Actualités IA — page 109

7 607 articles au fil, du plus récent au plus ancien.

42

2161Robotics Business Review 

Built Robotics et Penn xLAB s'associent pour développer une IA physique dédiée à la construction

Built Robotics, spécialiste américain de l'automatisation des engins de chantier fondé en 2016, s'associe au Safe Autonomous Systems Lab (xLAB) de l'Université de Pennsylvanie pour développer des modèles d'IA physiques adaptés aux environnements de construction. Le partenariat repose sur le déploiement de petits robots mobiles équipés de suites de capteurs, chargés de collecter des données sur des chantiers actifs : postures corporelles atypiques, occultations, conditions d'éclairage dégradées, comportements humains imprévus. Ces cas limites viennent enrichir un jeu de données déjà conséquent : Built revendique plus de 50 000 heures d'opérations terrain, l'installation de plus de 3 gigawatts de panneaux solaires et une présence sur plus de 40 sites. Depuis son entrée sur le marché du solaire à grande échelle en 2023 avec le RPD 35 (Robotic Pile Driver, son robot de battage de pieux autonome), la société a accumulé des volumes de données opérationnelles dans certains des environnements industriels les plus contraignants du secteur. L'objectif déclaré est de construire un "world foundation model" pour la coexistence sûre entre machines autonomes et opérateurs humains sur site. L'enjeu est structurant pour l'industrie de la construction, l'un des secteurs les plus accidentogènes au monde et l'un des derniers à amorcer sa transition vers l'autonomie robotique à grande échelle. Le partenariat cible explicitement le "sim-to-real gap" : l'écart entre la performance validée en environnement contrôlé et la robustesse réelle sur chantier, avec des centaines d'ouvriers sur des sites pouvant s'étendre sur plusieurs milliers d'acres. Le modèle edge AI de détection de personnes développé en interne par Built sera affiné à partir de ces données d'edge cases, avec l'ambition d'atteindre une perception dite "surhumaine", capable de détecter des dangers transitoires qu'un opérateur humain pourrait manquer. Pour les intégrateurs et les décideurs industriels, ce travail représente un pas vers une certifiabilité effective des systèmes autonomes outdoor, domaine où les standards de sécurité restent embryonnaires. Built est par ailleurs membre de l'Association of Equipment Manufacturers (AEM) et siège au Futures Council de l'organisation, dont Erol Ahmed, VP communications de Built, assure la présidence. Built Robotics a été fondé par Noah Ready-Campbell, diplômé de Penn, ce qui explique en partie la fluidité du rapprochement avec xLAB, dirigé par Rahul Mangharam, professeur en ingénierie électrique et des systèmes. Sur le plan concurrentiel, le segment des robots de construction autonomes voit émerger plusieurs acteurs : Caterpillar et Komatsu investissent dans l'autonomie de leurs engins lourds, tandis que des startups comme Dusty Robotics (traçage au sol) ou Trimble (géolocalisation de chantier) avancent sur des niches complémentaires. En Europe, des initiatives restent plus discrètes sur ce front spécifique. La phase initiale du pilote de recherche porte sur le déploiement du modèle edge AI de Built sur des chantiers actifs avec cartographie haute fidélité, avant une montée en puissance vers un modèle de fondation plus généraliste dont les contours et la timeline publique n'ont pas encore été précisés.

Robotique❧Opinion

1 source

59

2162Next INpact 

IA dans l’administration publique : la France lance les grandes manœuvres

Le Premier ministre Sébastien Lecornu a annoncé ce mardi 16 juin, à la veille de l'ouverture de VivaTech à Paris, un plan ambitieux pour généraliser l'intelligence artificielle dans l'ensemble des administrations françaises. Au total, six mesures concrètes ont été présentées : le déploiement d'un agent conversationnel souverain commun pour tous les agents publics, l'ouverture des technologies d'IA militaires aux ministères de la Justice et de l'Intérieur via le portail GenIAI, un assistant santé intégré à Ameli avant la fin de l'année, une plateforme unique d'accès aux données publiques, et 665 millions d'euros supplémentaires injectés dans le cadre de France 2030. L'annonce la plus fracassante reste le remplacement de l'américain Palantir par la société française ChapsVision pour la DGSI, service de renseignement intérieur, avec une migration prévue d'ici un à trois ans. Ces annonces marquent un changement de posture assumé de l'État français, qui passe selon ses propres mots du temps des expérimentations à celui de la généralisation. Pour les 5,7 millions d'agents publics, cela signifie un accès imminent à des outils d'IA dans leur quotidien professionnel. Pour les citoyens, l'intégration d'un assistant dans Ameli pourrait transformer l'accès aux soins en orientant plus rapidement vers les bons interlocuteurs. L'enjeu de souveraineté est central : en écartant Palantir, dont le contrat avait pourtant été renouvelé en décembre 2025 jusqu'en 2028, l'État envoie un signal fort sur sa volonté de réduire la dépendance aux technologies américaines pour ses fonctions les plus sensibles. La décision sur Palantir illustre cependant la complexité du dossier. Le contrat avait été reconduit il y a seulement six mois, officiellement pour éviter un "trou capacitaire" pendant le temps de sélection de ChapsVision. Palantir, contacté par BFMTV, confirme de son côté que le contrat "demeure pleinement en vigueur". Cette séquence s'inscrit dans une dynamique européenne plus large de reprise en main technologique, portée notamment par l'initiative IA Act et la montée en puissance de champions locaux. Avec 665 millions supplémentaires, la France cherche à peser sur les infrastructures, la recherche et les entreprises du secteur, dans un contexte de concurrence intense avec les États-Unis et la Chine. La généralisation annoncée sera toutefois mise à l'épreuve des contraintes budgétaires et des délais de déploiement inhérents à des administrations aussi complexes que la Justice ou l'Intérieur.

