Lors de son discours à Davos au début de cette année, Musk a réitéré cette prédiction hautement provocatrice : à l'avenir, il y aura plus de robots que d'humains sur Terre.

Il est évident que l’IA et les robots sont désormais les deux seuls sujets technologiques mondiaux : l’un est l’intelligence artificielle générale qui approche de plus en plus du point critique de l’AGI, et l’autre est les robots qui quittent les laboratoires pour tenter de prendre en charge intégralement le travail physique humain. De la même manière, en dehors du concept d’IA, le secteur prioritaire de l’industrie des cryptomonnaies cette année inclut également l’intelligence incarnée. Voici les projets à suivre dans le secteur Robotic.

OpenMind

Le 4 août 2025, selon un communiqué officiel, la société d'infrastructure de machines intelligentes basée à Silicon Valley, OpenMind, a annoncé la levée de 20 millions de dollars, menée par Pantera Capital, avec la participation de plusieurs institutions et plusieurs investisseurs angels notables, notamment Ribbit, Sequoia China, Coinbase Ventures, DCG, Lightspeed Faction, Anagram, Pi Network Ventures, Topology, Primitive Ventures et Amber Group.

OpenMind aide les robots à penser, apprendre et travailler en développant des logiciels open source. Le système d'exploitation AI open source natif OM1 permet de configurer et de déployer des agents AI dans le monde numérique et le monde physique. Les utilisateurs peuvent créer un personnage AI, l'exécuter dans le cloud ou sur un robot physique dans le monde réel.

En termes simples, OpenMind développe OM1 comme un « cerveau d'IA » pour les robots. Ce « cerveau d'IA » peut faire travailler ensemble plusieurs agents d'IA, interagir avec plusieurs LLM et récupérer des données à partir de multiples sources (par exemple, publier des contenus pour les utilisateurs sur les réseaux sociaux). Étant open source, OM1 est également un système d'exploitation robotique hautement adaptable, indépendant du matériel, comme Android sur un smartphone.

En outre, OpenMind dispose également d'un réseau d'identités robotiques sur chaîne appelé FABRIC, conçu pour permettre aux humains et aux robots de partager une couche de confiance vérifiable. Les humains peuvent obtenir des médailles en partageant des données de localisation via une carte, en évaluant le comportement des robots et en participant au développement, tandis que chaque robot équipé du système OM1 rejoint le réseau FABRIC, acquérant ainsi une identité unique et vérifiable, permettant de tracer sur la chaîne les commandes, les journaux d'opérations et les propriétés associées aux robots.

En décembre 2025, OpenMind a annoncé conjointement avec le émetteur de stablecoin Circle le lancement d'un système de paiement autonome basé sur le protocole x402. À mesure que les capacités des robots s'améliorent, ils ne seront plus simplement des outils exécutant des tâches, mais commenceront à jouer le rôle d'économies autonomes. Ils devront acheter de la puissance de calcul, des données, des compétences, et même embaucher d'autres robots ou des humains pour accomplir des tâches complexes.

CodecFlow

CodecFlow offre une plateforme unifiée permettant d'exécuter de manière transparente des applications sur le cloud, en périphérie, sur le bureau et sur des matériels robotiques, tout en prenant en charge les API actuelles populaires et les systèmes traditionnels. La plateforme normalise les entrées de capteurs robotiques variées en un format universel et module les actions robotiques complexes, permettant aux équipes de développement ou aux utilisateurs de ne pas avoir à concevoir des robots depuis zéro. La perception, la prise de décision et le contrôle entre robots peuvent ainsi interagir via le réseau, plutôt que d'être fragmentés ou spécifiques à une plateforme matérielle.

Les opérateurs pilotés par l'IA réagissent aux changements dans l'interface utilisateur des logiciels ou à l'environnement des robots grâce à la perception et à un raisonnement en temps réel, afin de surmonter la vulnérabilité des processus d'automatisation robotique traditionnels, qui dépendent fortement de scripts préécrits et échouent même face à de légères modifications. En résumé, ils capturent des captures d'écran, des images de caméra ou des données de capteurs, puis utilisent l'IA pour traiter ces entrées externes, interpréter les observations ou les instructions, et finalement exécuter les décisions par interaction avec l'interface utilisateur.

Peaq

Le 27 mars 2025, le protocole DePIN Layer 1 Peaq a levé 15 millions de dollars, avec Generative Ventures et Borderless Capital en tant que meneurs, et des participations de Spartan Group, HV Capital, CMCC Global, Animoca Brands, Moonrock Capital, Fundamental Labs, TRGC, DWF Labs, Crit Ventures, Cogitent Ventures, NGC Ventures, Agnostic Fund et Altana Wealth.

