Figure AI engage 3,5 milliards de dollars de capacité de calcul avant même d'avoir un produit à vendre

À IROS 2026 à Pittsburgh, qui s'est tenu du 27 septembre au 2 octobre, une annonce a tranché sur le flot habituel de démonstrations de recherche. Figure AI a déclaré avoir signé un partenariat pluriannuel avec le fournisseur de cloud IA Nscale, engageant initialement 3,5 milliards de dollars pour la capacité de calcul, avec l'intention de dépasser les 6 milliards de dollars et de déployer jusqu'à 100 000 GPU Nvidia à partir du second semestre 2027.

La construction est prévue à Barstow, au Texas. L'entraînement s'exécuterait sur la plateforme Vera Rubin de Nvidia, la validation se ferait dans Isaac Sim, et ces mêmes GPU finiraient par tourner à l'intérieur des robots eux-mêmes.

Un pari posé avant la preuve

Les entreprises de robotique humanoïde ont levé beaucoup d'argent, et la plupart l'ont dépensé en matériel et en pilotes. Engager une telle somme dans la capacité de calcul avant qu'un robot n'effectue du travail rémunéré à grande échelle est un pari d'une autre nature. Cela signifie que l'entreprise estime que la contrainte déterminante pour les humanoïdes sera la puissance de calcul d'entraînement et la qualité des modèles, et non les pièces mécaniques.

Cette conviction est vérifiable, et les éléments disponibles à ce jour sont mitigés. Le programme humanoïde le plus suivi au monde, Optimus de Tesla, a porté la production de sa ligne de Fremont à plusieurs centaines d'unités par semaine fin septembre, soit environ dix fois son rythme du deuxième trimestre, et des fournisseurs auraient été sollicités pour des pièces destinées à environ 15 000 unités sur l'ensemble de 2026. Le blocage rapporté n'est pas le nombre de coques par semaine. Ce sont les mains et l'incapacité de l'IA à généraliser d'une tâche à l'autre. Une usine capable de fabriquer le corps n'a pas résolu le problème de rendre ce corps utile.

L'engagement de calcul de Figure est, en substance, un pari que consacrer bien plus de capacité d'entraînement à ce problème de généralisation est la bonne approche. Si c'est vrai, l'entreprise qui sécurise la capacité de calcul en premier dispose d'un avantage. Sinon, l'argent achète une grosse facture et beaucoup de GPU inutilisés.

Pourquoi le chiffre de 100 000 GPU constitue l'essentiel

Déployer des GPU à l'intérieur des robots est l'aspect à surveiller. La puissance de calcul d'entraînement est une quantité connue. Le calcul embarqué qui exécute un grand modèle en temps réel, dans un budget de puissance et de dissipation thermique qu'une machine en mouvement peut supporter, est un objectif d'ingénierie plus difficile. Si Figure prévoit d'intégrer des GPU Nvidia dans les robots à grande échelle, elle signale que les modèles qu'elle veut exécuter sont assez grands pour que les accélérateurs embarqués ne suffisent pas.

Cela a des conséquences bien au-delà de Figure. Cela impose des exigences en matière de puissance, de refroidissement et de coût par unité qui modifient la valeur d'un humanoïde pour un acheteur. Un robot qui a besoin d'un GPU sérieux pour fonctionner est un produit différent d'un robot exécutant un petit modèle sur une puce de classe téléphone.

Où en est le reste du secteur

Le salon IROS a fourni un ensemble de comparaison utile. Agility Robotics a dévoilé Digit 5, la prochaine version de son robot bipède, et a cité plus de 65 000 heures de fonctionnement pour Digit 4 sur des sites clients nord-américains, dont Amazon, GXO, Schaeffler et Toyota Motor Manufacturing Canada. Agility a également annoncé un partenariat avec FORT Robotics visant la sécurité fonctionnelle des humanoïdes. Ces deux éléments, les heures de service et un dossier de sécurité, sont ce qu'un acheteur industriel demande avant de signer.

