec des fabricants de robots humanoides pour valider le transfert de politique sur des plateformes tiers. La source originale (Waves/暗涌) reste un media chinois spécialisé, et les chiffres de levée ne sont pas précisément détaillés.

UELe basculement de l'industrie vers les données vidéo égocentristes comme signal d'entraînement de référence redéfinira les exigences de collecte de données et de gouvernance vidéo pour les intégrateurs et fabricants de robots européens, sans acteur français ou européen directement impliqué à ce stade.

Chine/AsieOpinion
1 source
Ant Group dévoile sa stratégie duale VLA et modèles d'action du monde pour l'IA physique, écosystème open source et défi des données
4Pandaily 

Ant Group dévoile sa stratégie duale VLA et modèles d'action du monde pour l'IA physique, écosystème open source et défi des données

Ant Group a fondé en décembre 2024 Ant LingBot, filiale à 100 % basée à Shanghai et bras armé du groupe dans l'IA physique, où plus de 90 % des effectifs sont titulaires d'un master ou d'un doctorat. Dirigée par le PDG Zhu Xing et le scientifique en chef Shen Yujun, l'entreprise a présenté six modèles d'IA incarnée en open source lors du WAIC 2026, couvrant vision, vidéo, perception spatiale, manipulation, modèles du monde et modèles d'action du monde. Sa stratégie technologique repose sur deux voies parallèles. La première, VLA (vision language action), incarnée par LingBot-VLA 2.0, suit l'architecture dominante du secteur, celle qu'utilisent aussi Figure ou la série RT de Google DeepMind. La seconde, portée par LingBot-VA 2.0, prédit l'évolution du monde avant de générer une action ; présenté comme le premier modèle d'action du monde nativement incarné du secteur, il est entraîné from scratch sur une architecture autorégressive atteignant 150 Hz d'inférence temps réel sur un seul GPU, avec tokenisation sémantique visuelle-action, pré-entraînement causal strict, architecture MoE et inférence asynchrone permettant au robot de prédire ses états futurs tout en exécutant l'action en cours, avec un temps de réponse de 6,7 millisecondes, contre 300 à 400 millisecondes pour un clignement d'œil humain. Plus d'une dizaine de fabricants ont noué des partenariats, dont Unitree Robotics, Xinghaitu et Leju Robotics, dont le KUAVO 4 Pro a été adapté à LingBot-VLA sur 95 scénarios de manipulation réels. LingBot commercialise aussi son propre robot de service, le Robbyant R1, destiné aux usages domestiques, à la santé et aux personnes âgées, mais dont les volumes livrés restent limités. Ce choix d'ouvrir intégralement poids, code, outils de post-entraînement et benchmarks d'évaluation, à un moment où les standards techniques de l'IA incarnée restent instables, vise à faire de LingBot une base logicielle partagée entre plateformes matérielles hétérogènes. Mais la principale contrainte du secteur demeure la donnée : contrairement aux LLM entraînés sur des billions de tokens textuels, les données d'interaction physique ne s'accumulent que par l'exploitation réelle de robots. LingBot compense en s'appuyant sur les données de ses partenaires (Unitree, Leju, Xinghaitu) plutôt qu'en opérant sa propre flotte, une dépendance qui fragilise sa position à mesure que ces mêmes partenaires développent leurs propres capacités IA. Cette approche intégrale, du modèle cerveau au modèle du monde jusqu'au déploiement matériel, distingue LingBot des autres géants technologiques chinois. Alibaba, Tencent, Huawei, JD.com et Meituan privilégient tous des stratégies plus ciblées, et Ant Group entre en outre en concurrence avec d'autres initiatives affiliées à Alibaba. LingBot constitue ainsi un test grandeur nature : une entreprise de la fintech peut-elle incuber une activité robotique viable, et l'open source combiné à l'emprunt de données suffira-t-il à surmonter les limites structurelles de l'IA incarnée ?

Chine/AsieOpinion
1 source