Le fait
Le 23 septembre 2026, Midcentury est sorti du stealth avec un seed de 15 M$ pour construire l’infrastructure data + simulation du Physical AI. La société affirme déjà soutenir des labs de frontière avec ce qu’elle présente comme le plus grand dataset egocentrique robotique publicisé à ce jour : plus de 2 millions d’heures, sur plus de 50 environnements et 20 000 tâches, couplé à Matrix, une plateforme de simulation agentique pour évaluer et améliorer les politiques robot avant déploiement matériel.
Le pitch : le scaling des robots ne passera plus seulement par plus de hardware, mais par une couche « internet-scale » de données d’action humaine + une simu assez fiable pour transformer les échecs en signal d’entraînement (évaluation + RL). Midcentury parle explicitement de « bitter lesson » appliquée à la robotique.
Contexte
Les fondateurs et l’équipe affichent des parcours Stanford AI Lab, OpenAI, DeepMind, NVIDIA, Scale AI ; travaux liés à RoboNet, GDPVal et NVIDIA Cosmos. Le dataset egocentrique (POV premier plan, mains visibles, poses 3D, profondeur, annotations temporelles) vise à combler le fossé entre démos scriptées et généralisation sous variation d’éclairage, d’objets et de géométrie. Matrix combine simulation classique, physique apprise et données réelles pour rejouer des milliers de scénarios en cloud avant de renvoyer une politique sur robot.
Pourquoi ça compte
Deux goulots du Physical AI — volume de données d’action et évaluation fiable — sont adressés ensemble, comme une infra de scaling plutôt qu’un robot ou un modèle unique. C’est le même schéma qui a industrialisé le LLM (data + eval), appliqué au monde physique.
Lecture Neurone21
À surveiller : accès early à Matrix et échantillons dataset, contrats labs, et si la boucle « réel → simu → policy » tient hors démos. Pour l’EU : opportunité d’intégrer ce type d’infra dans des programmes usine / cobots sans inventer un stack data maison.