RecherchearXiv cs.RO 19 octobre 2026

GPT-6-Astra a-t-il atteint l'intelligence incarnée ?

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Un rapport technique publié sur arXiv (2610.22471) évalue GPT-6-Astra, un modèle généraliste, sur des tâches de manipulation et de navigation robotique. Les auteurs l'ont testé sur 12 benchmarks couvrant la manipulation sur table, les humanoïdes, les plateformes mobiles et les mains dextres. Le protocole est unifié. Il autorise l'apprentissage en contexte (ICL) à partir des démonstrations du jeu d'entraînement et augmente fortement le nombre d'étapes d'exécution. Les auteurs parlent de performances « sans précédent », mais le résumé ne donne aucun score chiffré. Ils testent aussi un montage agentique en boucle fermée. GPT-6-Astra y joue le raisonneur de haut niveau (« System 2 ») et pilote un contrôleur bas niveau (« System 1 ») comme π0.5. Cette coordination est jugée coûteuse mais efficace. Enfin, des essais ont été menés sur 8 configurations de robots réels.

Le verdict des auteurs est nuancé : le modèle a « largement franchi le seuil de la compétence incarnée », mais pas celui d'une intelligence incarnée pratique. Pour un intégrateur ou un COO, l'écart entre benchmark et terrain est le point central. Les démonstrations robot nécessaires à l'ICL sont chères à collecter. Et l'on ne peut pas compenser un taux de succès insuffisant par des exécutions plus longues, car les contraintes physiques l'interdisent. Les résultats de benchmark reposent en outre sur un protocole favorable : démonstrations in-domain et budget d'étapes élargi. Ils disent donc peu de la performance en déploiement. Les auteurs listent cinq chantiers : généralité de l'ICL, coût et temps d'exécution, vérification de l'état physique, récupération après échec irréversible, et préservation de la progression sur de longs horizons.

Cette architecture à deux niveaux prolonge la séparation raisonnement/contrôle déjà utilisée par Helix de Figure, GR00T de NVIDIA ou les modèles de Physical Intelligence, ici avec un modèle généraliste placé au-dessus d'un VLA existant. Elle remet en cause l'approche d'un modèle spécialisé par tâche et par morphologie. Les auteurs esquissent aussi un prototype de benchmark de nouvelle génération. Ses tâches viennent de besoins réels, il ne fournit aucune démonstration in-domain, et une horloge continue de tourner pendant que l'agent délibère. Il s'agit d'un travail de recherche, sans produit commercialisé, sans pilote annoncé et sans acteur européen identifié. La suite dépendra de la réduction du coût et de la latence, ainsi que de la reproduction indépendante de ces résultats.

Impact France/UE

Pas d\'impact direct sur la France/UE

Dans nos dossiers

NVIDIA GR00T Physical Intelligence — π0 arXiv cs.RO

À lire aussi

1arXiv cs.RO

RobotEQ : de l'intelligence passive à l'intelligence active dans l'IA incarnée

Une équipe de chercheurs a publié en mai 2025 RobotEQ (arXiv:2605.06234), un benchmark conçu pour évaluer ce qu'ils appellent l'intelligence active dans les systèmes d'IA incarnée. Contrairement aux approches actuelles, où un robot exécute des tâches sur instruction explicite de l'utilisateur (intelligence passive), l'intelligence active désigne la capacité d'un système à identifier de manière autonome quelles actions sont socialement acceptables ou interdites, sans consigne préalable. Pour mesurer cette aptitude, les auteurs ont constitué RobotEQ-Data : un jeu de données de 1 900 images en vue égocentrique, couvrant 10 catégories scénario typiques de l'IA incarnée et 56 sous-catégories. Via annotation manuelle intensive, ils ont produit 5 353 questions de jugement d'action et 1 286 questions d'ancrage spatial, formant ensemble le socle du benchmark RobotEQ-Bench. Les résultats d'évaluation sur les modèles de pointe actuels sont sans ambiguïté : aucun ne satisfait de manière fiable aux exigences de l'intelligence active, avec des lacunes particulièrement marquées sur l'ancrage spatial, c'est-à-dire la capacité à localiser précisément les objets ou zones pertinents dans une scène pour motiver un comportement conforme aux normes sociales. L'étude montre cependant qu'intégrer des bases de connaissances externes via des techniques de RAG (Retrieval-Augmented Generation) améliore significativement les performances, ce qui suggère une piste concrète pour les développeurs de systèmes robotiques sociaux. Pour les industriels et intégrateurs, ce résultat pointe une limite critique avant tout déploiement en environnement humain non contrôlé : les robots actuels ne sont pas équipés pour naviguer les conventions implicites du quotidien. RobotEQ s'inscrit dans un effort académique plus large visant à combler le fossé entre capacités de manipulation assistée et autonomie sociale réelle, un sujet de plus en plus pressant à mesure que les robots humanoïdes entrent dans des espaces partagés avec des humains. Les grandes plateformes évaluées ne sont pas nommées explicitement dans l'abstract, mais le benchmark cible les VLMs (Vision-Language Models) utilisés dans les architectures d'IA incarnée actuelles, comme ceux sous-tendant des systèmes tels que Pi-0 (Physical Intelligence) ou GR00T N2 (NVIDIA). Aucun partenaire industriel ni calendrier de déploiement n'est annoncé, ce papier restant à ce stade une contribution de recherche fondamentale avec dataset et benchmark disponibles pour la communauté.