Régulation⚖Reglementation

1 source

46

2163Le Big Data 

Nvidia mobilise 20 milliards de dollars de dette pour renforcer son offensive dans l’IA

Nvidia s'apprête à réaliser sa plus importante émission obligataire depuis 2021 en levant au moins 20 milliards de dollars sur les marchés de dette, avec un plafond potentiel de 25 milliards. L'opération, révélée dans un document déposé auprès de la SEC le 15 juin 2026, portera sur des obligations investment grade réparties sur sept maturités allant de 2 à 30 ans. Selon un porte-parole du groupe, les fonds serviront à des usages généraux, notamment au remboursement et au refinancement des quelque 8,5 milliards de dollars de dette existante, dont 7,5 milliards à long terme et 1 milliard à court terme. Le retour de Nvidia sur le marché obligataire intervient dans un contexte radicalement différent de 2021 : son chiffre d'affaires annuel est passé de 27 milliards à 216 milliards de dollars en quatre ans, porté par la demande explosive en GPU pour l'IA générative. Ce recours à la dette peut sembler paradoxal pour une entreprise qui a généré 49 milliards de dollars de free cash-flow lors du dernier trimestre, contre 35 milliards un an auparavant. Mais la logique est claire : profiter de conditions de financement attractives pour préserver la flexibilité financière du groupe tout en poursuivant des investissements massifs. Nvidia mène en parallèle une politique agressive de retour aux actionnaires, avec un programme de rachat d'actions de 80 milliards de dollars annoncé en mai et un dividende relevé, en visant à redistribuer environ la moitié de son flux de trésorerie disponible. La dette devient ainsi un levier d'optimisation du capital plutôt qu'un signal de fragilité, les marchés l'ont compris, l'action progressant de 3,5 % après l'annonce, affichant une hausse d'environ 14 % depuis le début de l'année. Depuis le lancement de ChatGPT fin 2022, la course à l'infrastructure IA s'est transformée en compétition industrielle à grande échelle. Les hyperscalers, Microsoft, Google, Amazon, Meta, se disputent les GPU de Nvidia pour entraîner et déployer leurs modèles avancés, créant une pression durable sur les capacités de production. D'autres géants technologiques multiplient également les levées de capitaux pour financer centres de données, composants et capacités énergétiques. Nvidia, en position de quasi-monopole sur les accélérateurs GPU pour l'IA, se retrouve au centre de cette dynamique et doit lui-même anticiper des investissements colossaux pour maintenir son avance technologique face à des concurrents comme AMD ou aux efforts d'internalisation des grandes plateformes. Avec cette émission de 20 milliards de dollars, le groupe ne cherche pas seulement à optimiser son bilan, il construit les fondations financières d'une domination qu'il entend prolonger sur la prochaine décennie de l'intelligence artificielle.

Business❧Opinion

1 source

57

2164AI News 

L'UE publie son guide d'étiquetage des contenus IA avant la date limite de l'AI Act en août

La Commission européenne a publié le 10 juin 2026 un Code de bonnes pratiques sur l'étiquetage des contenus générés par l'IA, un document volontaire destiné à aider les entreprises à se conformer aux obligations de transparence qui entrent en vigueur le 2 août 2026 dans toute l'Union européenne. Ce Code s'inscrit dans le cadre de l'Article 50 de l'AI Act et fixe deux exigences concrètes : les deepfakes ainsi que les textes produits ou manipulés par l'IA sur des sujets d'intérêt public devront porter une mention visible, et tout utilisateur interagissant avec un système conversationnel automatisé, comme un chatbot de service client, devra être informé qu'il dialogue avec une machine. Le Code a été élaboré par six experts indépendants avec la contribution de plus de 180 parties prenantes, et il est désormais ouvert aux signatures. Ces règles s'appliquent qu'une entreprise signe ou non le Code, dont l'adhésion offre simplement une voie reconnue pour démontrer sa conformité. L'enjeu est considérable : le règlement touche potentiellement tous les fournisseurs et déployeurs d'IA générative actifs sur le marché européen. Le Code organise la responsabilité en deux niveaux : les entreprises qui développent des modèles d'IA doivent intégrer des marqueurs lisibles par machine dans leurs sorties, tandis que celles qui déploient ces modèles dans des produits concrets assurent l'étiquetage visible pour l'utilisateur final, notamment lorsque du contenu d'intérêt public est diffusé sans relecture humaine. Un pictogramme commun à l'échelle de l'UE est prévu pour garantir une signalétique cohérente. Comme l'a déclaré Henna Virkkunen, vice-présidente exécutive de la Commission chargée de la souveraineté technologique : "Les Européens ont le droit de savoir si ce qu'ils voient, entendent ou lisent a été fabriqué ou altéré par l'IA." Ce Code représente le premier instrument concret de l'AI Act à s'attaquer à la question de l'étiquetage des contenus IA. Son adoption intervient dans un calendrier serré : les entreprises disposent de moins de deux mois pour identifier ce qu'elles doivent étiqueter, mettre en place les mécanismes nécessaires et décider si elles signent. Le texte devra encore recevoir l'aval de la Commission et du Conseil européen de l'IA pour être considéré comme pleinement adéquat. Des lignes directrices complémentaires de la Commission sont par ailleurs attendues pour clarifier certains aspects laissés en suspens. L'initiative s'inscrit dans la montée en puissance progressive de l'AI Act, dont les dispositions les plus structurantes continueront d'entrer en application par vagues jusqu'en 2027.

