Une start-up spécialisée dans la simulation vise à devenir la référence en matière d'IA physique

L'objectif de l'IA physique est de permettre aux ingénieurs de programmer des agents physiques aussi facilement que leurs homologues numériques.

Nous n'en sommes pas encore là. La robotique reste limitée par un manque criant de données issues du monde physique. Pour former leurs machines, les entreprises doivent construire des entrepôts factices à des fins de test, tandis qu'un secteur entier s'est développé pour surveiller les chaînes de production et les travailleurs indépendants, collectant des données afin de former des modèles d'apprentissage profond destinés aux opérations robotiques.

La simulation offre une autre voie. Des répliques virtuelles détaillées d'environnements réels pourraient fournir les données évolutives et les terrains d'essai dont les roboticiens ont besoin.

Antioch, une start-up développant des outils de simulation pour les développeurs de robots, vise à combler le « fossé entre la simulation et la réalité » du secteur — le défi consistant à créer des environnements virtuels si réalistes que les robots formés dans ces environnements puissent fonctionner de manière fiable dans le monde physique.

« Comment pouvons-nous réduire au maximum ce fossé, en rendant la simulation indiscernable de la réalité du point de vue de votre système autonome ? », a déclaré Harry Mellsop, PDG et cofondateur d’Antioch.

Pour atteindre cet objectif, la société a annoncé une levée de fonds d'amorçage de 8,5 millions de dollars, la valorisant à 60 millions de dollars. Ce tour de table a été mené par les sociétés de capital-risque A* et Category Ventures, avec la participation de MaC Venture Capital, Abstract, Box Group et Icehouse Ventures.

M. Mellsop a fondé cette entreprise new-yorkaise avec quatre cofondateurs en mai de l’année dernière. Deux d’entre eux, Alex Langshur et Michael Calvey, avaient auparavant cofondé avec lui la start-up de sécurité et de renseignement Transpose, qui a ensuite été rachetée par Chainalysis. Les deux autres fondateurs, Collin Schlager et Colton Swingle, ont respectivement travaillé chez Google DeepMind et Meta Reality Labs.

La demande en simulation avancée est au cœur des activités de nombreuses grandes entreprises du secteur de l'autonomie. Dans le domaine de la conduite autonome, par exemple, Waymo utilise les modèles du monde de Google DeepMind pour tester et évaluer ses algorithmes de conduite. Cette approche pourrait théoriquement réduire la collecte massive de données nécessaire au déploiement de véhicules dans de nouvelles zones, ce qui représente un coût important dans la mise à l'échelle de la technologie.

La création et l'utilisation de ces modèles pour tester des robots requièrent des compétences différentes de celles nécessaires au développement d'une voiture autonome. Antioch vise à créer une plateforme qui résolve ce problème pour les jeunes entreprises ne disposant pas des capitaux nécessaires pour tout développer en interne. Ces petits acteurs n'ont pas non plus les moyens de construire des installations d'essai physiques ou de parcourir des millions de kilomètres avec des véhicules équipés de capteurs.

« La grande majorité du secteur n'utilise pas du tout la simulation, et il apparaît de plus en plus clairement que nous devons accélérer les progrès », a déclaré M. Mellsop.

Les dirigeants d’Antioch comparent leur produit à Cursor, l’outil de développement logiciel populaire basé sur l’IA. Leur plateforme permet aux constructeurs de robots de lancer plusieurs instances numériques de leur matériel, connectées à des capteurs simulés qui reproduisent des flux de données du monde réel. Ces environnements permettent aux développeurs de tester des cas limites, de mener un apprentissage par renforcement et de générer de nouvelles données d’entraînement.

Cela dépend toutefois de la capacité de la simulation à atteindre une haute fidélité. Le principal défi consiste à s’assurer que la physique virtuelle correspond à la réalité afin que les modèles contrôlant les machines réelles fonctionnent sans faille. Antioch s’appuie sur des modèles de Nvidia, World Labs et d’autres, créant des bibliothèques spécifiques à chaque domaine pour faciliter l’utilisation. En collaborant avec de nombreux clients, l’entreprise acquiert une richesse de contextes pour affiner ses simulations qu’une seule entreprise d’IA physique ne pourrait atteindre seule.

« Ce que nous avons observé avec l’ingénierie logicielle et les LLM commence aujourd’hui à se produire dans l’IA physique », a déclaré Çağla Kaymaz, associée chez Category Ventures, à TechCrunch. « Nous nous concentrons fortement sur les outils de développement et adorons ce secteur, mais les défis sont différents. Avec les logiciels, des outils de codage de qualité médiocre posent des risques largement confinés au domaine numérique. Dans le monde physique, les enjeux sont bien plus importants. »

Antioch se concentre actuellement principalement sur les systèmes de capteurs et de perception, qui constituent un besoin majeur pour les véhicules automatisés, les machines agricoles et de construction, ainsi que les drones aériens. L’ambition plus large de robots polyvalents reproduisant les tâches humaines reste plus lointaine. Bien que ciblant les start-ups, certains des premiers clients d’Antioch sont de grandes multinationales ayant déjà investi massivement dans la robotique.

Adrian Macneil possède une expertise approfondie dans ce domaine. En tant que cadre chez Cruise, une start-up spécialisée dans la conduite autonome, il a mis en place l’infrastructure de données de l’entreprise avant de fonder Foxglove en 2021, qui fournit des outils de pipeline de données similaires aux start-ups spécialisées dans l’IA physique. M. Macneil est également un investisseur providentiel chez Antioch.

« La simulation est cruciale pour établir des dossiers de sécurité ou gérer des tâches de haute précision », a-t-il déclaré lors de la conférence Ride.AI à San Francisco. « Il n’est tout simplement pas possible de parcourir suffisamment de kilomètres en conditions réelles. »

Macneil espère voir émerger des outils fondamentaux pour l’IA physique, similaires à des plateformes comme GitHub, Stripe et Twilio qui ont alimenté la révolution du SaaS. « Nous avons besoin que l’ensemble de la chaîne d’outils soit beaucoup plus largement disponible en standard », a-t-il ajouté.

« Nous sommes sincèrement convaincus que d’ici deux à trois ans, toute personne développant un système autonome dans le monde réel le fera principalement à l’aide de logiciels », a déclaré M. Mellsop. « Pour la première fois, les agents autonomes peuvent itérer sur un système physique et véritablement boucler la boucle de rétroaction. »

Des expériences sont déjà en cours. David Mayo, chercheur au Laboratoire d’informatique et d’intelligence artificielle du MIT, utilise la plateforme d’Antioch pour évaluer les LLM. Lors d’un test, des modèles d’IA conçoivent des robots, qui sont ensuite évalués dans le simulateur d’Antioch. Les modèles peuvent même s’affronter dans des concours simulés, comme pousser un robot rival hors d’une plate-forme. Fournir aux LLM un bac à sable réaliste pourrait établir un nouveau paradigme pour évaluer leurs capacités.

Avant qu’un monde d’ingénieurs en IA ne voie le jour, un travail considérable reste à accomplir pour combler le fossé entre les modèles numériques et la réalité. En cas de succès, les développeurs pourraient créer un puissant « flywheel » de données. Macneil estime que ce flywheel est la clé du succès de leaders comme Waymo, où les ingénieurs sont de plus en plus convaincus que chaque nouvelle itération du modèle surpassera la précédente.

Pour les autres entreprises qui souhaitent reproduire ce succès, le choix sera de développer ces outils elles-mêmes ou de les acheter.