Au départ, l’idée ressemble presque à une activité de vacances devenue légèrement incontrôlable : concevoir un robot humanoïde d’environ 76 cm à construire avec des enfants.
Puis l’IA entre dans la pièce.
Amy Sterling raconte avoir laissé plusieurs modèles travailler pendant près de trois jours sur le design, avec plus de 150 passes de revue : une spécification initiale, des critiques indépendantes, des corrections renvoyées au modèle d’origine, puis une nouvelle boucle.1
Le résultat n’est pas un petit README avec trois STL et « bonne chance » en dernière ligne.
Le dépôt humanoid-robot est devenu une masse assez vertigineuse de spécifications, BOM, schémas KiCad, modèles STEP, matrices de risques, procédures de test, registres de décisions, analyses de collision, dossiers de revue et fichiers de traçabilité.2
On pourrait regarder ça et conclure : voilà, les agents savent maintenant concevoir un robot.
Le dépôt lui-même dit presque exactement l’inverse.
En haut du README, en gras, le statut est clair : concept systems baseline, not approved for fabrication, procurement, or energization.2
C’est cette contradiction apparente qui rend le projet beaucoup plus intéressant que la promesse d’un humanoïde pour enfants.
150 revues ne font pas un robot
Un document peut être relu cent cinquante fois et contenir encore une hypothèse que personne n’a confrontée à une pièce réelle.
Le projet semble avoir fini par comprendre ce problème au point de le formaliser.
Son fichier evidence-maturity.md sépare explicitement l’intention de conception de la preuve.3 Il définit six niveaux, de E0 à E5. E0 signifie qu’un besoin ou un danger est seulement identifié. E1 correspond à un concept documenté et vérifié en interne. E2 ajoute des sélections ou calculs soutenus par des sources primaires. E3 exige un test physique sur banc. E4 demande un sous-système intégré avec injection de fautes. E5 correspond à un test de release passé et revu indépendamment.3
La distinction paraît scolaire jusqu’à ce qu’on regarde le tableau de bord.
Une immense partie du projet est encore à E1.
Il existe des milliers de lignes de documentation, des modèles 3D, des checks automatiques, des simulations et des revues. Mais le dépôt répète qu’un parser propre, un ERC KiCad sans erreur, une simulation ou un concept revu ne constituent pas une validation physique.3
C’est peut-être la phrase la plus importante produite par toute cette IA.
Le premier robot n’est même pas un humanoïde qui marche
Le projet a aussi changé de stratégie.
Au lieu de commencer directement par le petit humanoïde complet, le plan actuel commence par HR-V0, un banc fixe avec un axe d’épaule, un axe de coude et une pince.2
Sa mission est volontairement modeste : prendre un bloc de mousse de 100 grammes maximum dans une position définie et le déposer dans un récepteur instrumenté. Pas de marche. Pas d’enfant dans la zone de test. Pas de commande vocale. Pas de mouvement généré directement par une IA. Pas d’apprentissage sur le hardware.2
Le plan de vérification monte ensuite par étapes : inspection hors tension, validation des circuits de sécurité, caractérisation d’un seul axe, mouvement intégré derrière protection, puis cent transferts du bloc de mousse.4
Ce n’est qu’après ces étapes que le programme prévoit un haut du corps sur piédestal, puis des jambes supportées, puis du transfert de poids, puis de la marche avec retenue, et enfin éventuellement de la marche sans tether dans une zone contrôlée.2
Le projet parti d’un « robot à construire avec les enfants » a donc découvert quelque chose de très adulte : avant de construire le robot mignon, il faut construire le banc ennuyeux qui prouve que le robot mignon ne va pas faire quelque chose de stupide.
L’IA est très bonne pour multiplier les questions
Ce serait injuste de réduire les 150 passes à du théâtre documentaire.
