La robotique est-elle en train de vivre son « moment GPT-3 » ?
L’émergence de modèles robotiques capables d’apprendre des tâches physiques en quelques secondes à partir d’une simple démonstration interroge sur l’accélération technologique que connaît actuellement la robotique. Cette avancée, comparée au moment GPT-3 pour le langage, soulève des enjeux stratégiques et économiques majeurs, notamment dans un contexte de compétition géopolitique pour la maîtrise des technologies d’intelligence artificielle incarnée.
En quoi la capacité de GEN-1.5 de Generalist AI diffère-t-elle des robots industriels traditionnels ?
Contrairement aux robots industriels classiques, programmés pour répéter en boucle une tâche prédéfinie, GEN-1.5 peut apprendre une nouvelle tâche en quelques secondes après une seule démonstration humaine, un processus baptisé prompting physique. Cette flexibilité contraste avec l’approche rigide des systèmes actuels, limités à des séquences de mouvements préétablies.
Quels sont les résultats concrets obtenus par GEN-1.5 dans ses tests ?
Le modèle affiche un taux de réussite moyen de 59 % sur 10 tâches manuelles simples, mais atteint 83 % après un réentraînement de 5 minutes sur une cinquantaine de démonstrations. Dans un scénario spécifique, comme le balayage de déchets avec une brosse, il atteint même 99 % de réussite après un léger ajustement de ses paramètres internes.
Pourquoi la comparaison entre GEN-1.5 et GPT-3 est-elle controversée ?
Si Generalist AI souligne la capacité du modèle à apprendre rapidement à partir de peu d’exemples, des chercheurs comme Yu Xiang de l’université du Texas à Dallas estiment que la comparaison reste prématurée. Le langage offre en effet une représentation unifiée et partagée, alors que les robots présentent des architectures et des outils (pinces, mains) extrêmement diversifiés, rendant le transfert des compétences plus complexe.
Comment GEN-1.5 a-t-il été entraîné et sur quelles données ?
Le pré-entraînement de GEN-1.5 repose exclusivement sur des données d’interactions physiques réelles, captées dans des environnements quotidiens (foyers, entrepôts, usines) via un moteur de données développé par Generalist AI. Aucune simulation n’a été utilisée, et le modèle précédent de l’entreprise, GEN-1, s’appuyait déjà sur 500 000 heures de données réelles.
Ce que ça pourrait changer
L’automatisation rapide de tâches physiques pourrait bouleverser les chaînes de production et réduire les coûts opérationnels, notamment dans des secteurs comme la logistique ou l’industrie. La Chine, déjà leader mondial en installation de robots industriels, pourrait tirer un avantage stratégique de cette innovation, tandis que les pays moins avancés dans le domaine risquent de creuser l’écart technologique. Cette avancée interroge aussi sur la résilience des modèles économiques traditionnels face à une robotique désormais capable de s’adapter en temps réel à des environnements complexes.
