Dans la robotique, la question qui revient le plus souvent aujourd'hui n'est plus « un robot peut-il le faire ? », mais « combien de temps faut-il pour le lui apprendre, et peut-on réutiliser ce qu'il a appris ? ». C'est précisément à cette question que s'attaque Dream Labs, qui vient d'annoncer une levée de 90 millions de dollars américains et le lancement de Dream API, selon The Robot Report. L'entreprise affirme que son modèle d'intelligence artificielle, baptisé Dream-1, fonctionne sur des robots de fabricants différents et qu'il permettra aux machines de se transmettre ce qu'elles ont appris.
Ce que Dream Labs annonce, et ce qu'elle n'annonce pas
Les faits publiés à ce stade sont peu nombreux, et il faut les présenter tels quels. Dream Labs a levé 90 millions de dollars américains. Elle commercialise une interface de programmation (API) qui donne accès à Dream-1, un modèle d'IA conçu pour piloter des robots. Deux promesses sont mises de l'avant : une compatibilité avec des robots issus de plusieurs fabricants, et un « transfert d'apprentissage » d'un robot à l'autre.
Ce que l'entreprise n'a pas démontré publiquement, du moins dans les éléments dont nous disposons, c'est la performance de Dream-1 dans des conditions réelles : taux de réussite des tâches, temps d'adaptation à un nouveau robot, comparaison avec des modèles concurrents. Aucune évaluation indépendante n'a été portée à notre connaissance. Il convient donc de lire l'annonce pour ce qu'elle est : une promesse technique adossée à un financement important, non un résultat vérifié.
Pourquoi l'idée d'un modèle « multi-robots » est si convoitée
Pour comprendre l'enjeu, il faut revenir à un problème structurel de l'industrie. Aujourd'hui, un logiciel de contrôle est presque toujours écrit, ou au moins ajusté, pour un robot précis : ses bras, ses articulations, ses capteurs, sa géométrie. Changez de machine, et une grande partie du travail est à refaire. Chaque déploiement devient un petit projet d'ingénierie, ce qui freine l'adoption, surtout dans les entreprises qui n'ont pas d'équipe de robotique interne.
L'approche que visent Dream Labs et plusieurs concurrents s'inspire de ce qui s'est passé avec les grands modèles de langage : au lieu de programmer chaque tâche, on entraîne un modèle généraliste sur de grandes quantités de données, puis on l'adapte à des cas particuliers. Dans le jargon du secteur, on parle d'IA « physique » ou d'IA « incarnée », c'est-à-dire d'intelligence artificielle qui agit sur le monde matériel plutôt que de simplement produire du texte ou des images.
Le transfert d'apprentissage est le cœur de la promesse. Si un robot apprend à manipuler un objet fragile dans un entrepôt, cette compétence pourrait, en théorie, être réutilisée par un autre robot, d'une autre marque, dans une autre usine. C'est l'équivalent d'une mise à jour logicielle qui apporterait une nouvelle compétence à toute une flotte. En pratique, la difficulté est considérable, car les robots diffèrent par leur morphologie, leur précision et leurs capteurs, et ce qui fonctionne sur l'un ne se transpose pas automatiquement à l'autre.
Un modèle d'affaires de plateforme
Le choix d'une API est révélateur. Dream Labs ne vend pas un robot, elle vend une couche d'intelligence que d'autres intègrent à leurs produits. C'est une stratégie de plateforme : si suffisamment de fabricants et de développeurs s'y raccordent, le modèle devient un standard de fait, et chaque nouvel usage enrichit potentiellement l'ensemble. Le risque, pour l'entreprise, est symétrique : sans masse critique de partenaires, la promesse de portabilité reste théorique.
