Figure AI dévoile Helix 2.5, son nouveau réseau neuronal. Testé dans 30 maisons jamais vues auparavant, il permet à un robot humanoïde de ranger, plier du linge ou faire un lit sans nouvel apprentissage sur place. L'idée est de montrer que l'intelligence corporelle globale peut être apprise à partir de l'expérience humaine et transférée à de nouveaux scénarios, plutôt que d'être reconstruite à chaque fois. Fascinant !
Faire un lit dans une chambre inconnue paraît trivial pour un humain. Nous savons reconnaître un matelas, repositionner un oreiller ou tirer une couette même si nous n’avons jamais mis les pieds dans la pièce. Pour un robot, le problème est autrement plus compliqué.
Un lit plus haut, un canapé différent ou un objet placé ailleurs suffit encore à remettre en question des comportements appris dans un environnement précis.
C’est justement ce verrou que Figure AI cherche à faire sauter avec Helix 2.5, la nouvelle version de son réseau neuronal destiné à ses robots humanoïdes.
L’entreprise états-unienne affirme effectivement avoir franchi une étape importante : son système a pu exécuter plusieurs tâches domestiques dans 30 logements de la baie de San Francisco qu’il n’avait jamais vus auparavant, sans collecter de nouvelles données dans ces maisons ni entraîner de nouveau le modèle pour chacune d’elles.
Il ne faut toutefois pas mal interpréter la démonstration. Helix 2.5 n’apprend pas spontanément à faire un lit ou à plier une serviette en arrivant dans une maison. Les comportements ont été entraînés auparavant. Ce qui change, c’est leur capacité à être réutilisés dans un environnement et avec des objets inconnus.
Helix 2.5 veut faire sortir les humanoïdes de leur environnement d’entraînement
C’est l’un des grands obstacles à l’arrivée des robots humanoïdes dans nos logements. Une usine peut être pensée autour des machines. Les objets occupent des emplacements déterminés, les trajectoires sont répétitives et l’espace de travail reste largement contrôlé.
Une maison fonctionne exactement à l’inverse. La disposition des meubles varie, les passages sont parfois étroits et les objets changent de taille, de forme ou de position.
Un robot humanoïde doit donc faire bien davantage que reproduire un geste appris. Il peut devoir marcher pour retrouver un objet, se repositionner pour l’attraper, déplacer son corps pour conserver une bonne visibilité puis coordonner ses deux bras pour le manipuler.
Perception, locomotion et manipulation ne peuvent alors plus être traitées comme trois problèmes indépendants.
Figure AI avait déjà commencé à s’attaquer à cette question avec Helix 02. L’entreprise avait notamment montré son système en train de vider un lave-vaisselle et affirme l’avoir utilisé pour effectuer de manière autonome une tâche logistique pendant 200 heures.
Mais ces comportements reposaient encore sur des données récupérées dans les lieux où les robots devaient ensuite évoluer. Avec Helix 2.5, Figure veut aller plus loin.
30 maisons dans lesquelles le robot n’avait jamais été entraîné
Pour tester cette capacité d’adaptation, Figure AI a choisi trois activités domestiques relativement banales pour un humain mais particulièrement exigeantes pour une machine : ranger un salon ; plier des serviettes ; faire un lit.
Le robot a ensuite été transporté dans 30 maisons différentes de la baie de San Francisco. Selon la start-up californienne, aucune donnée n’a été collectée dans ces logements avant les essais. Les jouets, serviettes et éléments de literie utilisés lors des évaluations ne figuraient pas non plus dans les données servant à définir spécifiquement les tâches.
Le robot devait même composer avec les véritables canapés, lits et surfaces disponibles dans chaque habitation.
Figure parle ainsi de généralisation « zero-shot ». Dans ce contexte précis, ce terme signifie que le robot découvre pour la première fois le logement et les objets manipulés. Les trois tâches, elles, ont bien fait l’objet d’un entraînement avec des données collectées ailleurs. Cette nuance est importante.
Ranger jusqu’à 15 jouets, plier des serviettes et faire un lit
Figure a défini des critères de réussite assez stricts. Pour le rangement du salon, 13 à 15 jouets sont dispersés dans la pièce. Le robot doit tous les récupérer puis les déposer dans un panier.
Pour le pliage, toutes les serviettes doivent être prises, pliées puis déposées dans leur panier.
Enfin, faire le lit implique de placer les deux oreillers dans la partie supérieure du matelas, de remonter les deux coins de la couette puis de la lisser. La réussite n’est validée que si l’ensemble de la tâche est terminé. Figure précise ne pas accorder de réussite partielle.
Un seul et même checkpoint du modèle est par ailleurs utilisé dans les 30 maisons. Le réseau n’est donc pas réadapté entre deux logements.
Index constitue la véritable nouveauté derrière Helix 2.5
Pour obtenir cette capacité, Figure s’appuie surtout sur Index, sa vaste base de données consacrée aux comportements humains. Helix 2.5 est d’abord préentraîné sur cette expérience humaine avant de recevoir les données plus spécifiques nécessaires aux différentes tâches.
L’approche ressemble, dans son principe général, à celle qui a transformé les modèles de langage : apprendre d’abord à partir d’un volume considérable de données diverses, puis spécialiser le système. Figure cherche ainsi à éviter qu’un humanoïde doive réapprendre son travail pour chaque nouvel environnement.
Et les chiffres communiqués par l’entreprise suggèrent que ce préentraînement joue effectivement un rôle important.
