Résumé des points clés
Tesla a converti ses lignes de production de la Model S/X, arrêtées à la fabrication, en lignes de production pour le robot humanoïde Optimus. Optimus représente un tournant crucial dans la transition de Tesla d'entreprise automobile à entreprise spécialisée en intelligence artificielle : il reprend l'algorithme FSD ainsi que une partie du matériel des voitures. Cependant, après cinq années de développement, sa production n'a toujours pas commencé. Bien que les constructeurs automobiles aient des avantages en matière de gestion de la chaîne d'approvisionnement et de production à grande échelle, les robots nécessitent des capacités “universelles” (comme saisir des œufs ou nettoyer) qui diffèrent considérablement des objectifs de l'intelligence artificielle appliquée à la conduite automobile, ce qui constitue un obstacle majeur au progrès de Tesla. Même certaines analystes ont reconnu leur erreur en n'incluant pas la valeur d'Optimus dans leurs évaluations de Tesla, et Elon Musk s'est plaint que Wall Street sous-estime son potentiel. En réalité, les défis liés aux robots universels sont plus nombreux qu'on ne le pense.
1. Optimus : l'atout majeur de la transition d'intelligence artificielle de Tesla, pourquoi la production est-elle bloquée ?
Pour Tesla, Optimus n'est pas une simple expérience ; Musk le décrit comme un “robot universel” capable d'aider les gens dans leurs tâches quotidiennes. Il est évident que son potentiel a été sous-estimé. Mais pourquoi la production n'a-t-elle toujours pas commencé, cinq ans après le lancement du concept ? D'une part, Tesla partage ses usines et ses algorithmes avec les voitures, ce qui pourrait sembler économiser des coûts. Cependant, les besoins des robots sont complètement différents de ceux des voitures : tandis qu'une voiture a simplement besoin de se déplacer d'un point A à un point B, un robot doit être capable de fonctionner dans divers environnements. D'autre part, on pense souvent que les constructeurs automobiles comprennent bien le matériel, mais en réalité, l'essence des robots universels réside dans leurs capacités logicielles, un domaine où Tesla (comme d'autres constructeurs) n'a pas encore fait de percée.
2. La transplantation des algorithmes : un transfert problématique ?
Au début, Tesla a tenté d'appliquer directement l'algorithme FSD aux robots Optimus. Andrej Karpathy, ancien responsable de l'intelligence artificielle chez Tesla, a révélé que les premiers modèles d'Optimus se comportaient comme des voitures, car ils utilisaient les caméras, les ordinateurs et les algorithmes des voitures. Pourquoi ce problème ? Les algorithmes automobiles visent à assurer la sécurité (arrêter aux feux rouges, éviter les obstacles), tandis que ceux des robots doivent permettre de manipuler des objets (prendre une tasse, saisir un œuf sans le briser). La logique de ces algorithmes est très différente : les algorithmes automobiles n'ont pas besoin de prendre en compte la force de préhension ou la friction, tandis que les robots doivent les gérer. Même si 60 % de l'algorithme FSD est réutilisé, cela ne résout pas les problèmes fondamentaux des robots.
3. Les avantages matériels des constructeurs automobiles : une meilleure gestion de la chaîne d'approvisionnement et une production à grande échelle
Les constructeurs automobiles ont en effet un avantage en termes de matériel :
- Gestion de la chaîne d'approvisionnement : les fournisseurs de pièces (comme les moteurs ou les réducteurs) sont similaires pour les voitures et les robots. Tesla peut négocier des prix plus bas grâce à ses gros volumes et encourager les fournisseurs à collaborer pour réduire les coûts. Par exemple, le fabricant de réducteurs Harmonic Drive a été intégré à la chaîne d'approvisionnement automobile de Tesla.
- Production à grande échelle : fabriquer des prototypes de robots est facile, mais pas leur production en série. Les constructeurs automobiles disposent de lignes de production automatisées et de systèmes de contrôle de qualité avancés, ce qui permet d'améliorer le taux de réussite et de réduire les coûts, un avantage que les startups (qui utilisent des méthodes manuelles) n'ont pas.
4. Le défi des données : apprendre à fonctionner comme un humain nécessite beaucoup d'entraînement, mais les données sont difficiles à collecter
Les robots universels doivent acquérir des compétences basées sur des “connaissances de la vie quotidienne” (comme saisir des œufs avec douceur ou utiliser une cuillère avec précision). Pour l'intelligence artificielle, cela représente un défi majeur (le paradoxe de Moravec). Pour résoudre ce problème, il faut fournir aux robots de nombreuses données d'entraînement (des milliers d'essais de saisie d'œufs, enregistrant la force et l'angle utilisée). Cependant, les données collectées pour l'intelligence artificielle automobile ne sont pas pertinentes pour les robots. Comment obtenir ces données ? Auparavant, il fallait des opérateurs pour enseigner aux robots (ce qui était coûteux et limité à un seul robot par opérateur) ; aujourd'hui, on utilise des caméras et des capteurs pour enregistrer les actions des travailleurs pendant leur tâche (comme cuisiner ou emballer des produits), ce qui permet de collecter plus de données à moindre coût. Malgré cela, il s'agit d'un processus lent et sans solution rapide.
Conclusion : les constructeurs automobiles ont des atouts en matière de matériel, mais des défis en termes de logiciels et de données
Tesla (ainsi que des entreprises comme Xpeng) a des compétences solides en matière de matériel et de production pour la fabrication de robots. Cependant, les algorithmes et les données sont leurs points faibles. Un robot universel n'est pas simplement une voiture qui peut se déplacer ; il nécessite une intelligence artificielle capable d'accomplir des tâches concrètes, ce qui requiert des données massives et des algorithmes spécifiques, éléments que les constructeurs automobiles n'ont pas encore développés. Ainsi, pour que Optimus soit véritablement produit en série et utile, Tesla doit encore améliorer ses compétences en logiciels et en collecte de données, un défi probablement plus difficile que la fabrication de voitures elle-même.