Bien que le récit initial se soit concentré sur DePIN, peaq a lancé en septembre dernier un Robotics SDK permettant aux robots d'obtenir une identité autonome, d'effectuer des paiements et de recevoir des fonds, de vérifier des données et de se connecter à l'économie chainée. Désormais, tout robot compatible avec le système ROS2 peut rejoindre l'économie peaq et échanger, selon des normes universelles, avec des humains ou d'autres robots.

En outre, peaq a lancé l'année dernière sur DualMint un projet RWA de robot appelé « RoboFarm », ayant établi une ferme robotisée à Hong Kong, permettant d'automatiser 80 % de la production agricole grâce à des robots. Les laitues, épinards et chou kale produits sont vendus à Hong Kong. Le rendement annuel estimé pour les détenteurs de NFT est d'environ 18 %.

Axis Robotics

Axis Robotics s'engage à construire une infrastructure distribuée et évolutive pour l'intelligence incarnée (Physical AI). Ils sont convaincus que la méthode « Simulation First » est le meilleur chemin pour surmonter les limites liées au manque de données robotiques et à la généralisation des modèles, en réalisant une triple avancée en qualité, richesse et volume de données grâce à une collecte à faible coût et à grande échelle, combinée à un moteur d'augmentation de données exclusif. En outre, chaque actif de données est doté d'une traçabilité chainée fiable (On-chain Provenance), contribuant ensemble à former le réservoir de carburant essentiel à l'évolution de l'intelligence robotique générale (RGI).

Axis a révolutionné la fourniture de données d'entraînement pour les robots. Les autres projets sur le marché qui « entrent/fournissent des données d'entraînement pour les robots » reposent principalement sur la mobilisation des utilisateurs pour filmer et télécharger des vidéos d'eux-mêmes accomplissant des actions spécifiques dans le monde réel, à l'aide de téléphones, de lunettes intelligentes, etc., afin de permettre une participation utilisateur à faible seuil et à l'échelle mondiale. Bien que cette méthode permette d'obtenir des données à moindre coût, la réalité physique des données collectées via vidéo est insuffisante, elle manque d'informations en profondeur et ne garantit pas la continuité ni la précision des données 3D.

Grâce à la « simulation », Axis résout ce point douloureux en permettant au modèle, dans un environnement simulé, d'accomplir des tâches même dans des conditions virtuelles plus exigeantes, grâce à un grand nombre de scénarios simulés variés (éclairage, angles, frottement, dynamique, etc.), ce qui lui confère une forte capacité de généralisation. Axis utilise une stratégie hybride qui combine des données réelles rares avec une quantité massive de données synthétiques. Grâce à une technologie d'augmentation de métadonnées accélérée par GPU, il est possible de générer de nombreuses variations de l'éclairage, des textures et des propriétés physiques pour un seul scénario. Les scénarios virtuels ne sont pas fixes ni codés de manière rigide, mais peuvent être ajustés de manière flexible. Le code peut générer une infinité de scénarios, permettant aux robots de faire face à des défis plus exigeants et plus complets selon les exigences de chaque scénario. Le coût de génération de ces scénarios est faible, tout en produisant un volume massif de données. L'efficacité de cette approche — consistant à utiliser une grande quantité de données pour converger vers une solution optimale — a été partiellement validée par plusieurs géants tels que Google et NVIDIA.

Le premier projet de simulation d'apprentissage par robot ouvert à la communauté par Axis, « Little Prince's Rose », est terminé. Dans le cadre du projet « Little Prince's Rose », les utilisateurs font réussir au robot une action d'arrosage dans un environnement simulé via une page web ; en collectant et en analysant les actions des utilisateurs, le robot apprend à arroser. Les utilisateurs peuvent effectuer une télécommande du robot directement via une page web, conservant ainsi le faible coût et la faible barrière d'entrée des méthodes de téléchargement vidéo, tout en dotant le robot d'un modèle de base VLA (Vision-Language-Action) nativement conscient de la 3D, ce qui lui confère la capacité de réflexion spatiale tridimensionnelle absente dans les entrées de données vidéo.

Le projet « Little Prince's Rose » a permis, en seulement cinq jours, à des utilisateurs ordinaires du monde entier sans expérience professionnelle dans le domaine des robots, de contribuer des dizaines de milliers de trajectoires de haute qualité, exploitables pour l'entraînement de stratégies. Sur la base de ces données, Axis a réussi à entraîner un modèle de stratégie et à reproduire fidèlement la manipulation sur un bras robotique Franka en conditions réelles. Cela marque la mise en œuvre complète par Axis du cycle intégré : « génération de tâches -> collecte communautaire -> augmentation des données -> entraînement du modèle -> déploiement sur machine réelle ».

