Le pari à 1 milliard de dollars de Figure transforme les corvées en données pour robots

Une place de marché pour apprendre aux robots

La nouvelle annonce de Figure AI n’est pas une simple démonstration de robot humanoïde. C’est une tentative de transformer le comportement humain quotidien en infrastructure industrielle. Le 25 août 2026, l’entreprise a sorti Index de sa phase discrète et l’a présenté comme un pipeline exclusif destiné à collecter les données physiques réelles nécessaires à l’entraînement de Helix, sa pile d’intelligence artificielle pour robots [1]. L’idée est simple: des humains accomplissent des tâches ordinaires, des caméras enregistrent ces gestes, des logiciels filtrent et annotent les vidéos, puis ces données servent à apprendre aux robots comment le monde physique fonctionne réellement [1].

L’échelle revendiquée par Figure est rare dans l’IA incarnée. L’entreprise dit avoir dépassé 264 000 téléchargements de l’application dans 108 pays, compter plus de 44 000 utilisateurs actifs hebdomadaires et avoir déjà reçu plus de 16 millions de vidéos de la part de contributeurs qu’elle appelle des “Creators” [1]. Elle affirme que l’application traite 30 minutes de vidéos envoyées chaque seconde, soit l’équivalent de 4,9 années de travail humain téléversées chaque jour [1]. Figure indique aussi avoir versé 15 millions de dollars aux créateurs et s’engage à dépenser plus de 1 milliard de dollars au cours des douze prochains mois en données et en puissance de calcul [1].

Index n’est donc pas un produit annexe. C’est la réponse de Figure à l’un des obstacles les plus difficiles de la robotique: donner à une machine assez d’exemples de cuisines, chambres, rayonnages, cartons, plantes, linge, outils et mains humaines pour qu’elle puisse agir utilement et prudemment hors d’un laboratoire parfaitement contrôlé. Figure soutient que l’internet existant ne contient pas les bonnes données pour les robots généralistes, car l’ingrédient manquant n’est pas du texte ou de l’image fixe, mais un échantillon mondial de physique capturée dans des environnements réels [1].

Comment fonctionne Index

Index est à la fois une application de collecte de données et une place de marché de travail. Selon Figure, n’importe qui peut devenir créateur et enregistrer des tâches réelles chez soi ou sur son lieu de travail, tandis que des clients peuvent aussi réserver un créateur via l’application pour faire venir quelqu’un qui accomplira des corvées domestiques ou des tâches professionnelles [1]. Les exemples cités par l’entreprise incluent faire les lits, plier le linge, servir des clients dans un café, remplir des rayons, nettoyer, cuisiner et d’autres tâches ménagères ou commerciales [1].

Spatial Insider a décrit l’application comme un outil permettant à des contributeurs approuvés d’enregistrer du travail quotidien pour les robots humanoïdes de Figure, avec des vidéos couvrant la cuisine, le nettoyage, la mise en rayon, la réparation d’équipements et d’autres tâches physiques réalisées dans de vraies maisons et de vrais lieux de travail [3]. Gate a résumé le lancement comme une initiative sur iOS et Android destinée à collecter des données de tâches réelles auprès d’utilisateurs du monde entier pour entraîner des robots humanoïdes [4]. En pratique, Figure essaie de convertir une activité humaine dispersée en ressource d’entraînement structurée.

La description technique du pipeline est essentielle, car une vidéo brute n’est pas automatiquement utile à un robot. Figure indique que chaque enregistrement passe par cinq étapes: filtrage, examen de fraude, déduplication, rééquilibrage et annotation [1]. Des filtres automatisés vérifient la qualité technique, visuelle et sémantique; des analystes humains auditent des échantillons au niveau des utilisateurs pour détecter les tentatives de contournement; les clips trop similaires sont supprimés pour préserver la diversité; le reste est rééquilibré selon des quotas de tâches et des regroupements par embeddings; puis des légendes textuelles hiérarchiques sont générées pour chaque épisode [1].

