Physical Intelligence présente π0.7 — un cerveau de robot capable de maîtriser des tâches inconnues

Physical Intelligence, l'un des acteurs les plus discutés de la robotique, a présenté π0.7—une version améliorée de son modèle servant de « cerveau » aux robots. L'accomplissement clé : le système peut désormais gérer des tâches pour lesquelles il n'a jamais été spécifiquement entraîné.

Physical Intelligence a été fondée en 2023 par une équipe d'anciens chercheurs de Google DeepMind, Berkeley et d'autres laboratoires de premier plan. Dès le départ, l'entreprise s'est fixé un objectif ambitieux : créer un cerveau IA universel pour les robots physiques—analogue à ce que GPT a fait pour le traitement du texte. Au cours de sa première année, la startup a levé environ 400 millions de dollars ; parmi les investisseurs figurent Khosla Ventures, Thrive Capital et Amazon.

Le premier modèle public, π0, a été lancé fin 2024. Il pouvait contrôler des manipulateurs et exécuter des tâches quotidiennes : plier du linge, laver la vaisselle. Mais il a été entraîné sur des compétences spécifiques—chaque action a été démontrée à l'avance et intégrée aux poids du modèle.

π0.7 va plus loin. Selon l'entreprise, le nouveau modèle peut transférer les connaissances vers des tâches sur lesquelles il n'a jamais été entraîné.

En d'autres termes, il généralise plutôt que de simplement reproduire les schémas appris. C'est ce qui rend cette étape significative : non pas une amélioration au sein de scénarios familiers, mais l'émergence d'une « sagesse pratique » embryonnaire appliquée au monde physique. L'entreprise elle-même est prudente dans sa formulation—la qualifiant d'« étape initiale mais significative » vers l'objectif longtemps recherché : un robot universel capable de gérer toute tâche physique sans formation séparée pour chaque nouveau scénario.

Ceci est une différence fondamentale par rapport à la situation actuelle, où un manipulateur industriel peut faire exactement ce pour quoi il a été programmé—et rien d'autre. La généralisation a été l'un des défis clés en robotique depuis des décennies. Apprendre à un robot à serrer un boulon sur une chaîne de montage est simple.

Lui apprendre à « se débrouiller » avec une nouvelle tâche en se basant sur une compréhension générale de la physique et de l'espace est bien autre chose. Ce sont précisément les succès des grands modèles de langage qui ont stimulé toute l'industrie : il s'est avéré que l'entraînement à grande échelle sur des données diversifiées confère aux modèles la capacité de généraliser. Physical Intelligence applique le même principe aux actions physiques dans le monde réel.

L'architecture de π0.7 n'est pas détaillée dans ses spécificités. L'entreprise a historiquement construit ses modèles en utilisant une approche de diffusion, l'appliquant non pas aux pixels mais à l'espace des actions du robot : au lieu de sélectionner l'étape suivante parmi un ensemble fixe, le modèle génère une trajectoire de mouvement, l'affinant progressivement—de la même manière qu'un réseau neuronal affine une image.

La question de savoir à quel point les nouvelles tâches sont réellement « inconnues » reste ouverte. L'entreprise n'a pas encore publié de benchmarks détaillés, et les démonstrations vidéo—un outil de marketing traditionnel des startups de robotique—ne reflètent pas toujours la fiabilité réelle dans des conditions incontrôlées. Néanmoins, le fait lui-même est important : une startup avec un financement sérieux et une équipe de classe mondiale enregistre une étape mesurable vers la généralisation.

La course pour un « cerveau pour robots » se déroule parallèlement à la course aux grands modèles de langage—et les enjeux sont comparables. Si au cours des prochaines années on parvient à créer un modèle véritablement universel pour contrôler un corps physique, cela transformera toute l'industrie de l'automatisation : de la logistique à la chirurgie. π0.

7 n'est pas encore la ligne d'arrivée. Mais c'est l'un des rares signaux concrets que la route vers celui-ci existe.