Régulation⚖Reglementation

1 source

40

2165MarkTechPost 

Hermes Agent ajoute des sous-agents asynchrones : les tâches déléguées ne bloquent plus le chat principal

Nous Research a publié une mise à jour majeure pour Hermes Agent, son agent personnel open-source : l'outil de délégation delegatetask supporte désormais les sous-agents asynchrones. Annoncé le 15 juin 2026 sur X par le co-fondateur Teknium, ce changement transforme en profondeur la façon dont un agent parent peut distribuer du travail à des agents enfants. Auparavant, lancer un sous-agent gelait entièrement la conversation principale jusqu'à la fin de l'exécution. Désormais, delegatetaskasync retourne immédiatement un identifiant de tâche (taskid) et laisse le chat libre. Les utilisateurs existants accèdent à la fonctionnalité via une simple commande hermes update. Ce déblocage ouvre des workflows qui étaient structurellement impossibles avant. Un utilisateur peut désormais lancer une tâche longue, une recherche web, une correction de build, une analyse de code, et continuer à interagir avec l'agent principal pendant ce temps. Cinq nouveaux outils couvrent l'intégralité du cycle de vie asynchrone : checktask pour consulter l'état en temps réel, steertask pour injecter des instructions dans un agent en cours d'exécution, collecttask pour récupérer le résultat final, canceltask pour interrompre, et list_tasks pour visualiser toutes les tâches actives. L'isolation reste stricte : chaque sous-agent démarre avec une conversation vierge, son propre terminal et son propre ensemble d'outils. Seul le résumé final remonte au parent, ce qui maintient la fenêtre de contexte de ce dernier compacte. Les agents tournent en threads in-process et héritent de la configuration du parent, y compris le pool de clés API avec rotation automatique en cas de rate limit. Hermes Agent s'inscrit dans une tendance plus large où les frameworks d'agents IA cherchent à rendre l'orchestration multi-agents aussi naturelle que la programmation concurrente classique. La contrainte du blocage synchrone était un frein réel à l'adoption pour les tâches longues, forçant les utilisateurs à attendre passivement des processus pouvant durer plusieurs minutes. Cette évolution a été développée ouvertement sur GitHub (issue #5586), et Nous Research travaille en parallèle sur un protocole plus ambitieux, ACP (issue #4949), qui viserait la persistance des tâches entre sessions, là où les sous-agents asynchrones actuels restent limités à une seule session. La concurrence entre sous-agents reste plafonnée à trois par défaut via le paramètre delegation.maxconcurrentchildren, un levier configurable selon les besoins et les contraintes des API utilisées.

Outils⚒Outil

1 source

42

2166MarkTechPost 

Atoms : un outil de vibe coding qui utilise des agents IA pour créer, déployer et promouvoir votre app, sans code

Atoms, un outil de création d'applications sans code, est lancé par l'équipe derrière MetaGPT, le framework multi-agents open source fort de 68 700 étoiles sur GitHub et de 11 publications dans des conférences majeures en intelligence artificielle. Plutôt qu'un simple générateur de code, la plateforme se structure comme une équipe virtuelle de huit agents spécialisés : Iris pour la recherche de marché, Emma pour la spécification produit, Bob pour l'architecture, Alex pour le développement, Sarah pour le SEO, Adrian pour les campagnes Google Ads, David pour l'analyse de données, et Mike comme chef d'équipe chargé de coordonner l'ensemble et de valider les étapes clés avec l'utilisateur. Atoms inclut également un « Race Mode » qui soumet chaque instruction à plusieurs modèles frontiers en parallèle et propose le meilleur résultat, avec une précision améliorée jusqu'à trois fois selon l'entreprise. Chaque application déployée est livrée avec authentification, base de données en temps réel, paiements Stripe et hébergement scalable en un clic. La vraie rupture qu'apporte Atoms ne porte pas sur la génération de code, désormais banalisée, mais sur l'ensemble du cycle de vie d'un produit numérique. La majorité des outils de vibe coding permettent de produire une démo convaincante, puis laissent l'utilisateur seul face au référencement, à la distribution et à la monétisation. Atoms intègre ces dimensions nativement : pages SEO générées et indexées automatiquement, campagnes Google Ads lancées et optimisées depuis la plateforme, et insights analytiques remontés par un agent dédié. Pour un entrepreneur non-technique, cela permet de passer d'une idée à un produit commercial opérationnel sans sous-traiter chaque brique séparément. Le code reste entièrement exportable ou synchronisable avec GitHub, évitant tout effet de dépendance à la plateforme. Cette approche s'inscrit dans l'essor du vibe coding, popularisé par Andrej Karpathy début 2025, qui postule que l'IA permet à quiconque de formuler une idée de construire une application sans écrire une ligne de code. MetaGPT, socle technique d'Atoms, est l'un des projets multi-agents les plus cités en recherche académique, ce qui confère à la plateforme une crédibilité rare dans un secteur souvent dominé par des startups sans ancrage scientifique. Le marché reste néanmoins très concurrentiel, avec Lovable, Bolt, Replit ou Cursor qui ciblent des segments adjacents. Atoms parie sur l'intégration verticale totale, de la validation d'idée jusqu'à l'acquisition payante, comme principal facteur de différenciation. La question ouverte reste la qualité réelle des applications en production à grande échelle, et le degré d'autonomie laissé à l'utilisateur face aux décisions stratégiques prises par les agents.

