La fourmi lingbo : pourquoi faut-il entraîner à nouveau le cerveau du robot de A à Z ?

Tout au long de la conférence de presse, les médias ont posé la même question sous de nombreuses formulations différentes.

À quelle distance se trouve aujourd’hui le “cerveau” robotisé avant d’entrer vraiment dans le monde physique pour faire le travail ?

Les jugements formulés par le PDG de Ant Lingbo, Zhu Xing, et le scientifique en chef Shen Yujun sont bien plus posés que l’enthousiasme du marché. Le “cerveau” robotisé actuel n’est peut-être même pas encore arrivé au “moment GPT-1”. L’industrie n’a pas encore connu une véritable émergence d’intelligence, et la trajectoire technique n’est pas encore convergente.

Au cours de la dernière année, des concepts tels que VLA, modèles du monde et modèles vidéo d’action ont tour à tour fait leur apparition. Ant Lingbo publie cette fois-ci d’un seul coup 6 modèles, mais la question qu’ils veulent résoudre est plus précise. Les modèles à grande échelle entraînés dans le monde numérique peuvent-ils être directement installés dans le corps d’un robot ? Le monde physique a-t-il besoin d’un ensemble de modèles redéfinis de bout en bout, de la perception, à la prédiction, puis à l’action ?

Lingbo a choisi de partir des contraintes du monde physique pour refaire cet ensemble de modèles.

01 Pourquoi les grands modèles du monde numérique ne peuvent pas être intégrés au corps du robot

Shen Yujun a partagé un exemple “simple et direct” sur place.

Derrière une porte vitrée opaque se trouve un chat. Un modèle de vision classique peut reconnaître le chat derrière la porte et décrire correctement la scène. Mais lorsque le robot veut se déplacer vers le chat, “voir” ne suffit pas. Il doit comprendre que la porte en verre constitue une barrière physique : avant que la porte ne s’ouvre, le chat se trouve dans un espace hors de portée de la pince mécanique.

Le modèle numérique se concentre sur ce qui se trouve dans l’image ; le robot doit en plus estimer la distance, les occultations, les relations de contact et la capacité d’accès. La reconnaissance sémantique est correcte : cela ne réalise que la première étape d’une tâche physique.

Les modèles vidéo tels que Yi Meng et Wan Xiang sont au service de la création de contenu. L’utilisateur fournit un texte ou un script : le modèle peut s’appuyer sur toute l’histoire, en consommant davantage de puissance de calcul pour obtenir une meilleure qualité d’image et une continuité.

Face au robot, le temps ne peut qu’avancer. Quand il saisit une tasse, il ne sait pas si quelqu’un touchera la table la seconde suivante, ni si la tasse va glisser. Le modèle ne peut qu’anticiper l’étape suivante à partir de l’état actuel, puis corriger l’action après le retour de nouvelles informations des capteurs. La beauté de l’image n’est pas importante : la prédiction doit être raisonnable, rapide, et pouvoir se traduire en action.

L’équipe appelle cette approche “nativement incarnée” et entraîne LingBot-VA 2.0 de zéro. Les articles techniques publics indiquent que ce modèle adopte des conceptions telles que l’entraînement causal, MoE clairsemé et inférence asynchrone, au service d’un contrôle robotique haute fréquence en boucle fermée.

Ce compromis permet même d’accepter que la prédiction génère certaines déformations dans l’image. Lorsque le bras mécanique se prépare à saisir la tasse, la tasse générée par le modèle peut manquer de netteté : tant que la direction de l’action est correcte, cela suffit. Les capteurs fourniront en continu l’image réelle, et le modèle se calibrera à partir du dernier état.

Les VLA sont plus faciles à comprendre pour l’intention langagière humaine et consomment moins de ressources d’inférence : c’est donc une trajectoire plus facile à déployer aujourd’hui. Lingbo utilise les VLA pour entrer dans le contexte, vérifier les données, puis avec les VA explorer la modélisation dynamique et la prédiction du futur. Shen Yujun estime que, puisque les trajectoires techniques distinctes d’aujourd’hui résolvent chacune une partie du puzzle, elles pourraient finir par converger vers un seul modèle.

