---
Résumé en langage simple
Le secteur des robots intelligents corporels, qui permettent aux robots de bouger, de travailler et d’interagir avec leur environnement réel de manière autonome, connaît actuellement une forte popularité, avec un niveau élevé de financement et d’attention médiatique. Cependant, le secteur a auparavant suivi l’exemple de ChatGPT, pensant que l’accumulation de données et de paramètres suffirait à obtenir rapidement des résultats, ce qui a entraîné de nombreux détours. Lors de la conférence de la Bund, plusieurs entrepreneurs et scientifiques de premier plan ont clarifié le nouveau consensus du secteur : il est impossible de reproduire la voie de développement des grands modèles linguistiques pour les robots intelligents corporels. Les questions précédemment débattues, telles que la quantité de données réelles à collecter, le risque que des modèles universels prennent le marché ou le moment où les robots pourront générer des revenus, ont maintenant des réponses claires. La compétition future ne se fera plus uniquement sur la puissance des modèles, mais sur la capacité globale à combiner données, matériel, systèmes et scénarios. Le secteur est en train de passer d’une phase axée sur la promotion de concepts et la présentation de démonstrations à une phase de mise en œuvre réelle et rentable.
---
Analyse détaillée
1. Le secteur a commis une première grosse erreur : penser que copier l’approche de ChatGPT (accumuler des données) suffirait
Les grands modèles linguistiques se sont améliorés en étant alimentés de milliards de mots provenant d’Internet, ce qui a conduit beaucoup de gens à croire que les robots intelligents corporels fonctionneraient de la même manière. Ils ont donc collecté des données vidéo montrant les robots effectuant des tâches telles que porter des objets ou marcher, espérant que cela améliorerait leurs performances. Or, il s’avère que ces données sont en grande partie inutiles. Par exemple, faire répéter constamment à un robot des tâches simples ne lui permet pas d’apprendre à manipuler des objets plus complexes. Le consensus actuel est que la qualité des données est bien plus importante que leur quantité ; seules les données reflétant les lois du monde physique sont vraiment précieuses. Les données collectées dans des situations réelles, telles que la manière de saisir des objets glissants ou de marcher sur des surfaces humides, sont cent fois plus utiles que des données recueillies de manière inefficace pendant des millions d’heures.
2. La stratégie de collecte de données a complètement changé : il ne s’agit plus de voir qui possède le plus de données, mais de transférer les caractéristiques physiques du monde réel dans les systèmes informatiques
Le secteur s’est longtemps interrogé sur le choix des données à utiliser pour entraîner les robots : des données réelles provenant de scénarios réels ou des données générées en simulation. Les experts proposent maintenant une approche différente : il faut transférer directement les caractéristiques physiques du monde réel dans les systèmes de simulation. Par exemple, en saisissant avec précision les propriétés du liquide (forme des taches, glissance du sol, déformation des objets sous différents poids) dans les systèmes informatiques, les robots peuvent s’entraîner à ne pas glisser et à saisir des objets de poids variés sans risque, avec une efficacité bien supérieure à celle de l’entraînement en réalité. Cela évite également de gaspiller des ressources réelles.
3. Les craintes concernant l’impact des grands modèles linguistiques sur le secteur se révèlent infondées
L’apparition de GPT-6 Astra, capable de contrôler directement les robots, a suscité des inquiétudes chez certains, mais ces craintes sont infondées. Les capacités de l’IA proviennent des données spécifiques à chaque domaine ; les grands modèles linguistiques ne sont pas utiles pour contrôler les robots. Pour développer des robots, il est nécessaire de collecter des données physiques sur les capteurs des robots, d’adapter les moteurs et de mettre en place des systèmes d’entraînement complets, des tâches qui ne sont pas moins difficiles que pour les startups. De plus, les données spécialisées collectées par les startups sont souvent plus pertinentes que les capacités linguistiques des grands modèles.
4. Le critère de réussite commerciale des robots est clair : il s’agit de voir si les clients sont prêts à payer continuellement
Auparavant, les démonstrations de robots (démos) étaient jugées significatives, mais maintenant, le critère principal est de savoir si les clients sont disposés à payer régulièrement pour les services offerts par les robots. Un robot doit être plus efficace que des employés ou des systèmes automatisés traditionnels, avec un bon rapport coût-efficacité. Les applications potentielles sont nombreuses : livraison de plats dans les restaurants, rangement dans les entrepôts, accompagnement dans les établissements de soins. Les robots intelligents corporels pourraient être commercialisés rapidement, et la révolution de l’IA dans le monde physique est juste en train de commencer.