IA physiquePandaily 16 septembre 2026

EBKernel dévoile Cog-WM 1.0, un modèle du monde cognitif inspiré du cerveau

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

La startup shanghaïenne EBKernel a dévoilé Cog-WM 1.0 lors de la session sur l'intelligence incarnée inspirée du cerveau, au Forum Pujiang de l'innovation 2026. Le système est présenté comme un modèle du monde cognitif fondé sur la prédiction en espace latent plutôt que sur la reconstruction pixel par pixel, avec un objectif d'apprentissage de type JEPA associé à des mécanismes inspirés des cartes cognitives humaines : mise à jour sélective de la mémoire, encodage conditionné par l'objectif, prévision à plusieurs horizons temporels. Le module de navigation Cog-WM Nav 1.0 fonctionne sans carte préétablie : sur un sous-ensemble du benchmark HM3D-ObjectNav, EBKernel annonce un taux de réussite passant de 78,50% à 86,89% face à la référence BSC-Nav publiée dans Nature Communications, un gain absolu de 8,39 points (environ 10,7% en relatif), le SPL progressant de 47,70 à 48,35. Le module de manipulation Cog-WM Manip 1.0 entraîne une prédiction d'état multi-échelle ; sous un protocole de reproduction unifié, l'entreprise revendique jusqu'à environ 16% de gain par rapport à des références massivement préentraînées de type pi0.5, sur trois suites de manipulation dont les scénarios les plus difficiles de RoboTwin 2.0. Une ablation sur LIBERO-Plus montre une progression cumulative, de la politique seule (environ 80%) à la pile complète (84,6%), via la prédiction locale (81,6%) puis multi-horizon (82,0%). EBKernel dit avoir déployé le système sur des humanoïdes à roues et des quadrupèdes pour la navigation sans carte, la planification de trajectoire, la mémoire spatio-temporelle, les questions-réponses spatiales et la recherche d'objets, la manipulation étant vérifiée sur humanoïdes à roues et la navigation quadrupède testée chez des clients en inspection et patrouille.

Si ces chiffres se confirment de façon indépendante, ils appuient l'idée que des modèles du monde en espace latent peuvent améliorer la généralisation en navigation et en manipulation sans dépendre uniquement du gigantisme des données de préentraînement, une piste qui intéresse les intégrateurs cherchant à réduire le coût d'entraînement des politiques robotiques. Le gain revendiqué face à pi0.5 alimente le débat sur la viabilité des architectures vision-langage-action à grande échelle face à des approches hybrides combinant prédiction latente et mémoire spatiale explicite. La prudence reste toutefois de mise : les résultats proviennent de benchmarks et protocoles contrôlés par EBKernel elle-même, sans validation tierce indépendante, et les performances en extérieur ou sur des tâches à long horizon restent peu documentées en dehors de ces chiffres maison. Pour les décideurs B2B, la distinction entre démonstration technique et déploiement commercial généralisé reste donc essentielle : les usages cités en inspection et patrouille relèvent pour l'instant de sites clients ponctuels, pas d'un déploiement à grande échelle.

Fondée mi-2025, EBKernel défend une thèse produit centrée sur l'apprentissage continu à faible volume de données et à forte généralisation, en rupture avec la course au préentraînement massif menée par des architectures de type pi0.5. Le choix du Forum Pujiang de Shanghai comme vitrine de lancement, ainsi que la comparaison directe avec la référence BSC-Nav publiée dans Nature Communications, s'inscrivent dans la stratégie des laboratoires chinois d'intelligence incarnée cherchant à se mesurer aux standards académiques et industriels internationaux. La suite dépendra de la capacité d'EBKernel à faire valider ses résultats par des tiers indépendants et à élargir ses déploiements au-delà des sites pilotes d'inspection et de patrouille actuellement cités, dans un secteur où l'écart entre démonstration et robustesse en conditions réelles reste la principale zone d'ombre.

