On nous a tellement promis « l’instant iPhone » de la robotique que c’est devenu un véritable running gag dans le milieu. Pourtant, de temps à autre, une innovation surgit et force même les plus blasés d’entre nous à tendre l’oreille. Cette fois, l’histoire implique un robot, une spatule et un pancake. Skild AI, la start-up aux moyens colossaux désormais valorisée à plus de 14 milliards de dollars, vient de dégainer S1 : un modèle de fondation capable d’apprendre une tâche complexe de 10 minutes simplement en regardant une vidéo. Pas de fine-tuning, pas des mois de collecte de données, pas d’armée d’opérateurs à distance. On regarde, et on fait.
La première fois que leur robot a retourné un pancake sans la moindre rature, l’équipe de Skild a réagi comme n’importe quel ingénieur normalement constitué : ils ont cru à un bug. Ils ont passé deux jours à éplucher leur dataset de pré-entraînement d’un million d’heures, persuadés qu’une donnée parasite sur la confection du petit-déjeuner s’y était glissée. Résultat : rien du tout. Le robot avait généralisé, déduisant la tâche inédite du « retournement » à partir d’un simple exemple vidéo. Ce n’était pas du simple mimétisme, mais bien une étincelle de bon sens physique.
La fin de la tyrannie du fine-tuning
Pendant des années, déployer un robot sur une nouvelle tâche tenait du calvaire : des heures de collecte de données et de réglages fins pour qu’il daigne accomplir une mission de manière fiable. C’est ce goulot d’étranglement, coûteux et chronophage, qui condamnait les robots polyvalents aux laboratoires de recherche. S1 de Skild propose une alternative radicale, basée sur le principe même qui a fait de ChatGPT un phénomène mondial : l’in-context learning (l’apprentissage en contexte).
Au lieu de réentraîner laborieusement un modèle, il suffit de lui montrer un exemple dans sa « fenêtre contextuelle ». Pour un LLM, c’est un exemple de texte. Pour S1, c’est une vidéo égocentrée d’un humain accomplissant la tâche. Le modèle a été nourri d’une diète massive de vidéos internet, de simulations et de données de téléopération, lui permettant de forger une compréhension généralisée des interactions physiques. Dès lors, une seule démonstration suffit à débloquer une nouvelle compétence, qu’il s’agisse de rempoter une plante, d’assembler un kit d’hygiène ou de préparer un café filtre.
« Ce concept, appelé apprentissage en contexte, est ce qui a marqué le passage de projets de recherche comme GPT-1 et GPT-2 à des produits révolutionnaires comme ChatGPT », a déclaré l’entreprise dans sa vidéo d’annonce. « Vous placez une démonstration dans la fenêtre de contexte… et le robot génère les actions nécessaires pour mener à bien la tâche. »
Et cette approche ne se contente pas de fonctionner : elle enterre littéralement l’ancienne méthode. Pour les tâches familières, S1 fait jeu égal avec les modèles Vision-Language-Action (VLA) classiques. Mais dès qu’on passe à des tâches totalement inédites, l’écart devient abyssal.
Les lois d’échelle de l’intelligence physique
La véritable magie opère avec le passage à l’échelle. Skild a publié un graphique qui devrait être affiché sur les murs de tous les labos de robotique. On y voit que plus les données de pré-entraînement augmentent, plus la capacité de S1 à gérer des tâches inconnues via l’apprentissage en contexte s’envole, là où les modèles VLA pilotés par le langage plafonnent.
Après 100 000 heures de pré-entraînement, S1 atteint un taux de réussite de 66 % sur des tâches hors distribution. Le VLA piloté par le langage ? Un maigre 9 %. On ne parle pas d’une amélioration incrémentale, mais d’un changement de paradigme. Cela suggère que, tout comme pour les grands modèles de langage, il existe des lois d’échelle prévisibles pour la robotique. Injectez assez de données, et des capacités totalement nouvelles émergent. Le modèle ne devient pas seulement meilleur ; il devient plus intelligent.
Cette intelligence n’est pas non plus fragile. Skild montre S1 s’adaptant aux perturbations, improvisant après une erreur, et corrigeant même les maladresses de l’humain dans la vidéo de démonstration. Il peut gérer des objets déplacés ou remplacés, prouvant une compréhension robuste qui va bien au-delà de la simple répétition d’une trajectoire.
De la démo de labo à la réalité industrielle
Si ce n’était qu’un énième projet universitaire, ce serait intéressant. Mais Skild AI est un poids lourd commercial soutenu par des géants comme SoftBank, NVIDIA et Bezos Expeditions (le fonds de Jeff Bezos). Avec une valorisation de 14 milliards de dollars et un chiffre d’affaires déclaré de 30 millions de dollars généré en seulement quelques mois l’an dernier, on ne joue plus dans la même cour. Ce n’est pas une simple démo, c’est l’annonce produit d’une entreprise qui a déjà des partenariats industriels et des centaines de robots sur le terrain.
C’est l’étape logique suivante dans leur mission : créer un Translation not available (fr) universel. Nous les avons déjà vus apprendre aux robots à Translation not available (fr) , mais S1 représente un basculement fondamental dans la manière dont on déploie ces machines. L’objectif est de changer l’économie de l’automatisation pour la rendre accessible aux PME, aux hôpitaux ou aux supermarchés — des structures qui n’ont pas les moyens d’embaucher un docteur en robotique pour réentraîner leurs machines.
Bien sûr, il faut rester prudent. Les tests sont internes et Skild n’a pas encore publié de papier technique, d’API ou les poids du modèle. Mais les vidéos sont bluffantes et la dynamique commerciale est indéniable. L’ère du « un robot, une tâche » touche peut-être enfin à sa fin. Avec S1, Skild parie que le futur de la robotique ne sera plus une affaire de programmation, mais de démonstration. Et tout a commencé avec un pancake.