Outils⚒Outil

1 source

45

2167Le Big Data 

Hydra Host lève 100 millions de dollars pour développer ses usines dédiées à l’IA

Hydra Host, une société américaine spécialisée dans les infrastructures d'intelligence artificielle, a annoncé le 15 juin 2026 une levée de fonds de 100 millions de dollars en série A. L'opération est menée par Kindred Ventures et réunit des investisseurs de premier plan : NVIDIA, ARK Invest, Founders Fund, Comcast Ventures, Magnetar, PEAK6, Sply Capital, Era Funds et 10x Founders. Cet apport de capitaux doit financer l'expansion des "AI factories" de l'entreprise, des infrastructures capables d'héberger et d'exploiter des milliers de GPU pour l'entraînement et l'inférence de modèles d'IA. Hydra Host opère déjà sur plus de 50 datacenters répartis dans les Amériques, la région Asie-Pacifique et la zone Europe-Moyen-Orient-Afrique. Son système d'exploitation propriétaire, baptisé Brokkr AI Factory, sert de couche logicielle unifiée pour transformer ces infrastructures en plateformes GPU-as-a-Service rentables. Verizon Business a déjà conduit une expérimentation avec la plateforme, validant sa capacité à monétiser des capacités de calcul existantes. L'enjeu dépasse la simple disponibilité de puces graphiques. Ce que propose Hydra Host, c'est de résoudre le problème du déploiement à grande échelle : des milliers de GPU existent dans des datacenters sous-exploités, faute d'outillage adapté pour les transformer en services IA opérationnels. En jouant le rôle d'intermédiaire entre opérateurs d'infrastructure et entreprises consommatrices de calcul, Hydra Host répond à une demande que les hyperscalers traditionnels, Amazon Web Services, Microsoft Azure, Google Cloud, peinent à absorber seuls. Pour les entreprises, l'accès à des ressources souveraines et sécurisées, hors des grands clouds américains, représente un avantage stratégique croissant, notamment en Europe où les questions de résidence des données restent sensibles. La levée s'inscrit dans un mouvement plus large de structuration du marché dit "néo-cloud" ou GPU distribué. Après une première phase dominée par la course aux puces, portée par la montée en puissance de NVIDIA, dont la participation à ce tour de table n'est pas anodine, l'industrie entre dans une phase où la valeur se déplace vers la couche opérationnelle : comment déployer vite, fiabiliser, et rendre accessible la puissance de calcul. Des acteurs comme CoreWeave, Lambda Labs ou Together AI occupent des segments proches, mais Hydra Host parie sur un modèle hybride qui sert à la fois les opérateurs et les consommateurs finaux. Avec 100 millions supplémentaires, la société dispose des ressources pour étendre son réseau de datacenters et affiner son système d'exploitation avant que la concurrence ne se consolide davantage.

Infrastructure❧Opinion

1 source

45

2168MarkTechPost 

Google Cloud lance l'Open Knowledge Format (OKF), spécification Markdown neutre pour fournir du contexte aux agents IA