Sanctuary AI a rapporté un taux de réussite supérieur à 99,5 % avec un temps de cycle de 2,54 secondes sur une tâche d'insertion de câbles, validé par rapport aux références en conditions réelles d'un équipementier automobile de premier rang. C'est une tâche étroite, et les tâches étroites sont précisément là où la technologie est prête. Unitree a annoncé H2 Plus comme plateforme de référence Isaac GR00T pour le monde académique, prolongeant un rythme de sortie rapide. Astribot a profité de la conférence pour présenter son humanoïde T1 en Amérique du Nord à environ 18 000 dollars, positionné comme plateforme de recherche plutôt que comme travailleur.

Pris ensemble, le secteur se scinde. Certaines entreprises courent pour prouver une capacité générale et dépensent massivement en calcul. D'autres livrent des tâches étroites et mesurables et construisent les dossiers de sécurité et de service que les clients paient réellement.

Ce que la conférence dans son ensemble a signalé

IROS est un rassemblement de recherche, et les sessions techniques reflétaient où se porte l'attention. Les ateliers portaient sur la loco-manipulation agile, sur l'évaluation des politiques de contrôleurs vision-langage-action dans le monde réel, et sur le transfert de l'entraînement simulé vers des machines bipèdes physiques. Ce dernier sujet est celui qui détermine si le calcul dépensé en simulation se traduit en comportement sur un plancher d'usine.

La ville hôte était Pittsburgh, ce qui a mis en valeur la profondeur du vivier robotique de Carnegie Mellon. Pour un domaine qui a passé des années à produire des vidéos impressionnantes de robots faisant du parkour, le glissement vers la manipulation riche en contacts et l'évaluation en conditions réelles constitue un changement de direction significatif. Il est plus facile de filmer un robot qui saute que de certifier un robot qui ramasse un objet inconnu en toute sécurité.

L'argument du calcul, énoncé simplement

Le pari de Figure repose sur une affirmation précise : l'écart entre les humanoïdes qui font de belles démonstrations et ceux qui travaillent est principalement un problème de modélisation, et les problèmes de modélisation se résolvent avec des données et du calcul. Cette affirmation n'est pas absurde. Les dernières années ont montré qu'augmenter l'échelle de l'entraînement sur des données plus vastes et plus variées continue d'améliorer la généralisation dans d'autres domaines, et il n'y a pas de raison forte de penser que la manipulation y échappe.

L'argument contraire est que la robotique a un problème de données que les modèles de langage n'avaient pas. Le texte abonde sur le web. Les données de manipulation de haute qualité, du type qui apprend à une main à saisir un nouvel objet dans une nouvelle position, sont coûteuses à collecter et difficiles à simuler avec précision. Plus de calcul aide si la chaîne de traitement des données est là. Sinon, un grand cluster d'entraînement reste largement inutilisé.

Ce que les acheteurs doivent en retenir

Deux indicateurs comptent plus que le nombre de robots. Le premier est la fiabilité de manipulation, c'est-à-dire la capacité d'une main à effectuer des saisies variées sans échouer. Le second est la généralisation, c'est-à-dire la capacité d'un comportement entraîné sur un ensemble d'objets à se transférer à de nouveaux, sous un nouvel éclairage, dans une nouvelle disposition. Un chiffre de production hebdomadaire ne dit rien ni de l'un ni de l'autre.

Les engagements de calcul comme celui de Figure visent directement le second indicateur. Savoir si cela fonctionne reste une question ouverte, et la réponse ne viendra pas d'un communiqué de presse. Elle viendra de la capacité d'un robot entraîné sur la capacité de Barstow à ramasser un objet qu'il n'a jamais vu et à le reposer correctement, sur une ligne, sans qu'un superviseur le regarde.

Le coût d'être en avance

Il existe aussi un risque financier évident. Les contrats de calcul sont des engagements pluriannuels, et les générations de GPU évoluent vite. Un engagement dimensionné pour les entraînements d'aujourd'hui peut paraître surdimensionné ou sous-dimensionné dans dix-huit mois, selon la direction que prend le domaine. Figure a parié qu'elle en aura besoin de plus, pas de moins.

Le pari est défendable. La frontière en robotique évolue vers des modèles plus grands, et les modèles plus grands ont besoin de plus de calcul. La question est celle du calendrier. Si la généralisation arrive selon le rythme que Figure laisse entendre, l'engagement précoce paraît visionnaire. Si elle prend plus de temps, l'entreprise porte un coût fixe important en attendant que le problème soit résolu.