Le fait
Physical Intelligence (San Francisco) a fait de π0 (pi-zero) le marqueur de la dextérité généraliste : un modèle vision–langage–action capable, après fine-tuning, de récupérer du linge, le transporter et plier des vêtements froissés en pile — tâche longtemps considérée hors de portée des robots scriptés. En octobre 2025, la filière data autour de ce type de gestes domestiques reste ultra-active : startups d’annotation et clients comme Physical Intelligence paient encore pour filmer des humains pliant du linge afin d’alimenter les politiques.
Contexte
π0 combine un backbone VLM pré-entraîné (type PaliGemma) et un action expert (~300 M) qui produit des actions continues par flow matching, à cadence jusqu’à 50 Hz. Pré-entraîné sur 10 000+ heures multi-robots (bras simples, bimanuels, manipulateurs mobiles) et des dizaines de tâches, le modèle peut être prompté en zéro-shot pour des gestes simples, ou fine-tuné quelques heures de données haute qualité pour des chaînes longues. Le workflow laundry mobile enchaîne sèche-linge → panier → table → pliage article par article ; en stationnaire bimanuel, le défi est la configuration aléatoire du textile froissé.
La difficulté n’est pas cosmétique : un t-shirt plat se plie parfois en script ; un tas enchevêtré exige une compréhension physique (déformation, occlusions, re-saisie). Aucun système robotique antérieur n’avait démontré ce niveau de complexité de façon aussi convaincante. Les successeurs (π0.5, puis π0.6) poussent encore la généralisation et, pour le pliage, le succès out-of-the-box.
Pourquoi ça compte
Le linge est le banc de stress des fondations robotiques : objet déformable, état initial non stationnaire, horizon long. Réussir ici valide la thèse « un cerveau, plusieurs corps » et justifie la course aux données téléop / vidéo humaine. Pour l’industrie et la maison, c’est le signal que la dextérité soft-object sort du labo — avec un goulot désormais côté qualité et volume de démonstrations, pas seulement côté architecture.
Lecture Neurone21
π0 laundry = preuve de concept fondationnelle plus que produit ménager. L’enjeu 2025–2026 : passer de la démo multi-minutes robuste au déploiement sans fine-tuning lourd, tout en ouvrant le stack (openpi). Pour l’Europe, le message est double — rattraper la boucle data dextérité, et ne pas confondre viralité vidéo et readiness usine. À suivre : taux de succès hors labo, coût data/heure, et transfert vers d’autres soft goods (emballage, textile, logistique).
Sources : Physical Intelligence — blog π0 · arXiv 2410.24164 · WIRED · Career of Business / data laundry oct. 2025