LEBIGDATA.FR I.A, Cloud & Cybersécurité
La startup Physical Intelligence, installée à San Francisco, vient de dévoiler des travaux qui devraient intéresser la robotique. L’entreprise a mis au point un modèle d’IA baptisé π0.7.
Ce système serait capable d’exécuter des actions inédites pour lui, avec seulement quelques instructions verbales et de rares exemples issus de ses données. Lors d’une démonstration, il a ainsi réussi à manipuler une friteuse à air sans réelle expérience préalable.
En quoi est-ce plus impressionnant que de faire des acrobaties ?
Faire des acrobaties impressionnantes, c’est une chose. Mais gérer des tâches du quotidien reste un casse-tête pour les robots. Entre la précision des mouvements et la diversité des objets, chaque situation demande des ajustements très spécifiques.
C’est dans ce contexte que π0.7 a été mis à l’épreuve. Face à une friteuse à air qu’il ne connaissait quasiment pas, le robot disposait de très peu d’indices. Les chercheurs n’ont identifié que deux séquences utiles dans ses données.
Une où un robot ferme une friteuse, et une autre, issue d’un dataset open source, montrant un robot manipulant une bouteille en plastique. Autant dire que ce n’était pas un tutoriel complet.
Pourtant, le robot a réussi à utiliser l’appareil de manière suffisamment correcte pour cuire une patate douce. Il s’est appuyé sur ces maigres exemples et sur ses connaissances générales issues du web.
Shi, doctorante à Stanford, souligne d’ailleurs qu’il est difficile d’identifier précisément d’où viennent les connaissances mobilisées par le modèle.
Là où π0.7 fait la différence
Aujourd’hui, pour accomplir une tâche précise, la plupart des robots apprennent grâce à d’immenses volumes de données. Souvent des millions d’heures de vidéos. Ce qui n’est pas le cas π0.7.
Ce modèle développé par Physical Intelligence, comme dit tout haut, serait à même de s’attaquer à des situations pour lesquelles il n’a jamais été entraîné directement. En gros, il peut réutiliser des connaissances acquises dans différents contextes et les combiner pour résoudre un problème inédit.
Sergey Levine, cofondateur de l’entreprise, explique que le modèle parvient à récupérer des informations et à les recomposer d’une manière totalement nouvelle. Une approche qui pourrait marquer une étape importante dans le développement de robots plus autonomes et adaptables.
Il faut toutefois noter que lors du test, π0.7 n’était pas totalement livré à lui-même. Il a reçu des instructions verbales pendant le test. Et ce point fait toute la différence.
Sans aide, le robot affichait environ 5 % de réussite dans l’utilisation de la friteuse. Après une demi-heure d’explications, ce taux aurait grimpé à 95 %. Autrement dit, il peut s’améliorer en direct, sans passer par un nouvel entraînement complet ni une collecte massive de données.
Ce type d’apprentissage en temps réel ouvre des perspectives intéressantes. On peut imaginer des machines capables de s’adapter rapidement à de nouveaux environnements, simplement en recevant des consignes.
Restez à la pointe de l'information avec LEBIGDATA.FR !
- Partager l'article :
