Gemini Robotics 2 pousse Google plus loin dans le contrôle général des robots

Google élargit sa pile robotique avec un modèle de contrôle plus large

Google DeepMind a présenté Gemini Robotics 2, un nouveau modèle vision-langage-action que l’entreprise dit pouvoir servir de couche de contrôle commune à des robots très différents. Selon l’annonce telle qu’elle est décrite dans le document source, le modèle est destiné à fonctionner sur des systèmes allant des bras robotisés de table aux robots humanoïdes à corps entier, prolongeant ainsi l’effort de Google pour transformer de grands modèles multimodaux en logiciels capables d’agir dans le monde physique.

Cette sortie compte parce que les développeurs en robotique ont longtemps été confrontés à un problème de fragmentation. Les modèles qui fonctionnent bien sur un type de machine ou une tâche doivent souvent être fortement adaptés avant de pouvoir gérer une architecture corporelle différente, une configuration de capteurs différente ou un autre environnement. DeepMind présente Gemini Robotics 2 comme une étape vers une base plus générale : une famille de modèles capable d’interpréter des images, de traiter du langage et de traduire ces entrées en actions sur un éventail plus large de matériels.

Ce positionnement est important au-delà de l’affirmation technique. En pratique, une “couche d’intelligence” pour robots suggère un marché dans lequel les logiciels de base de perception, de raisonnement et de contrôle peuvent être réutilisés sur de nombreuses plateformes, tandis que les fabricants de matériel se différencient par la mécanique, la fiabilité, le coût et le déploiement. Si cette approche tient dans des tests réels, elle pourrait réduire la barrière à l’entrée pour créer des robots adaptatifs pour la logistique, la manutention industrielle, la recherche et les applications de service.

Ce que DeepMind dit que le nouveau modèle peut faire

Le texte source décrit Gemini Robotics 2 comme le modèle vision-langage-action le plus avancé de DeepMind à ce jour. Les systèmes vision-langage-action combinent compréhension visuelle, interprétation du langage naturel et contrôle moteur, ce qui permet à un robot de relier ce qu’il voit à ce qu’on lui demande de faire, puis d’exécuter une réponse physique.

DeepMind affirme que le nouveau modèle peut gérer les mouvements de l’ensemble du corps, effectuer des tâches de motricité fine et coordonner plusieurs robots. Ce sont trois exigences très différentes. Le mouvement du corps entier nécessite une planification spatiale plus large et un contrôle lié à l’équilibre. Le travail de motricité fine dépend d’une manipulation plus précise. La coordination multi-robots introduit des contraintes de synchronisation et de tâches partagées. Le fait d’assembler ces capacités dans une seule plateforme est au cœur de l’argument de l’entreprise selon lequel Gemini Robotics 2 n’est pas seulement une amélioration incrémentale, mais une architecture de contrôle plus large.

La source indique aussi que les développeurs peuvent demander un accès anticipé via une liste d’attente. Cela correspond à un schéma de lancement familier dans les systèmes d’IA avancés : annonce publique d’abord, accès contrôlé ensuite, puis déploiement plus large si les performances et la sécurité s’avèrent acceptables. Pour les développeurs, l’implication à court terme concerne moins un déploiement immédiat en production qu’une phase d’évaluation, de prototypage et de compréhension de la place du modèle dans les piles robotiques existantes.

Un second modèle se concentre sur le raisonnement incarné

Parallèlement à Gemini Robotics 2, Google DeepMind a aussi présenté Gemini Robotics ER 2. Le sigle “ER” renvoie au raisonnement incarné, que le texte source décrit comme la capacité à comprendre le monde physique et à décider quelles actions entreprendre sur cette base. Autrement dit, le modèle vise moins l’exécution de bas niveau que l’interprétation de haut niveau et l’aide à la décision pour les systèmes robotiques.

DeepMind indique que ER 2 remplace Gemini Robotics ER 1.6, lancé en avril. Cette succession rapide suggère que l’entreprise itère rapidement dans un domaine où l’utilité d’un modèle dépend d’un mélange de capacités générales en IA et d’ajustements spécifiques à la robotique. Le détail notable de distribution est que ER 2 est disponible dans Google AI Studio, ce qui offre aux développeurs une voie plus directe pour tester la partie raisonnement de la pile que le modèle de contrôle plus large Robotics 2, actuellement réservé à l’accès anticipé.

La séparation entre un modèle de contrôle général et un modèle de raisonnement reflète aussi une tendance de conception plus large dans l’IA robotique. Les entreprises séparent de plus en plus le problème “que devrait faire le robot ?” de “comment devrait-il le faire physiquement ?”. Un système de raisonnement peut aider à décomposer les tâches, interpréter les scènes et planifier des séquences, tandis qu’un modèle de contrôle peut traduire ces plans en mouvement. La structure produit de DeepMind semble s’aligner sur cette division.

Pourquoi ce lancement compte

L’annonce renforce la concurrence pour définir la base logicielle de la prochaine génération de robots. Le secteur évolue au-delà de l’automatisation rigoureusement scriptée vers des systèmes capables de s’adapter à des environnements moins prévisibles. Les entrepôts, les usines, les laboratoires et, à terme, les environnements ouverts au public récompensent des robots capables de gérer la variabilité sans nécessiter une programmation manuelle exhaustive pour chaque cas limite.

La manière dont DeepMind présente les choses laisse entendre qu’elle voit les modèles fondamentaux multimodaux comme la voie vers cette adaptabilité. Si un robot peut interpréter des instructions en langage, analyser une scène visuelle et généraliser ses actions d’une tâche à l’autre, les développeurs pourraient construire des produits plus flexibles avec moins de code sur mesure. Cela n’élimine pas le travail d’ingénierie difficile autour de la sécurité, de la latence, de l’étalonnage, de l’intégration matérielle et de l’évaluation. Mais cela peut déplacer l’endroit où se situent les problèmes les plus difficiles dans la pile.

Il y a aussi un enjeu stratégique pour Google. La robotique a connu des périodes d’emballement puis de ralentissement parce que la couche logicielle peinait à généraliser. En rattachant plus directement la robotique à l’écosystème de modèles d’IA phare de l’entreprise, Google DeepMind affirme en substance que les progrès en IA multimodale générale peuvent désormais se traduire en progrès pour les systèmes incarnés. C’est un récit commercial plus fort que la robotique comme voie de recherche largement séparée.

Ce qu’il faut surveiller ensuite

• Si les développeurs en accès anticipé signalent de fortes performances multiplateformes plutôt que des démonstrations étroites liées à des robots spécifiques.
• La quantité de travail d’intégration encore nécessaire pour adapter Gemini Robotics 2 à différents corps et contraintes de sécurité.
• Si ER 2 dans Google AI Studio devient un outil de planification pratique pour les développeurs en robotique en dehors de l’écosystème immédiat de DeepMind.
• Comment les concurrents réagissent à mesure que s’accélère la course à la création de plateformes logicielles générales pour robots.

Pour l’instant, ce lancement doit surtout être lu comme un signal important de produit et de plateforme, plutôt que comme une preuve que des robots largement capables sont prêts à passer à l’échelle partout. Mais il montre bien où l’un des plus grands laboratoires d’IA pense que le marché se dirige : vers des couches d’intelligence multimodale réutilisables, pouvant se placer au-dessus de nombreux types de machines et les rendre plus adaptatives dans le monde réel.

Cet article s’appuie sur le reportage de The Decoder. Lire l’article original.