Figure affirme que chaque tranche de 1 000 heures collectées contient 373 tâches uniques, 1 146 objets manipulés uniques et 116 environnements uniques [1]. Ces chiffres sont importants parce que les échecs robotiques surgissent souvent dans les cas rares: une poignée de tiroir inhabituelle, une serviette molle, une tasse de forme étrange, un plan de travail encombré, un garage mal éclairé, une table de restaurant après un service intense. Un humanoïde entraîné seulement dans une cuisine modèle peut impressionner en démonstration; un humanoïde exposé à des milliers de logements et d’entreprises idiosyncrasiques a davantage de chances de reconnaître que le monde réel ressemble rarement à un plateau de démo.

La thèse du milliard de dollars

Forbes a présenté l’annonce comme un triple pari: le volume et la diversité seraient décisifs, la vidéo passive ou égocentrique fournirait assez de signal pour transférer des compétences aux robots, et les données synthétiques ne suffiraient pas à résoudre le problème [2]. Le langage public de Figure va clairement dans ce sens. L’entreprise dit que les fournisseurs de données n’ont pas atteint le niveau de débit, de diversité ou de qualité exigé par Helix, ce qui l’a conduite à construire elle-même son système de collecte [1]. Elle affirme aussi que les données nécessaires à un robot véritablement généraliste doivent venir du monde réel plutôt que de l’internet existant [1].

C’est une prise de position stratégique. Dans l’IA du langage, les lois d’échelle ont rendu plausible l’idée que plus de données et plus de calcul améliorent de façon relativement prévisible les performances. La robotique est plus désordonnée. Un robot doit comprendre non seulement ce qu’est un objet, mais aussi son poids probable, sa capacité à se déformer, la force à appliquer, l’intention du démonstrateur humain et le mouvement qui restera sûr autour d’autres personnes. La vidéo d’une personne pliant une chemise ne contient pas directement les commandes articulaires du robot, la pression d’une pince ou les mesures de force et de couple. La valeur d’Index dépendra donc de la capacité de Figure à transformer la vidéo humaine en représentations exploitables par Helix pour piloter des machines.

Forbes a opposé la stratégie de Figure, centrée sur le réel, aux approches qui s’appuient fortement sur la simulation et les données synthétiques, en citant la stratégie d’IA physique de Nvidia comme contre-exemple moins coûteux et plus rapide [2]. Cette tension est centrale dans le secteur. La simulation peut produire des variations infinies, mais elle risque de manquer les bizarreries physiques qui rendent les maisons et les entreprises difficiles. La vidéo réelle capture ces cas limites, mais elle est chère, bruyante et seulement partiellement annotée si le pipeline ne parvient pas à en extraire la bonne structure.

Figure choisit donc d’acheter le réel à grande échelle. Son engagement de 1 milliard de dollars n’est pas seulement un budget de calcul; c’est aussi l’aveu que la robotique humanoïde a peut-être besoin d’une nouvelle chaîne d’approvisionnement en données. Si les grands modèles de langage ont été entraînés sur le web, les robots généralistes pourraient être entraînés sur des enregistrements rémunérés de personnes faisant la vaisselle, déplaçant des cartons, refaisant des lits ou rangeant des pièces.

Ce que cela révèle du marché domestique

Le mélange des tâches donne une indication claire de la feuille de route. Figure mentionne les centres logistiques, les restaurants, les usines et les bureaux, mais les exemples qu’elle met souvent en avant relèvent des corvées domestiques: cuisiner, nettoyer, faire la lessive, faire les lits, arroser les plantes, ranger les courses ou sortir les poubelles [1][2]. Spatial Insider a aussi noté que les enregistrements ciblent des tâches à domicile et au travail, et que l’objectif plus large de Figure est de créer un réseau capable d’envoyer aujourd’hui des humains faire ces tâches, puis demain des robots [3].

C’est crucial, car le domicile est l’un des marchés les plus difficiles de la robotique. Les usines sont structurées. Les entrepôts peuvent standardiser les bacs, les trajets et l’éclairage. Les restaurants et les commerces restent variables, mais ils sont en partie conçus pour un travail répétable. Les maisons, elles, sont différentes: chaque logement possède son propre plan, son désordre, ses surfaces, ses animaux, ses appareils, ses objets fragiles et ses règles sociales. La raison pour laquelle un humanoïde domestique aurait tant de valeur est aussi la raison pour laquelle il est si difficile à construire.