Dans nos dossiers

IA physique & VLA

À lire aussi

1arXiv cs.RO

Riemann-1.0 : un modèle d'action du monde incarné pour l'IA physique

Un preprint publie sur arXiv (2608.27033) présente Riemann-1.0, un "World Action Model" causal et autoregressif qui unifie, dans une seule séquence, observations visuelles multi-vues, états du robot et actions spécifiques a chaque embodiment. Le modèle est pré-entraine sur plus de 200 000 heures de données hétérogènes: vidéos humaines a la première personne, démonstrations avec pinces portables et trajectoires de robots varies. Il atteint 94,3% de réussite sur RoboTwin2.0, 99,0% sur LIBERO et 62,6% sur le benchmark compositionnel long-horizon RoboCasa-365, soit 8,4 points de plus que la meilleure méthode antérieure. Sur des taches réelles de manipulation longue durée, il obtient 85,0% de réussite (SR) et 94,4% de progression (PSR), soit 15 points de plus que le meilleur système open source de référence. Le résultat notable n'est pas seulement le score, mais l'architecture: un seul modèle fait a la fois office de politique de contrôle exécutable et de simulateur du monde conditionne par l'action, la ou la plupart des approches séparent prédiction vidéo et génération d'actions. Cela alimente le débat sur le passage a l'échelle des modèles vision-langage-action, en suggérant que des sources bon marche comme la vidéo humaine peuvent compléter des données robotiques rares pour améliorer la généralisation. Pour les intégrateurs, la prudence reste de mise: ces résultats proviennent d'un preprint non relu par les pairs, obtenus sur des benchmarks contrôles et des taches réelles décrites de façon générique, sans précision sur le site de test ni sur un déploiement en production. Riemann-1.0 se positionne contre trois familles de "world models" robotiques existantes, génération conjointe d'actions et d'images, prédiction vidéo suivie d'une politique séparée, ou architectures découplées, jugées limitantes par ses auteurs face a la fragmentation entre simulation du monde et contrôle du robot. L'article ne mentionne ni organisation commerciale a l'origine du projet, ni plateforme robotique associée, ni date de pilote ou de déploiement: il se presente comme un jalon de recherche plutôt que comme un produit livre. Les suites logiques, non confirmées dans le texte, porteraient sur l'extension a davantage d'embodiments et sur des essais en conditions réelles hors laboratoire, dans la lignée des travaux parallèles menés par d'autres laboratoires sur les modèles fondation pour la manipulation robotique.

IA physiqueActu

1 source

2arXiv cs.RO

IA incarnée dans GPT-5.1 : la preuve d'un modèle du monde ?

Une équipe de chercheurs publie une étude exploratoire sur arXiv (2607.23899) testant GPT-5.1 comme contrôleur haut niveau d'un robot mobile physique, sans qu'il ait reçu le moindre entraînement en simulation ni la moindre expérience sensorimotrice préalable. Le modèle ne dispose que d'images en première personne à basse résolution et d'un ensemble d'actions discrètes pour naviguer et accomplir des tâches orientées objet, comme localiser puis entrer en contact avec un jouet cible. Sur plusieurs essais, GPT-5.1 a montré des capacités émergentes inattendues: mémoire à court terme de la position d'objets sortis du champ de la caméra, inférence des conséquences physiques de ses propres déplacements, et exécution de séquences cohérentes comme percuter un objet puis reculer pour vérifier visuellement le résultat. Le modèle reste toutefois limité, avec des stratégies d'alignement imprécises et des erreurs d'identification sur des distracteurs éloignés. Ces résultats intéressent directement l'industrie robotique car ils questionnent l'idée reçue, ancrée en sciences cognitives et en robotique, selon laquelle un corps physique et un entraînement embarqué (simulation, données réelles massives) seraient des prérequis indispensables pour développer une forme de compréhension spatiale et physique. Si un modèle multimodal généraliste peut afficher un comportement proche d'un "modèle du monde" sans pipeline d'entraînement dédié à l'embodiment, cela ouvre la voie à des architectures de contrôle plus légères pour les intégrateurs, où un LLM prêt à l'emploi ferait office de cerveau haut niveau au-dessus d'une couche d'actions bas niveau, plutôt qu'une politique VLA entraînée spécifiquement. Le résultat s'inscrit en contraste avec la génération actuelle de modèles vision-langage-action (type Pi-0, GR00T N2 ou Helix) qui acquièrent leurs compétences physiques via de vastes corpus de démonstrations simulées ou réelles. L'étude reste exploratoire, à petite échelle et sans comparaison benchmarkée face à ces systèmes dédiés: les auteurs eux-mêmes appellent à des travaux complémentaires pour cerner l'ampleur, les limites et la robustesse de ces capacités émergentes avant d'en tirer des conclusions définitives.

