Actualités
Skild AI présente S1, un modèle robotique qui apprend depuis une vidéo
L’entreprise affirme que S1 peut découvrir une tâche après une démonstration vidéo. Les résultats présentés restent toutefois issus de ses propres essais.
Un modèle présenté comme capable d’apprendre par l’exemple
Skild AI a présenté S1, un nouveau modèle de fondation destiné au contrôle de robots physiques. L’entreprise affirme qu’un robot équipé de ce système peut découvrir une tâche à partir d’une démonstration vidéo, puis tenter de la reproduire sans entraînement supplémentaire propre à cette tâche.
L’annonce porte sur des opérations de manipulation. Skild AI montre notamment des séquences où des robots rempotent une plante, préparent un café, assemblent un kit ou retournent une crêpe. Certaines tâches durent plusieurs minutes et enchaînent de nombreux gestes.
Ces exemples illustrent l’objectif de S1 : éviter de devoir collecter un nouveau jeu de données et réentraîner un programme spécialisé chaque fois qu’une tâche change. Ils restent toutefois des démonstrations choisies et publiées par l’entreprise.
La vidéo sert d’instruction au robot
Le principe présenté diffère d’une simple commande écrite comme « prends cette tasse ». Pour une tâche longue ou délicate, une phrase décrit mal l’ordre des gestes, la position des objets et le résultat attendu. S1 reçoit donc une vidéo montrant l’action à accomplir.
Le modèle doit ensuite repérer l’intention de la démonstration et la traduire en mouvements adaptés au robot, à son point de vue et à la scène devant lui. Le robot n’est pas censé recopier mécaniquement chaque trajectoire humaine : il doit retrouver une manière réalisable d’atteindre le même but avec son propre corps.
Skild AI présente cette capacité comme un apprentissage « en contexte ». Les paramètres du modèle ne sont pas modifiés pour chaque nouvelle tâche. La démonstration vidéo fournit le contexte utilisé au moment de l’exécution.
Des essais encourageants, mais encore internes
Le billet de présentation montre des tâches que Skild AI décrit comme absentes des données d’entraînement. L’entreprise indique aussi que S1 peut enchaîner des opérations pendant plusieurs minutes, réagir à certains déplacements d’objets et parfois recommencer après une erreur.
Ces résultats sont intéressants parce que la manipulation reste difficile hors d’un environnement parfaitement préparé. Un robot doit reconnaître des objets, choisir une prise, doser ses mouvements et suivre l’avancement d’une tâche malgré les petites variations de la scène. Réunir ces étapes dans une seule démonstration constitue donc un test plus exigeant qu’un geste isolé.
Il manque néanmoins une évaluation indépendante. Les essais, leurs critères de réussite et les comparaisons avec d’autres approches sont publiés par Skild AI. Ils ne permettent pas encore d’établir comment S1 se comporte sur une longue période, sur des matériels qui n’ont pas servi aux démonstrations ou dans des lieux exploités par des clients.
Un logiciel, pas un nouveau robot
S1 n’est pas une machine vendue comme un robot complet. Il s’agit d’un modèle logiciel conçu pour commander différents types de robots. Cette distinction compte : une capacité montrée avec un bras ou un manipulateur donné ne devient pas automatiquement disponible sur tous les robots.
Le matériel, les capteurs, la sécurité, la vitesse et la précision continuent de limiter ce qu’un système peut accomplir. Un modèle plus général peut réduire le travail nécessaire pour préparer une nouvelle tâche, mais il ne remplace ni l’intégration sur la machine ni les essais dans les conditions réelles d’utilisation.
Skild AI affirme que S1 travaille déjà avec des partenaires commerciaux. L’entreprise ne fournit toutefois pas, dans cette annonce, une liste détaillée permettant de mesurer le nombre de déploiements, leur durée ou les résultats obtenus. Il serait donc prématuré d’en déduire une adoption industrielle étendue.
Les prochaines preuves à attendre
La portée de S1 pourra être mieux évaluée lorsque des équipes extérieures publieront des essais reproductibles, lorsque le modèle sera documenté sur plusieurs familles de robots et lorsque des usages prolongés seront décrits avec leurs échecs autant que leurs réussites.
Il faudra aussi connaître ses conditions d’accès, son prix, les matériels compatibles et les exigences de sécurité. Ces éléments détermineront si l’apprentissage par démonstration vidéo peut devenir un outil courant ou rester une capacité réservée à quelques expérimentations encadrées.
L’annonce de S1 montre en tout cas une direction nette : apprendre à un robot une nouvelle tâche pourrait progressivement ressembler davantage à une démonstration qu’à un long cycle de programmation. La preuve décisive viendra maintenant de sa répétabilité hors des essais publiés par Skild AI.