Cette logique n'est pas isolée. La même journée, plusieurs annonces relevées par RoboticsTomorrow.com vont dans le même sens. Nebius a présenté un « Physical AI Workbench » développé en collaboration avec NVIDIA, destiné à ceux qui conçoivent des systèmes d'IA physique. Le constructeur italien Comau intègre les bibliothèques de simulation de NVIDIA dans ses produits et dans ses méthodes de conception de systèmes. Et l'équipementier allemand Schaeffler s'appuie sur la plateforme NOVA de Wandelbots pour développer des applications robotiques fondées sur l'IA dans ses usines mondiales, en affirmant que cela réduit sensiblement les coûts d'automatisation. Dans chaque cas, le message est identique : la valeur se déplace du matériel vers le logiciel et les données.
Un secteur qui se structure autour de l'IA physique
L'annonce de Dream Labs s'inscrit dans un moment où l'industrie multiplie les infrastructures de formation et de validation. À Munich, NEURA Robotics et l'Université technique de Munich (TUM) ont ouvert RoboGym, un centre conjoint de recherche et de formation qui réunit robots, science et expertise industrielle; à cette occasion, NEURA a dévoilé son humanoïde 4NE1 Gen 4, rapporte RoboticsTomorrow.com. Du côté de la sécurité, Advantech propose une plateforme intégrée allant du calcul et de la perception jusqu'à la sécurité fonctionnelle et au déploiement.
La sécurité est d'ailleurs le contrepoids naturel à l'enthousiasme. FORT Robotics a annoncé environ 20 millions de dollars américains de financement supplémentaire, mené par Tiger Global et des sociétés de Mark Cuban, et dit vouloir devenir la première société ouverte consacrée principalement à la sécurité de l'IA physique. Plus un modèle généraliste pilote des machines capables de heurter une personne ou d'endommager un équipement, plus la question de la vérification de son comportement devient centrale. Un modèle « universel » qui se trompe le fait potentiellement sur toutes les marques à la fois, ce qui déplace le risque plutôt qu'il ne l'élimine.
Le rassemblement RoboBusiness, dont MassRobotics a rendu compte après la 20e édition tenue à Santa Clara les 20 et 21 octobre, illustre l'ampleur de cet écosystème : fabricants, intégrateurs, investisseurs et jeunes pousses y convergent autour des mêmes thèmes.
Les points à surveiller
Plusieurs éléments détermineront si Dream-1 tient ses promesses.
- Les preuves en conditions réelles. Des démonstrations sur des robots variés, avec des mesures chiffrées et reproductibles, seront plus parlantes que n'importe quel communiqué.
- La liste des partenaires. Quels fabricants intègrent effectivement l'API, et sur quels modèles de robots? Une compatibilité annoncée n'est pas une compatibilité éprouvée.
- La gestion des données. Un transfert d'apprentissage suppose que des données d'utilisation circulent. Qui y a accès, et à quelles conditions? La question est sensible pour des industriels soucieux de leurs procédés.
- La sécurité et la responsabilité. Si un robot piloté par un modèle tiers cause un accident, la répartition des responsabilités entre le fabricant, l'intégrateur et le fournisseur du modèle reste largement à clarifier.
- La concurrence. Dream Labs n'est pas seule sur ce créneau, et les grands acteurs du calcul et de l'infrastructure, NVIDIA en tête, cherchent aussi à devenir la couche de base de l'IA physique.
Ce qu'il faut retenir
La levée de 90 millions de dollars américains confirme que les investisseurs misent sur l'idée d'une intelligence commune pour des robots hétérogènes. Reste que, pour l'instant, il s'agit d'une promesse de plateforme plus que d'une technologie éprouvée à grande échelle. Si Dream-1 réussit à fonctionner de façon fiable d'un robot à l'autre, il réduirait un des principaux freins à l'automatisation : le coût et le temps de mise au point de chaque machine. Sinon, il rejoindra la longue liste d'outils prometteurs dont la portabilité s'est heurtée à la réalité du matériel. Les prochains mois, avec les premiers déploiements et, espérons-le, des évaluations indépendantes, diront de quel côté penche la balance.