Comment Rhoda AI exploite des données vidéo pour créer des modèles d'IA généralistes pour les robots
Compilé et résumé par IA · sources vérifiables en un clic · publié sans lecture humaine préalable · méthodologie
Rhoda AI, basée à Palo Alto (Californie), est sortie plus tôt cette année de 18 mois de mode furtif avec une série A de 450 millions de dollars. La startup travaille avec des clients de l'automobile, de l'industrie manufacturière, de la logistique et du e-commerce pour déployer son modèle « direct vidéo action » (DVA), récemment étendu par une version « mobile DVA » qui regroupe manipulation et mobilité dans une seule politique de contrôle. Le principe décrit par son cofondateur et CEO, Jagdeep Singh, tient en une boucle fermée : le modèle ingère un historique d'images vidéo, de tokens d'action et de tokens de langage, prédit en vidéo ce que la scène deviendra dans les 500 millisecondes environ à venir, puis un second module, le convertisseur d'actions, traduit cette vidéo prédite en commandes robot. Le robot exécute ce segment d'une demi-seconde, une nouvelle observation est faite, et le cycle recommence. Le modèle est préentraîné sur l'équivalent de « centaines d'années » de vidéos issues d'internet, pas seulement des scènes de manipulation humaine. Il reçoit ensuite 10 à 20 heures d'entraînement spécifique à la tâche, que Singh compare à la formation d'un nouvel opérateur sur une ligne d'assemblage.
L'enjeu est de contourner le principal goulot d'étranglement de l'IA physique : l'absence d'un jeu de données à l'échelle d'internet pour le monde physique, là où les LLM ont pu absorber la quasi-totalité du texte disponible. L'approche dominante, la téléopération pour collecter des démonstrations, a produit des démos de laboratoire (plier un T-shirt, préparer un café) rarement assez robustes pour passer en production. Singh va jusqu'à affirmer que le nombre de robots de manipulation autonomes résolvant de vrais problèmes aujourd'hui est « effectivement zéro », une formule volontairement provocatrice et invérifiable. Rhoda soutient aussi que les modèles vision-langage-action (VLA), l'architecture dominante, peinent face à la variabilité du réel. Sa thèse repose sur un résultat contre-intuitif : les modèles les plus performants seraient ceux entraînés sur les corpus les plus larges, y compris des vidéos sans rapport évident avec la manipulation (vagues, arbres dans le vent, sport), plutôt que sur des vidéos égocentriques soigneusement filtrées. Si cela se confirmait en production, cela déplacerait la valeur de la collecte coûteuse de données robotiques vers l'exploitation de vidéo existante, avec un coût d'adaptation par site de l'ordre de quelques heures plutôt que de semaines. Cette capacité de généralisation serait aussi censée s'étendre à différentes morphologies de robots, un point crucial pour les intégrateurs qui veulent éviter de se lier à un matériel unique.
Ces affirmations restent toutefois celles de l'entreprise : aucun chiffre de taux de réussite, de temps de cycle, de payload ou de volume de déploiement n'est publié, et les clients ne sont pas nommés. On reste donc à ce stade entre annonce technique et premiers déploiements non documentés, sans preuve publique d'exploitation à l'échelle. Rhoda arrive sur un terrain où la logique « modèle fondation pour la robotique » est déjà occupée par Physical Intelligence (Pi-0), Nvidia (GR00T), Figure (Helix) ou Google DeepMind, tous centrés sur des VLA, tandis que d'autres acteurs, dont les approches de « world models » vidéo, explorent des pistes proches de la prédiction visuelle. Le pari de Rhoda, qui consiste à faire de la prédiction vidéo le coeur de la politique de contrôle, sera validé ou non par les premiers déploiements clients dans l'automobile et la logistique, et par la capacité de l'entreprise à publier des métriques de fiabilité en conditions réelles, notamment sur la latence d'inférence que suppose une boucle de prédiction toutes les demi-secondes.
Dans nos dossiers




