Xiaomi-Robotics-1 montre que plus de données valent mieux que des modèles plus grands pour entraîner des robots à se déplacer
Xiaomi a entraîné son modèle Xiaomi-Robotics-1 en s'appuyant sur plus de 100 000 heures de données de mouvement, collectées non pas via des robots mais grâce à des humains munis de préhenseurs portatifs équipés de caméras. Cette méthode permet de capturer des gestes naturels et variés à moindre coût, sans mobiliser de flottes de robots physiques pour l'entraînement. Le constat central de l'étude est clair : augmenter le volume de données a bien plus amélioré les performances du modèle que d'agrandir sa taille. Les chercheurs de Xiaomi notent également que les gains de performance n'ont pas encore atteint de plateau, ce qui suggère qu'il existe encore une marge de progression significative en continuant simplement à collecter davantage de données.
Résumé et traduction réalisés par Le Fil IA à partir de The Decoder. Lire l'article original →
Ce résultat a une portée importante pour l'industrie de la robotique, où le débat entre "scaling" des modèles et scaling des données reste vif, à l'image des discussions similaires dans le monde des grands modèles de langage. Si la donnée prime sur la taille du modèle, cela change la stratégie d'investissement des entreprises du secteur : plutôt que de construire des architectures toujours plus massives et coûteuses en calcul, il devient plus rentable de financer des campagnes de collecte de données à grande échelle. Toutefois, l'article souligne une limite de taille : les taux de réussite absolus des tâches restent faibles, ce qui rappelle que la robotique généraliste est encore loin d'une maturité comparable à celle du traitement du langage.
Cette approche s'inscrit dans une tendance plus large de l'industrie à chercher des méthodes de collecte de données moins coûteuses que le télé-opération classique de robots, qui nécessite du matériel spécialisé et des opérateurs formés. En utilisant des préhenseurs portables, Xiaomi rejoint d'autres acteurs explorant des pipelines de données "human-first" pour l'apprentissage robotique. La question qui reste ouverte est de savoir jusqu'où cette courbe de progression liée aux données peut se poursuivre avant de rencontrer d'autres obstacles, comme la diversité des environnements réels ou la fiabilité physique des robots déployés hors laboratoire.
Pas d'impact direct sur la France/UE