Illustration générée par IAACE-CaP-0 d'ACE Robotics : des agents IA écrivent du code robot réutilisable, avec 92,1 % de réussite
Compilé et résumé par IA · sources vérifiables en un clic · publié sans lecture humaine préalable · méthodologie
ACE Robotics, société d'IA embarquée présidée par Wang Xiaogang, cofondateur de SenseTime, a publié ACE-CaP-0, une méthode de recherche dans laquelle un agent d'IA généraliste écrit, teste et affine des programmes de contrôle pour robots, puis les « gèle » en compétences réutilisables qui s'exécutent sans l'agent. L'article est paru sur arXiv le 12 novembre, accompagné d'une page projet, et l'entreprise a communiqué le 13 novembre. Sur huit tâches réelles (insertion d'un chargeur, emballage de pain, dévissage d'un bouchon de bouteille, empilage de gobelets, insertion d'une fleur, rangement de chaussures, entre autres), les programmes figés ont réussi 221 essais sur 240, soit 92,1 %. Sept tâches dépassent 90 % et l'insertion de chargeur atteint 100 %. Le temps d'exécution moyen varie de 0,97 à 2,27 minutes selon la tâche. Les programmes tournent sur la perception et le contrôle propres au robot, sans humain ni agent de codage dans la boucle.
Le dispositif repose sur trois leviers que l'agent active de lui-même. Il peut demander une démonstration : un opérateur guide physiquement les bras du robot, ce qui enregistre vidéo, trajectoires et poses articulaires clés. Il peut construire une simulation de la tâche, uniquement quand il la juge utile, pour explorer et tester des programmes candidats. Enfin, il révise son code à partir des résultats d'exécutions sur le robot réel. Dans les comparaisons des auteurs, la combinaison de démonstrations à la demande et d'une simulation sélective donne les meilleurs résultats.
L'intérêt pour l'industrie tient au compromis entre généralité et coût d'inférence. Les approches VLA (vision-langage-action) appellent un grand modèle à chaque pas de contrôle, ce qui pèse sur la latence et le coût de calcul embarqué. Ici, le raisonnement coûteux est consommé une fois, à l'écriture, puis amorti sur toutes les exécutions : le programme obtenu est inspectable, déterministe dans sa structure et plus simple à valider pour un intégrateur qu'une politique neuronale opaque. Le point dur, que les auteurs reconnaissent, reste le nombre d'essais physiques nécessaires pour fiabiliser le code, d'où l'arbitrage entre démonstration, simulation et retour terrain. Il faut toutefois relativiser : les chiffres proviennent des tests des auteurs, sur un seul montage bimanuel qu'ils ont choisi, sans reproduction indépendante. Avec 30 essais par tâche, les intervalles de confiance restent larges, et rien n'est précisé sur la variabilité des objets, des scènes ou la robustesse hors de ces conditions. Il s'agit d'une recette de recherche, pas d'un produit livré ni d'un déploiement client.
Le travail prolonge l'idée de Code as Policies, qui exprime le comportement du robot sous forme de code exécutable plutôt que d'appels continus à un grand modèle, et s'inscrit dans la stratégie d'ACE Robotics d'associer des modèles généralistes à son modèle du monde Kairos. L'entreprise, qui vient aussi de publier ACE-Brain-0.6, avance dans un champ où se côtoient les politiques end-to-end (Pi-0 de Physical Intelligence, Helix de Figure, GR00T de NVIDIA) et les approches par génération de code ou de programmes. Aucun pilote industriel ni calendrier de commercialisation n'est annoncé. La suite logique sera une validation sur d'autres plateformes et par des tiers, ainsi qu'une mesure du coût réel en démonstrations et en essais physiques pour produire chaque compétence, métrique décisive pour juger de la viabilité économique de la méthode.
Dans nos dossiers




