Analyse de KinetIQ Ascend : 99,9 % à vitesse humaine

Un robot qui sort des bagues de roulement en acier d’un bac, ce n’est pas très glamour. C’est l’équivalent, dans un entrepôt, de laver la même fourchette pour toujours, sauf que la fourchette est glissante, réfléchissante et importante sur le plan financier. Selon RockingRobots, Humanoid a testé KinetIQ Ascend sur une tâche d’alimentation de machine, où un robot prenait des bagues de roulement en acier dans un bac et les déposait sur un convoyeur. C’est exactement le genre de tâche ennuyeuse auquel l’IA robotique doit survivre avant qu’on ne la laisse s’approcher du mot autonomie sans accompagnateur. La nouvelle affirmation de Humanoid dépasse largement un bac de beignets métalliques. L’entreprise affirme que KinetIQ Ascend est une approche d’apprentissage par renforcement destinée à pousser la manipulation robotique vers une fiabilité de 99,9 % à vitesse humaine et au-delà, selon The Robot Report. Traduction : le robot ne devrait pas seulement copier un humain ; il devrait s’entraîner, échouer, s’ajuster et finir par arrêter de traiter chaque position d’objet un peu bizarre comme une urgence philosophique.

L’affirmation, selon The Robot Report

The Robot Report indique que Humanoid, basée à Londres, a présenté KinetIQ Ascend comme une approche d’apprentissage par renforcement conçue pour atteindre une fiabilité de manipulation de 99,9 % à vitesse humaine et au-delà. Ce chiffre compte, car la manipulation industrielle ne pardonne rien : 98 % peut sembler adorable dans une démonstration, puis se transformer en canon à confettis d’arrêts de production quand l’action est répétée des milliers de fois. L’entreprise ne présente pas non plus cela comme un petit tour de laboratoire ; The Robot Report note que Humanoid construit des robots humanoïdes destinés à un usage industriel généraliste et a été fondée par Artem Sokolov en 2024. Jarad Cannon, directeur de la technologie de Humanoid, a formulé l’argument très directement dans The Robot Report : « La course aux humanoïdes devient une question d’échelle, et l’apprentissage par renforcement dans le monde réel peut être une partie essentielle de la réponse », et « Des robots qui nécessitaient autrefois des mois de réglages manuels surpassent désormais les démonstrations humaines en quelques jours. » C’est une phrase relevée, et c’est aussi le bon champ de bataille. Le réglage manuel, c’est l’endroit où les projets robotiques vont devenir des cornichons logiciels artisanaux.

La boucle d’entraînement, selon RockingRobots

RockingRobots rapporte que KinetIQ Ascend étend la plateforme KinetIQ de Humanoid en permettant aux robots d’affiner des comportements déjà appris grâce à un entraînement par essais et erreurs sur des tâches spécifiques. C’est le point technique clé : commencer avec quelque chose que le robot peut déjà tenter, puis laisser les retours de la tâche réelle façonner un meilleur comportement. C’est de l’apprentissage par renforcement dans l’endroit le plus désordonné, là où le frottement, l’éclairage, les tolérances et les bizarreries des objets conspirent comme un service du chaos syndiqué.

La liste des tâches est utile, car elle évite le piège habituel des démonstrations robotiques, où un robot effectue une seule fois un mouvement propre et où Internet déclare victoire avant même que la pince ait refroidi. RockingRobots indique que Humanoid a testé le système sur la prise de composants dans des bacs, la remise d’objets à des personnes et le déplacement de conteneurs à l’aide de deux bras. Ce ne sont pas des tours de magie exotiques, mais ce sont exactement le type de corvées de manipulation répétables qui décident si un robot mérite sa place au sol ou devient un porte-chapeaux très coûteux.

Pourquoi l’apprentissage par renforcement dans le monde réel est la partie

intéressante, selon The Robot Report La couverture de The Robot Report montre clairement que Humanoid présente l’apprentissage par renforcement dans le monde réel comme une réponse à grande échelle au goulot d’étranglement du réglage manuel. En robotique, ce goulot d’étranglement n’est pas seulement agaçant, il est structurel. Chaque nouveau support, bac, forme de pièce, condition d’éclairage ou passage de main avec un humain peut exiger un ajustement soigneux, et soudain votre robot généraliste a besoin du tableur de soutien émotionnel d’un projet d’automatisation sur mesure. L’angle IA, c’est que l’imitation seule vous donne un plafond : le système apprend à reproduire un comportement, mais pas forcément à découvrir des stratégies plus rapides ou plus fiables sous de vraies conséquences. L’argument de Humanoid, tel que résumé par The Robot Report et RockingRobots, est que les essais et erreurs sur des tâches de type production peuvent combler le dernier écart de fiabilité. Cela ne veut pas dire qu’on jette un humanoïde dans une usine pour le laisser apprendre comme un bambin sous caféine. Cela veut dire que le système d’apprentissage doit être encadré, mesurable et ennuyeusement sûr, car c’est là que vit la vraie ingénierie.

Ce qu’il faut surveiller ensuite, selon RockingRobots et The Robot Report

RockingRobots décrit KinetIQ Ascend comme étant destiné à réduire le réglage manuel et la collecte de données lors du développement de nouvelles capacités robotiques. The Robot Report ajoute l’ambition principale : une fiabilité de manipulation de 99,9 % à vitesse humaine et au-delà. La question utile, maintenant, n’est pas de savoir si la démonstration a l’air impressionnante, mais si la fiabilité tient sur des séries plus longues, des répartitions de pièces plus désordonnées et des changements de tâches qui n’ont pas été préparés avec amour pour le jour de tournage. Pour les concepteurs, la leçon est pratique : l’apprentissage par renforcement dans le monde réel devient un réglage sérieux dans la pile d’entraînement des robots, pas seulement un banc d’essai académique avec des lunettes de sécurité. Si Humanoid peut montrer des résultats répétables au-delà de tâches sélectionnées, KinetIQ Ascend devient un signal que les humanoïdes industriels pourraient être entraînés moins comme des automates codés à la main et davantage comme des systèmes qui s’améliorent grâce à une pratique structurée. D’ici là, gardez l’optimisme, demandez les courbes d’échec, et souvenez-vous que 99,9 % doit encore mériter chaque neuf.