Vu sous cet angle, le fait que Lingbo publie 6 modèles ressemble davantage à une manière de décomposer les problèmes ponctuels que le “cerveau” robotisé n’a pas encore résolus. À l’avenir, le nombre de modèles pourrait même diminuer.

02 Le premier coût du “tout réentraîner” : une longue marche des données

En choisissant une approche nativement incarnée, on se heurte immédiatement à un deuxième problème : d’où viennent les données ?

Cette question a été posée et reposée sur place. Dix cent milles heures suffisent-elles ? Un million d’heures peut-il faire émerger de l’intelligence ? Dix millions d’heures peuvent-elles apporter le “moment ChatGPT” du robot ?

La réponse de Zhu Xing est très directe : même dix millions d’heures ne suffiraient peut-être pas.

La conduite autonome fait face à des règles de trafic et des tâches relativement claires. Un robot généraliste doit entrer dans des usines, des entrepôts et des foyers, toucher des objets de différentes matières, s’adapter à différents corps, et aussi gérer des états d’échec impossibles à définir à l’avance. La distribution des données est bien plus complexe qu’une seule tâche de conduite.

D’après des articles publics, les données de préentraînement de LingBot-VLA 2.0 sont passées d’environ vingt mille heures pour la première génération à soixante mille heures, dont cinquante mille heures d’archives d’orbites de robots et dix mille heures de vidéos humaines en vue subjective (première personne), couvrant vingt configurations robotiques de dix-sept fabricants. L’espace d’action a aussi été étendu : il ne se limite plus aux deux bras, mais inclut la tête, la taille, des bases mobiles et des mains agiles.

Soixante mille heures ne sont encore que le point de départ. Lingbo accorde plus d’importance à la vitesse et à la qualité de la boucle fermée des données.

Les données réelles incluent aussi des enregistrements de l’interaction humaine via des méthodes comme UMI et Ego, permettant d’étendre les données de comportement à moindre coût. L’étape suivante devra encore compléter des modalités comme le toucher et la perception de force, et les aligner avec les vidéos en vue subjective.

L’équipe doit répondre en continu à plusieurs questions d’ingénierie. Quelles données entrent vraiment dans l’entraînement ? Sur quel type de tâches le modèle échoue-t-il ? Les nouvelles tâches de collecte peuvent-elles couvrir rapidement les lacunes de capacité ? De la collecte, au traitement, à l’entraînement, puis au retour d’information, combien de temps faut-il pour la boucle ?

À mesure que l’échelle des données augmente, l’équipe doit aussi filtrer les échantillons à plus forte valeur. La conduite autonome a déjà traversé des changements similaires : au début, on cherchait surtout à augmenter le volume ; ensuite, on a sélectionné parmi d’innombrables images les quelques échantillons qui améliorent le plus le modèle. Les données d’anomalies et d’échecs des robots sont particulièrement coûteuses, et elles déterminent aussi plus probablement si le modèle peut traiter les problèmes à longue traîne.

Lingbo prend en charge vingt configurations. Même après l’intégration des fabricants, un post-entraînement est encore nécessaire autour des tâches concrètes. Le rôle du préentraînement est de faire en sorte que le modèle ait déjà “vu” différents corps avant.

La vraie économie avec “un cerveau pour plusieurs machines”, c’est d’éviter de repartir de zéro à chaque fois qu’on change un châssis, ou quand on ajoute un nouveau scénario.

03 La commercialisation du “cerveau” robotisé : d’abord passer l’épreuve du taux de réussite

Sur place, un média a mentionné un cas dans l’entreposage. Pour un humain, effectuer un transport avec un chariot élévateur ne prend qu’environ trente secondes ; pour un robot, il faut une minute, voire davantage, et en rencontrant un cas nouveau, il peut aussi s’arrêter pour re-tester avant de décider.

Zhu Xing met le taux de réussite avant la vitesse. Même si le robot agit rapidement, après plusieurs échecs consécutifs, l’entreprise doit encore mobiliser du personnel pour reprendre la main, et le déploiement a alors du mal à générer une valeur économique. Une fois le taux de réussite stable, l’entreprise pourra alors calculer plus avant le tempo, l’efficacité de l’inférence et le coût unitaire.

