Une startup robotique chinoise souhaite construire la « recette » qui donnerait aux robots une intelligence générale

Points clés

• X Square Robot, une entreprise chinoise d'IA incarnée, publiera sa pile complète d'IA robotique en tant que logiciel open-source en 2025.
• L'entreprise affirme que sa méthode de collecte de données atteint des performances comparables aux ensembles de données composés entièrement de robots, à environ 20 fois moins cher.
• Son modèle de monde, WALL-WM, organise le comportement des robots autour d'actions nommées comme « atteindre » ou « saisir » plutôt que des fenêtres temporelles fixes.
• Son modèle d'action, Wall-OSS-0.5, est conçu pour fonctionner sur un vrai robot avant tout ajustement spécifique à une tâche, ce qui est rare dans le domaine.
• Tous les résultats phares jusqu'à présent proviennent des propres tests de référence de l'entreprise, ce qui signifie que des tests indépendants n'ont pas encore confirmé ces résultats.

Enseignez à un système d'IA suffisamment de texte, et quelque chose d'utile émerge. Cette idée, appelée préentraînement sur des données larges, a transformé les grands modèles de langage, la technologie derrière des chatbots comme ChatGPT, en outils polyvalents que des millions de personnes utilisent quotidiennement.

La robotique n'a pas de raccourci équivalent. Un robot qui plie du linge ne peut pas simplement transférer cette compétence au chargement d'un lave-vaisselle. Les systèmes qui fonctionnent dans la plupart des robots aujourd'hui sont construits à partir de pièces distinctes et spécialisées qui ne s'ajoutent à rien de général.

X Square Robot, une entreprise chinoise axée sur ce que les chercheurs appellent l'IA incarnée (c'est-à-dire une IA qui vit dans un corps physique et doit agir sur le monde réel), pense avoir trouvé la recette. Et, chose inhabituelle pour une startup d'IA chinoise, elle publie le cœur de celle-ci pour que quiconque puisse l'utiliser et l'examiner.

Le pari de l'entreprise repose sur trois couches qui fonctionnent ensemble : comment les robots collectent les données d'apprentissage, un modèle de monde qui prédit ce qui se passera ensuite dans le monde physique, et un modèle d'action qui transforme la perception et le raisonnement en mouvement réel.

Qu'est-ce qui distingue ce projet des autres projets d'IA robotique ?

La pièce la plus distinctive est la façon dont X Square Robot gère les données, les exemples à partir desquels un robot apprend. La collecte de démonstrations robotiques est coûteuse car il faut un vrai robot, un opérateur formé et des heures de supervision minutieuse. X Square Robot a construit un équipement portable avec deux préhenseurs qu'une personne porte sur ses mains. Aucun robot n'est nécessaire. Cela réduit considérablement les coûts de collecte.

Mais des données moins chères sont inutiles si elles sont incorrectes. L'entreprise ajoute un contrôle de qualité véritablement inhabituel : un échantillon des mouvements enregistrés est physiquement rejoué sur un vrai robot, et seuls les mouvements qui complètent la tâche sont comptabilisés comme valides. Un préhenseur qui se ferme une fraction de seconde trop tôt pourrait ressembler à une saisie réussie dans l'enregistrement, mais le robot a en réalité repoussé l'objet. Cette trajectoire est écartée.

L'entreprise rapporte que la combinaison de ces données de démonstration humaine moins chères avec une petite quantité de données de vrai robot atteint des performances comparables aux ensembles de données collectés entièrement sur des robots, à environ un vingtième du coût. C'est une affirmation frappante. La réserve, comme IEEE Spectrum AI l'a noté dans sa couverture, est que ces chiffres proviennent des propres robots et tests de X Square Robot. Des chercheurs externes n'ont pas encore confirmé indépendamment ces résultats.

Le modèle de monde, appelé WALL-WM, adopte une approche différente du temps. La plupart des systèmes d'IA robotique décomposent le mouvement en segments de longueur fixe, comme un film est découpé en images de longueur égale. WALL-WM organise plutôt le comportement autour d'événements significatifs : atteindre, saisir, placer. Chaque événement se termine quand l'action est complète, non pas quand une horloge tourne. L'idée est que les limites doivent correspondre à ce qui se passe réellement, pas à ce qui est pratique à calculer.

Le modèle d'action, Wall-OSS-0.5, est un modèle vision-langage-action (un logiciel qui lit les images de caméra, comprend les instructions en langage naturel et produit des mouvements physiques). L'exigence stipulée par l'entreprise pour celui-ci est que le modèle doit faire quelque chose d'utile sur un vrai robot avant que quiconque ne le programme davantage pour une tâche spécifique. D'abord une capacité générale préentraînée, ensuite une spécialisation. Cet ordre est l'objectif de l'ensemble du projet.

Pour les gens ordinaires, rien de tout cela ne change quoi que ce soit aujourd'hui. Les robots domestiques polyvalents restent à des années de distance. Mais si des chercheurs indépendants peuvent reproduire et étendre ces résultats, la publication en open-source pourrait accélérer le domaine d'une manière qu'un système fermé et propriétaire ne peut pas.