Recursia devance Nvidia ASPIRE de 10 points sur les tâches longues de robotique

Recursia, une méthode relevant du paradigme Embodied RSI, devance Nvidia ASPIRE de 10 points sur les tâches robotiques longues à plusieurs étapes. L'information vient du média chinois Jiqizhixin. L'objectif des développeurs est la généralisation zero-shot : un manipulateur doit réussir une séquence d'actions dans des scènes qu'il n'a pas vues à l'entraînement. C'est précisément là que les robots actuels échouent le plus souvent, même lorsque leurs compétences isolées sont bien maîtrisées.

Tâche T3 : pourquoi ranger une table est difficile

Pour illustrer leur propos, les auteurs citent la tâche longue T3, réalisée sur un vrai bras manipulateur. Le robot pose un bol sur une assiette, puis saisit une tasse et la place dans le bol qui vient d'être déplacé. Pour un humain, cela prend quelques secondes. Pour un robot, la difficulté tient au fait que la deuxième étape s'exécute dans une scène modifiée par la première. Le bol n'est plus là où il se trouvait au départ, et la position des objets diffère de ce que le modèle a vu au début.

Ces erreurs s'accumulent. La reconnaissance, la saisie et le dépôt peuvent chacun fonctionner avec une grande fiabilité, mais sur une chaîne de plusieurs étapes, les petites imprécisions se multiplient et la politique se retrouve dans des états absents des données d'entraînement. Les tâches longues sont donc devenues le test principal de la généralisation : les démos courtes cachent beaucoup de choses, les longues montrent où le système déraille.

Ce que l'on sait de Recursia et du RSI

En robotique, RSI se traduit généralement par auto-amélioration récursive : le système exploite sa propre expérience et ses résultats pour progresser. Embodied RSI transpose cette idée à des agents physiques. Les auteurs gardent toutefois la tête froide : l'article indique explicitement que le « moment RSI » des robots est encore très lointain. Ils présentent Recursia comme un pas dans cette direction, et non comme son avènement.

L'extrait disponible de la publication permet de retenir les éléments suivants :

• méthode : Recursia, paradigme Embodied RSI ;
• objectif : généralisation zero-shot des robots ;
• comparaison : Nvidia ASPIRE ;
• résultat : un écart de 10 points sur les tâches longues ;
• validation : robot réel, exemple de la tâche T3 ;
• source : Jiqizhixin, 14 octobre 2026.

L'article laisse en suspens plusieurs questions importantes. On ignore en quoi sont mesurés les « points » (vraisemblablement en taux de réussite, mais ce n'est pas confirmé). La taille de l'échantillon, le nombre de tâches longues, la longueur des chaînes et la manière exacte dont ASPIRE a été lancé comme référence ne sont pas connus. Aucune donnée n'indique non plus quel volume de simulation et de tentatives réelles l'auto-amélioration a exigé.

Comment lire de tels résultats

Pour les ingénieurs et les investisseurs qui suivent les robots manipulateurs, la principale conclusion pratique est la suivante : mieux vaut se fier aux tâches longues où l'état de la scène change qu'aux démos de compétences isolées. C'est là que l'on peut observer une véritable généralisation. Avant de conclure à la supériorité de Recursia, il faut attendre l'article ou le preprint et vérifier trois points : la métrique, le nombre d'essais sur matériel réel, et l'équité de la comparaison avec ASPIRE sur les mêmes tâches et dans les mêmes conditions.

Dix points sur un benchmark de quelques dizaines d'exécutions et dix points sur des centaines de tentatives dans des scènes variées sont deux affirmations différentes. Tant que les détails ne sont pas publiés, il s'agit d'un signal sur la direction prise, et non d'une percée démontrée.