NVIDIA Explique la Différence Entre VLA et WAM — Deux Approches du Contrôle Robotique

NVIDIA a publié un aperçu complet de deux architectures concurrentes pour l'IA robotique — VLA et WAM — et explique pourquoi la deuxième approche pourrait devenir le prochain standard de l'industrie.

Deux Classes de Modèles Robotiques

Aujourd'hui, il existe deux façons dominantes de créer un modèle qui contrôle un robot. La première est de prendre un modèle Vision-Langage pré-entraîné et de l'affiner pour générer des commandes pour un manipulateur. Ces systèmes sont appelés modèles Vision-Language-Action, ou VLA. Des exemples déjà en opération : Pi-0 de Physical Intelligence et GR00T N1 de NVIDIA. Les deux commencent par une puissante backbone VLM qui a absorbé des connaissances sur le monde par le biais de textes et d'images — et s'adaptent ensuite aux tâches motrices réelles. L'avantage clé : une sémantique riche et la capacité à généraliser des instructions inconnues.

Le deuxième chemin est celui des World-Action Models, ou WAM. Ici, la base n'est pas un modèle de langage, mais un modèle « du monde » — un système entraîné pour prédire les images vidéo futures en fonction de l'action effectuée. Une telle backbone n'a pas lu Internet, mais elle a vu comment les objets se déplacent, se déforment et réagissent à l'impact physique.

Pourquoi l'Imagination Est Plus Importante Que le Langage

L'idée clé du WAM est que prédire « ce qui se passera si j'appuie sur cette tasse » est fondamentalement plus utile pour un robot que la capacité à analyser des instructions complexes. Les modèles du monde, issus des tâches de génération vidéo, accumulent précisément ce type de connaissance. En pratique, cela s'exprime par les différences suivantes :

• La backbone VLM fournit une sémantique riche et une généralisation des commandes linguistiques
• La backbone du modèle du monde intègre l'intuition physique sans programmation explicite de la physique
• VLA est affiné principalement sur des ensembles de données de téleopération humaine
• WAM peut utiliser la vidéo synthétique comme simulateur interne
• Les deux approches ne s'excluent pas mutuellement — les chercheurs expérimentent déjà avec des hybrides

NVIDIA dans les Deux Camps

Remarquablement, NVIDIA est présente dans les deux directions à la fois. GR00T N1 est le modèle VLA phare pour les robots humanoïdes. Cosmos est une plateforme de modèles du monde qui sert potentiellement de backbone WAM pour la prochaine génération de systèmes.

« Nous sommes au début d'une ère d'IA physique » — c'est précisément le récit que NVIDIA consolide à travers cette publication de glossaire et cet aperçu conceptuel.

En standardisant la terminologie avant que le marché ne se divise complètement en camps, l'entreprise se positionne comme une architecte du discours. Ce n'est pas simplement un blog — c'est une tentative de dicter comment l'industrie pensera la prochaine génération de robots.

Ce Que Cela Signifie

Le choix entre VLA et WAM est une décision stratégique pour tous ceux qui construisent de la robotique aujourd'hui. VLA se lance plus rapidement avec les données de téleopération disponibles ; WAM se met potentiellement à l'échelle mieux sans annotation manuelle coûteuse. À mesure que les modèles de génération vidéo deviennent moins chers et s'améliorent, les Modèles d'Action Mondial deviendront de plus en plus attrayants — et NVIDIA a l'intention d'occuper des positions dominantes dans les deux camps simultanément.