Le registre de revue montre plusieurs cas où les modèles ont réellement trouvé des incohérences.2
Une revue préliminaire du package électrique a par exemple signalé zéro symbole de schéma réel, zéro net réel et des centaines de violations ERC dans une première version. D’autres passes ont relevé des problèmes de masse, de couple, de vitesse, de watchdog, de redémarrage après défaut, de capteurs, de retenue et de comportement lors d’une perte de puissance.2
Les corrections successives ont produit de vrais artefacts plus structurés : schémas connectés, checks exécutables, firmware candidat, modèles CAD, registres de risques et procédures.
L’IA semble donc très utile pour une chose : augmenter brutalement la surface de critique.
Un humain qui conçoit seul un petit robot peut oublier de demander ce qui se passe lorsque le watchdog redémarre au mauvais moment, lorsque la masse réelle dépasse l’estimation, lorsque le bras tombe sans courant ou lorsque deux pièces dessinées séparément ne laissent plus passer le câble une fois assemblées.
Un groupe de modèles peut continuer à poser ces questions jusqu’à épuisement du café local.
Mais poser une question n’est pas mesurer la réponse.
Le piège de la vérification circulaire
Le danger apparaît lorsque le même type de système produit la conception, produit la critique, corrige la conception puis annonce que la critique est résolue.
Le registre du projet essaie justement de distinguer une correction pass d’une independent review.2 Une passe propre ne ferme que le problème précis qu’elle a vérifié. Elle ne transforme pas tout le robot en objet validé.
Cette discipline est essentielle avec les agents.
Trois modèles peuvent être indépendants au sens où ils tournent dans trois conversations séparées. Ils ne sont pas nécessairement indépendants au sens de l’ingénierie. Ils peuvent partager des données d’entraînement, des habitudes de raisonnement, les mêmes documents incomplets et surtout la même absence de pièce physique devant eux.
Si une cote fournisseur est fausse dans la source, dix reviewers peuvent devenir dix personnes extrêmement cohérentes autour de la même erreur.
La vraie indépendance arrive parfois sous une forme beaucoup moins impressionnante : un pied à coulisse.
C’est là que la robotique redevient intéressante
En logiciel, une grande partie de la validation peut rester dans le même monde que la production. Le code produit du code, les tests exécutent le code, le build vérifie le code.
Un robot finit par heurter le réel.
Un moteur chauffe. Un câble se pince. Une vis prend du jeu. Une pièce imprimée casse différemment selon son orientation. Un capteur sature. Un bras sans alimentation tombe plus vite que prévu. Une tolérance théorique devient deux millimètres de travers parce que trois fournisseurs ont chacun utilisé la bonne cote de leur côté.
Le plan de vérification de HR-V0 est rempli de ces moments.4
Il demande de mesurer les températures, les courants, les distances d’arrêt, la masse réelle, les jeux, les déformations, les contacts et les effets de défauts injectés. Il exige même que les données brutes d’un test ne soient jamais écrasées par un nouveau run.4
Le robot devient alors une excellente machine pédagogique, mais pas pour la raison prévue au départ.
Il apprend la différence entre avoir une réponse et avoir une preuve.
Construire avec des enfants ou leur montrer un robot ?
Cette distinction arrive à un moment assez particulier pour la robotique éducative.
Fin juillet, un district scolaire de l’État de New York a suspendu un projet d’achat d’un humanoïde Realbotix d’environ 60 000 dollars après des inquiétudes de parents, d’enseignants et de responsables de l’éducation.8 Le district voulait notamment utiliser le robot autour de la programmation et des technologies. Le débat s’est rapidement déplacé vers la confidentialité, le rôle du robot en classe et la peur de substituer une machine à des relations humaines.8
Le contraste avec un projet à construire est énorme.
Dans le premier cas, le robot arrive comme produit fini censé enseigner.
Dans le second, le robot peut devenir la chose à travers laquelle on apprend.
On ne demande plus « qu’est-ce que le robot peut expliquer à l’enfant ? ». On demande « qu’est-ce que l’enfant doit comprendre pour que ce morceau de métal bouge sans casser quelque chose ? ».
Mécanique, électronique, programmation, sécurité, géométrie, matériaux, documentation et méthode scientifique se retrouvent alors dans le même objet.