IA physiquePaper

1 source

3Pandaily

X-Square Robot dévoile WALL-WM, le premier modèle du monde à IA incarnée avec prédiction au niveau événementiel

La startup chinoise X-Square Robot, connue pour sa série GreatWall de modèles de fondation robotiques, publie WALL-WM, présenté comme le premier world model à prédiction par événements sémantiques pour la robotique incarnée. Le papier associé, "WALL-WM: Carving World Action Modeling at the Event Joints", décrit une architecture en trois couches : une couche d'entrée d'instructions d'événements, une couche de prédiction centrale utilisant l'optimiseur Muon distribué (DMuon) pour une meilleure stabilité de convergence, et une stratégie de packing multi-événements réduisant les pertes de calcul lors de l'entraînement. Sur les benchmarks de génération vidéo incarnée, WALL-WM surpasse Wan2.1-14B et Open-Sora 2.0 sur qualité de mouvement, cohérence sémantique et plausibilité physique. Sur le benchmark Core15 L1, il dépasse Pi0.5 de Physical Intelligence et DreamZero sur les tâches de base, raisonnement, manipulation dextre et généralisation sous instruction abstraite. L'intérêt technique réside dans un changement de paradigme pour les modèles d'action. Les architectures VLA dominantes prédisent des chunks d'actions à intervalles fixes, où sera la main du robot dans 0.1, 0.2, 0.3 secondes, ce qui force le modèle à mémoriser des déplacements millimétriques par frame plutôt qu'à comprendre l'objectif sémantique ("saisir la tasse"). Cette fragilité structurelle signifie qu'un changement d'objet ou de surface suffit à faire échouer le modèle. WALL-WM prédit directement l'état cible, c'est-à-dire le moment de la saisie, puis génère synchroniquement la séquence d'actions pour y parvenir. Le papier identifie par ailleurs un problème architectural fondamental : texte, vision et action opèrent sur des géométries de manifold distinctes, et leur projection directe dans un espace latent partagé dégrade les représentations préentraînées, un défaut que l'architecture cherche à corriger via ses trois couches spécialisées. X-Square Robot s'inscrit dans la course des laboratoires chinois aux fondations VLA et world models, aux côtés d'Unitree, Fourier Intelligence et Agibot. Les benchmarks publiés visent directement Physical Intelligence (Pi0.5) et ses homologues américains comme Figure AI. Il faut toutefois souligner que WALL-WM reste, à ce stade, une publication de recherche sans déploiement commercial ni pilote industriel annoncé. Les performances sur benchmark L1 ne préjugent pas des résultats en conditions réelles, où l'éclairage variable, la déformation des objets et les perturbations de contact constituent le vrai test de la généralisation sim-to-real. Aucune timeline de productisation n'est mentionnée dans l'annonce.

