Avec un taux de réussite annoncé à 99% sur plusieurs tâches et une vitesse triplée, Gen-1 donne à Generalist AI un argument rare en robotique, le déploiement.
Generalist AI affirme avoir franchi un cap avec Gen-1, son modèle d’IA physique capable d’atteindre 99% de réussite sur plusieurs tâches de manipulation et d’aller environ trois fois plus vite que l’état de l’art cité par l’entreprise. L’enjeu n’est pas seulement la dextérité montrée en vidéo, du portefeuille aux câbles Ethernet. C’est la promesse, encore à confirmer, d’une robotique plus proche du déploiement que de la démo.
La vidéo du billet glissé dans un portefeuille attire l’œil. Le vrai sujet est ailleurs, dans le moment où une start-up de robotique ose parler de viabilité commerciale sans changer de conversation au bout de deux phrases.
Chez Generalist AI, Gen-1 arrive cinq mois après GEN-0. Et l’entreprise lui prête un rôle large, celui de cerveau commun pour un humanoïde, un bras industriel ou d’autres systèmes robotisés, comme le raconte CNET.
Le seuil qui change la lecture
Les démonstrations sont parlantes, oui. Ranger des billets dans un portefeuille, trier des chaussettes par couleur, fermer et remplir une trousse, empiler des oranges, brancher un câble Ethernet. Ce sont des gestes banals pour nous, pénibles pour une machine dès qu’il faut gérer friction, souplesse, glissement et correction en temps réel.
Là où Generalist veut marquer le coup, c’est sur les chiffres. L’entreprise parle d’un taux moyen de réussite à 99% sur des tâches où les modèles précédents plafonnaient à 64%, avec une exécution environ trois fois plus rapide et seulement une heure de données robot pour obtenir ces résultats.
La donnée humaine comme matière première
Le contraste avec les grands modèles de langage est net. Les modèles physiques ont avancé plus lentement, d’abord parce que les bonnes données manquent. Un robot doit apprendre dans un monde pensé pour les humains, pas dans un bac d’essai propre et figé.
Generalist AI ne s’appuie pas surtout sur de la téléopération classique. La société a construit ses propres gants et dispositifs légers, distribués à l’échelle mondiale, pour capter des millions de gestes humains avec le retour d’effort, les ratés et les rattrapages qui font la vraie dextérité. Automate précise que certains participants sont des professionnels déjà payés pour leur travail, d’autres des non-professionnels rémunérés pour contribuer.
Dexterité d’abord, ROI ensuite
Le choix stratégique est assez net. Pas de fuite vers le robot total. Andy Barry, cofondateur et CTO, explique que l’entreprise a visé le problème le plus dur de la robotique industrielle, la dextérité, parce que c’est là que se concentre la valeur et parce que les benchmarks doivent coller à des tâches pour lesquelles des clients paient déjà.
C’est aussi dans ce cadre qu’est apparu leur premier moment de surprise, quand un robot entraîné à saisir un sachet de la main gauche l’a fait de la droite, sans qu’on le lui ait appris. Barry résume ce souvenir ainsi, « C’était le premier moment où on s’est dit qu’il y avait là quelque chose de très différent ».
Un même modèle pour beaucoup de mains
Generalist pousse maintenant l’idée plus loin. Gen-1 fonctionne avec des mains à cinq doigts, des pinces modifiées et des outils spécialisés. L’entreprise dit avoir préentraîné le modèle sur plus de 500000 heures d’interactions réelles et environ 9000 variations d’effecteurs, détail repris par The Robot Report.
Bon, l’idée n’est pas seulement d’ajouter des mains pour la galerie. Le pari, c’est qu’en changeant d’interface motrice, le modèle apprenne une forme de bon sens physique transférable, et même qu’il puisse continuer une tâche après un échange d’effecteur en cours d’exécution.
Des chiffres qui comptent plus que la mise en scène
Les résultats détaillés sont plus solides que la vidéo virale. Generalist AI annonce 99% de réussite pour l’entretien d’un robot aspirateur, contre 50% avec Gen-0, 99% pour le pliage de boîtes contre 81%, et 99% pour l’emballage de téléphones contre 62%.
Côté matériel, Elite Robots affirme avoir servi de plate-forme de collecte et de validation avec plus de 1800 empilements de blocs et 200 pliages de boîtes sans intervention, une répétabilité de ±0,02 mm et une durée moyenne entre pannes de 100000 heures, selon PR Newswire.
