Google DeepMind affirme que son nouveau modèle d'IA pour robots réussit 30 % à 100 % mieux que son prédécesseur et a noué un ruban, mais son propre pilote en usine laisse un écart d'échec de 4 %.

Google DeepMind a présenté mardi Gemini Robotics 2.5, qu'elle décrit comme son modèle vision-langage-action le plus performant à ce jour. L'entreprise dit l'avoir évalué sur plus de 200 tâches distinctes, dont servir des aliments avec des pinces, pipeter un liquide et nouer un ruban sur une boîte cadeau, et annonce un taux de réussite supérieur de 30 % à 100 % aux références précédentes selon la tâche, avec des tâches exécutées 20 % à 30 % plus vite. Le modèle fonctionne avec plusieurs types de robots, dont l'humanoïde Apollo 2 d'Apptronik et la plateforme Franka Duo. Il n'est pas disponible au grand public et est déployé auprès de partenaires en robotique, qu'Ars Technica cite comme Agile Robots, Apptronik et Boston Dynamics.

Pour tester le modèle hors du laboratoire, DeepMind s'est associée à Apptronik et Mercedes-Benz afin de faire travailler des humanoïdes Apollo 2 sur des lignes de production automobile en activité à Kecskemét, en Hongrie, et à Sindelfingen, en Allemagne. Dans ce que DeepMind qualifie de preuve de concept, les robots ont réalisé du kitting, c'est-à-dire trier des supports métalliques depuis des bacs en vrac vers des bacs de séquencement dans l'ordre requis pour chaque véhicule, avec un taux de réussite de 96 %. Ars Technica note que ce niveau reste probablement insuffisant pour un constructeur sur des tâches répétitives, et cite le directeur de DeepMind Kanishka Rao, selon qui combler les 4 % restants sera une route escarpée. Le modèle tourne en outre toujours sur des serveurs dans le cloud, de sorte que les gains de précision et de rapidité s'accompagnent d'une certaine latence.

DeepMind a aussi communiqué des résultats en matière de sécurité et un nouveau test. Selon l'entreprise, un guidage par raisonnement au moment de l'inférence permet au robot de contourner les dangers, améliorant l'achèvement sûr des tâches de 33 % près des obstacles et de 43 % près de personnes. L'entreprise publie ASIMOV-Jailbreak, un banc d'essai open source de requêtes qui déguisent des demandes dangereuses, dans l'espoir de donner au secteur une méthode commune pour tester l'IA physique. DeepMind ajoute que son modèle Gemini 4 Argon a accéléré le développement en générant des essais simulés et des jumeaux numériques à partir de scènes réelles filmées. Tous les chiffres de performance proviennent des évaluations de DeepMind elle-même, et aucun test indépendant n'a été rapporté.