OpenAI répartit son équipe robotique entre la recherche et les produits
OpenAI a intégré ses équipes de robotique dans deux organisations plus larges. L’entreprise cite des expériences avec des modèles généralistes.
OpenAI a réorganisé ses activités de robotique autour de deux divisions. L’entreprise l’a confirmé dans l’enquête de Wen Shao pour Fortune, publiée le 13 novembre. Les chercheurs rejoignent son équipe principale de recherche. La robotique appliquée et le matériel passent dans l’organisation Applied. Le changement porte donc sur le rattachement des équipes et sur la manière dont OpenAI compte poursuivre ces travaux.
La recherche et la mise en œuvre suivent deux voies
Selon la répartition communiquée à Fortune, les chercheurs rejoignent l’organisation dirigée par le responsable de la recherche. Applied accueille les équipes qui s’occupent du matériel et de la robotique appliquée. Ces activités étaient auparavant regroupées dans une équipe spécialisée. L’entreprise ne précise pas dans cette déclaration la date exacte du changement interne.
OpenAI explique à Fortune qu’il souhaite s’appuyer davantage sur ses modèles généralistes. Ces modèles traitent déjà plusieurs types d’informations et peuvent suivre une consigne à partir d’images. Pour un travail de robotique, cette capacité peut aider à interpréter une scène ou à décider quelle étape vient ensuite. Elle doit ensuite être reliée à un système qui détermine ce que la machine peut faire.
Une étude permet de comprendre le pari
Dans l’étude Astranomy de NVIDIA, des chercheurs de NVIDIA ont simulé des tâches de manipulation avec GPT-6 Astra. Ils ont comparé différentes façons de faire intervenir le même modèle. Dans leur configuration où Astra joue le rôle d’agent avec un contexte persistant, le taux de réussite atteint 74,8 % sur RoboLab-120. Dans la configuration où Astra produit directement les actions, l’étude indique 66,3 %. Le résultat change donc selon les outils et le cadre qui entourent le modèle.
Ce travail donne un exemple précis qu’on peut examiner en dehors de la déclaration d’OpenAI. Les pourcentages cités concernent des tâches en simulation. Ils ne mesurent pas la fiabilité d’un robot en atelier. Les auteurs examinent aussi le coût en tokens et la latence. Une tâche peut être réussie dans un simulateur sans répondre aux contraintes de vitesse d’une machine en service.
La place des modèles spécialisés
La stratégie décrite par OpenAI diffère de celle de Runway dans notre article sur la mise à disposition de Praxis-1. Praxis-1 associe l’apprentissage sur vidéo à la prédiction d’actions et peut être adapté à une configuration de robot. Les systèmes généralistes explorés par NVIDIA partent d’un autre principe. Ils s’appuient sur les capacités du modèle à comprendre une scène et à interpréter des instructions dans un cadre qui lui donne accès à la machine.
Ces deux approches peuvent répondre à des besoins différents. Choisir une séquence d’actions et répéter un mouvement au bon rythme ne posent pas les mêmes contraintes. Les capteurs et les limites de l’équipement restent déterminants pour vérifier que le résultat convient à la tâche.
La confirmation obtenue par Fortune établit une décision d’organisation. Elle ne s’accompagne ni de la présentation d’un robot prêt à être déployé ni de mesures de performance propres au nouveau fonctionnement des équipes. Les prochaines preuves à suivre viendront des essais publiés et des conditions dans lesquelles des machines réelles peuvent les reproduire.