OpenAI a annoncé une nouvelle fois la refonte de sa division robotique. Cette fois‑ci, la décision ne provient pas d’un échec technique, mais d’une conviction que les modèles d’Intelligence artificielleEnsemble de techniques permettant à des machines d'accomplir des tâches nécessitant habituellement certaines capacités humaines, comme la reconnaissance, la prédiction ou la prise de décision. à usage général, comme le prochain GPTFamille de modèles génératifs préentraînés reposant sur l'architecture Transformer, notamment utilisés pour produire du texte.‑6 « Astra », sont capables de piloter des robots sans recourir à des architectures spécialisées. Les chercheurs en robotique sont donc redistribués : certains rejoignent l’équipe de recherche principale dirigée par le Chief Research Officer Mark Chen, tandis que les équipes appliquées et matérielles sont intégrées à l’unité d’Applied dirigée par Greg Brockman.

Pourquoi un tel remaniement ?

OpenAI estime que les modèles de langage très larges peuvent déjà gérer des tâches de manipulation d’objets avec une efficacité supérieure aux systèmes dédiés. Une étude interne de Nvidia, citée par le média Fortune, montre qu’un agent alimenté par Astra atteint un taux de succès de 74,8 % sur des tâches de robotique simulées, contre 51 % pour les meilleurs modèles spécialisés. Le test utilisait le robot simulé DROID, ce qui indique que le gain de performance se manifeste au moins dans un environnement virtuel.

Un nouveau benchmark, StationeryBench, a comparé Astra avec le modèle MolmoAct2 d’Ai2 sur cinq scénarios impliquant des objets de bureau manipulés par deux bras YAM. Sur 200 essais, Astra a achevé 7 % des tâches (7 sur 100) alors que MolmoAct2 n’en a complété aucune. Le score moyen de progression d’Astra était de 46 contre 12 pour MolmoAct2. Un autre test a montré qu’Astra, installé sur un robot humanoïde, pouvait se déplacer dans une cuisine et nettoyer le sol, démontrant une capacité à combiner navigation et manipulation.

Ce que cela signifie pour les utilisateurs

Si les modèles généraux peuvent réellement remplacer les pipelines robotique spécialisés, plusieurs bénéfices pratiques pourraient apparaître :

  • Simplification du développement : les développeurs n’auraient plus à entraîner un modèle dédié pour chaque type de robot ou de tâche, mais pourraient exploiter un seul modèle « tout‑en‑un ».
  • Mise à jour continue : les améliorations du modèle de base profiteraient immédiatement à tous les robots qui l’utilisent, sans nécessiter de re‑TrainingProcessus durant lequel un modèle ajuste ses paramètres à partir de données afin d'améliorer ses performances. spécifique.
  • Réduction des coûts : moins de ressources seraient consacrées à la collecte de données robotique propre à chaque domaine, ce qui est souvent l’obstacle majeur pour les petites équipes.

Cependant, le texte souligne que les modèles spécialisés conservent des atouts. Ils peuvent être plus économes en énergie, offrir des LatenceDélai entre l'envoi d'une requête à un système et l'obtention d'une réponse ou du début de celle-ci. plus courts et garantir une fiabilité accrue dans des environnements critiques. Les coûts d’InférencePhase durant laquelle un modèle entraîné utilise ses paramètres pour produire une prédiction ou une réponse à partir de nouvelles données. d’un modèle de la taille de GPT‑6 restent élevés, ce qui peut limiter son déploiement sur des plateformes embarquées aux ressources limitées.

Des incertitudes persistantes

OpenAI n’a pas détaillé la quantité de données robotiques intégrées lors de l’entraînement d’Astra. D’autres acteurs comme Anthropic ou Google ont également publié des progrès sur des tâches similaires, ce qui montre que la tendance n’est pas exclusive à OpenAI. Le chercheur Yoav Artzi, de Cornell et DeepMind, a indiqué que sur le benchmark encore non publié REMAP, Astra atteint une précision proche de celle d’un humain en compréhension spatiale. Il suspecte que le modèle a été nourri de vastes ensembles de scènes 3D, par exemple des rendus Blender, mais cela reste à confirmer.

OpenAI avait déjà dissous son équipe robotique en 2020, invoquant le manque de données d’entraînement et la priorité donnée aux grands modèles de langage. La division a été reconstituée en 2024, et Sam Altman prévoit une démonstration publique d’un robot d’ici 2027, avec l’ambition à long terme de créer des robots domestiques. La réorganisation actuelle montre que la société veut pousser la recherche robotique tout en restant concentrée sur son cœur de métier, l’IA générativeIntelligence artificielle capable de créer de nouveaux contenus, notamment du texte, des images, du son, des vidéos ou du code., où elle ressent la pression de concurrents comme Anthropic.

Perspectives

L’expérience d’Astra ouvre la porte à des systèmes robotique plus génériques, mais les défis restent nombreux : optimiser la consommation énergétique, garantir la sécurité en conditions réelles et assurer une robustesse face aux imprévus du monde physique. Les prochains mois seront décisifs pour observer si les performances simulées se traduiront en succès tangibles sur des robots physiques, et si les modèles de grande taille deviendront la norme dans la robotique grand public.


Cet article se veut informatif et reflète les faits publiés à ce jour.

Une lecture à partager ?
Partager
Partager cet article
WhatsApp ↗LinkedIn ↗Facebook ↗X ↗E-mail ↗

POUR CONTINUER

Garder le fil.

Toutes les actus ↗