Une prouesse qui change la donne
Une machine nommée π0.7, développée par la start-up Physical Intelligence, a réalisé récemment des tâches totalement inédites sans enseignement explicite, illustrant une avancée marquante pour l’autonomie robotique. Exemple précis : le robot a placé une patate douce dans un airfryer alors qu’il n’avait jamais été entraîné spécifiquement sur cette combinaison aliment–appareil, démontrant une capacité d’abstraction comparable à du bon sens pratique humain. Cette performance signale que les robots commencent à pouvoir interpréter des consignes vagues et à appliquer des compétences apprises dans de nouveaux contextes.
La méthode: généralisation compositionnelle
La clé technique est une approche dite de généralisation compositionnelle, qui permet au système de recombiner des compétences apprises séparément (vision, langage, commandes motrices) pour résoudre de nouvelles tâches. Exemples concrets et points clés :
- Transfert de gestes : il a transposé un geste vu sur une bouteille vers la manipulation d’un légume.
- Cross-embodiment : entraînement sur plusieurs plateformes robotiques pour apprendre des primitives réutilisables.
- Apprentissage multimodal : fusion d’images et d’instructions verbales pour générer des commandes motrices.
Une équipe issue des géants de la recherche
Physical Intelligence a été fondée en 2024 par des ingénieurs et chercheurs venant notamment de Google, des universités de Stanford et Berkeley, combinant expertise académique et savoir-faire industriel. Exemple : des chercheurs spécialisés en vision par ordinateur travaillent de concert avec des ingénieurs roboticiens pour traduire une description linguistique (« mets la patate douce dans l’airfryer ») en trajectoire sûre du bras et en réglage des préhensions. Ce mélange d’expériences accélère la création d’un « modèle fondation » pour la robotique.
Ce que le système sait faire — et ce qu’il peine encore à faire
π0.7 affiche des réussites impressionnantes mais présente des limites sur des tâches longues et séquentielles. Exemples concrets :
- Succès élevé pour des actions courtes et bien délimitées (taux rapporté de 95% après 30 minutes d’ajustement des commandes).
- Difficultés pour des procédures longues comportant plusieurs étapes conditionnelles (ex. cuisiner une recette complète avec contrôles intermédiaires).
- Sensibilité aux instructions trop abstraites : une consigne vocale unique trop complexe nécessite une décomposition en étapes.
Vers π0.8 : auto-correction et robustesse
La feuille de route annonce une version π0.8 intégrant un dispositif d’auto-correction qui permettra au robot d’identifier et corriger ses erreurs en temps réel, sans intervention humaine. Exemple d’application : si la préhension commence à glisser, le système pourra réévaluer la stratégie (modifier l’angle de prise, ajuster la force) et poursuivre la tâche, améliorant la fiabilité pour un déploiement industriel et domestique.
Impacts concrets et enjeux à anticiper
L’essor de robots capables d’inventer des solutions pose des opportunités pratiques et des défis éthiques et réglementaires. Exemples d’impacts et points de vigilance :
- Secteur industriel : automatisation plus flexible des lignes de montage, réduction des programmations manuelles.
- Usage domestique : assistants ménagers plus polyvalents, mais nécessité de tests de sécurité et de robustesse.
- Enjeux : transparence des décisions, traçabilité des actions, limites opérationnelles et responsabilité en cas d’erreur.
Pour illustrer visuellement certains résultats expérimentaux, une démonstration de la démarche est disponible sur YouTube : https://www.youtube.com/watch?v=Zn8yMaepzVk
En savoir plus sur L'ABESTIT
Subscribe to get the latest posts sent to your email.