Le robot n’est plus professeur. Il est problème.
Et les problèmes sont parfois d’excellents professeurs.
L’idée n’est pas nouvelle, l’échelle change
Le Poppy Humanoid, né à l’Inria au début des années 2010, utilisait déjà un humanoïde open source et imprimé en 3D comme plateforme de recherche et d’éducation.9
Ce qui change en 2026 est la quantité de choses qu’un petit groupe peut tenter autour de ce type de hardware.
Menlo Research vend par exemple Asimov 1 sous forme de kit DIY : 1,20 m, 35 kg, plus de 25 degrés de liberté, avec un prix cible de 15 000 dollars.5 L’équipe documente avoir construit puis fait marcher ses jambes en moins de cent jours, avec moins de 30 000 dollars de R&D déclarés, avant d’ouvrir les designs.6
À l’autre extrême du marché, 1X prépare NEO pour la maison, avec des livraisons américaines annoncées en 2026 et un modèle Early Access à 20 000 dollars.7
Le petit projet de Sterling n’est comparable ni en maturité ni en moyens à ces entreprises. Mais il vit dans le même changement de contexte : composants disponibles, fabrication numérique, modèles de simulation, code open source et IA générative abaissent tous le coût de tenter un robot complexe.
Ils n’abaissent pas automatiquement le coût de le rendre sûr.
L’IA peut raccourcir la distance jusqu’au prototype, pas supprimer le prototype
C’est probablement le meilleur angle pour lire ce dépôt.
Un agent peut générer un premier BOM en quelques minutes. Un autre peut le critiquer. Un troisième peut écrire le script qui vérifie que les références restent cohérentes. Un quatrième peut produire un modèle CAD paramétrique. Un cinquième peut transformer une erreur découverte en nouvelle procédure de test.
Ce sont des gains énormes.
Mais ils déplacent le travail vers la frontière suivante.
Si produire dix variantes de bracket devient presque gratuit, choisir la bonne exige davantage de discipline. Si générer cent pages de spécification devient facile, savoir quelles phrases ont été physiquement vérifiées devient plus important. Si un modèle peut proposer vingt risques en une minute, quelqu’un doit encore décider lesquels peuvent réellement blesser une personne.
L’abondance de conception crée une pénurie de validation.
Le meilleur document du projet est peut-être son échelle E0-E5
On pourrait imaginer appliquer cette idée bien au-delà de la robotique.
Un agent affirme qu’une migration est sûre : E1, peut-être. Le script passe sur une copie de production : E3. Une restauration complète est testée : on monte encore. Une procédure est revue et rejouée indépendamment : on commence enfin à avoir quelque chose de solide.
Un modèle génère une pièce : intention.
Une simulation passe : preuve numérique.
La pièce sort de la CNC et correspond au plan : preuve physique.
L’assemblage supporte sa charge réelle : preuve système.
Ce vocabulaire empêche une chose très humaine et désormais très agentique : confondre la quantité de travail visible avec le niveau de certitude obtenu.
Le dépôt humanoid-robot contient une quantité presque comique de travail visible.
Sa meilleure qualité est de répéter que cela ne suffit pas.
Et les enfants dans tout ça ?
Pour l’instant, ils doivent rester loin du banc alimenté. Le projet le dit explicitement.2
C’est moins photogénique que le tweet initial. C’est aussi beaucoup plus intéressant pédagogiquement.
Construire quelque chose avec des enfants ne signifie pas leur mettre une clé Allen dans la main devant un actionneur de plusieurs newton-mètres. Cela peut signifier leur montrer pourquoi on commence avec un bloc de mousse, pourquoi on mesure avant d’affirmer, pourquoi un arrêt d’urgence ne dépend pas d’un processus Linux, pourquoi une simulation n’est pas un test, et pourquoi on ne monte pas sur les jambes avant d’avoir compris ce qui arrive quand le courant disparaît.
L’IA peut rendre la conception accessible plus tôt.
Le réel conserve le dernier mot.
Pour un projet éducatif, c’est peut-être exactement la leçon qu’on voulait construire.