X-Square Robot : une pile de fondation pour robots généralistes, enfin lisible

In plain terms

Le laboratoire X-Square Robot vient de publier une architecture à trois couches pour rendre des robots réellement polyvalents : un modèle de perception, un modèle d'action et un modèle de contrôle. Rien de révolutionnaire pris pièce par pièce. Mais la manière dont c'est empilé - et argumenté - marque une étape.

Le contexte

Depuis Google RT-2 (2023), Figure 02 (2024) et les Vision-Language-Action de DeepMind (2025), le champ cherche son « foundation model du robot ». Deux écoles s'affrontent : end-to-end (un seul gros modèle pixel→moteur) contre stack modulaire (perception, planification, contrôle séparés). L'end-to-end a la beauté mathématique ; la stack a l'ingénierie et le débogage.

Les données

Selon IEEE Spectrum, X-Square Robot défend explicitement l'approche modulaire, structurée en trois couches distinctes :

• Perception - modèle vision-langage pré-entraîné.
• Task Planner - décomposition d'objectifs en séquence d'actions.
• Control policy - apprentissage par renforcement combiné à de l'imitation learning, transfert simulateur→réel.

L'article positionne le stack comme cible pour des « general-purpose robots ». Pas de benchmark public tiers à date.

L'analyse

L'intérêt n'est pas dans la performance affichée - invérifiable - mais dans le choix méthodologique. Après trois ans de « juste plus gros modèle », plusieurs équipes reviennent à la modularité. Pourquoi ? Parce que sur le robot, la latence de bout en bout compte, la sécurité impose des points d'interception explicites, et le debug d'un failure mode nécessite d'isoler la couche fautive. Un modèle end-to-end opaque, quand la pince casse un verre, laisse muet.

So what

Pour un investisseur en robotique : ne pariez plus sur la promesse « un modèle géant règlera tout ». Regardez qui a une pile documentée, testable, débuggable. Pour un ingénieur : la vraie question 2026-2027 n'est plus quel modèle, mais quelle interface entre couches. C'est là que la valeur se cristallisera, comme le protocole a fait pour le web.