Eka Robotics lève 150 millions de dollars pour son modèle vision-force-action

Eka Robotics, une startup fondée par le professeur du MIT Pulkit Agrawal et l'ancien chercheur de Google DeepMind Tuomas Haarnoja, a clôturé une levée de fonds de série A de 150 millions de dollars. Cet investissement, dirigé par a16z et F-Prime, valorise l'entreprise à 1,45 milliard de dollars post-money et souligne un changement significatif dans la manière dont l'intelligence artificielle interagit avec le monde physique grâce à des architectures de manipulation avancées.

Ce qui s'est passé

Le secteur de la robotique a longtemps eu du mal avec le simple acte de saisir des objets, malgré des investissements massifs dans des modèles d'apprentissage profond entraînés sur des données vidéo. Eka Robotics affirme avoir résolu ce goulot d'étranglement en développant un système qui dépasse les performances humaines dans certaines tâches de dextérité spécifiques. Selon Raghu Raghuram, associé général chez a16z, la technologie démontre déjà des capacités surhumaines et devrait s'étendre à de nombreuses autres tâches de manipulation dans les mois à venir.

Les experts de l'industrie ont réagi avec surprise aux démonstrations. Kris Hauser, professeur à l'Université de l'Illinois Urbana-Champaign, a noté la capacité du système à s'adapter à des objets divers sans réentraînement. Il a décrit une « humanité » distincte dans le comportement du robot, notamment sa persévérance lorsque les tentatives initiales échouent. Un autre observateur issu d'un laboratoire de pointe a comparé l'impact émotionnel de voir le robot d'Eka aux moments décisifs observés dans la locomotion bipède il y a cinq à dix ans, citant la fluidité et la rapidité de ses mouvements comme particulièrement frappantes.

Les métriques de performance fournies par l'entreprise indiquent que le robot peut saisir environ 1 500 objets pesant jusqu'à 1 kg en une heure, surpassant largement la moyenne humaine de 600. Le système atteint apparemment un taux de fiabilité supérieur à 95 %. La vitesse et la force du bras sont suffisamment importantes pour que l'algorithme doive posséder une grande confiance dans sa logique de contrôle afin d'éviter tout auto-dommage, un niveau de confiance qui suggère des tests approfondis et des modèles sous-jacents robustes.

Comment cela fonctionne

L'innovation centrale réside dans le passage des modèles vision-langage-action à une architecture vision-force-action. Alors que les modèles traditionnels reposent fortement sur les entrées visuelles pour déterminer l'action, l'approche d'Eka privilégie le retour d'information sur la force. Pulkit Agrawal explique que la vision ne fournit que des données approximatives de localisation et de pose, tandis que les processus réels de saisie et de recherche sont pilotés par les interactions de force. Cela rejoint les critiques d'experts comme Rodney Brooks, qui soutiennent que la robotique basée sur l'IA générative échoue sans représentation du toucher et de la force.

Pour permettre cela, Eka a conçu une main robotique personnalisée offrant une plus grande flexibilité et une densité supérieure de capteurs de force par rapport aux pinces traditionnelles. Ce matériel permet au robot de réagir instantanément au contact, évitant ainsi d'endommager des articles fragiles comme les framboises. Le processus d'entraînement exploite des simulations physiques à grande échelle pour modéliser les multiples forces rencontrées lors de la saisie. En utilisant l'apprentissage par renforcement dans ces environnements simulés, l'équipe peut générer des milliers d'heures d'expérience robotique en quelques minutes, contournant ainsi les limites de la collecte de données de démonstration dans le monde réel.

Cette approche ascendante contraste avec les méthodes de planification descendante utilisées par de nombreux modèles d'IA à usage général. Alors que des systèmes comme Astra peuvent gérer la prise de décision de haut niveau, ils manquent souvent de la précision physique requise pour les tâches délicates. Le modèle d'Eka gère l'exécution physique, lui permettant de combler le fossé entre l'intelligence générale et la performance physique fiable. L'entraînement basé sur la simulation permet au robot de dépasser les capacités démontrées par les opérateurs humains, car il n'est pas contraint par les données limitées disponibles provenant de démonstrations manuelles.

Détails clés

• Eka Robotics a levé 150 millions de dollars lors d'une série A, atteignant une valorisation post-money de 1,45 milliard de dollars.
• L'équipe fondatrice comprend le professeur du MIT Pulkit Agrawal et l'ancien chercheur de Google DeepMind Tuomas Haarnoja.
• Le robot utilise un modèle vision-force-action plutôt que le cadre vision-langage-action plus courant.
• Les tests de performance montrent que le robot peut saisir 1 500 objets par heure avec une fiabilité supérieure à 95 %.
• L'entraînement repose sur des simulations physiques scalables et l'apprentissage par renforcement plutôt que sur des vidéos de démonstration humaine.
• Les pilotes industriels actuels se concentrent sur les opérations de préhension-dépose et la manipulation de fils dans des déploiements confidentiels.

Pourquoi c'est important

Pour les ingénieurs logiciels et les responsables techniques, ce développement signale un éloignement des modèles purement basés sur les données visuelles vers des systèmes hybrides intégrant les lois physiques dans la boucle d'apprentissage. La dépendance à la simulation pour l'apprentissage par renforcement réduit la dépendance à la collecte de données coûteuse et lente dans le monde réel. Ce changement pourrait accélérer le déploiement de robots dans des environnements non structurés où les données visuelles seules sont insuffisantes pour une manipulation précise.

La distinction entre la planification de haut niveau et le contrôle physique de bas niveau devient plus claire. Les modèles d'IA généraux peuvent dicter ce qui doit être fait, mais les modèles d'IA physique spécialisés comme celui d'Eka exécuteront la tâche en toute sécurité et efficacité. Cette séparation des responsabilités permet des systèmes plus robustes où la couche physique peut fonctionner avec une grande vitesse et confiance, faisant confiance à l'algorithme pour prévenir les dommages matériels tout en interagissant avec des objets délicats ou variables.

Cependant, des défis subsistent dans la transition des environnements de laboratoire contrôlés aux lignes d'assemblage industrielles. La fiabilité sur des périodes prolongées, comme fonctionner sans défaillance pendant un an, est un obstacle majeur. De plus, l'accent actuel mis sur la préhension-dépose et la manipulation de fils doit s'étendre à des tâches à valeur ajoutée plus complexes pour prouver une applicabilité plus large. La durabilité du matériel, actuellement évaluée pour 5 millions de cycles de service, doit également répondre à la norme industrielle de 20 millions de cycles pour les bras robotiques.

Ce que vous pouvez faire

• Évaluez si vos projets robotiques actuels reposent trop lourdement sur les données visuelles sans intégration adéquate du retour d'information sur la force.
• Explorez les frameworks d'apprentissage par renforcement qui prennent en charge les simulations basées sur la physique pour entraîner les politiques de manipulation.
• Étudiez les conceptions de pinces riches en capteurs pouvant fournir des données de force haute résolution pour un contrôle en boucle fermée.
• Envisagez des architectures hybrides où les grands modèles de langage (LLM) de haut niveau gèrent la planification des tâches tandis que des modèles spécialisés assurent l'exécution physique.
• Suivez les développements dans les techniques de transfert de la simulation au réel pour réduire le besoin de tests étendus dans le monde réel.
• Évaluez les exigences de durabilité de votre matériel par rapport aux demandes opérationnelles d'une utilisation industrielle continue.