Pour l’entraîner, plus de 200 000 humains à travers le monde se sont filmés au quotidien. Grâce à ces données, Helix, le nouveau modèle de robot de Figure AI, a pu pénétrer dans des maisons inconnues et, dans la majorité des cas, les ranger avec succès.
Entrer dans une maison inconnue, repérer le lit, poser les oreillers, tirer la couette. Un humain le fait sans y penser tandis qu’un robot devait jusqu’ici apprendre chaque logement un par un.
Le 17 septembre, l’entreprise américaine Figure AI a publié son modèle Helix 2.5. La société a loué 30 maisons dans la baie de San Francisco et y a envoyé ses robots humanoïdes sans y avoir collecté la moindre donnée. Il s’agissait de trois tâches longues : ranger un salon, plier des serviettes, faire un lit. À architecture et données de tâche identiques, un modèle parti de zéro réussit 9 % des essais. Le même modèle pré-entraîné sur « Index » en réussit 56 %.
Index est une application grand public par laquelle Figure achète nos gestes quotidiens : n’importe qui la télécharge, se filme en train de faire son lit, de vider un lave-vaisselle ou de nettoyer une litière, et se fait payer pour ça. 264 000 téléchargements dans 108 pays, 16 millions de vidéos déjà versées et 15 millions de dollars reversés aux contributeurs. Le pré-entraînement sur cette matière humaine produit à lui seul la généralisation chez le robot.
Figure décrit ici une loi d’échelle de transfert humain vers robot : chaque fois que Figure double le volume de vidéos, le robot se trompe un peu moins, et toujours dans les mêmes proportions. La régularité est telle que les ingénieurs ont annoncé le niveau de leur plus gros entraînement avant même de le lancer, et sont tombés juste.
Le 10 août, l’entreprise californienne Dyna Robotics publiait Dyna-2, pré-entraîné sur 1 million d’heures de vidéo humaine en vue subjective (environ 170 ans de vie les yeux ouverts) avec une progression continue sur quatre ordres de grandeur et aucun plafond observé. Le 10 septembre, le chinois AgiBot faisait passer son modèle GE-Act 2.0 de 300 à 30 000 heures d’entraînement. La réussite sans aucun réglage préalable grimpe de 17,1 % à 44,1 %, et le nombre de tâches réussies au moins une fois passe de 39 à 76 sur 100.
Rien de tout cela ne règle encore l’enjeu du robot domestique. Une réussite de 56 %, c’est encore un essai sur deux qui échoue. Personne ne peut garantir que la loi d’échelle continuera de tenir à l’avenir, mais il y a lieu d’espérer que ce soit le cas. Le jour où un robot fera votre lit sans avoir jamais vu votre chambre n’est peut-être pas loin, et ce jour-là dépendra probablement du nombre d’heures de vidéos humaines qui auront servi à son entraînement.
Quel avenir pour la viande ?