RecherchePaper

1 source

2arXiv cs.RO

L'intelligence à travers les incarnations robotiques

Publié sur arXiv en septembre 2026 sous la référence 2609.27095, cet article de position définit l'embodiment robotique, capteurs, cinématique, dynamique, géométrie, actionneurs, commande, comme l'ensemble des propriétés physiques par lesquelles un agent interagit avec le monde, des propriétés qui varient d'un robot à l'autre et évoluent dans le temps. Ses auteurs soutiennent qu'une intelligence incarnée générale exige un apprentissage qui s'accumule malgré ces différences plutôt qu'un réentraînement à chaque nouvelle plateforme. Ils critiquent les méthodes dominantes, qui bâtissent des correspondances explicites entre embodiments : utiles à court terme mais limitantes pour le transfert à long terme. Ils proposent plutôt de rechercher des représentations généralisables, en posant la diversité des embodiments comme axe de passage à l'échelle, complétée par de larges a priori appris, et appellent à des évaluations mesurant mieux l'écart entre embodiments. Aucun chiffre, modèle ou benchmark n'est fourni : il s'agit d'une contribution théorique, non d'une annonce produit. L'enjeu dépasse l'exercice académique. La plupart des modèles vision-langage-action actuels, du Pi-0 de Physical Intelligence au GR00T N2 de NVIDIA en passant par Helix de Figure AI, s'appuient sur des correspondances d'embodiment largement ad hoc pour transférer des compétences entre un bras fixe, un robot mobile et un humanoïde bipède. L'article avance que cette stratégie plafonnera la généralisation à mesure que le nombre de plateformes augmente, et suggère de traiter la diversité des corps comme un levier de scaling au même titre que le volume de données. Pour les intégrateurs opérant des flottes hétérogènes, la promesse d'une politique "generalist" unique reste conditionnée à la diversité réelle des embodiments d'entraînement, pas seulement à leur volume brut. Cette publication arrive alors que la robotique généraliste traverse une phase de scaling intensif, après des années où chaque nouveau robot exigeait un réentraînement quasi complet ; les modèles VLA avaient promis de contourner ce problème via une politique unique partagée entre embodiments, promesse que ce texte nuance en pointant les limites des méthodes de correspondance actuelles. Le résumé ne nomme ni laboratoire ni institution affiliée, et ne mentionne aucun déploiement, pilote industriel, calendrier ou acteur français ou européen : il s'agit d'un appel à réorienter les priorités de recherche de la communauté, non d'une feuille de route commerciale.

RecherchePaper

1 source

3arXiv cs.RO

De l'IA du monde à l'IA incarnée : une feuille de route pour l'intelligence physique en monde ouvert

