Maison
Le paradigme de l’apprentissage humain fait ses débuts : PhysBrain 1.0, basé sur une intelligence artificielle profonde, confère aux robots un sens commun physique.

Un « apprenant profond » maîtrisant le monde physique fait désormais des progrès remarquables dans le domaine de l’intelligence incarnée.
Le 27 mars, lors du Forum de Zhongguancun, la première entreprise spécialisée dans l’intelligence incarnée — DeepMind Intelligence — incubée conjointement par le Collège de Zhongguancun à Pékin et l’Institut de recherche en intelligence artificielle de Zhongguancun — a lancé officiellement le premier modèle de base d’intelligence générale incarnée au monde, conçu selon le paradigme d’apprentissage humain : PhysBrain 1.0. Cette sortie marque un tournant dans l’intelligence incarnée, en passant de l’« imitation des actions » à la « déconstruction des principes ».
Progrès technologique : Intégration du sens commun physique dans les paramètres
Contrairement aux méthodes traditionnelles telles que le clonage comportemental ou l’apprentissage par renforcement, PhysBrain 1.0 utilise une architecture de modèle large multimodal innovante, dont l’avantage principal est :
Consistance spatio-temporelle : Le modèle comprend la causalité ainsi que l’évolution spatio-temporelle dans le monde physique de manière similaire à celle des humains, ce qui assure une cohérence logique lors de l’exécution des tâches par les robots.
Internalisation du sens commun physique : En intégrant d’importantes lois physiques dans ses paramètres, le modèle va au-delà de la simple exécution d’instructions mécaniques pour acquérir la capacité de prédire les changements environnementaux.
Singularité de généralisation : Possibilité d’une large application avec peu de données
La pénurie de données a toujours constitué un « obstacle » pour les applications liées à l’intelligence incarnée. Le modèle de base mis en ligne par DeepMind Intelligence montre désormais des capacités de généralisation très fortes :
Dépassement de la dépendance aux données : En s’appuyant sur une compréhension fondamentale du sens commun physique, PhysBrain 1.0 peut s’adapter rapidement à des situations inconnues en utilisant uniquement des données expérimentales très limitées.
Généralisation véritable : Le modèle comprend réellement le « pourquoi » derrière les actions, et non seulement le « comment », ce qui améliore considérablement la stabilité opérationnelle des robots dans des environnements complexes et dynamiques.
Née d’un contexte prestigieux : Un référentiel pour l’intelligence incarnée dans l’écosystème de Zhongguancun
En tant que « étoile montante » soutenue par le Collège de Zhongguancun à Pékin et l’Institut de recherche en intelligence artificielle de Zhongguancun, DeepMind Intelligence a attiré une attention considérable.
Intégration de la production et de la recherche : Profitant des solides bases de R&D en intelligence artificielle présentes à Zhongguancun, l’entreprise s’est concentrée dès le début sur l’intelligence incarnée, l’une des formes ultimes du développement de l’intelligence artificielle.
Importance pour l’industrie : La sortie de PhysBrain 1.0 offre une base « cérébrale » pour les robots intelligents incarnés développés localement, fondée sur une logique physique sous-jacente.
Conclusion : L’ère de la physique, de la « perception » à la « cognition »
Lorsque le sens commun physique devient une capacité standard des grands modèles, l’intelligence incarnée atteint une véritable « sagesse ». La percée réalisée par DeepMind Intelligence est non seulement un hommage au paradigme d’apprentissage humain, mais aussi une étape décisive vers l’intégration de l’intelligence artificielle dans le monde physique. Grâce à PhysBrain 1.0, nous sommes un pas plus près d’un avenir où les robots polyvalents « comprennent la physique et peuvent travailler ».
Article connexe
PDG de DeepMind, Hassabis : Je dors six heures par jour et je me sens généralement plein d’énergie vers 1 h du matin.
Fortune a récemment publié une interview avec Demis Hassabis, PDG de Google DeepMind, révélant son approche non conventionnelle du repos et de la productivité. Hassabis a divulgué qu’il dort très peu, structurant ses heures d’éveil en deux blocs de t
OpenAI et Anthropic se disputent des parts de marché malgré des résultats en deçà des attentes
Bien que des informations récentes laissent entendre qu’OpenAI n’aurait pas atteint ses objectifs de chiffre d’affaires, ce qui a pesé sur les valeurs technologiques ce mardi, les investisseurs privés
Conformité des véhicules autonomes en Californie : une nouvelle ère marquée par les amendes, les zones de géolocalisation et 1 million de miles
Guident exploite une navette AuveTech dans le sud de la Floride, gérant un parcours de quatre miles à West Palm Beach et un parcours d’un mile à Boca Raton grâce à sa technologie de surveillance à dis
Recommandations de sujets spéciaux liés
commentaires (1)
I was totally blown away by PhysBrain 1.0! It’s like giving robots actual human-like common sense instead of just programmed tasks, which could revolutionize how we design assistive robots for daily life. I wonder if this tech will soon make self-driving cars more adaptable to unexpected road situations too?

