Maison
Robot d'entraînement cérébral : la prochaine avancée de l'IA physique pilotée par les signaux du cerveau humain

Dans un entrepôt de San Leandro, en Californie, Encord, une entreprise spécialisée dans les outils de données, mène une expérience innovante : des « pilotes » portent des casques équipés de caméras et de capteurs EEG pendant qu’ils jouent à Jenga afin de capturer l’activité cérébrale. Le casque EEG de Zander Labs suit les ondes cérébrales en temps réel lors de tâches précises, déduisant des états mentaux tels que les erreurs ou la surprise, afin de constituer des ensembles d’entraînement plus riches pour les modèles robotiques.
Encord soutient que le principal obstacle aux robots humanoïdes et aux robots d’entrepôt n’est pas l’architecture des modèles, mais une pénurie sévère de données d’entraînement physiques réelles. Vineeth Velmurugan, responsable de l’apprentissage robotique chez Encord, note : « Ces données n’existent tout simplement pas », estimant que le volume requis est cinq fois supérieur à l’ensemble de la bibliothèque YouTube.
Le dilemme économique de l’intelligence artificielle physique : des opérations manuelles aux usines de données
À l’intérieur de l’entrepôt, les pilotes utilisent des dispositifs de bras robotisés « maître-esclave » — l’un contrôlé par un humain, l’autre imitant les mouvements — afin de générer des données d’entraînement pour des tâches telles que le versement de café et l’empilement de jetons de poker. Des étagères contiennent des fleurs artificielles, des livres, des légumes en plastique et des litières pour chats, servant d’accessoires pour l’entraînement des mains robotiques domestiques. À une autre station, la pilote Sofia Infante contrôle un bras robotique pour brancher et débrancher des câbles réseau de serveurs, une tâche d’automatisation très recherchée par les opérateurs de centres de données, mais actuellement limitée par la flexibilité des pinces robotiques.
Au-delà des signaux EEG, Encord développe de nouvelles modalités de données : l’attachement de réseaux de capteurs aux avant-bras pour détecter les signaux électriques musculaires, et la création de trajectoires manuelles en 3D pour combler les lacunes lorsque les doigts sont occultés dans les vidéos. Chaque ensemble de données inclut des annotations physiques d’action denses (par exemple, « la main droite serre un boulon »). Velmurugan estime que cette annotation de haute qualité est cent fois plus précieuse pour l’entraînement à des tâches spécifiques que les données ordinaires, avec des coûts de production seulement vingt fois plus élevés, ce qui la rend théoriquement rentable.
Article connexe
Comment AWS et NVIDIA soutiennent l'IA agentique et physique
Jensen Huang, PDG de NVIDIA (Crédit : Tomohiro Ohsumi/Getty Images)NVIDIA, dirigée par Jensen Huang, et AWS renforcent leur partenariat mondial en déployant 2 millions de GPU pour alimenter l’infrastr
SenseTime dévoile un modèle multimodal léger de 8 milliards de paramètres, doté d'une sortie 4K native et de capacités d'édition visuelle complètes
SenseTime a officiellement lancé SenseNova U1.5Lite, un nouveau modèle multimodal unifié, léger et natif. Avec ses 8 milliards de paramètres, ce modèle efficace surpasse les alternatives de taille sim
Les principaux débats sur l'IA qui définissent l'ordre du jour d'AI LIVE London
Ce sommet réunira des dirigeants de haut niveau venus du monde entier afin d’aborder les défis urgents auxquels sont confrontés les secteurs d’activité à l’échelle mondiale, allant des bouleversements
Recommandations de sujets spéciaux liés
commentaires (0)

Dans un entrepôt de San Leandro, en Californie, Encord, une entreprise spécialisée dans les outils de données, mène une expérience innovante : des « pilotes » portent des casques équipés de caméras et de capteurs EEG pendant qu’ils jouent à Jenga afin de capturer l’activité cérébrale. Le casque EEG de Zander Labs suit les ondes cérébrales en temps réel lors de tâches précises, déduisant des états mentaux tels que les erreurs ou la surprise, afin de constituer des ensembles d’entraînement plus riches pour les modèles robotiques.
Encord soutient que le principal obstacle aux robots humanoïdes et aux robots d’entrepôt n’est pas l’architecture des modèles, mais une pénurie sévère de données d’entraînement physiques réelles. Vineeth Velmurugan, responsable de l’apprentissage robotique chez Encord, note : « Ces données n’existent tout simplement pas », estimant que le volume requis est cinq fois supérieur à l’ensemble de la bibliothèque YouTube.
Le dilemme économique de l’intelligence artificielle physique : des opérations manuelles aux usines de données
À l’intérieur de l’entrepôt, les pilotes utilisent des dispositifs de bras robotisés « maître-esclave » — l’un contrôlé par un humain, l’autre imitant les mouvements — afin de générer des données d’entraînement pour des tâches telles que le versement de café et l’empilement de jetons de poker. Des étagères contiennent des fleurs artificielles, des livres, des légumes en plastique et des litières pour chats, servant d’accessoires pour l’entraînement des mains robotiques domestiques. À une autre station, la pilote Sofia Infante contrôle un bras robotique pour brancher et débrancher des câbles réseau de serveurs, une tâche d’automatisation très recherchée par les opérateurs de centres de données, mais actuellement limitée par la flexibilité des pinces robotiques.
Au-delà des signaux EEG, Encord développe de nouvelles modalités de données : l’attachement de réseaux de capteurs aux avant-bras pour détecter les signaux électriques musculaires, et la création de trajectoires manuelles en 3D pour combler les lacunes lorsque les doigts sont occultés dans les vidéos. Chaque ensemble de données inclut des annotations physiques d’action denses (par exemple, « la main droite serre un boulon »). Velmurugan estime que cette annotation de haute qualité est cent fois plus précieuse pour l’entraînement à des tâches spécifiques que les données ordinaires, avec des coûts de production seulement vingt fois plus élevés, ce qui la rend théoriquement rentable.
Comment AWS et NVIDIA soutiennent l'IA agentique et physique
Jensen Huang, PDG de NVIDIA (Crédit : Tomohiro Ohsumi/Getty Images)NVIDIA, dirigée par Jensen Huang, et AWS renforcent leur partenariat mondial en déployant 2 millions de GPU pour alimenter l’infrastr
SenseTime dévoile un modèle multimodal léger de 8 milliards de paramètres, doté d'une sortie 4K native et de capacités d'édition visuelle complètes
SenseTime a officiellement lancé SenseNova U1.5Lite, un nouveau modèle multimodal unifié, léger et natif. Avec ses 8 milliards de paramètres, ce modèle efficace surpasse les alternatives de taille sim
Les principaux débats sur l'IA qui définissent l'ordre du jour d'AI LIVE London
Ce sommet réunira des dirigeants de haut niveau venus du monde entier afin d’aborder les défis urgents auxquels sont confrontés les secteurs d’activité à l’échelle mondiale, allant des bouleversements











