L'Âge d'Argent de l'Intelligence Incarnée : Une Analyse Approfondie

L'article examine l'état actuel de l'intelligence incarnée, décrit comme un "âge d'argent" - une période d'exploration intense entre l'émergence initiale et la pleine maturité de la technologie. La discussion est centrée sur une table ronde lors de la conférence Volcano Engine FORCE, où des experts de divers domaines ont exploré le potentiel des grands modèles dans l'accélération du développement de la robotique.

Contexte : L'essor de l'IA et de la robotique

L'avancement rapide des grands modèles d'IA a alimenté des investissements importants dans l'industrie de la robotique. Cependant, cette flambée de financement comporte également le risque d'une surchauffe du marché. Le défi principal est d'identifier les véritables percées technologiques et leurs applications. Les questions clés incluent :

Faut-il se concentrer sur l'apprentissage par renforcement ou l'apprentissage par simulation ?
Est-il plus important de privilégier la simulation ou les tests en conditions réelles ?
L'accent doit-il être mis sur la vision ou les moteurs physiques ?

Participants à la table ronde

La table ronde comprenait des experts de divers horizons :

Chen Yang : Vice-président de Galaxy General Robotics
Shi Lingxiang : Responsable de l'incubation de l'innovation chez Volcano Engine (Modérateur)
Wu Di : Responsable des algorithmes intelligents chez Volcano Engine
Wan Haoji : Partenaire chez Matrix Partners China
Wang Xiao : Fondateur de Nine Chapters Capital
Yan Weixin : Co-fondateur de Shanghai Zhiyuan Robotics et directeur de thèse à l'université Shanghai Jiao Tong

Points clés de la discussion

La flambée des investissements dans la robotique

Pourquoi cet engouement ? Les applications de l'IA sont divisées en deux catégories : les applications logicielles (comme les chatbots et la génération de vidéos) et les applications matérielles (comme la robotique). La robotique est considérée comme l'application matérielle la plus polyvalente de l'IA.

Concentration des investissements : Les investisseurs recherchent des entreprises capables d'intégrer à la fois le logiciel et le matériel et de démontrer des applications concrètes au-delà des démos.
Défis de la commercialisation : La commercialisation des robots est plus lente que prévu, en particulier dans les environnements complexes comme les maisons et les services B2B.
La coordination entre le "cerveau" (IA) et le "petit cerveau" (systèmes de contrôle) doit être améliorée.
La réduction des coûts est essentielle pour une adoption généralisée.

La voie vers la commercialisation

Consensus : Il existe un accord général sur le succès de la robotique, mais le calendrier et les entreprises leaders sont encore incertains.
Multiples gagnants : Le marché ne sera probablement pas dominé par une seule entreprise, comme dans l'industrie des véhicules électriques.
Commercialisation initiale : Les grands modèles ont amélioré les capacités d'interaction et de réflexion des robots.
Obstacles techniques : Bien qu'il n'y ait pas d'obstacles techniques insurmontables, le processus sera plus long et plus difficile que prévu.
Rôle des VC : Les capital-risqueurs jouent un rôle crucial dans l'accélération du développement en fournissant des financements.

L'importance de l'intelligence générale

Changement de perspective : L'accent doit être mis sur l'adaptation des robots aux humains et aux environnements, plutôt que l'inverse.
Données de simulation : L'utilisation de grandes quantités de données de simulation est essentielle pour permettre aux robots d'avoir une intelligence générale.
Défis des startups : Les startups de robotique sont confrontées à des défis importants en matière de technologie, de développement de produits et de modèles commerciaux.
Collaboration industrielle : L'industrie a besoin d'une collaboration tout au long de la chaîne d'approvisionnement et du soutien des investisseurs.

Voies techniques pour l'intelligence incarnée

Apprentissage par imitation et par renforcement : L'utilisation de l'apprentissage par imitation pour améliorer l'apprentissage par renforcement est une approche viable pour le contrôle de la marche.
Simulation pour les membres inférieurs : Les données de simulation sont efficaces pour le contrôle de la marche des membres inférieurs, mais le réglage des paramètres et la cohérence des produits restent des défis.
Concentration sur les membres supérieurs : Il est nécessaire de passer du mouvement des membres inférieurs aux capacités globales d'exécution des tâches des robots humanoïdes.
Exécution des tâches : L'accent doit être mis sur les capacités d'exécution des tâches plutôt que sur la simple locomotion.
Défis des données : La collecte et la normalisation des données, en particulier pour les tâches complexes, représentent un défi important.
Données du monde réel : Les données du monde réel sont essentielles, en particulier pour les interactions physiques complexes difficiles à simuler.

Simulation vs données du monde réel

Données de simulation : Les données de simulation sont plus rentables, évolutives et polyvalentes pour la formation de modèles incarnés à usage général.
Données du monde réel : Les données du monde réel sont essentielles pour saisir les nuances des interactions physiques, telles que le frottement et l'élasticité.
Modèles du monde : Une fois que les robots disposent de modèles du monde fiables, des simulations à grande échelle peuvent être utilisées pour tester et améliorer leurs performances dans divers scénarios.

Applications futures

Applications à court terme (2-3 ans)

Fabrication industrielle : Les robots peuvent effectuer des tâches complexes nécessitant de la dextérité dans des environnements contrôlés.
Opérations à distance : Les robots peuvent être utilisés dans des environnements dangereux, tels que la manipulation de matières dangereuses.
Environnements contrôlés : Les robots seront déployés dans des environnements contrôlés comme les restaurants, les hôtels et les usines.
Tâches spécifiques : Les robots seront utilisés pour des tâches telles que la livraison de nourriture, la préparation de café et l'entretien léger.
Usines, bureaux et sécurité : Ce sont les domaines les plus susceptibles d'être déployés initialement.

Applications à long terme

Environnements domestiques : L'application la plus complexe mais très attendue se trouve dans les environnements domestiques.
Tâches ménagères : Les robots pourront éventuellement effectuer des tâches comme la cuisine, le pliage du linge et le nettoyage.
Réduction des coûts : Au fur et à mesure que la technologie progresse, le coût des robots diminuera, les rendant plus accessibles aux consommateurs.
Robots à usage général : L'accent sera mis sur les robots à usage général qui peuvent répondre à divers besoins.
Considérations de marché : Les entreprises doivent tenir compte de la fonctionnalité, des performances, de l'ouverture et de la tolérance au risque des différentes applications.

Volcano Engine VeOmniverse

Plateforme de simulation virtuelle

VeOmniverse est une plateforme basée sur le cloud pour la simulation et la formation de robots.

Environnements réalistes : Elle crée des environnements numériques très réalistes pour la formation et les tests de robots.
Rentable : Elle réduit le besoin d'équipements physiques et diminue les coûts de développement.
Formation complète : La plateforme utilise des moteurs visuels, des moteurs physiques, la simulation de capteurs et la génération 3D pour créer un système de formation complet.
Support de l'IA : La plateforme utilise l'IA pour générer des données de formation de haute qualité et accélérer le processus de formation.
Personnalisation : La plateforme est ouverte et personnalisable, permettant aux entreprises de développer des applications de jumeaux numériques personnalisées.
Développement accéléré : Elle aide les entreprises à construire, valider et optimiser rapidement les modèles de robots.
Transformation de l'industrie : VeOmniverse est un outil clé pour la transformation intelligente et numérique de l'industrie de la robotique.