La course à l’armement robotique humanoïde, c’est de moins en moins une affaire de boulons et de circuits imprimés, et de plus en plus une question philosophique fondamentale : comment diable enseigner à une machine ? D’un côté, des entreprises comme Sunday parient sur une armée de professeurs humains. De l’autre, des géants comme Tesla et Nvidia rêvent que leurs robots absorbent le savoir en binge-watchant YouTube. Cette fracture stratégique redéfinit tout le secteur, et il faut croire que personne n’a encore le mode d’emploi.
Sunday mise à fond sur l’apprentissage par imitation, équipant 500 “développeurs de mémoire” de gants spéciaux pour enregistrer méticuleusement des données de haute qualité pour toutes les tâches imaginables. L’entreprise affirme que cette méthode lui permet de former et d’évaluer une nouvelle tâche toutes les une à deux semaines, donnant naissance à ce qu’elle nomme “le robot à l’apprentissage le plus rapide du monde”. C’est une approche artisanale, presque cousue main, de la collecte de données, privilégiant la qualité à la quantité brute.
Ce modèle centré sur l’humain n’est pas sans variantes. La firme norvégienne 1X Technologies opte également pour la guidance humaine, mais au lieu de gants et de sessions “sur mesure”, elle déploie ses 1X Neo : Votre majordome IA est là, moyennant un prix robots directement dans des scénarios du monde réel pour un apprentissage par téléopération. Moins une salle de classe, plus un apprentissage sur le tas, façon compagnonnage high-tech. Pendant ce temps, Figure aménage ses propres “Neura Gyms” physiques, des environnements structurés où ses robots peuvent s’entraîner sur des tâches spécifiques, parfois en partenariat avec des mastodontes comme BMW.
Et puis, il y a le camp du “regardez des vidéos, ça ira”. Tesla a clairement affiché son ambition pour son robot Optimus : qu’il apprenne des tâches simplement en observant des vidéos d’humains en action. Nvidia, avec sa plateforme NVIDIA crée une matrice pour robots avec Cosmos , mise également sur la simulation et des montagnes de données vidéo disponibles sur internet pour entraîner ses modèles de fondation pour la robotique. Cette méthode promet une échelle colossale – il y a plus d’heures de vidéos “tuto” en ligne que n’importe quelle équipe de développeurs de mémoire ne pourrait jamais produire – mais elle se heurte aux défis du contexte, de l’incarnation physique et du bruit assourdissant des données non structurées.
Pourquoi est-ce si crucial ?
Cette fracture méthodologique représente le plus grand obstacle à la création d’un robot véritablement polyvalent. Au cœur du débat, on retrouve le grand classique : la qualité contre la quantité, un dilemme amplifié par les complexités de l’interaction physique.
Un ensemble de données méticuleusement organisé et de haute qualité, provenant de démonstrateurs humains – à l’image de celui que L'IA Sunday contourne les marionnettes robotiques, enseigne les tâches à la main est en train de bâtir – est-il la clé d’une exécution de tâches fiable ? Ou bien le volume brut et chaotique des données internet offrira-t-il finalement une voie plus robuste et évolutive vers l’intelligence, comme le croient Tesla et Nvidia ? L’entreprise qui résoudra cette énigme de l’apprentissage à grande échelle ne se contentera pas de construire un meilleur robot ; elle définira probablement la prochaine décennie de l’intelligence artificielle et de l’automatisation.