Publié sur arXiv le 14 juillet 2026 (arXiv:2607.11689), cet article de synthèse dresse un état des lieux des modèles d'action pour la robotique et propose une feuille de route vers ce que les auteurs nomment le « cerveau incarné » (embodied brain). Le texte retrace l'évolution des politiques vision-langage-action (VLA) vers les World Action Models (WAM), des systèmes qui relient une intervention candidate à ses conséquences prédites avant exécution. Trois failles couplées freinent le secteur selon les auteurs: des espaces d'action et cibles de prédiction incompatibles d'un modèle à l'autre, une absence de standardisation des jeux de données et des protocoles d'évaluation, et des interfaces d'exécution trop fermées pour permettre la réutilisation entre systèmes. Plutôt qu'un nouveau modèle entraîné, le papier propose une architecture cible: le cerveau incarné intégrerait un contexte multimodal, comparerait plusieurs interventions candidates, puis émettrait des requêtes de transition d'état ou de capacité plutôt que des commandes moteur directes, les WAM servant de prototypes pour ces fonctions prédictives. Pour les intégrateurs et décideurs en robotique, ce travail nomme un problème concret: chaque laboratoire, qu'il s'agisse de Physical Intelligence avec Pi-0, NVIDIA avec GR00T N2 ou Figure avec Helix, construit son propre espace d'action et son propre format de données, rendant quasi impossible la comparaison directe des performances ou la réutilisation d'un modèle entre un bras robotique et un humanoïde. En proposant des contrats partagés entre modèles, données, tâches et morphologies, et un post-entraînement en boucle fermée transformant les interactions vérifiées en expérience réutilisable, la feuille de route vise à sortir la robotique généraliste du stade de la démonstration isolée. C'est une contribution méthodologique plus qu'un résultat expérimental: elle ne prouve pas qu'un tel système fonctionne à l'échelle, mais formalise ce qui manque pour y parvenir, un constat qui recoupe les critiques récurrentes sur l'écart entre vidéos de démonstration sélectionnées et déploiements robustes en conditions réelles. Le papier s'inscrit dans la continuité des travaux sur les modèles d'action et les world models, qui ont convergé avec l'essor des VLA avant que des approches hybrides, combinant prédiction du monde et politique d'action, ne donnent naissance aux WAM. Les auteurs ne mentionnent aucun déploiement propre mais positionnent leur cadre face aux systèmes existants de Physical Intelligence, NVIDIA et Figure, sans citer d'acteur français ou européen dans cette revue. La suite annoncée est l'adoption progressive de ces contrats partagés par la communauté de recherche, préalable jugé nécessaire à l'émergence d'agents physiques réellement adaptatifs et auto-améliorants hors laboratoire.

RecherchePaper

1 source

4arXiv cs.RO

Exploration systématique des capacités de GPT-6 Astra comme politiques incarnées

Une équipe de chercheurs publie sur arXiv (2609.38537) une évaluation systématique de GPT-6 Astra utilisé non plus seulement comme planificateur de haut niveau, mais comme politique embarquée générant directement des actions robotiques numériques. Six domaines sont testés, en contrôle direct, en coopération avec des politiques apprises et en adaptation par retour d'information. En manipulation à pince, le contrôle hybride avec π0.5 atteint 48 % de réussite sur un sous-ensemble de RoboDojo. En manipulation dextre, il atteint 50 % sur dix essais DexJoCo guidés par l'expérience, tandis que le contrôle direct des doigts peine à coordonner les contacts. En manipulation mobile, il atteint 38,7 % sur RoboCasa365. En navigation, Astra mène les comparaisons locales avec 92 % sur RxR et 82 % sur la recherche d'objets HM3D, au prix de détours importants. En locomotion, aucune des cinq tentatives successives sur un parcours d'obstacles n'atteint l'arrivée. En loco-manipulation humanoïde, Astra dépasse les méthodes de référence sur 13 des 30 tâches HumanoidBench, avec des contrôleurs corps entier pré-entraînés. L'intérêt tient à la mesure d'un écart que les démonstrations masquent souvent : un modèle généraliste prend de bonnes décisions de tâche, mais n'en fait pas pour autant un contrôleur physique fiable. Le résultat plaide pour des architectures hiérarchiques, où le grand modèle corrige les cibles, prépare les contacts et délègue l'exécution fine à une politique spécialisée. Pour un intégrateur ou un COO industriel, le coût est un frein concret : 624,8 millions de tokens pour le mode assisté contre 1,132 milliard en contrôle direct, sur 50 instances par condition. Une course de locomotion de 30 secondes exige 250 appels, d'environ 39,86 secondes chacun, avec la physique mise en pause pendant l'inférence. Le temps réel reste donc hors de portée. Ces travaux s'inscrivent dans la tendance des modèles de fondation « cerveau » associés à des contrôleurs bas niveau, déjà visible dans les architectures à deux systèmes de type Helix ou GR00T et dans les politiques VLA comme π0.5 de Physical Intelligence, ici utilisée comme partenaire. Il s'agit d'une étude académique, avec des sous-ensembles de benchmarks et des comparaisons locales, et non d'un produit livré ni d'un déploiement réel. Les taux de succès modestes en manipulation dextre et mobile en témoignent. Les prochaines étapes probables concernent la réduction de la latence, des modèles plus légers pour la boucle de contrôle et une meilleure génération de références de mouvement.

UEPas d\'impact direct sur la France/UE

RecherchePaper

1 source