Les robots manquent de données d’entraînement, alors une start-up enregistre des ondes cérébrales
Dans un entrepôt de San Leandro, Encord paie des personnes pour jouer au Jenga avec des casques qui suivent leurs yeux et leur activité cérébrale. Le pari : le goulet d’étranglement de l’IA robotique n’est pas la conception des modèles, mais des données qu’il faut fabriquer plutôt qu’aspirer.
Selon TechCrunch, la frontière de l’IA robotique ressemble actuellement à un homme jouant au Jenga dans un entrepôt. Andrew Ceja travaille comme pilote chez Encord, qui conçoit des outils de données pour l’entraînement de l’IA. Il retire des blocs d’une tour chancelante en portant un casque. Une caméra suit ce qu’il voit, désormais une méthode standard de collecte des données robotiques. L’élément inhabituel est le second ensemble de capteurs, qui mesure ses ondes cérébrales pendant l’exercice.
Le casque vient de Zander Labs, une start-up allemande de neurosciences. Son pari est que lire l’activité cérébrale pour déduire des états mentaux, notamment l’erreur, l’intention et la surprise, produit un jeu de données plus riche que la vidéo seule. Lucas Gehrke, neuroscientifique chez Zander, explique que l’activité mobilisée à chaque instant indique où un robot aura besoin de son modèle le plus exigeant et où un modèle bon marché suffira. Encord reconnaît qu’il s’agit d’un essai : créer des données étiquetées par ondes cérébrales, les soumettre aux modèles robotiques des clients, vérifier l’amélioration, puis décider de l’échelle. Ailleurs dans le bâtiment, des pilotes utilisent deux bras couplés, l’un contrôlé par l’humain et l’autre l’imitant, pour produire des données sur le café versé et les jetons de poker empilés. Des rayonnages contiennent légumes en plastique, bacs à litière et câbles, le désordre quotidien qu’un robot domestique devra manipuler.
Tout cela existe à cause d’un mur auquel la robotique se heurte sans cesse. Les modèles de langage ont été construits en aspirant gratuitement le texte d’Internet. Il n’existe aucun équivalent pour le monde physique. Vineeth Velmurugan, responsable de l’apprentissage robotique chez Encord, estime qu’une percée demanderait un jeu de données environ cinq fois plus vaste que l’ensemble du catalogue vidéo de YouTube, et que la vidéo seule manque de fidélité. Il faut donc fabriquer les données. Une annotation dense, avec des descriptions comme « la main droite serre le boulon », vaut environ cent fois plus qu’une vidéo brute à la première personne pour une tâche précise, mais coûte environ vingt fois plus à produire. Sur le papier, l’échange est bon. En pratique, vingt fois plus représente de l’argent réel, et cette économie limite honnêtement la comparaison entre robots et chatbots.
Ce que cela signifie pour vous : Pour la plupart des gens, rien aujourd’hui, et ce n’est pas grave. Cela explique pourquoi les robots domestiques capables restent toujours à quelques années de distance alors que les chatbots ont progressé si vite. Les problèmes diffèrent : l’un disposait de données gratuites, l’autre doit payer chaque heure. Si vous suivez le secteur, observez moins la prochaine démonstration humanoïde que la capacité d’entreprises comme Encord à réduire le coût des données physiques. Si les nouveaux métiers de l’IA vous intéressent, notez que Ceja et sa collègue Sofia Infante viennent tous deux de Scale, une autre société d’annotation. Enseigner aux robots en effectuant soigneusement des gestes avec des capteurs est désormais un métier.
Sources
Sources: https://techcrunch.com/2026/07/26/are-brain-waves-the-next-unlock-for-physical-ai/
METR propose une nouvelle façon de demander si un agent d’IA coûte vraiment moins cher qu’un humain
Le laboratoire d’évaluation propose l’horizon de dépense : le budget à partir duquel un humain devient plus rentable qu’un agent d’IA sur la même tâche d’optimisation. Lors d’un premier test, le croisement se situait entre zéro et 3 000 dollars.
