Le pari d'Asimov sur les données humaines : des vidéos crowdsourcées pour entraîner les humanoïdes ; une pépite de YC W26

Une entreprise d'infrastructure de données qui paie un réseau mondial de contributeurs pour enregistrer des tâches humaines quotidiennes et revend les jeux de données ainsi obtenus pour entraîner des robots humanoïdes.

Les humanoïdes sont limités par les données, non par le matériel : payer des personnes dans le monde entier pour enregistrer des tâches quotidiennes, conditionner le tout en jeux de données d'entraînement et posséder la chaîne d'approvisionnement en premier.

Anshul Verma (Scale AI, Amazon, recherche en ML à Berkeley) et Lyem Ningthou (pipelines de données de l'US Air Force, ingénieur fondateur chez Blume, YC W24) - camarades de chambre à l'université qui avaient auparavant cofondé une startup ayant atteint six chiffres de revenus - ont fondé Asimov dans la promotion Winter 2026 de YC. Leur pari : les modèles de langage sont entraînés sur des milliers de milliards de mots et les modèles d'image sur des milliards de photos, mais les robots partent de zéro - le goulot d'étranglement est constitué par des données diverses de mouvement humain dans le monde réel, et personne ne possède la chaîne d'approvisionnement.

Asimov s'est lancé publiquement à la mi-mars 2026, juste avant le Demo Day de W26, et TechCrunch l'a retenu parmi les 16 startups les plus intéressantes de la cohorte d'environ 190 entreprises. Fin mars 2026, selon AC Studio, plus de 5 000 contributeurs dans le monde soumettaient des vidéos de tâches quotidiennes, l'entreprise fournissant quotidiennement des milliers d'heures de données de mouvement humain à de grands laboratoires de robotique. Son billet de lancement YC d'août 2026 indiquait que les plus grands laboratoires de robotique au monde étaient déjà clients, et que des partenaires de la restauration et de l'entreposage peuvent couvrir le salaire des travailleurs en leur faisant porter des kits de collecte pendant qu'ils travaillent.

Toujours en activité : réseau de contributeurs actif, jeux de données vendus à de grands laboratoires de robotique ; stade précoce, équipe de trois personnes.

La thèse est à contre-courant : tandis que les capitaux se ruent sur le matériel et les modèles des robots, le goulot d'étranglement se situe en amont - personne ne possède les données diverses de mouvement dans le monde réel dont les robots ont besoin pour apprendre.

Le modèle de crowdsourcing s'accumule : plus de contributeurs signifie plus d'environnements et de tâches, ce qui rend le jeu de données lui-même plus difficile à répliquer pour un concurrent pratiquant la captation en usine.

Les fondateurs sont des opérateurs crédibles pour ce créneau : Scale AI a enseigné à Verma l'infrastructure de données à grande échelle, et Ningthou a construit des pipelines de données pour l'USAF et mené une startup précédente à six chiffres de revenus.

L'offre dépasse déjà les signaux de demande : plus de 5 000 contributeurs quelques semaines après le lancement, des milliers d'heures de données circulant chaque jour, et de grands laboratoires comme clients selon le billet de lancement YC.

Quand le matériel et les modèles d'une catégorie attirent l'attention, l'intrant peu glamour - les données d'entraînement - est le véritable goulot d'étranglement ; le crowdsourcing transforme cette rareté en une chaîne d'approvisionnement défendable.

En septembre 2026, Asimov exploite un réseau mondial de contributeurs et vend des jeux de données de mouvement humain à des entreprises de robotique, avec une équipe de trois personnes basée à San Francisco. Son billet de lancement indique que les plus grands laboratoires de robotique au monde sont déjà clients et qu'elle peut livrer à grande échelle immédiatement ; elle recrute des contributeurs et des partenaires commerciaux tels que des restaurants et des entrepôts pour porter des kits de collecte. Le pari à long terme est que les données d'entraînement pour la robotique deviennent un intrant banalisé doté d'une chaîne d'approvisionnement défendable à effets de réseau, comme Common Crawl l'est devenu pour le texte - encore tôt et non prouvé.