IA physiqueOpinion

1 source

4Pandaily

AgiBot dévoile GE-Act 2.0, son modèle monde-action natif avec un passage à l'échelle des données x100

Paragraphe 1: AgiBot a présenté GE-Act 2.0, un modèle "world-action" entraîné depuis une initialisation aléatoire sur des données de manipulation robotique, plutôt qu'adapté d'un générateur vidéo préexistant, en entraînant conjointement représentation visuelle, prédiction du futur et prédiction d'action. La société en fait le premier test systématique de la mise à l'échelle des données: le volume d'entraînement passe de 300 à 30 000 heures, sans réglage fin par tâche ni démonstration au moment de l'évaluation. Sur un protocole zéro-shot, avec scènes, éclairages et objets inédits, couvrant 100 tâches élémentaires et environ 20 familles de compétences sur deux robots, le taux de réussite grimpe de 17,1% à 44,1% sur la plateforme G1-OP et de 13,4% à 31,1% sur G2-90D, avec des progrès encore mesurables entre les paliers de 5 000 et 30 000 heures. Le nombre de tâches réussies au moins une fois passe de 39 à 76 sur G1-OP et de 24 à 72 sur G2-90D; des gestes fins comme plier une serviette, empiler des gobelets en papier, reposer un capuchon de stylo ou arranger des fleurs dans des scènes inédites n'apparaissent de façon fiable qu'au plus haut palier de données. G2-90D, qui ne représente que 2% des données contre plus de la moitié pour G1-OP, gagne malgré tout 17,7 points grâce au transfert entre robots. Un encodeur CoAE compresse chaque image de 256 par 384 pixels en 24 tokens, un planificateur visuel prédit un segment de futur et un modèle de dynamique inverse le traduit en actions, pour un temps de cycle d'environ 104 millisecondes sur une RTX 5090. Après réglage fin, AgiBot revendique 60,52% sur les tests hors distribution de RoboTwin et 0,770 sur le suivi d'instructions de GenieSim, devant plusieurs modèles comparés; les documents sont publiés sur ge-act-v2.github.io. Paragraphe 2: Ces résultats visent le débat sur la généralisation des modèles VLA (vision-language-action) et l'écart entre démonstration et déploiement réel: une architecture native, plutôt qu'un empilement de modules pré-entraînés séparément, passerait mieux à l'échelle des données. Pour les intégrateurs et décideurs industriels, l'enjeu est la robustesse hors distribution, qui réduit le coût de reconfiguration site par site, frein majeur à l'adoption des humanoïdes en usine ou en logistique. L'apparition tardive des compétences fines suggère que la course entre AgiBot, Figure, 1X ou Physical Intelligence se joue autant sur le volume et la diversité des données de téléopération que sur l'architecture du modèle. Le transfert observé entre G1-OP et G2-90D appuie l'idée qu'un apprentissage partagé entre robots différents peut compenser la rareté de données propre à chaque plateforme. Ces chiffres restent toutefois auto-publiés par AgiBot, sans validation indépendante ni comparaison en conditions réelles avec des modèles concurrents comme GR00T N2 de NVIDIA, Pi-0 de Physical Intelligence ou Helix de Figure. Paragraphe 3: GE-Act 2.0 s'inscrit dans la pile logicielle GE d'AgiBot, où GE-Sim gère l'évaluation de politiques et la construction d'environnements simulés, tandis que GE-Act convertit les futurs prédits en mouvements robotiques. La société chinoise, déjà connue pour ses humanoïdes commerciaux et ses jeux de données de téléopération à grande échelle, présente cette publication comme une étape de recherche plutôt qu'un produit livré: les documents techniques sont diffusés sur une simple page de projet, sans partenaire industriel, site pilote ni calendrier de commercialisation annoncés pour ce modèle précis. La comparaison revendiquée face à RoboTwin et GenieSim, deux bancs d'essai utilisés par les laboratoires chinois et occidentaux, vise à positionner AgiBot dans une compétition où les vidéos soigneusement sélectionnées restent souvent difficiles à distinguer d'une capacité réellement généralisable en production.

IA physiqueOpinion

1 source