1 heure de données réelles peut être transformée en 1000 heures de données d'entraînement ; ce levier d'efficacité réduit considérablement le coût nécessaire à la généralisation des modèles de robots.

Lors du test bêta pendant la Fête du Printemps, 18 000 participants sans expérience dans l'industrie des robots ont accompli 27 nouvelles tâches sur Axis en seulement 5 jours, contribuant plus de 100 000 trajectoires de données. Le test a réussi à soutenir une forte randomisation au sein des tâches et à valider la compatibilité avec divers types d'actifs, tels que les robots sur roues et les robots à deux bras.

Le produit principal d'Axis sera officiellement lancé à la fin de mars, avec un plan de publication en open source, fin avril ou début mai, du plus grand jeu de données de simulation pure basé sur le bras mécanique Franka au monde, entièrement adapté aux besoins d'entraînement de stratégies et de modèles. Par ailleurs, en tant que projet de robotique issu de Crypto-AI, Axis a déjà commencé à explorer et à promouvoir des applications industrielles externes, en accélérant le processus de commercialisation autour de clients de référence dans plusieurs domaines spécifiques : collaboration avec un constructeur automobile pour déployer des solutions d'automatisation des processus de production ; accord de coopération avec une entreprise de calcul en pré-IPO dans les domaines des actifs virtuels et des modèles mondiaux ; et établissement de partenariats approfondis avec plusieurs entreprises de corps physiques sur des étapes clés telles que la collecte de données de simulation virtuelle et l'entraînement de modèles. Cela illustre la rare externalité d'un projet Crypto.

GEODNET

Réseau décentralisé fournissant des données de positionnement en temps réel avec une précision au centimètre pour des appareils tels que les drones et les robots, avec plus de 21 000 stations de base actives dans plus de 150 pays. Au cours de la dernière année, ce projet a généré plus de 7 millions de dollars de revenus, avec une croissance trimestrielle continue.

Bien que ce projet soit principalement classé dans le domaine DePIN, la demande pour des données de localisation en temps réel et à haute précision devrait s'étendre davantage à mesure que la robotique trouvera une application plus large dans la vie réelle. En février 2025, Multicoin a annoncé diriger l'acquisition de 8 millions de dollars de jetons $GEDO auprès de la fondation GEODNET.

BitRobot

BitRobot Network, développé en collaboration par FrodoBots Lab et Protocol Labs, vise à réaliser un travail et une collaboration distribués entre robots. Ses composants clés incluent : les Verified Robot Work (VRW), qui définissent et valident les tâches robotiques et servent d'indicateur quantifié des récompenses du réseau ; les Entity Node Tokens (ENT), qui gèrent la propriété des appareils et l'accès au réseau, servant d'identifiants uniques pour les robots dans le système sous forme de NFT ; ainsi que des sous-réseaux, qui constituent la couche d'exécution des tâches et regroupent des ressources créant de la valeur pour le réseau BitRobot.

On February 14, 2025, FrodoBots Lab announced the completion of a $6 million seed round, bringing total funding to $8 million.

FrodoBots Lab vend également des robots ; les Earth Rovers, semblables à Mario Kart dans la vie réelle, sont vendus 249 $, et les joueurs contrôlent à distance leurs robots via un navigateur dans un jeu de chasse au trésor mondial appelé ET Fugi, les données étant utilisées par des chercheurs pour déployer et tester leurs derniers modèles d'IA de navigation. ET Fugi est également le premier sous-réseau de BitRobot.

Un autre robot de jeu, Octo Arms, sera également lancé à l'avenir, permettant aux joueurs de contrôler à distance des bras mécaniques pour accomplir divers jeux de puzzles 3D et compétitions.

Le concept de « sous-réseau » dans ce réseau de robots est assez abstrait ; en termes simples, tout cluster qui contribue à l'écosystème global du réseau (ou tout projet/événement spécifique que le cluster entreprend) constitue un sous-réseau, comme le jeu ET Fugi mentionné ci-dessus, ou SeeSaw lancé par Virtuals.

SeeSaw

Le sous-réseau n°5 de BitRobot, une application de partage de données d'entraînement de robots lancée par Virtuals en octobre dernier. Sur SeeSaw, les utilisateurs enregistrent des vidéos de leurs comportements quotidiens, téléchargent des tâches accomplies pour recevoir des récompenses. Ces vidéos, provenant d'utilisateurs du monde entier et incluant des gestes quotidiens comme se lacer les chaussures ou plier des vêtements, seront utilisées pour entraîner des robots.

Auki

Le réseau de perception machine décentralisé de Auki, Posemesh, relie les humains, les appareils et l'IA ; son cœur est une architecture DePIN (réseau physique décentralisé) permettant aux appareils tels que les robots et les lunettes de réalité augmentée de partager en temps réel des données de localisation et de capteurs, afin de construire ensemble une compréhension collaborative de l'espace physique, offrant ainsi une vision spatiale partagée aux robots, à la réalité augmentée et à l'IA.

