Rika Antonova, professeure associée à l'Université de Cambridge, est intervenue le 16 octobre 2026 dans un podcast consacré à la robotique pour parler de l'usage de l'intelligence artificielle afin de développer conjointement le matériel et les algorithmes des robots. L'entretien, mené par l'animatrice Claire, constitue le 166e épisode d'une série hebdomadaire. Il porte sur la co-conception robotique : concevoir le corps d'une machine et son logiciel de commande comme un seul et même problème, et non comme deux problèmes distincts.
La description officielle de l'épisode est brève. Elle indique le sujet et le parcours de l'invitée, sans mentionner de résultats, d'expériences ni de robots précis. Cet article expose ce qui est affirmé et ce que le sujet laisse entrevoir pour le secteur.
Concevoir ensemble le corps et le cerveau
L'épisode est présenté sous l'angle du développement de matériel et d'algorithmes robotiques complémentaires. Le mot « complémentaires » est important : il suggère que la forme physique et le logiciel sont choisis pour s'adapter l'un à l'autre, au lieu de figer l'un d'abord et d'ajuster l'autre ensuite.
Parmi les thèmes de recherche d'Antonova figure la co-conception, qui est le sujet de la discussion. Le titre de l'épisode évoque l'évolution des corps et des cerveaux des robots, ce qui laisse penser à une approche où les deux composantes évoluent tout au long du processus de conception. La description ne précise ni les méthodes abordées, ni les robots concernés, ni ce qui a été mesuré.
L'invitée et ses recherches
Antonova occupe un poste de professeure associée à l'Université de Cambridge. Ses thèmes de recherche déclarés sont la co-conception, la découverte automatisée d'algorithmes, l'apprentissage par renforcement économe en données, l'exploration, l'apprentissage actif et la robotique.
Plusieurs de ces thèmes sont proches les uns des autres. La découverte automatisée d'algorithmes renvoie à l'utilisation du calcul pour trouver des méthodes de commande, plutôt que de les écrire à la main une à une. L'apprentissage par renforcement économe en données renvoie à l'acquisition de comportements à partir d'une expérience limitée. L'exploration et l'apprentissage actif concernent la manière dont un système décide quoi essayer ou quelles données collecter ensuite. La description ne rattache pas ces thèmes à des projets précis ; tout lien avec ses travaux de co-conception relève donc de l'inférence à partir de cette liste, et non d'un constat rapporté.
Son parcours couvre plusieurs établissements. Elle a obtenu un master de recherche au Robotics Institute de l'Université Carnegie Mellon, puis un doctorat à l'Institut royal de technologie KTH. Elle a ensuite effectué une bourse Computing Innovation Fellowship à l'Université Stanford. Auparavant, elle avait travaillé comme ingénieure logiciel senior chez Google.
La place de l'épisode dans la série
La série se présente comme un podcast hebdomadaire consacré à la robotique, à l'intelligence artificielle et aux machines autonomes. L'épisode 166 fait suite à l'épisode 165, dans lequel Claire s'entretenait avec Kushant Patel, du Brookhaven National Laboratory, au sujet des robots qui travaillent dans des installations scientifiques comme les accélérateurs de particules. L'épisode 167, diffusé une semaine après celui d'Antonova, accueille Jan Petrš, de l'École polytechnique fédérale de Lausanne, qui présente de nouvelles conceptions de robots pour la construction et l'architecture.
Pris ensemble, ces trois épisodes couvrent les robots en milieu de recherche, les robots conçus grâce à l'IA et les robots conçus pour les chantiers. Deux de ces trois épisodes portent sur la manière de choisir la forme d'un robot en fonction d'une tâche donnée.
Ce que cela signifie pour le secteur
Les faits disponibles étant limités, l'analyse ci-dessous repose sur le sujet et sur les thèmes de recherche déclarés de l'invitée, et non sur des résultats rapportés.
La co-conception robotique répond à un cloisonnement structurel bien réel en robotique. Le matériel et le logiciel sont généralement développés par des équipes distinctes, selon des calendriers différents. Un algorithme de commande est alors réglé pour un corps qui existe déjà, et ce corps porte des choix de conception susceptibles de limiter ce que n'importe quel algorithme peut accomplir. Traiter les deux comme un seul problème de recherche est une réponse à cette limite. La formulation de l'épisode, matériel et algorithmes complémentaires, renvoie à cette motivation.
L'association avec l'apprentissage par renforcement économe en données est cohérente, même si la description ne la confirme pas. Explorer conjointement l'espace des corps et celui des contrôleurs multiplie le nombre de candidats à évaluer. Si chaque évaluation exige du matériel physique, le coût grimpe vite. Les méthodes qui apprennent à partir de moins de données compteraient donc davantage en co-conception qu'avec un corps fixe. Il s'agit d'une relation logique entre deux de ses thèmes de recherche, et non d'un résultat documenté.
La comparaison avec d'autres travaux est limitée par les informations de la source. La description ne cite ni benchmark, ni prototype, ni approche concurrente ; on ne peut donc pas dire comment ses méthodes se comportent face à des robots conçus à la main ou à d'autres démarches de conception automatisée. L'épisode voisin sur les robots de construction pose la même question côté applications : lorsqu'une tâche sort de l'ordinaire, un corps sur mesure peut aider, mais il faut bien décider de sa forme.
Plusieurs points restent non démontrés au vu des éléments disponibles. La description ne dit pas si des robots co-conçus ont été construits et testés, dans quelle mesure les conceptions trouvées en simulation se transposent aux machines physiques, ni quelle puissance de calcul une recherche donnée exige. Elle ne donne pas non plus de calendrier pour l'arrivée d'une technique sur le marché. Il convient de voir cet épisode comme l'exposé d'une orientation de recherche par une universitaire de Cambridge forte d'une expérience en entreprise et en recherche robotique, et non comme la preuve que l'approche a été validée.
On peut en revanche affirmer que la question est bien posée et que le parcours de l'invitée y répond bien. Il va de la recherche en robotique à Carnegie Mellon à un poste de professeure à Cambridge, en passant par un doctorat, une bourse à Stanford et un poste d'ingénieure logiciel chez Google. C'est dans l'entretien complet que l'on trouvera d'éventuelles précisions, et ce sont ces précisions dont le secteur aurait besoin pour juger si concevoir ensemble le corps et le cerveau peut surpasser une conception séparée.