Quand on scrute chaque jour les réseaux sociaux à la recherche d’informations sur les robots, on finit par connaître par cœur le scénario habituel des sections de commentaires consacrées à la robotique :
- Un robot fait quelque chose d’impressionnant → tout le monde dit : « Cool, maintenant, qu’il fasse la vaisselle. »
- Un robot essaie de faire la vaisselle → tout le monde dit : « Pas comme ça. »
Physical Intelligence a décidé d’arrêter de tourner en rond et de transformer toute l’affaire en test. Ses nouvelles Robot Olympics sont en quelque sorte les Jeux olympiques des tâches ménagères : les mêmes tâches, les mêmes contraintes, mille façons d’échouer et un tableau de résultats douloureusement honnête sur la distance qui nous sépare encore de robots.
capables de nous être réellement utiles.The Robot Olympics de Benjie Holson (il avait littéralement sous-titré son article « le gant est jeté »), et PI l’a dit tout haut lors du lancement. Défi relevé !
Voici ce que PI a testé avec son modèle « généraliste » π0.6 (une politique vision-langage-action — imaginez un « LLM pour robots », où la vision et les instructions se transforment en actions motrices) :
- Entrée par une porte : franchir une porte à poignée-levier qui se referme automatiquement sans se faire rattraper par la porte elle-même.
- Textiles : retourner une chaussette à l’endroit (et admettre que la pince est trop large pour les manches de chemise).
- Utilisation d’outils : insérer une minuscule clé dans une serrure et la tourner ; autrement dit, « précision, couple et aucune seconde chance ».
- Nettoyage: : laver une poêle avec du savon et de l’eau comme une vraie personne qui n’a aucune envie de vivre dans la crasse.
- Et bien sûr, Objets déformables : ouvrir un sac à déjections canines en plastique fin (qui, commodément, aveugle les caméras du poignet au pire moment possible).
PI affirme que toutes les vidéos sont autonomes. Cela signifie que le robot décompose la tâche, effectue des mouvements impliquant de nombreux contacts et se reprend quand les choses dérapent, sans qu’un humain ne pousse les joysticks entre deux coupes.
Image : X
Pourquoi c’est important
Parce que PI essaie de réunir deux univers qui ne se parlent généralement pas :
- Des benchmarks qui ressemblent à la vraie vie (portes, sacs à déjections canines, lessive) plutôt que des casse-têtes de laboratoire parfaitement maîtrisés.
- La mise à l’échelle des modèles de fondation (entraîner un modèle de grande taille une fois, puis l’affiner pour de nouvelles tâches) plutôt que de concevoir des politiques sur mesure pour chaque nouvel objet.
Cela rejoint directement les dernières recherches de PI sur le transfert de l’humain au robot. L’idée est qu’après avoir préentraîné des VLA (modèles vision-langage-action) sur une expérience robotique suffisamment variée, ceux-ci commencent à « aligner » les vidéos égocentrées humaines sur le comportement des robots dans l’espace des représentations. Ensuite, on peut apprendre aux robots à partir de séquences vidéo humaines peu coûteuses, sans recourir à une multitude de techniques explicites d’alignement.
Dans l’article, PI fait état d’améliorations d’environ ~2× sur un ensemble de scénarios de généralisation « exclusivement humains » lorsque des vidéos humaines sont ajoutées lors de l’affinage. C’est un premier indice que la prochaine avalanche de données pour les robots ne viendra peut-être pas de davantage d’heures de fonctionnement robotique… mais plutôt d’un plus grand nombre d’humains filmant leur quotidien.
Bien sûr, il y a une réserve de taille
« Une démonstration impressionnante » ne signifie pas « produit fiable ». Voici quelques rappels bien réels pour éviter que vos attentes ne fassent du parkour :
- Il s’agit toujours de tâches fragiles, riches en contacts, dont la réussite peut dépendre de l’éclairage, du positionnement de l’objet ou d’une éponge légèrement trop mouillée.
- Certains échecs sont tout simplement matériels : une pince trop large rate l’épreuve de la manche de chemise, quelle que soit l’intelligence de la politique.
- Les benchmarks ne sont que le début, pas la fin : ce qui compte, c’est la reproductibilité sur de nombreux essais, dans de nombreuses cuisines.
À surveiller ensuite : déterminer si cette boucle « modèle de fondation + affinage + évaluation en conditions réelles » commence à produire un effet cumulatif comme cela a été le cas pour les modèles de langage. Si c’est le cas, le calendrier pratique semblera moins relever de la science-fiction et davantage d’une issue inéluctable, quoique terriblement banale.
Si vous voulez retrouver l’intégralité du fil technique dans un format épuré, l’article de PI est repris sur une page HTML de l’article sur arXiv.
Note de la rédaction : ce contenu a d’abord été publié dans la newsletter de notre publication sœur, The Neuron. Pour découvrir d’autres articles de The Neuron, inscrivez-vous à sa newsletter ici.