Dans l’article de TechCrunch sur les pauvres bougres payés à collecter des données pour les robots, ces tâcherons du 21e siècle passaient leurs journées à faire bouger des bras articulés pour que l’IA apprenne à ne pas tout casser. Bonne nouvelle pour eux : Nvidia, Carnegie Mellon et UC Berkeley viennent peut-être de les mettre au chômage technique.
Les chercheurs ont mis au point un système où des robots apprennent à attraper des objets uniquement grâce à des agents de codage IA. Huit robots, une flotte, qui atteignent jusqu’à 99% de succès sur des tâches complexes de préhension. Le tout sans que personne ait à suer pour étiqueter des milliers d’images ou programmer chaque mouvement à la main.
Concrètement, le robot génère lui-même les données d’entraînement en interagissant avec son environnement, et un modèle de langage (un LLM, pour faire court) lui fournit les instructions de code nécessaires. C’est comme si le robot était à la fois l’élève et le professeur : il essaie, rate, analyse son erreur, et recommence jusqu’à ce que ça marche. Le genre de boucle d’apprentissage qui fait rêver les ingénieurs et pleurer les data labelers.
L’article de The Decoder (source : The Decoder) souligne que cette approche réduit drastiquement le besoin de données pré-collectées. Au lieu de payer des humains pour manipuler des objets pendant des heures devant une caméra, on laisse le robot se démerder tout seul. C’est plus rapide, moins cher, et surtout scalable : tu veux 100 robots qui apprennent en parallèle ? Pas de problème, ils n’ont pas besoin de pause café.
Mais attention, ce n’est pas le rêve du robot parfait du jour au lendemain. On parle ici de préhension, pas de navigation complexe ou de prise de décision en environnement non-structuré. C’est un pas de géant pour la robotique, mais il reste des montagnes à gravir avant de voir ton Roomba apprendre à faire la vaisselle tout seul.
Ce qui est intéressant, c’est la méthode : utiliser des agents de codage IA comme intermédiaires entre le LLM et le robot. Plutôt que de balancer directement des commandes en langage naturel au robot (ce qui serait imprécis), le système génère d’abord du code, puis le robot l’exécute. C’est plus fiable, plus facile à déboguer, et ça permet de capitaliser sur toute la puissance des modèles de langage sans avoir à tout réinventer.
Ce n’est pas encore la fin des collecteurs de données, mais le signal est envoyé. Les labos qui investissent des millions dans l’infrastructure de collecte de données physiques feraient bien de regarder du côté de cette approche. Parce que si un robot peut s’entraîner tout seul, pourquoi continuer à payer des humains pour faire le boulot à sa place ?
En attendant, Nvidia continue de vendre ses GPUs, CMU forme les prochains ingénieurs, et UC Berkeley publie des papiers. La routine, en somme. Mais une routine qui pourrait bien changer la donne pour la robotique.
Sources :
Comments are closed