La robotique est-elle en train de vivre son « moment GPT-3 » ?
En seulement huit mois, la start-up américaine Generalist AI a entraîné un modèle robotique capable de reproduire des tâches après une simple démonstration humaine. L’article La robotique est-elle en train de vivre son « moment GPT-3 » ? est apparu en premier sur Le Grand Continent..
La start-up américaine Generalist AI a présenté le 19 août 2026 une avancée majeure en robotique avec son modèle GEN-1.5. Contrairement aux robots industriels classiques, programmés pour répéter indéfiniment une tâche prédéfinie, ce modèle peut apprendre une nouvelle action en quelques secondes à partir d'une seule démonstration humaine. Cette capacité est appelée prompting physique, par analogie avec le prompting utilisé pour les modèles de langage comme GPT-3. GEN-1.5 a été entraîné exclusivement à partir de données d'interactions physiques réelles, captées dans des environnements variés comme des foyers, des entrepôts ou des usines, sans recourir à des simulations virtuelles. Son pré-entraînement s'appuie sur environ 500 000 heures de données réelles, ce qui lui permet de détecter et reproduire des schémas répétitifs propres au travail manuel.
GEN-1.5 affiche un taux de réussite moyen de 59 % sur 10 tâches manuelles simples, comme plier du papier, empiler des tasses ou retourner un téléphone. Ce score atteint 83 % après seulement 5 minutes de réentraînement avec une cinquantaine de démonstrations supplémentaires. Par exemple, le modèle a atteint un taux de réussite de 99 % pour balayer des déchets avec une brosse après un ajustement rapide de ses paramètres internes. Cependant, cette performance reste limitée à des tâches simples et nécessite un réentraînement pour chaque nouvelle action. Yu Xiang, chercheur en robotique à l'université du Texas à Dallas, souligne que la comparaison avec GPT-3 est prématurée, car les robots présentent des architectures et des outils (comme des pinces ou des mains) très diversifiés, contrairement au langage qui offre une représentation unifiée pour tous les utilisateurs.
Generalist AI a été fondée en 2024 par d'anciens ingénieurs de Google DeepMind et de Boston Dynamics, une entreprise renommée pour son robot quadrupède Spot, utilisé notamment par des armées et des entreprises pour des missions de reconnaissance ou d'inspection, comme dans les tunnels du métro parisien depuis 2021. L'équipe de Generalist AI mise sur l'intelligence artificielle générale (general intelligence) pour le monde physique, en s'appuyant sur des données réelles plutôt que simulées. Le modèle GEN-1.5 marque une étape vers cette ambition, bien que ses capacités restent encore limitées à des tâches spécifiques et nécessitent des ajustements pour s'adapter à différents types de robots.
La capacité des robots à apprendre rapidement de nouvelles tâches pourrait entraîner des gains de productivité significatifs dans plusieurs secteurs. La Chine, qui concentre 43 % du parc mondial de robots industriels, serait particulièrement bien positionnée pour en profiter. En 2024, plus de la moitié des robots installés dans les usines chinoises étaient produits localement. Pékin installe en effet quatre fois plus de robots industriels que l'Union européenne et neuf fois plus que les États-Unis, selon un rapport de la Fédération internationale de robotique (IFR) publié en septembre 2025. Cette avancée technologique pourrait donc renforcer la position de la Chine dans l'industrie mondiale, tout en transformant les processus de production dans d'autres pays.
Le modèle GEN-1.5 est comparé à GPT-3 en raison de sa capacité à apprendre de nouvelles tâches à partir d'un seul ou de quelques exemples, une caractéristique clé ayant marqué l'arrivée du modèle linguistique d'OpenAI. Cependant, les experts soulignent que cette comparaison reste limitée. GPT-3 bénéficie d'une représentation unifiée du langage, compréhensible par tous, tandis que les robots doivent s'adapter à des architectures et des outils physiques très variés. Le vrai défi pour GEN-1.5 sera de prouver qu'il peut transférer ses capacités à des robots très différents tout en conservant une haute performance, un test qui n'a pas encore été validé.
