Aether AI dévoile un bras manipulateur à noyau causal dans une vidéo de sept minutes truffée de perturbations

Sept minutes de vidéo, un bras manipulateur et plusieurs personnes qui font tout pour le mettre en échec. Aether AI a montré comment son système d'intelligence incarnée agit dans le monde physique, où la scène change en pleine opération. D'après le titre de l'article de Jiqizhixin, l'entreprise a transposé à la robotique l'idée d'un noyau causal, dont elle parlait jusqu'ici au niveau de la vision.

Que se passe-t-il dans la vidéo ?

Les perturbations sont du quotidien, et c'est ce qui les rend pénibles. Le bras se tend vers un sachet de café, mais une personne à côté l'emporte. Pendant que le robot utilise la machine à café, on dirige une lampe sur les boutons et l'éclairage autour d'eux change brutalement. Devant le micro-ondes, on pose une canette de boisson sur l'assiette où doit aller une part de gâteau. Lorsque le robot s'apprête à fermer la porte, une main étrangère s'en approche.

Chaque scène vise un point faible précis. L'objet qui disparaît teste la capacité du système à replanifier l'action à la volée. La lumière perturbe la reconnaissance visuelle des boutons. L'objet en trop sur l'assiette change le sens de la tâche. La main près de la porte crée un risque de collision et impose un arrêt.

Les principaux détails de la démo, tels qu'on les voit dans l'extrait accessible :

• durée : environ 7 minutes ;
• scénarios : machine à café, micro-ondes, sachet de café, assiette ;
• types de perturbations : déplacement d'un objet, changement d'éclairage, objet étranger, intervention d'une main ;
• les interventions sont réalisées par des personnes réelles, en plein déroulement de la tâche ;
• l'architecture, la taille du modèle et les données d'entraînement ne sont pas indiquées.

Pourquoi un robot a besoin de causalité

La plupart des politiques de contrôle de manipulateurs actuelles apprennent à partir de démonstrations et associent une image à une action. Tant que la scène ressemble à celle de l'entraînement, cela fonctionne. Dès qu'on retire le sachet ou qu'on change l'éclairage, ce lien se rompt : le système ne comprend pas pourquoi il fallait tendre le bras précisément à cet endroit.

Un modèle causal est construit autrement. Il conserve une représentation de ce qui provoque quoi : l'objectif, l'état de l'objet, le résultat de l'action. Si le sachet a disparu, la raison de la saisie reste la même ; seul le chemin vers l'objectif change. La canette sur l'assiette n'est pas non plus une défaillance, mais une nouvelle condition à prendre en compte avant de fermer la porte.

Il s'agit de la logique générale de cette approche, et non du fonctionnement révélé du système d'Aether AI. Le texte accessible ne dit pas comment l'entreprise met en œuvre sa couche causale (graphe explicite, modèle du monde appris ou surcouche d'un modèle vision-language-action). On ignore aussi en quoi consiste le moment « plus inattendu » que laisse entendre l'introduction de l'original : l'extrait s'interrompt avant.

Comment lire ce type de démo

Sept minutes sans échec manifeste sont convaincantes, mais une seule vidéo ne permet pas de mesurer la fiabilité. Pour l'évaluer, il faudrait des données qui manquent pour l'instant :

• le taux de réussite sur une série de dizaines ou de centaines d'essais, et non la meilleure prise ;
• le temps de récupération après une perturbation et le nombre de nouvelles tentatives ;
• le comportement face à des objets inconnus et dans une autre cuisine ;
• si le système fonctionne en temps réel sur du matériel embarqué ou s'il nécessite un serveur ;
• la part de montage et d'interventions répétées à l'avance dans la vidéo.

Pour les développeurs de piles robotiques, la conclusion pratique est simple : le test de perturbations doit devenir une partie obligatoire de l'évaluation, au même titre que le taux de réussite sur une scène propre. Si Aether AI publie sa méthodologie et ses chiffres, il faudra les comparer aux meilleures baselines d'imitation learning sur les mêmes perturbations. Pour l'instant, il s'agit d'une approche annoncée, et non d'un résultat confirmé.