Google Cloud a présenté l'Open Knowledge Format (OKF), une spécification ouverte et neutre vis-à-vis des fournisseurs, destinée à standardiser la manière dont les agents d'intelligence artificielle accèdent au contexte interne des organisations. En version 0.1, OKF représente la connaissance sous forme de répertoires de fichiers markdown accompagnés d'un en-tête YAML. Chaque concept, qu'il s'agisse d'une table de base de données, d'une métrique, d'un runbook ou d'une API, est décrit dans un fichier unique dont le chemin constitue son identifiant. Les champs structurés réservés sont minimalistes : type, title, description, resource, tags et timestamp. Le résultat est un bundle entièrement lisible sur GitHub, transportable en tarball, et ne nécessitant ni SDK, ni service tiers, ni schéma propriétaire. Ce format s'attaque à un problème concret qui plombe les déploiements d'agents IA en entreprise : la dispersion du contexte interne. Quand un agent doit répondre à la question "comment calculer les utilisateurs actifs hebdomadaires depuis notre flux d'événements ?", il doit assembler la réponse depuis des catalogues de métadonnées aux API incompatibles, des wikis d'équipe, des drives partagés et des commentaires de code. Chaque éditeur propose aujourd'hui son propre schéma de knowledge graph, rendant la connaissance non portable entre produits et organisations. Avec OKF, un wiki produit par une équipe peut être consommé directement par un agent différent sans traduction, éliminant le travail dupliqué que chaque développeur d'agents accomplit aujourd'hui depuis zéro. L'idée sous-jacente a été formulée par Andrej Karpathy dans un gist publié en avril 2026, où il soulignait que les LLM sont particulièrement adaptés à la maintenance de wikis structurés : ils ne s'ennuient pas, n'oublient pas de mettre à jour les références croisées, et peuvent éditer de nombreux fichiers en une seule passe. Le pattern existait déjà sous diverses formes, des vaults Obsidian connectés à des agents de code aux fichiers AGENTS.md et CLAUDE.md devenus conventions courantes, en passant par les dépôts "métadonnées as code". Aucun de ces formats ne s'interopérait. OKF tente de devenir la couche de standardisation manquante. La spécification étant ouverte et délibérément sans friction technique, son adoption dépendra de la capacité de la communauté à converger autour de ces conventions avant que d'autres éditeurs ne proposent leurs propres alternatives propriétaires.

Outils⚒Outil

1 source

44

2169AI News 

Les tests d'intrusion appliqués à l'IA : définition et enjeux

Le nombre d'incidents liés à l'intelligence artificielle est passé de 233 en 2024 à 362 en 2026, selon une étude récente, signe que les risques s'accélèrent à mesure que les organisations déploient des systèmes d'IA en production. Face à cette montée des menaces, une pratique héritée de la cybersécurité traditionnelle s'impose désormais dans le domaine de l'IA : le red teaming. Il s'agit de soumettre des modèles, agents et applications à des scénarios d'attaque délibérément adversariaux, injections de prompts, manipulation de données, tentatives de contournement des garde-fous, pour en révéler les failles avant qu'elles ne soient exploitées. Des prestataires spécialisés comme CBIZ Pivot Point Security ou Reply proposent aujourd'hui des services structurés qui combinent tests offensifs manuels, gouvernance et alignement réglementaire, couvrant des architectures complexes telles que les workflows agentiques, les pipelines RAG ou les intégrations via MCP. L'intérêt concret pour les entreprises est multiple. Sur le plan de la sécurité, ces tests exposent les vulnérabilités cachées, notamment les accès non autorisés à des données via des agents connectés à des API, avant que des attaquants réels ne puissent en abuser. Sur le plan réglementaire, les résultats des tests servent de preuves de robustesse auprès des autorités, permettant aux organisations de démontrer leur conformité avec des référentiels comme le NIST AI RMF, l'EU AI Act ou l'ISO 42001. En matière de résilience opérationnelle, les simulations d'attaque permettent aux équipes d'affiner leurs règles de détection et de réduire le temps de réponse lors d'incidents réels. Enfin, des cycles de tests adversariaux continus renforcent la stabilité des systèmes face à des conditions imprévues et à des techniques d'attaque en constante évolution. Le red teaming n'est pas une nouveauté en cybersécurité, des équipes de sécurité offensive testent les infrastructures IT depuis des décennies. Son application à l'IA est en revanche récente, et répond à des défis spécifiques : les modèles de langage ont des surfaces d'attaque radicalement différentes des logiciels traditionnels, avec des comportements difficiles à anticiper face à des entrées malveillantes. L'explosion des agents autonomes connectés à des outils externes a encore complexifié la situation, multipliant les points d'entrée potentiels. L'émergence d'un marché de prestataires spécialisés, au-delà des trois cités dans l'article original, le secteur compte désormais des dizaines d'acteurs, témoigne de la maturité croissante de cette discipline. À mesure que les réglementations comme l'EU AI Act entreront en vigueur, le red teaming devrait passer d'une bonne pratique facultative à une exigence de conformité incontournable pour les systèmes d'IA à haut risque.

Sécurité❧Opinion

1 source

41

2170AI News 

Les plateformes CMS dopées à l'IA transforment la gestion de contenu en entreprise

