Nvidia a présenté un système de simulation qui apprend à partir de vidéos réelles et de données de mouvement de robots, puis prédit ce qui se passe ensuite quand une action est effectuée. L'idée est de fabriquer de l'expérience plutôt que de collecter du texte. Alors que la réserve de données écrites s'épuise, cette approche déplace la question : la prochaine ressource rare ne serait plus le contenu, mais la conséquence.
Nous avons décrit ce matin la ruée sur les livres imprimés avant 2022, symptôme d'un épuisement de la donnée textuelle facile. Voici l'autre réponse à ce problème, radicalement différente : plutôt que de chercher plus de texte, produire de l'expérience.
Le problème que ça résout
Un modèle de langage apprend en lisant. C'est efficace pour tout ce qui s'exprime en mots, et c'est précisément ce qui explique ses limites que nous avons documentées : sa maladresse sur des manipulations élémentaires, et plus généralement le fait qu'il n'a jamais rien touché.
Pour un robot, cette limite est disqualifiante. Saisir un objet fragile, ouvrir une porte qui résiste, rattraper un geste raté : rien de tout cela ne s'apprend en lisant des descriptions. Il faut avoir essayé, échoué, recommencé. Or l'expérience physique est extraordinairement coûteuse à collecter : chaque essai prend du temps réel, use du matériel, et se déroule dans un seul monde à la fois.
L'idée : simuler les conséquences
L'approche présentée consiste à apprendre à partir de deux sources complémentaires : de la vidéo réelle, y compris des séquences très techniques comme des gestes chirurgicaux, et des données de mouvement de robots, c'est-à-dire la position exacte de chaque articulation à chaque instant.
À partir de là, le système apprend à prédire ce qui arrive ensuite. Si un bras exerce telle force sur tel objet, que se passe-t-il ? L'objet glisse, bascule, se déforme, résiste. Le système devient une sorte de moteur de conséquences.
L'intérêt est considérable : un robot peut alors s'entraîner dans cette simulation, des milliers de fois en parallèle, sans casser de matériel ni attendre le temps réel. Il n'apprend plus sur des descriptions du monde, mais dans un monde approximatif où les actions ont des suites.
Jusqu'ici, une donnée d'entraînement était un document : un texte, une image, un son. Ici, la donnée devient un environnement avec des conséquences. Ce n'est pas une nuance de vocabulaire. Cela signifie que la prochaine ressource stratégique n'est peut-être pas le contenu, mais le contrôle d'expériences fiables : archives humaines sous licence, pratique synthétique vérifiable, ou environnements physiques propriétaires. Dans ce scénario, les fabricants de simulateurs et les exploitants de flottes de robots deviennent des éléments de la chaîne de valeur des modèles, au même titre que les éditeurs.
La limite bien connue : l'écart au réel
Il faut poser tout de suite l'objection principale, que les roboticiens connaissent depuis longtemps sous le nom d'écart entre simulation et réalité.
Un robot entraîné dans un simulateur excelle dans ce simulateur. Confronté au monde, il découvre ce que la simulation ne modélisait pas : un reflet qui trompe sa caméra, une poussière qui change un frottement, un objet dont la matière ne se comporte pas comme prévu. Plus la simulation est réaliste, plus l'écart se réduit, mais il ne disparaît jamais.
Et il y a un risque plus subtil, qui devrait nous rappeler quelque chose. Si les modèles apprennent principalement dans des mondes générés par d'autres modèles, on retrouve la logique de l'effondrement des modèles que nous avons décrite pour le texte : un système qui se nourrit de ses propres approximations finit par dériver du réel sans s'en apercevoir. La simulation est un accélérateur formidable, à condition de rester ancrée par des données physiques réelles.
Ce que ça annonce
Cette orientation confirme un déplacement de fond du secteur, souvent résumé par l'expression IA physique. Après les modèles qui écrivent et qui codent, l'objectif est de faire fonctionner des systèmes qui agissent dans le monde matériel : logistique, industrie, santé.
Pour un fabricant de puces, l'intérêt est évident : chaque robot déployé consomme du calcul, à l'entraînement comme à l'exécution. C'est la même logique que celle que nous décrivions à propos de la course au calcul : celui qui vend l'infrastructure a intérêt à ce que les usages se multiplient partout.
Pour l'emploi, cela repose une question que nous avons abordée dans notre article sur les métiers. Nous y écrivions que l'ancrage dans le monde physique protège certaines activités, parce que la robotique progresse bien plus lentement que le logiciel. Cette lenteur tient précisément à la difficulté d'accumuler de l'expérience. Si la simulation résout une partie du problème, le calendrier pourrait s'accélérer. Il reste que passer d'un geste réussi en simulation à un robot fiable dans un entrepôt encombré représente encore des années.
Ce qu'il faut retenir
L'information intéressante n'est pas qu'un fabricant de puces sorte un simulateur de plus. C'est ce que cela dit de l'état de la matière première : le texte facile est épuisé, et l'industrie cherche activement d'où viendra le prochain gisement.
Deux réponses coexistent désormais, et elles sont révélatrices. Racheter du papier imprimé avant 2022 pour récupérer du langage humain garanti. Ou fabriquer de l'expérience artificielle en simulant les conséquences des actions. L'une regarde en arrière, vers ce que nous avons déjà écrit. L'autre regarde vers un monde synthétique où l'apprentissage ne dépend plus de nous. Il n'est pas certain que la seconde soit rassurante, mais elle a au moins le mérite de ne détruire aucune bibliothèque.