Pi API transforme l'adaptation et l'inférence des modèles de fondation pour robots en service hébergé. Le 13 octobre 2026, Physical Intelligence a annoncé sur son blog officiel l'ouverture de la bêta de Pi API : les développeurs téléversent leurs propres données de robot, lancent l'affinage sur la puissance de calcul et l'infrastructure gérées par Physical Intelligence, puis font tourner le modèle ajusté sur leur robot via une passerelle hébergée, les données d'évaluation guidant l'itération suivante. Les candidatures sont ouvertes, et les équipes doivent décrire ce qu'elles veulent construire.
Ce qui disparaît, c'est justement la partie qui manque le plus aux équipes robotiques
La promesse des modèles de fondation généralistes comme pi0 et pi0.5 a toujours été de réduire les données et l'effort nécessaires pour s'adapter à de nouvelles tâches, de nouveaux environnements et de nouvelles machines. Mais réduire n'est pas supprimer : installer un modèle de fondation sur son propre robot exige toujours une infrastructure d'apprentissage, de la puissance de calcul et des pipelines de données complexes — exactement la partie où la plupart des entreprises de robotique sont les plus faibles. Pi API reprend la logique de l'inférence hébergée des grands modèles : retirer l'ingénierie la plus lourde et la moins différenciante, pour ne laisser que trois gestes — téléverser des données, lancer un affinage, appeler l'inférence. Selon l'entreprise, le dernier modèle servi par l'API s'affine avec moins de données et offre de meilleures capacités à ses partenaires, et comme les modèles sous-jacents peuvent être mis à jour rapidement, les suivants arriveront par la même porte.
Les premiers clients tournent déjà en conditions réelles
Pour montrer qu'il ne s'agit pas d'une démonstration de laboratoire, Physical Intelligence a publié les avancées de partenaires précoces. Actor l'utilise sur des engins lourds autonomes : une chargeuse sur pneus sans conducteur pelle des matériaux et charge un tombereau dans un déploiement commercial réel, sans opérateur en cabine. Le robot à deux bras d'Almond, Axol, après quatre jours d'itération avec l'API, a commencé à ébavurer des entretoises servant à son propre assemblage — l'objectif étant qu'Axol participe à sa propre fabrication. Ces déploiements vont du Japon à la Suisse et à plusieurs sites aux États-Unis, la plupart en inférence hébergée dans le cloud, et l'entreprise reconnaît franchement que certains sites ont rencontré des problèmes de connectivité réseau. Le point commun de ces cas n'est pas la tâche, mais la boucle : collecter des démonstrations, entraîner, tester sur le robot, et laisser les échecs décider quelles données recueillir ensuite — une boucle qui exigeait autrefois une équipe dédiée.
À plus grande échelle, l'enjeu dépasse l'ajout d'un produit. Les modèles de fondation pour robots existaient surtout sous forme d'articles, de vidéos de démonstration et de poids ouverts, que des équipes ordinaires ne pouvaient pas forcément faire tourner. Avec l'affinage et l'inférence hébergés, le goulot concurrentiel se déplace de l'existence d'une équipe d'infrastructure vers la qualité des données de tâche. Les zones d'ombre comptent tout autant : l'annonce ne donne ni prix, ni chiffres de latence, ni date de disponibilité générale, et seul un plus grand nombre d'équipes en conditions réelles dira si l'inférence cloud suffit pour les scènes sensibles à la latence. Google, de son côté, intègre ses modèles à son propre écosystème, comme la planification de haut niveau de Gemini Robotics ER 2 ; Physical Intelligence parie sur le modèle en tant que service. Laquelle de ces voies produira d'abord des clients robotiques payants devrait se voir dans l'année qui vient.
