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
Skild AI : une ambition de taille pour la robotique
La start-up américaine Skild AI, valorisée à 14 milliards de dollars, se distingue par son approche novatrice dans le domaine de l'intelligence artificielle appliquée à la robotique. En s'appuyant sur des simulations et des vidéos d'interactions humaines, l'entreprise vise à créer un "cerveau généraliste" capable de s'adapter à une multitude de robots, qu'ils soient humanoïdes, quadrupèdes ou encore des drones. Cette ambition repose sur l'idée que la même intelligence sous-jacente puisse être appliquée à divers types de tâches et d'environnements, qu'il s'agisse d'intérieurs, d'extérieurs, d'usines, d'hôpitaux ou de campus universitaires.
Un financement colossal pour une vision ambitieuse
Skild AI a récemment levé 1,4 milliard de dollars, une somme qui témoigne de la confiance des investisseurs dans le potentiel de la start-up. Deepak Pathak, cofondateur de l'entreprise, explique que cette manne financière permettra de développer une intelligence artificielle physique, vue comme la clé pour atteindre l'intelligence artificielle générale (AGI). Selon lui, cette avancée pourrait jouer un rôle crucial dans la réindustrialisation de l'Europe et des États-Unis. Pathak souligne l'importance de l'IA physique, qu'il considère comme essentielle pour réaliser une AGI capable de s'adapter à des tâches variées avec le même cerveau.
L'intelligence omnicorporelle : un concept révolutionnaire
Deepak Pathak, à la tête de Skild AI, décrit leur projet comme la création d'une intelligence omnicorporelle. Ce modèle d'IA généraliste est conçu pour fonctionner sur une variété de systèmes robotiques, qu'il s'agisse de robots opérant dans des environnements intérieurs ou extérieurs, dans des usines, des hôpitaux ou des campus universitaires. L'objectif est de développer un modèle capable de s'adapter à tous ces contextes, offrant ainsi une polyvalence sans précédent dans le domaine de la robotique. Cette approche vise à surmonter les limitations actuelles de la robotique, souvent perçue comme un problème de matériel plutôt que d'intelligence.
La nécessité d'un cerveau IA généraliste
Traditionnellement, la robotique a été perçue comme un domaine axé sur le matériel. Cependant, malgré des avancées technologiques impressionnantes, les robots ne font pas encore partie intégrante de notre quotidien. Deepak Pathak souligne que le véritable obstacle n'est pas le matériel, mais l'absence d'une intelligence générale capable de gérer différents systèmes matériels dans des environnements réels. Il insiste sur le fait que ce qui manque à la robotique, c'est un cerveau capable de fonctionner de manière fiable sur divers systèmes matériels, permettant ainsi une intégration plus fluide des robots dans notre vie quotidienne.
Vers un cerveau universel pour la robotique
L'ambition de Skild AI est de créer un cerveau universel pour les robots, capable de s'améliorer continuellement grâce aux données générées par chaque action robotique. Cette approche, qualifiée de "boucle continue d'amélioration par les données", permet d'affiner le modèle fondamental à chaque déploiement, rendant les robots de plus en plus performants. Chaque interaction avec l'environnement fournit des données précieuses qui enrichissent le modèle, créant ainsi un cycle vertueux d'amélioration continue qui pourrait révolutionner la manière dont les robots sont utilisés dans divers secteurs.
Les défis de l'entraînement des modèles robotiques
Contrairement aux modèles de langage, la robotique ne dispose pas d'un vaste ensemble de données. Ce manque crée un "problème de l'œuf et de la poule" : pour collecter des données, il faut des robots fonctionnels, mais pour qu'ils fonctionnent, il faut déjà des données. Skild AI surmonte ce défi en utilisant des vidéos d'interactions humaines pour guider le comportement des robots, tout en s'appuyant sur des simulations pour l'entraînement. Les données issues de la téléopération ou des systèmes de réalité virtuelle, bien que limitées en quantité, sont d'une qualité inestimable pour le développement de l'intelligence des robots.
