Physical Intelligence dévoile π0.7, un cerveau de robot capable d'aborder des tâches inconnues

Physical Intelligence, l'un des acteurs les plus commentés de la robotique, a dévoilé π0.7, une version mise à jour de son modèle-« cerveau » pour robots. L'avancée clé : le système réalise désormais des tâches pour lesquelles il n'a pas été spécifiquement entraîné.

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

Le premier modèle public, π0, est sorti fin 2024. Il savait piloter des manipulateurs et accomplir des tâches domestiques : plier le linge, laver la vaisselle. Mais il était entraîné sur des compétences précises : chaque action était montrée à l'avance et figée dans les poids du modèle.

π0.7 va plus loin. Selon l'entreprise, le nouveau modèle est capable de transférer ses connaissances à des tâches pour lesquelles il n'a jamais été entraîné. Autrement dit, il généralise au lieu de simplement reproduire ce qu'il a appris par cœur. C'est ce qui rend ce pas significatif : il ne s'agit pas d'un perfectionnement dans des scénarios connus, mais de l'apparition des premiers rudiments de « bon sens » appliqué au monde physique.

L'entreprise reste elle-même prudente dans ses formulations : elle parle d'un « pas précoce mais significatif » vers un objectif recherché de longue date, un robot universel capable d'accomplir n'importe quelle tâche physique sans entraînement distinct pour chaque nouveau scénario. C'est une différence de fond avec la situation actuelle, où un manipulateur industriel fait exactement ce pour quoi il a été programmé, et rien de plus.

La généralisation est l'un des problèmes centraux de la robotique depuis des décennies. Entraîner un robot à serrer un boulon sur un convoyeur n'est pas difficile. Lui apprendre à « se débrouiller » face à une tâche nouvelle, en s'appuyant sur une compréhension générale de la physique et de l'espace, est une tout autre affaire. Ce sont les succès des grands modèles de langage qui ont poussé tout le secteur dans cette voie : on a constaté qu'un entraînement à grande échelle sur des données hétérogènes donne 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. Historiquement, l'entreprise bâtit ses modèles sur une approche par diffusion, appliquée non aux pixels mais à l'espace d'actions du robot : au lieu de choisir la prochaine étape dans un ensemble fixe, le modèle génère une trajectoire de mouvement et l'affine progressivement, à peu près comme un réseau de neurones affine une image.

La question de savoir à quel point les tâches « inconnues » le sont réellement reste ouverte. L'entreprise n'a pas encore publié de benchmarks détaillés, et les démonstrations vidéo, arme marketing traditionnelle des start-up de robotique, ne reflètent pas toujours la fiabilité réelle des systèmes en conditions non contrôlées.

Le fait n'en demeure pas moins important : une start-up bien financée et dotée d'une équipe de calibre mondial enregistre un pas mesurable vers la généralisation. La course au « cerveau du robot » se déroule parallèlement à celle des grands modèles de langage, et les enjeux sont comparables. Si l'on parvient dans les années à venir à créer un modèle réellement universel pour piloter un corps physique, il 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 qui y mène existe.