Des robots qui apprennent en observant — et ce que cela change pour les usines
Le nouveau modèle GR00T 2 de NVIDIA permet à un robot de maîtriser une tâche après l'avoir vue seulement quelques fois, ce qui rend l'automatisation physique bien plus accessible pour les entreprises.
- 95%
- taux de réussite après 5 démonstrations
- 71%
- taux de réussite après 1 seule démonstration
- 100 000 h
- de vidéo humaine pour entraîner le modèle
- 50
- tâches différentes testées
Montrez quelque chose cinq fois à un robot, et il peut le faire de façon fiable. C'est ce qu'a démontré le nouveau modèle GR00T 2 de NVIDIA — présenté lundi lors d'une conférence de robotique à Austin, au Texas — dans des tests contrôlés : un taux de réussite de 95 % sur 50 tâches après seulement cinq démonstrations chacune. Même après une seule démonstration, le taux atteignait déjà 71 %.
Jusqu'ici, apprendre à un robot une nouvelle tâche nécessitait des semaines de programmation personnalisée et des spécialistes coûteux. GR00T 2 prend une autre voie : il a été entraîné sur 100 000 heures de vidéo humaine en vue subjective, ce qui lui permet de comprendre un large éventail de mouvements physiques avant même d'arriver en usine. Cette base commune permet d'appliquer le même modèle à des robots et des tâches très différents.
Foxconn l'utilise déjà pour automatiser une partie de son processus d'assemblage de serveurs à Houston. Siemens l'évalue pour une utilisation en usine. Ce ne sont pas de petites expérimentations — Foxconn fabrique certains des équipements les plus précis au monde, et de vraies usines misent déjà dessus. Le PDG de NVIDIA, Jensen Huang, a déclaré que toute entreprise industrielle deviendra une entreprise de robotique.
Si votre activité implique un travail physique et répétitif — assemblage, emballage, prélèvement, tri — cela mérite d'être suivi de près. Le seuil pour déployer un robot a baissé : vous n'avez plus besoin d'une équipe d'ingénieurs pour le programmer tâche par tâche. Vous lui montrez le travail, et il apprend. Ces résultats proviennent de tests contrôlés ; les environnements réels sont plus complexes. L'étape concrète aujourd'hui : identifiez la première tâche répétitive à automatiser dans votre activité, et observez comment les premiers adoptants comme Foxconn s'en sortent.