Les grandes entreprises et les éditeurs de plateformes de gestion de contenu (CMS) opèrent une mutation structurelle : les outils qui servaient historiquement à publier du contenu deviennent des plateformes d'orchestration intelligente. Selon une enquête Deloitte publiée en 2025 auprès de plus de 1 800 cadres dirigeants, les investissements en intelligence artificielle dépassent désormais le stade des projets pilotes isolés pour s'intégrer à grande échelle dans les flux de création de contenu, le service client et les opérations informatiques. Près de la moitié des organisations interrogées utilisent déjà l'IA pour automatiser des processus internes. Concrètement, un CMS intelligent ne se contente plus de stocker et de publier : il suggère des améliorations de texte, détecte les incohérences de localisation, prédit quelles variantes de contenu sont susceptibles de mieux performer et achemine automatiquement les approbations aux bons interlocuteurs. Dans une marque multinationale gérant des campagnes sur 20 marchés, 12 langues et quatre lignes de produits, cela représente des centaines de variantes à maintenir cohérentes et actualisées simultanément. L'enjeu dépasse la simple productivité interne. Les outils de recherche alimentés par l'IA et les agents d'achat automatisés s'appuient désormais directement sur les contenus des marques pour décider ce qu'ils affichent, citent ou recommandent à un acheteur potentiel. Une infrastructure de contenu fragmentée, avec des données incohérentes ou périmées, ne ralentit plus seulement les équipes éditoriales : elle rend la marque invisible ou peu fiable au moment précis où une décision d'achat se prend. Chaque outil en aval, moteur de personnalisation, assistant conversationnel ou moteur de recherche IA, reproduit et amplifie les erreurs du contenu source. Ce n'est plus un problème de qualité éditoriale, c'est un problème de distribution commerciale. Pendant des années, la réponse des entreprises à cette complexité croissante a été d'empiler des processus manuels, des systèmes cloisonnés et des équipes de coordination de plus en plus larges. Ce modèle atteignait ses limites face à l'accélération des attentes clients, qui réclament des expériences personnalisées et instantanées à chaque point de contact. La nouvelle génération de CMS entend changer la nature même de l'outil : non plus un simple outil de publication au centre d'un écosystème fragmenté, mais une fondation de contenu gouvernée à partir de laquelle tous les canaux, systèmes et agents IA tirent des informations fiables. Le défi identifié par les éditeurs n'est pas l'intention d'adopter l'IA, largement présente dans les organisations, mais la capacité à intégrer ces fonctionnalités au coeur des systèmes où le contenu est réellement créé, validé et diffusé, et non dans des outils annexes déconnectés du flux de travail principal.

Outils⚒Outil

1 source

41

2171FrenchWeb 

Les fonds d’investissement face à l’IA : de l’expérimentation à la construction d’un système d’exploitation

Le secteur du capital-risque entre dans une nouvelle phase de sa relation avec l'intelligence artificielle. Après un premier épisode consacré aux raisons de l'adoption, ce deuxième volet d'une série publiée par FW.MEDIA déplace le curseur vers l'exécution concrète. La question n'est plus de savoir si les fonds doivent s'intéresser à l'IA, mais comment passer des expérimentations isolées à la construction d'une infrastructure cohérente, ce que les auteurs appellent un véritable "système d'exploitation" de l'IA au sein des organisations de gestion. Ce glissement de la démonstration vers la systématisation est central pour l'industrie. Les fonds qui se contentent de tester des outils ponctuels sans les intégrer dans leurs processus structurels risquent de rater l'essentiel du gain de productivité. L'enjeu concerne toutes les fonctions du métier, du sourcing de deals à l'analyse de portefeuille, en passant par la relation investisseurs. Ceux qui construisent une architecture cohérente aujourd'hui se donnent une avance compétitive difficile à rattraper. Le capital-risque est un secteur fondé sur l'information et la vitesse d'analyse, deux domaines où l'IA excelle, ce qui explique la pression croissante à agir. Le premier épisode avait posé la question de la gouvernance interne, notamment qui devait piloter le sujet. Ce deuxième volet suggère que la phase d'interrogation est révolue et que les fonds doivent désormais traiter l'IA comme une infrastructure critique, au même titre qu'un CRM ou un outil de gestion de portefeuille.

Business❧Opinion

1 source

49

2172Next INpact 

Aperçu de Siri AI sur iOS 27 : Apple a-t-elle sauvé le soldat Siri ?

Avec iOS 27, Apple dévoile une version profondément remaniée de Siri, propulsée par de nouveaux modèles de langage développés en interne avec l'appui de modèles Gemini de Google. L'interface change radicalement : l'ancien halo arc-en-ciel sur les bords de l'écran laisse place à une intégration dans la Dynamic Island de l'iPhone. L'activation reste identique, par appui long sur le bouton d'allumage ou commande vocale "Dis Siri", mais le moteur Spotlight permet désormais de saisir des requêtes au clavier en plus des commandes orales. Siri répond en français, en espagnol et en allemand, entre autres langues, et les échanges écrits fonctionnent globalement bien dans ces langues, même si l'assistant retombe parfois en anglais sans prévenir. Basculer Siri en français dans les réglages iOS le fait malheureusement revenir à son ancienne version, sans les nouvelles capacités conversationnelles. Ce Siri AI marque un saut qualitatif indéniable pour des millions d'utilisateurs Apple à travers le monde. L'assistant gagne enfin les capacités de dialogue continu qui manquaient cruellement à ses prédécesseurs : fini les réponses figées et les "Désolé, je ne comprends pas" à répétition. Pour les utilisateurs francophones, la situation reste perfectible, le support vocal du français étant encore partiel, mais la voie est tracée. L'enjeu est colossal pour Apple : Siri équipe chaque iPhone, iPad et Mac vendu, soit des centaines de millions d'appareils, et sa médiocrité chronique nuisait à l'image de la marque face à des concurrents comme Google Assistant ou ChatGPT, largement perçus comme supérieurs. Le chemin parcouru illustre combien Apple a accumulé du retard depuis l'explosion de l'IA générative fin 2022. Lors de la WWDC 2024, la firme de Cupertino avait annoncé un "Siri 2.0" sous l'appellation Apple Intelligence, mais cette promesse ne s'est jamais concrétisée à temps, laissant les utilisateurs avec un assistant quasi inchangé pendant des mois. Le choix de s'appuyer sur les modèles Gemini de Google est révélateur : Apple, malgré ses ressources considérables, a préféré s'allier à un concurrent pour combler rapidement son retard plutôt que d'attendre ses propres modèles. Cette stratégie hybride soulève des questions sur la dépendance à long terme à des technologies tierces et sur la confidentialité des données. Apple a annoncé que d'autres langues seraient prises en charge prochainement, laissant espérer un support francophone complet dans les mois à venir.

