Pour la robotique, l'ère du GPT est arrivée

Jusqu'à il y a quelques années, si vous vouliez créer une start-up dans le domaine de la robotique, vous deviez prévoir des années de travail rien que pour faire bouger un bras mécanique, dépenser des sommes faramineuses en matériel sur mesure et disposer d'une équipe de spécialistes qui semblait tout droit sortie de la NASA. Aujourd'hui, ce n'est plus le cas. Aujourd'hui, vous pouvez disposer d'un robot qui plie le linge dans une véritable laverie, en apprenant à partir de données collectées également par d'autres robots, et le modèle d'intelligence qui le pilote s'exécute même dans le cloud, et non sur un supercalculateur caché dans son sac à dos. Voici l'idée : nous sommes dans le moment « GPT » de la robotique. Tout comme les modèles linguistiques ont démocratisé l’IA, la robotique passe aujourd’hui d’un métier d’élite à quelque chose d’accessible, d’évolutif et d’étonnamment rapide à mettre sur le marché. Il n’est plus nécessaire d’être un génie de l’ingénierie mécanique : aujourd’hui, il faut davantage de créativité, la capacité à collecter des données et la volonté d’intégrer du matériel, même bon marché, car l’intelligence est apportée par le modèle, et non par le métal. Derrière cette révolution se trouve une équipe qui semble tout droit sortie d’une série télévisée : Quan Vang, cofondateur de Physical Intelligence, accompagné de Brian, Chelsea, Sergey, Locky et Adnan. Ils ont quitté Google X, où ils travaillaient sur des projets de robotique avancée, pour fonder une start-up avec une mission presque folle : créer un modèle capable de contrôler n'importe quel robot, dans n'importe quel environnement, pour n'importe quelle tâche physiquement possible. Quan raconte que pendant des années, plier le linge a été le « test de Turing » de la robotique : aucun algorithme classique ne parvenait à gérer la variété et la déformabilité des tissus, ainsi que le caractère aléatoire du monde réel. Puis, en deux semaines de travail avec Weave, une start-up créée par d'anciens employés d'Apple, ils ont réussi à faire fonctionner un robot qui plie réellement le linge de clients réels. Autre exemple : Ultra, une start-up du secteur de la logistique, utilise désormais des robots qui emballent des commandes Amazon dans de véritables entrepôts, avec une autonomie presque totale pendant des heures. Alors qu’auparavant chaque robot était une tour d’ivoire, optimisée uniquement pour lui-même, les modèles sont désormais entraînés à partir de données provenant de dizaines de plateformes différentes. Un chiffre concret : OpenX, la plateforme qui agrège les données d'une flotte de robots hétérogènes, a montré qu'un modèle « généraliste » surpasse un modèle « spécialiste » de 50 % pour les mêmes tâches. Et si vous avez déjà entendu dire qu'il fallait du matériel de très haut niveau pour faire fonctionner ces algorithmes, oubliez cela : la plupart des démonstrations de Physical Intelligence fonctionnent avec le cerveau dans le cloud, et le robot sur le terrain n'est guère plus qu'une webcam intelligente. La véritable innovation se trouve ici : le problème n’est plus « comment programmer chaque mouvement », mais « comment collecter les bonnes données et intégrer un modèle qui sait déjà se déplacer dans des environnements différents ». Il y a un autre changement radical dont personne ne vous parle : même des robots identiques évoluent au fil du temps, avec de petites modifications matérielles ou logicielles qui rendent les données collectées obsolètes. Il est donc préférable d'entraîner des modèles sur une variété de robots, afin qu'ils apprennent à gérer la diversité et qu'ils soient plus robustes. Et cette variété se traduit déjà aujourd’hui par la capacité à effectuer des tâches « zero-shot », c’est-à-dire sans avoir besoin de données spécifiques collectées pour cette tâche : l’année dernière, il fallait des centaines d’heures d’entraînement, alors qu’aujourd’hui, le robot est capable de généraliser. Mais il y a un aspect que peu de gens prennent en compte : le véritable obstacle pour une start-up en robotique n’est plus la technologie, mais l’intégration dans le flux de travail réel. Quan le répète : il faut comprendre dans quels domaines le robot fait vraiment la différence — il s'agit souvent de tâches ennuyeuses et répétitives, où quelques erreurs sont acceptables, et où l'on peut commencer par une supervision humaine, puis automatiser de plus en plus. Le coût initial a diminué : du matériel moins cher, des modèles open source (Physical Intelligence a publié PI0 et PI05 avec les mêmes poids que le modèle utilisé en interne), et la possibilité de tester et d'améliorer dans des environnements réels. Nous sommes au début d’une véritable « explosion cambrienne » des startups verticales : tout comme l’ordinateur personnel a multiplié les entreprises technologiques dans les années 1980, chaque secteur – de la logistique au nettoyage, de la restauration à l’assistance – peut désormais disposer de sa propre startup robotique, créée par des équipes petites et agiles qui n’ont plus à tout réinventer à partir de zéro. Mais attention : le défi n'est pas seulement technologique, il concerne également le produit et l'entreprise. Il faut comprendre les besoins réels du client, s'adapter aux flux de travail existants et viser un « seuil de rentabilité » rapide, c'est-à-dire atteindre la viabilité économique avec quelques robots avant de se développer. Et l’opinion contraire ? Tout le monde s’attend à ce que la révolution vienne des robots domestiques, mais le véritable essor pourrait venir des tâches industrielles invisibles — comme l’emballage des commandes ou la gestion de la micrologistique — où la marge d’erreur est tolérée et la demande est énorme. Préparez-vous : demain, la question cruciale ne sera pas « Quel robot puis-je acheter ?», mais « Quel processus de travail puis-je améliorer en intégrant un modèle intelligent qui apprend de tous ? ». La phrase à retenir : la robotique n'est plus une question de matériel sophistiqué, mais de données, de modèles et d'intégration créative. Si, après avoir écouté cette histoire, vous avez constaté que votre façon de penser aux startups de robotique a changé, vous pouvez l'indiquer sur Lara Notes en utilisant I'm In — ce n'est pas un « J'aime », mais le geste de quelqu'un qui adopte une nouvelle perspective et s'y reconnaît. Et si, demain, vous expliquez à quelqu’un pourquoi le pliage du linge a été le véritable « test de Turing » de la robotique ou comment Ultra révolutionne la logistique, vous pouvez utiliser Shared Offline sur Lara Notes pour taguer les personnes présentes : ainsi, cette conversation compte vraiment. Cette note provient d’Y Combinator et vous a fait gagner plus d’une heure et demie d’écoute.