Tu suis la course aux modèles IA ?
Chaque sortie (GPT, Claude, Gemini, Mistral…) décryptée le soir même, en 5 min. Gratuit.
Inclus dès l'inscription : notre sélection des meilleurs guides & comparatifs IA.
Choisis ton rythme
Gratuit · Pas de spam · Désabonnement en 1 clic
Physical Intelligence présente le modèle π0.7
La start-up Physical Intelligence a récemment fait sensation en introduisant π0.7, un modèle d'intelligence artificielle qui permet aux robots d'exécuter des tâches qu'ils n'ont jamais apprises auparavant. Ce modèle est capable de guider un robot à travers une tâche inconnue en utilisant des instructions en langage courant. Lors des essais en laboratoire, un robot a pu réaliser certaines manipulations sans avoir été spécifiquement entraîné pour celles-ci, grâce à un guidage précis.
Amélioration continue par reformulation
L'une des caractéristiques remarquables de cette technologie est que le robot peut améliorer son taux de réussite sur une tâche donnée simplement en reformulant les consignes. Cela se fait sans modification du modèle ni ajout de nouvelles données. À travers des répétitions, le robot parvient à stabiliser la coordination de ses mouvements, démontrant ainsi une capacité d'apprentissage adaptatif.
Un système unique et des données diversifiées
Physical Intelligence, fondée en 2024, a publié des travaux sur un système unique qui peut être utilisé sur plusieurs types de robots. Les données d'entraînement du modèle incluent des enregistrements provenant de machines variées, des vidéos de comportements humains et des exécutions autonomes. Le modèle est conçu pour traiter des consignes textuelles, des indications visuelles ainsi que des paramètres de vitesse, ce qui lui confère une grande flexibilité.
Expérimentation dans une cuisine d'essai
Lors d'une expérience menée dans une cuisine d'essai, un robot a été placé devant une airfryer. Les données d'entraînement contenaient quelques enregistrements isolés, comme un robot refermant un appareil ou déposant un objet dans un récipient. Aucune séquence ne correspondait à une cuisson complète. Pourtant, le robot a réussi à ouvrir le compartiment, saisir une patate douce, et tenter de l'insérer dans l'appareil. L'action s'est interrompue sans consigne précise, mais les ingénieurs ont ensuite détaillé chaque étape de la manipulation, permettant au robot de reprendre l'exécution selon cette succession d'indications.
Des gestes recomposés à partir d'expériences séparées
Dans un autre essai, une même tâche a été formulée de plusieurs manières. Une première version a donné lieu à une série d'échecs dus à des consignes imprécises. En revanche, une seconde version, détaillant chaque étape de manière séparée, du positionnement de l'objet jusqu'à l'action finale, a permis d'atteindre un résultat complet. Selon Ashwin Balakrishna, chercheur impliqué dans les tests, il s'agit d'un ajustement progressif des instructions qui a permis d'améliorer le taux de réussite sans modification du modèle.
Transfert de compétences entre robots
Les données d'entraînement comprenaient des séquences montrant des gestes isolés sans lien direct avec la tâche finale. Parfois, on observait la fermeture d'un appareil ou le dépôt d'un objet dans un contenant, mais aucun enregistrement ne montrait les étapes d'une cuisson complète avec une airfryer. Malgré cela, lors des essais, le robot a enchaîné ces gestes dans un nouvel environnement, ouvrant l'appareil, déplaçant un aliment, et ajustant sa position après plusieurs tentatives guidées.
Pour consolider ces résultats, les chercheurs ont réalisé le même test avec un robot industriel différent de ceux utilisés lors de l'entraînement. Ce robot, possédant une structure et des dimensions distinctes, a réussi à exécuter un pliage de linge après plusieurs ajustements de consignes. Cependant, aucune méthode commune n'a permis de vérifier ces performances de manière indépendante, chaque équipe utilisant ses propres conditions de test et critères de réussite.
Vers une application future
Il est crucial de noter que ces résultats ne représentent pour l'instant que des tests en laboratoire. Aucune annonce n'a été faite concernant une mise en service opérationnelle de cette technologie, que ce soit dans le secteur industriel ou pour un usage quotidien.