L'importance cruciale de la simulation
L'observation seule ne suffit pas pour que les robots acquièrent des compétences. Comme un joueur de tennis qui doit s'entraîner des milliers d'heures pour atteindre l'excellence, les robots ont besoin de s'exercer. Les simulations permettent aux robots de s'entraîner dans des environnements virtuels, réduisant ainsi les coûts des expérimentations réelles. En observant des démonstrations humaines, les robots peuvent apprendre à se déplacer et à interagir avec leur environnement, avant de s'entraîner à travers des millions d'interactions simulées, ce qui est essentiel pour affiner leurs compétences.
Adapter le modèle à diverses applications
Skild AI développe d'abord un modèle de fondation généraliste, le Skild Brain, qu'ils spécialisent ensuite pour des applications spécifiques comme l'industrie ou la logistique. Ce processus génère une boucle de données qui améliore continuellement le modèle. Un des défis majeurs reste l'écart entre les performances en simulation et en conditions réelles, le "sim-to-real gap". Skild AI s'efforce de réduire cet écart en exposant ses systèmes à une variété de conditions simulées. L'objectif est de créer des systèmes adaptatifs capables de faire face à des situations nouvelles et imprévisibles, plutôt que de simplement mémoriser des scénarios prédéfinis.
Comprendre les world models et les approches VLA
Les world models, souvent mal compris, ne visent pas à créer des simulations hyperréalistes. À l'instar du cerveau humain, ces modèles raisonnent dans un espace abstrait, capturant les propriétés essentielles du monde physique sans reconstruire chaque détail visuel. Cette approche permet une généralisation des compétences à différents environnements et types de robots. Plutôt que de générer des visualisations internes réalistes, le modèle du monde de demain se concentrera sur un raisonnement abstrait et efficace, capable de comprendre des concepts comme la force, le timing et l'équilibre.
L'apprentissage inspiré par les humains
L'apprentissage par observation, inspiré de la psychologie cognitive, est central dans l'approche de Skild AI. Les robots apprennent en observant des vidéos et des démonstrations, puis s'entraînent massivement via la simulation. Ce modèle d'apprentissage partagé pourrait permettre aux robots de surpasser les capacités humaines dans certains domaines. En s'inspirant de la manière dont les enfants apprennent, les robots peuvent comprendre les intentions et les résultats des interactions, puis expérimenter eux-mêmes pour affiner leurs compétences.
L'IA physique comme voie vers l'AGI
Deepak Pathak est convaincu que l'IA physique est essentielle pour atteindre l'AGI. L'intelligence, selon lui, émerge de l'interaction physique avec le monde, et non du langage seul. Le langage est une manifestation de l'intelligence, mais la source profonde réside dans notre capacité à interagir avec le monde physique. En observant l'évolution, on constate que l'intelligence a principalement émergé à travers des interactions physiques, ce qui renforce l'idée que l'IA physique est cruciale pour développer une intelligence générale.
Les priorités de Skild AI après la levée de fonds
Avec des ressources de calcul conséquentes, Skild AI se concentre sur le déploiement de ses modèles dans divers secteurs. Chaque déploiement génère des données qui enrichissent le modèle, garantissant ainsi sa diversité et son efficacité. La diversité est cruciale pour construire un modèle généraliste capable de s'adapter à de multiples applications. Skild AI déploie ses systèmes dans l'industrie, les entrepôts, la mobilité et l'automatisation industrielle, chaque secteur fournissant des données opérationnelles précieuses pour améliorer le modèle.
L'importance des partenariats et acquisitions
La robotique nécessite du temps et des ressources pour s'implanter dans chaque industrie. Skild AI mise sur les partenariats et les acquisitions pour accélérer ce processus. L'acquisition de Fetch Robotics, par exemple, permet à Skild AI de bénéficier de l'expérience de Zebra Technologies dans le déploiement de robots mobiles autonomes, renforçant ainsi sa position dans le secteur. Ces collaborations sont essentielles pour pénétrer de nouveaux marchés et développer des solutions robotiques innovantes.
