Nature Will présente Natura-1, un modèle de 50 milliards de paramètres entraîné sur vidéo humaine pour piloter des mains dextériques à 20 DOF

Nature Will, une startup chinoise qui se réclame de l'« intelligence physique générale », a publié le 13 octobre Natura-1, qu'elle présente comme son premier modèle de fondation généraliste pour le monde physique. Le modèle prend du langage et de la vision en entrée et pilote des mains robotiques dextres à 20 degrés de liberté (DOF). Il s'agit d'un modèle mixture-of-experts de 50 milliards de paramètres, pré-entraîné sur plus d'un million d'heures de vidéo égocentrique (à la première personne) d'activités humaines. Le corpus, dédupliqué, filtré des anomalies de capteurs et annoté hiérarchiquement, de l'objectif global jusqu'aux étapes individuelles, forme un million d'heures de trajectoires d'action conditionnées par le langage. Les poses 3D denses des mains sont reconstruites à partir de vidéos monoculaires et stéréo. L'entreprise a bâti son propre data lakehouse de plusieurs dizaines de pétaoctets et un moteur d'entraînement distribué maison, qui dépasserait 50 % de MFU (utilisation des FLOPs du modèle) sur plusieurs centaines de GPU. À l'inférence, une couche d'orchestration en Rust et des kernels CUDA fusionnés tiennent une boucle stricte de 100 millisecondes entre observation et action sur le matériel réel. Les démonstrations montrent le pliage de matériaux fins et déformables, la calligraphie au pinceau souple et des changements d'outils sur des tâches multi-étapes. Six tâches longues ont reçu un réglage supplémentaire, tandis que les autres résultats partagent les mêmes poids.

Le pari de fond est de contourner le goulot d'étranglement des données robotiques. Un robot ne collecte que dans les environnements où il fonctionne déjà, alors que les humains manipulent des outils et des objets dans presque tous les contextes. Si l'approche se confirme, le coût marginal de la donnée de manipulation fine chuterait, et la dextérité cesserait de dépendre de la téléopération à grande échelle. C'est une piste sérieuse pour les modèles vision-langage-action (VLA) appliqués aux mains multi-doigts, où les pinces restent aujourd'hui la norme industrielle. Les chiffres appellent toutefois de la prudence. Sur son propre benchmark de douze dimensions de manipulation dextre, exécuté sur robots bimanuels, Nature Will annonce 53,4 pour le modèle de base et 59,1 pour une configuration agentique. Les deux modèles de référence choisis par l'entreprise n'ont produit aucun score avec des mains dextres, et n'ont obtenu que 13,5 et 16,7 sur une plateforme à pince, ce qui rend la comparaison peu parlante. Ces résultats n'ont pas été reproduits indépendamment, les démonstrations vidéo n'indiquent ni taux de réussite ni nombre d'essais, et rien n'est annoncé sur des déploiements ou une commercialisation. Il s'agit donc d'une publication de recherche, pas d'un produit livré.

Natura-1 s'inscrit dans une tendance où l'on cherche à transférer la dextérité humaine aux robots par l'observation plutôt que par la seule téléopération. Les modèles généralistes comme Pi-0 de Physical Intelligence, GR00T de NVIDIA ou Helix de Figure, ainsi que les efforts de Tesla autour d'Optimus, restent plus centrés sur des données robotiques ou mixtes, avec des communications souvent axées sur des mains et des pinces plus simples. La concurrence chinoise sur les modèles embarqués et les mains dextres s'intensifie. Nature Will affirme que chaque brique de sa pile est conçue pour passer à l'échelle, sans calendrier de pilotes ni partenaires industriels annoncés. Les prochains jalons à surveiller sont la publication des détails du benchmark, des évaluations tierces, des tests sur des tâches industrielles chronométrées et la capacité à transférer le modèle vers d'autres morphologies de mains que celles de l'entreprise.