Index n’est donc pas seulement un jeu de données. C’est une carte des lieux où Figure veut probablement déployer ses robots. En collectant des vidéos dans des cuisines, chambres, salons, cafés, rayons de magasin et arrière-boutiques, l’entreprise essaie d’enseigner à son IA les espaces dans lesquels un humanoïde généraliste devra travailler. Figure le dit explicitement dans sa section consacrée aux prochaines étapes: Index prépare la commande de robots comme service, avec des personnes qui aident aujourd’hui à nettoyer les maisons et des robots qui feront éventuellement ce travail [1].

Le paradoxe du travail

Index soulève aussi une question sociale plus nette que la plupart des démonstrations robotiques. Les personnes payées pour créer le jeu de données enregistrent peut-être précisément les tâches que Figure espère confier plus tard à des robots. L’entreprise les appelle créateurs, et le mot n’est pas neutre: il inscrit ce travail dans l’économie des créateurs plutôt que dans le vocabulaire plus ancien de l’annotation de données ou du gig work [1]. Mais la structure économique reste familière. Des personnes accomplissent de petites unités de travail, la plateforme coordonne la demande, et le résultat devient un actif détenu par l’entreprise.

Le bénéfice immédiat est réel pour les participants acceptés et rémunérés. Figure affirme que les créateurs ont déjà gagné 15 millions de dollars [1]. La question plus large est celle du partage de la valeur si les données produites contribuent à automatiser de futurs emplois de service. Si un créateur filme aujourd’hui la lessive, la vaisselle ou la mise en rayon, et si ces vidéos entraînent demain un robot concurrent pour ces mêmes tâches, Index devient à la fois une source de revenu et un mécanisme potentiel de substitution.

La vie privée est un autre point de friction. Spatial Insider a rapporté que la politique de confidentialité d’Index couvre les données de localisation ainsi que les photos, vidéos, sons et autres enregistrements du créateur et de son environnement, et qu’elle permet la divulgation ou la vente de données personnelles à des acheteurs commerciaux pour des usages incluant le marketing, l’analyse, la recherche et le développement de produits, avec une procédure d’opposition [3]. Cet aspect compte parce qu’Index ne collecte pas des données abstraites. Il collecte des images et des sons provenant de maisons et de lieux de travail, souvent les environnements physiques les plus privés.

Les questions ouvertes

Les chiffres de Figure impressionnent, mais la preuve de performance reste à publier. Spatial Insider a souligné que l’entreprise n’a pas encore montré dans quelle mesure Index améliore Helix ni publié de résultats de performance liés à ce nouveau jeu de données [3]. Figure affirme que ses résultats internes de généralisation valident déjà sa thèse et qu’elle partagera bientôt plus de détails [1]. Pour l’instant, le secteur dispose surtout de métriques d’échelle, pas d’une preuve publique de compétence.

Les questions restantes sont techniques, commerciales et éthiques. Techniquement, Figure peut-elle convertir d’immenses volumes de vidéos humaines en comportements robotiques fiables? Commercialement, une opération de données à 1 milliard de dollars peut-elle produire des robots assez utiles pour justifier la dépense? Éthiquement, un système qui filme des espaces privés et paie des humains pour entraîner de possibles remplaçants peut-il gagner une confiance durable?

L’importance d’Index tient au fait que Figure ne présente plus seulement les humanoïdes comme du matériel. Elle construit autour d’eux une raffinerie de données humaines. Si le pari réussit, les corvées et missions filmées en 2026 pourraient devenir la matière première d’une nouvelle génération de robots généralistes. S’il échoue, Index restera peut-être comme un avertissement sur la difficulté de traduire le mouvement humain en compétence machine. Dans tous les cas, Figure rend la course robotique plus concrète: avant que les humanoïdes puissent travailler comme des humains, les entreprises auront peut-être besoin de millions d’humains pour leur montrer comment faire.

Sources des dernières 72 heures

1. [1]Introducing Index: Building The World’s Largest and Most Diverse Physical Dataset25 août 2026, 00:00 UTC
2. [2]Figure’s Billion-Dollar Bet: Gig Platform For Humans To Generate Robot Training Data26 août 2026, 17:40 UTC
3. [3]Figure Launches Index to Pay People for Videos That Train Robots25 août 2026, 00:00 UTC
4. [4]Figure Launches Index Project to Crowdsource Robot Training Data, Pays $15M to Contributors26 août 2026, 05:58 UTC

Article généré par IA à partir d’une recherche web récente, puis conservé comme instantané éditorial daté.