Un « apprenant profond » maîtrisant le monde physique fait désormais des progrès remarquables dans le domaine de l’intelligence incarnée.
Le 27 mars, lors du Forum de Zhongguancun, la première entreprise spécialisée dans l’intelligence incarnée — DeepMind Intelligence — incubée conjointement par le Collège de Zhongguancun à Pékin et l’Institut de recherche en intelligence artificielle de Zhongguancun — a lancé officiellement le premier modèle de base d’intelligence générale incarnée au monde, conçu selon le paradigme d’apprentissage humain : PhysBrain 1.0. Cette sortie marque un tournant dans l’intelligence incarnée, en passant de l’« imitation des actions » à la « déconstruction des principes ».
Progrès technologique : Intégration du sens commun physique dans les paramètres
Contrairement aux méthodes traditionnelles telles que le clonage comportemental ou l’apprentissage par renforcement, PhysBrain 1.0 utilise une architecture de modèle large multimodal innovante, dont l’avantage principal est :
Consistance spatio-temporelle : Le modèle comprend la causalité ainsi que l’évolution spatio-temporelle dans le monde physique de manière similaire à celle des humains, ce qui assure une cohérence logique lors de l’exécution des tâches par les robots.
Internalisation du sens commun physique : En intégrant d’importantes lois physiques dans ses paramètres, le modèle va au-delà de la simple exécution d’instructions mécaniques pour acquérir la capacité de prédire les changements environnementaux.
Singularité de généralisation : Possibilité d’une large application avec peu de données
La pénurie de données a toujours constitué un « obstacle » pour les applications liées à l’intelligence incarnée. Le modèle de base mis en ligne par DeepMind Intelligence montre désormais des capacités de généralisation très fortes :
Dépassement de la dépendance aux données : En s’appuyant sur une compréhension fondamentale du sens commun physique, PhysBrain 1.0 peut s’adapter rapidement à des situations inconnues en utilisant uniquement des données expérimentales très limitées.
Généralisation véritable : Le modèle comprend réellement le « pourquoi » derrière les actions, et non seulement le « comment », ce qui améliore considérablement la stabilité opérationnelle des robots dans des environnements complexes et dynamiques.
Née d’un contexte prestigieux : Un référentiel pour l’intelligence incarnée dans l’écosystème de Zhongguancun
En tant que « étoile montante » soutenue par le Collège de Zhongguancun à Pékin et l’Institut de recherche en intelligence artificielle de Zhongguancun, DeepMind Intelligence a attiré une attention considérable.
Intégration de la production et de la recherche : Profitant des solides bases de R&D en intelligence artificielle présentes à Zhongguancun, l’entreprise s’est concentrée dès le début sur l’intelligence incarnée, l’une des formes ultimes du développement de l’intelligence artificielle.
Importance pour l’industrie : La sortie de PhysBrain 1.0 offre une base « cérébrale » pour les robots intelligents incarnés développés localement, fondée sur une logique physique sous-jacente.
Conclusion : L’ère de la physique, de la « perception » à la « cognition »
Lorsque le sens commun physique devient une capacité standard des grands modèles, l’intelligence incarnée atteint une véritable « sagesse ». La percée réalisée par DeepMind Intelligence est non seulement un hommage au paradigme d’apprentissage humain, mais aussi une étape décisive vers l’intégration de l’intelligence artificielle dans le monde physique. Grâce à PhysBrain 1.0, nous sommes un pas plus près d’un avenir où les robots polyvalents « comprennent la physique et peuvent travailler ».
PDG de DeepMind, Hassabis : Je dors six heures par jour et je me sens généralement plein d’énergie vers 1 h du matin.
Fortune a récemment publié une interview avec Demis Hassabis, PDG de Google DeepMind, révélant son approche non conventionnelle du repos et de la productivité. Hassabis a divulgué qu’il dort très peu, structurant ses heures d’éveil en deux blocs de t
OpenAI et Anthropic se disputent des parts de marché malgré des résultats en deçà des attentes
Bien que des informations récentes laissent entendre qu’OpenAI n’aurait pas atteint ses objectifs de chiffre d’affaires, ce qui a pesé sur les valeurs technologiques ce mardi, les investisseurs privés
I was totally blown away by PhysBrain 1.0! It’s like giving robots actual human-like common sense instead of just programmed tasks, which could revolutionize how we design assistive robots for daily life. I wonder if this tech will soon make self-driving cars more adaptable to unexpected road situations too?