Outils❧Opinion

1 source

47

2173Next INpact 

Meta devra répondre aux accusations d’entraînement d’IA avec du porno piraté

Meta fait face à une procédure judiciaire initiée à l'été 2025 par deux entreprises américaines de production et distribution de films pornographiques, Strike 3 Holdings et Counterlife Media. Ces sociétés accusent le géant des réseaux sociaux d'avoir téléchargé illégalement 2 396 films via le protocole BitTorrent pour entraîner Llama, son grand modèle de langage. Le 11 juin 2026, la juge Eumi K. Lee a refusé de rejeter la plainte, estimant que les éléments présentés par les plaignants étaient suffisamment solides pour justifier la poursuite de la procédure et l'ouverture d'une phase d'enquête approfondie. La magistrate a également précisé que les plaignants n'avaient pas à démontrer que leurs films avaient effectivement servi à l'entraînement du modèle : le simple fait d'avoir téléchargé et distribué ces contenus via BitTorrent sans autorisation constitue déjà une violation du droit d'auteur. Cette décision établit un précédent important dans les batailles juridiques qui opposent l'industrie créative aux grandes entreprises d'IA. En dissociant l'infraction au droit d'auteur de l'usage ultérieur des données, la juge ouvre la voie à des poursuites plus faciles à engager contre les acteurs qui ont massivement aspiré du contenu en ligne pour construire leurs modèles. Pour Meta, le risque est non seulement financier, Strike 3 est connu pour ses milliers de poursuites et sa réputation de "troll des droits d'auteur", mais aussi réputationnel, dans un contexte où la question du consentement des créateurs de contenu est au cœur du débat sur l'IA générative. L'entreprise a tenté de se défendre en arguant que l'adresse IP retrouvée ne prouve pas que c'est Meta en tant qu'organisation qui a procédé aux téléchargements, suggérant que des employés, sous-traitants ou visiteurs auraient pu agir à titre personnel. Le dossier s'inscrit dans un contexte plus large où Meta a déjà reconnu avoir utilisé BitTorrent pour récupérer la bibliothèque clandestine LibGen et alimenter ses modèles Llama, ce que la juge a pris en compte pour évaluer la crédibilité des nouvelles accusations. Cette affaire illustre la pratique répandue dans le secteur consistant à collecter massivement des données accessibles en ligne sans le consentement de leurs auteurs. La prochaine étape verra Meta tenter de démontrer que ces téléchargements BitTorrent n'étaient pas liés à ses projets d'intelligence artificielle, tandis que les plaignants s'efforceront d'établir un lien direct entre les fichiers récupérés et les systèmes d'entraînement des modèles. L'issue de cette procédure pourrait influencer durablement les pratiques de collecte de données dans toute l'industrie de l'IA.

Régulation⚖Reglementation

1 source

47

2174Le Big Data 

Meta donne un gros coup d’IA à Facebook… en exploitant les publications publiques

Meta a lancé le 15 juin 2026 un nouveau « Mode IA » sur Facebook, qui transforme la barre de recherche en interface conversationnelle. Les utilisateurs peuvent désormais poser des questions en langage naturel et recevoir une réponse synthétisée directement par le modèle d'IA de Meta, sans avoir à parcourir une liste de résultats. Cette réponse s'appuie sur les publications publiques de la plateforme : posts d'utilisateurs, discussions de groupes et vidéos Reels. La fonctionnalité arrive en même temps que plusieurs outils de création assistés par l'IA, dont la génération de collages, des transitions vidéo automatiques et des filtres permettant d'habiller virtuellement sa photo de profil avec le maillot de son équipe sportive favorite. L'enjeu de fiabilité est immédiat et concret. Contrairement à un moteur de recherche classique qui renvoie vers des sources identifiables, ce système synthétise des millions d'avis, d'expériences personnelles et de discussions issues du grand public. La qualité de la réponse générée dépend donc directement de la qualité des contenus indexés, qui peuvent inclure rumeurs, approximations ou désinformations populaires. Google essuie les mêmes critiques depuis qu'il a introduit des résumés automatiques tirés de Reddit. Pour Meta, l'enjeu est d'autant plus fort que Facebook reste une plateforme de référence pour des centaines de millions d'utilisateurs, notamment dans des pays où elle constitue le principal point d'accès à l'information. Si le système ne parvient pas à distinguer une information fiable d'une opinion virale, il risque d'amplifier les fausses croyances à grande échelle. Ce lancement s'inscrit dans une stratégie d'intégration accélérée de l'IA sur l'ensemble des produits Meta. L'entreprise avait déjà lancé Forum, une application de questions-réponses communautaires alimentée par les groupes Facebook, signalant clairement sa volonté de concurrencer Google sur le terrain de la recherche d'information. En parallèle, Meta déploie des assistants pour créateurs de contenu et des réponses automatiques sur Marketplace, transformant progressivement Facebook en plateforme augmentée par l'IA. La bataille se joue à plusieurs niveaux : technologique face à Google et OpenAI, réglementaire face aux autorités européennes qui scrutent l'utilisation des données publiques des utilisateurs pour entraîner ou alimenter ces systèmes, et en termes de confiance auprès d'un public de plus en plus averti des limites des IA génératives.

