Les chercheurs n’en revenaient pas : leur robot IA a cuisiné une patate douce… sans jamais l’avoir appris !

Imaginez un robot qui, face à un appareil inconnu, décide de l’utiliser comme un humain le ferait, en assemblant des gestes appris ailleurs. C’est ce qu’a vécu Physical Intelligence, une jeune pousse de la Silicon Valley, avec son système π0.7. Ce modèle d’intelligence artificielle pour machines mobiles révèle des talents imprévus, évoquant ces moments où un PNJ dans un jeu vidéo sort du script pour nous épater.

La généralisation compositionnelle en action

Spécialisée dans les IA pour robots, Physical Intelligence – lancée en 2024 à San Francisco – a entraîné π0.7 sur des flux visuels, langagiers et moteurs variés, couvrant plusieurs machines et scénarios. Contrairement aux approches classiques où l’IA se limite aux séquences mémorisées, ce modèle fusionne des compétences isolées pour aborder des défis neufs. Il adapte sa vitesse ou sa précision via des indications contextuelles, et transfère ses savoirs entre robots différents, comme plier du linge sur un bras inconnu sans précédent spécifique. Les tests montrent des taux de réussite comparables à ceux d’humains expérimentés, même sur des objets complexes.

L’épisode de la patate douce qui déroute les ingénieurs

Le cas le plus frappant implique une friteuse à air, apparaissant deux fois seulement dans les données d’entraînement : une fermeture par un robot et un dépôt d’objet par un autre. Pourtant, guidé par des instructions verbales progressives, π0.7 charge une patate douce, l’insère et active l’appareil avec succès. Ashwin Balakrishna, chercheur chez Physical Intelligence et doctorant à Stanford, avoue son étonnement : « Mon expérience a toujours été que lorsque je connais bien les données, je peux à peu près prédire ce que le modèle sera capable de faire. Je suis rarement surpris. Mais ces derniers mois ont été la première fois où je suis profondément surpris. » Après affinage des prompts en 30 minutes, le taux de réussite grimpe à 95 %.

Ambitions et limites dans un marché en effervescence

Malgré ces avancées, l’équipe tempère : il s’agit de premiers indices de généralisation, sans déploiement commercial. Sergey Levine, cofondateur et professeur à UC Berkeley, note que les séquences multi-étapes en une seule directive restent hors de portée. Valorisée à 5,6 milliards de dollars, la société négocie un tour à 11 milliards, dans un secteur des robots humanoïdes estimà à 2 milliards en 2026 et en forte croissance. Ce bond pourrait transformer nos interactions avec la tech, des usines aux foyers geek.

Avec π0.7, les robots franchissent un cap vers l’autonomie réelle, prêts à évoluer comme les IA de nos jeux préférés, et promettant des univers physiques aussi immersifs que virtuels.