Le taux de réussite passerait de 9 à 56 %
Figure a entraîné deux systèmes à partir des mêmes données spécifiques aux trois tâches. Le premier démarrait avec des poids aléatoires. Le deuxième bénéficiait du préentraînement réalisé avec Index.
L’architecture du réseau, les paramètres d’entraînement, les données utilisées ensuite et le protocole d’évaluation sont annoncés comme identiques. Seul le préentraînement change.
Lors des évaluations à l’aveugle, le système entraîné sans Index aurait réussi 9 % des essais zero-shot. Avec le préentraînement Index, le taux atteint 56 %.
Figure estime donc que cette première phase d’apprentissage explique une grande partie de la capacité de Helix 2.5 à fonctionner dans un environnement qu’il n’a jamais rencontré.
Le résultat reste en même temps révélateur du chemin qui reste à parcourir : 56 % de réussite signifie évidemment que le robot échoue encore dans une proportion importante des essais. La startup le reconnaît d’ailleurs explicitement : Helix 2.5 ne signifie pas que le problème de la robotique humanoïde généraliste est résolu.
Deux fois moins de données pour apprendre un comportement
L’entreprise revendique un autre progrès. Pour spécifier un comportement comparable à celui exécuté précédemment avec Helix 02, Helix 2.5 aurait nécessité deux fois moins de données spécifiques à la tâche.
Il aurait néanmoins atteint un taux de réussite équivalent à l’ancien système, tout en étant capable d’exécuter ce comportement dans 30 maisons inconnues.
Helix 02 avait, lui, été entraîné avec des données provenant directement de son environnement final.
Figure résume donc l’évolution ainsi : la quantité de données utilisée pour définir le comportement a été divisée par deux tandis que son champ d’application s’étend désormais à une trentaine de nouveaux environnements.
Le robot commence aussi à corriger ses propres erreurs
Figure souligne également une évolution plus qualitative : la capacité d’autocorrection. Sur des tâches longues, une seule erreur peut suffire à compromettre toute la séquence.
Helix 2.5 serait davantage capable de récupérer une situation imparfaite. Figure cite par exemple un robot qui recule pour se repositionner, modifie son appui ou contourne un lit afin de reprendre correctement un pli. Cette faculté est particulièrement importante dans une habitation.
Un robot domestique ne peut pas compter sur des objets parfaitement positionnés ni sur un chemin toujours dégagé. Il doit donc être capable de constater qu’une action n’a pas produit le résultat attendu puis d’adapter la suivante.
Figure affirme observer une loi de mise à l’échelle
L’autre résultat mis en avant par Figure dépasse les trois démonstrations domestiques. L’entreprise a cherché à savoir si augmenter la quantité d’expérience humaine disponible dans Index améliorait les performances du robot d’une manière prévisible.
Quatre modèles ont été entraînés avec des volumes croissants de données représentant au total un facteur 8 entre le plus petit et le plus grand ensemble.
À chaque doublement des données de préentraînement, Figure AI dit avoir observé une diminution régulière de l’erreur de prédiction de la prochaine action du robot. La relation obtenue aurait même permis de prévoir à quatre décimales près la perte du plus gros entraînement avant de le lancer.
Figure AI indique une erreur de prévision correspondant à seulement 0,54 % de la variation observée sur l’ensemble de la plage de données multipliée par huit.
L’entreprise y voit ce qu’elle présente comme la première loi de mise à l’échelle du transfert humain-vers-robot mesurée sur un humanoïde.
Cette expérience porte toutefois uniquement sur l’augmentation des données : la taille du modèle et l’entraînement réalisé ensuite ont été maintenus constants.
Robots humanoïdes : le grand défi du passage de l’usine à la maison
Faire apprendre les robots à partir de l’expérience humaine
C’est finalement là que se trouve l’ambition de Helix 2.5. Plutôt que d’entraîner un humanoïde appartement après appartement, Figure veut accumuler suffisamment d’expérience humaine générique pour qu’il ait déjà appris une partie du fonctionnement du monde réel avant d’entrer dans un nouvel environnement.
L’approche rejoint directement l’un des principaux enjeux actuels de la robotique domestique. Les humanoïdes savent déjà réaliser des mouvements particulièrement complexes dans des démonstrations contrôlées. Mais un logement introduit quantité de variations impossibles à prévoir individuellement : taille du mobilier, emplacement des objets, espace disponible ou encore géométrie des pièces.
Helix 2.5 tente donc moins d’apprendre au robot une maison que de lui apprendre des connaissances suffisamment générales pour fonctionner dans des maisons différentes.
Index engrange 35 minutes d’expérience humaine chaque seconde
Figure AI compte maintenant accélérer cette stratégie. Selon l’entreprise, Index génère actuellement environ 35 minutes de nouvelle expérience humaine chaque seconde.
Figure indique également avoir engagé 3,5 milliards de dollars de capacité de calcul pour l’entraînement de Helix.
L’hypothèse défendue est simple : si l’amélioration observée avec Helix 2.5 continue de suivre la quantité de données disponibles, accumuler davantage d’expérience humaine et augmenter les ressources de calcul devrait permettre aux futurs modèles de connaître une part toujours plus importante du monde physique avant leur déploiement.
Cela ne signifie toujours pas que les humanoïdes sont prêts à ranger seuls n’importe quel logement. Mais ces essais illustrent précisément l’étape qui manque encore pour passer de démonstrations spectaculaires réalisées dans des environnements préparés à de véritables robots domestiques : être capable de retrouver une compétence déjà acquise lorsque tout autour d’eux a changé.
Source : Figure AI