Plusieurs rôles de nœuds ont été conçus sur la base du protocole Posemesh. Les nœuds de calcul fournissent la puissance de calcul, les nœuds de mouvement (terminaux robotiques) téléversent les informations de position et les données des capteurs, les nœuds de reconstruction génèrent à partir de celles-ci des modèles de cartes 3D, et les nœuds de domaine gèrent l’espace 3D. Chaque nœud est récompensé par des jetons $AUKI en fonction de sa contribution, stimulant ainsi un réseau de vision machine auto-évoluant.

Ce réseau met l'accent sur la protection de la vie privée, en évitant qu'une entité unique surveille l'espace privé des utilisateurs, et peut être appliqué à plusieurs scénarios, tels que la vente au détail (optimisation de l'agencement des produits), la gestion immobilière (suivi des actifs), la navigation lors d'expositions et la construction ou la rénovation de bâtiments.

Leur plateforme de calcul spatial Cactus AI a déjà entamé des pilotes actifs avec Toyota Material Handling et le supermarché suédois Stora Coop.

XMAQUINA

DAO permettant aux petits investisseurs de participer à l'investissement dans des entreprises de robotique. Ce DAO a levé 10 millions de dollars en vendant ses jetons $DEUS par lots. Actuellement, le DAO a utilisé les fonds provenant des enchères pour acquérir des parts dans six entreprises du domaine de la robotique : Apptronik, Figure AI, Agility Robotics, 1X Tech, NEURA Robotics et Robotico. Certaines de ces investissements ont déjà commencé à générer des bénéfices, avec des rendements individuels dépassant même 100 %.

PrismaX

Le 17 juin 2025, PrismaX a annoncé la levée de 11 millions de dollars, avec des investisseurs tels que a16z CSX, Volt Capital, Blockchain Builders Fund, Stanford Blockchain Accelerator et Virtuals.

PrismaX construit une couche de coordination ouverte qui relie les opérateurs distants, les utilisateurs de robots et les entreprises de robots. Les opérateurs peuvent se connecter aux utilisateurs, piloter à distance des robots pour accomplir des tâches concrètes tout en collectant des données précieuses. Ils peuvent également demander des services pratiques tels que la logistique et la publicité.

PrismaX dispose également d'un protocole pour des robots à distance, permettant aux entreprises de trouver des opérateurs de robots expérimentés capables d'accomplir des tâches complexes. Les opérateurs peuvent choisir de staker les jetons du réseau pour renforcer leur crédibilité et augmenter leurs chances d'obtenir des missions à haut rendement. Les récompenses des stakers ne dépendent pas seulement de la quantité stakée, mais aussi de la qualité de leur travail, et elles sont complétées par des récompenses supplémentaires en fonction de leur efficacité.

Les données collectées par l'opération à distance serviront à former des robots pour améliorer leur autonomie, ce qui augmentera l'efficacité des opérateurs à distance et permettra finalement d'atteindre un haut niveau, voire une autonomie complète, des robots.

Agents NRN

NRN est issu du jeu blockchain en temps réel AI Arena, développé à partir de combats entre agents IA. Le 28 octobre 2021, le développeur ArenaX Labs a annoncé la clôture d'un financement de démarrage de 5 millions de dollars, mené par Paradigm Capital avec la participation de Framework Venture Partners. Le 9 janvier 2024, ArenaX Labs a annoncé la clôture d'un nouveau financement de 6 millions de dollars, dirigé par Framework Ventures, avec la participation de SevenX Ventures, FunPlus/Xterio et Moore Strategic Ventures.

Bien qu'il s'agisse également d'un processus de collecte de données pour renforcer l'apprentissage des robots, NRN, grâce à son expérience approfondie dans le domaine des jeux, propose une expérience basée sur navigateur qui transforme la collecte de données robotiques en un jeu, permettant aux utilisateurs de contrôler directement des robots simulés via leur navigateur. Pendant le jeu, les données de comportement générées par les actions des utilisateurs servent à former des systèmes robotiques du monde réel.

À ce stade, le projet se concentrera sur le bras mécanique (RME-1) pour valider la collecte de données, l'apprentissage en temps réel et l'adaptabilité.

Cliquez pour en savoir plus sur les postes ouverts chez BlockBeats

Rejoignez la communauté officielle de律动 BlockBeats :

Groupe Telegram abonné : https://t.me/theblockbeats

Groupe Telegram : https://t.me/BlockBeats_App

Compte officiel Twitter : https://twitter.com/BlockBeatsAsia