Ainsi se forme une répartition des rôles entre les modèles de base et le post-entraînement.

Zhu Xing compare le préentraînement à la formation d’un étudiant universitaire avec une bonne base. Quand l’étudiant entre dans une banque pour faire de la comptabilité, il faut encore une formation professionnelle. Le modèle de base incarné relève la limite supérieure de capacité, tandis que le post-entraînement transforme le modèle en outil de production.

Pour les fabricants de robots et les clients de scénarios, le post-entraînement inclut la collecte de données, l’annotation, l’adaptation du modèle, le déploiement et l’optimisation de l’inférence. Chaque étape se transforme en coût. Plus le modèle de base est intelligent, et plus il a vu de configurations et de tâches, moins il reste de “cours” à ajouter pendant le post-entraînement.

La valeur commerciale d’un cerveau généraliste, c’est de réduire l’investissement nécessaire pour développer un modèle distinct pour chaque scénario. Un robot pour visser dans une usine n’a pas besoin d’apprendre à laver la vaisselle : un hôtel et un entrepôt choisiront aussi des châssis différents. Le scénario détermine le corps ; un cerveau généraliste doit traverser plus de corps.

Lingbo a déjà indiqué qu’il avance avec les fabricants de châssis pour déployer l’industrie, et explore différents modes de facturation comme l’achat ferme, l’abonnement et la personnalisation. Cependant, sur place, aucun cas client permettant une validation externe, aucune échelle de revenus et aucun modèle de coûts n’ont été divulgués. À ce stade, ce que le marché peut confirmer concerne surtout la trajectoire technique et la place dans l’écosystème ; une boucle commerciale de grande échelle nécessitera encore davantage de données de projets.

04 Pourquoi Lingbo doit accomplir cette tâche majeure

Réentraîner “de zéro” le cerveau robotisé demande un investissement long. Qu’il s’agisse du préentraînement, des infrastructures de données, de la validation sur des machines réelles ou de l’adaptation au châssis : il est difficile pour une petite équipe de tout compléter rapidement.

Les ressources clés fournies par Ant pour Lingbo incluent notamment des financements, des talents, des infrastructures d’entraînement, des capacités de traitement des données et un écosystème de scénarios. Sur cette base, Lingbo met en place un système “full-stack” du modèle allant de la perception d’espace, à la génération vidéo, jusqu’au monde modélisé par l’interaction, puis à VLA et VA, et valide la capacité à passer en production via la coopération avec des châssis.

Cette configuration reflète aussi le jugement d’Ant sur la structure de l’industrie. L’intelligence incarnée est encore dans une phase similaire à “la guerre des cent modèles” ; à l’avenir, elle pourrait se condenser en quelques fournisseurs seulement de modèles généralistes de base. Les robots sont encore très loin de l’entrée massive dans les foyers : aujourd’hui, faire une analogie avec Windows ou Android est encore trop tôt.

En observant Lingbo 2.0, les paramètres du modèle et les classements ne sont qu’une partie. L’indicateur plus crucial est : peut-il améliorer continuellement le taux de réussite à travers les tâches, les scénarios et les configurations ? Peut-il réduire le coût du post-entraînement au niveau que les clients sont prêts à payer ?

Les agents du monde numérique se diffusent rapidement à mesure que les capacités du modèle de base progressent ; l’intelligence incarnée pourrait aussi connaître une propagation similaire des capacités. La différence, c’est que le monde physique ajoute une couche de contraintes qu’on ne peut pas éviter : chaque décision que le modèle produit doit, au final, être accomplie par un vrai corps.

Lingbo a choisi de refaire à l’avance ce “cerveau”. Jusqu’où la trajectoire peut aller dépendra finalement de la capacité des robots à réellement faire le travail.

Avertissement sur les risques et clause de non-responsabilité

        Il existe des risques sur le marché ; investissez avec prudence. Le présent article ne constitue pas un conseil personnalisé en investissement, et ne tient pas compte des objectifs d’investissement spécifiques, de la situation financière ou de besoins particuliers de certains utilisateurs. Les utilisateurs doivent évaluer si les opinions, points de vue ou conclusions présentés dans cet article correspondent à leur situation spécifique. En conséquence, l’investissement relève de votre seule responsabilité.