Outils⚒Outil

1 source

45

2175Le Big Data 

Ces hackers chinois utilisent Gemini pour piéger des tas de gens : Google riposte !

Le FBI et Google ont conjointement démantelé Outsider Enterprise, un réseau criminel chinois spécialisé dans le phishing-as-a-service (PhaaS), actif depuis trois ans. Ce groupe vendait à d'autres escrocs des kits d'hameçonnage clés en main, leur permettant de lancer des campagnes frauduleuses sans compétences techniques avancées. Au fil de son existence, le réseau a compromis les données de 3,8 millions de cartes bancaires pour un préjudice estimé à 1,9 milliard de dollars. En mai 2026, l'activité s'est brutalement intensifiée : en deux semaines, 2,5 millions de SMS frauduleux ont été envoyés à des utilisateurs Android américains, pointant vers 9 000 faux sites imitant Google, YouTube, l'USPS ou le système de péage EZ Pass. En quinze jours, 55 000 de ces messages ont été signalés comme suspects par les victimes, plus de deux alertes par minute, déclenchant l'enquête commune. À l'issue de l'opération baptisée « Riptide », le FBI a saisi plusieurs serveurs, fermé la boutique Shopify du groupe, neutralisé le bot Telegram de distribution des kits, et récupéré environ 100 000 dollars en cryptomonnaies. Google a parallèlement déposé une plainte civile devant un tribunal fédéral de New York. Ce qui rend cette affaire particulièrement préoccupante, c'est l'usage systématique de Gemini, le modèle d'IA de Google, pour industrialiser les arnaques. Les criminels s'en sont servi pour générer du code, fabriquer des interfaces imitant des marques connues et personnaliser les messages frauduleux à grande échelle, aboutissant à 131 kits de phishing distincts ciblant des entreprises privées et des administrations publiques américaines. Ce détournement d'outil légitime illustre une évolution majeure de la menace : l'IA générative abaisse drastiquement le seuil d'entrée dans la cybercriminalité. Des acteurs sans expertise technique peuvent désormais opérer des campagnes d'une sophistication et d'une échelle autrefois réservées à des groupes très structurés. Les opérateurs AT&T, T-Mobile et Verizon ont dû être mobilisés pour bloquer les SMS en amont, signe que la réponse ne peut plus être portée uniquement par les plateformes numériques. Le modèle PhaaS existe depuis plusieurs années, mais Outsider Enterprise en a poussé la logique jusqu'à son terme en intégrant l'IA comme accélérateur opérationnel. Les échanges du groupe transitaient principalement par Telegram, plateforme régulièrement citée dans ce type d'infrastructures criminelles. L'affaire s'inscrit dans un contexte de tensions persistantes entre Washington et Pékin sur la cybersécurité, où des groupes liés à la Chine sont régulièrement mis en cause pour des opérations d'espionnage ou de fraude à grande échelle. Le démantèlement d'Outsider Enterprise marque une étape, mais la question centrale reste ouverte : comment les fournisseurs d'IA peuvent-ils détecter et couper l'accès à leurs outils lorsqu'ils sont utilisés à des fins criminelles, sans attendre qu'une opération atteigne une telle ampleur ?

Sécurité❧Opinion

1 source

48

2176arXiv cs.RO 

ATHENA : fonctions d'influence hétérogènes multi-tâches accélérées pour la curation de données robotiques

Des chercheurs ont publié ATHENA (Accelerated Multi-Task Heterogeneous Influence Functions for Robot Data Curation), un framework de sélection de données de démonstration conçu pour le fine-tuning de modèles Vision-Language-Action (VLA) à l'échelle du milliard de paramètres. La méthode repose sur les fonctions d'influence, un outil statistique qui quantifie l'effet de chaque démonstration robotique sur la performance finale d'une tâche. Pour contourner le coût de calcul prohibitif de ces fonctions à grande échelle, ATHENA exploite la structure de Kronecker des gradients de couches linéaires et approxime l'inversion de la matrice hessienne dense via une approximation tronquée de rang r (Random Truncated Approximation), atteignant un gain de vitesse de 313,4x sur le calcul d'influence. Le framework a été évalué sur le benchmark de simulation RoboTwin 2.0 (9,34 heures de démonstrations) et sur des déploiements réels (6,90 heures, six tâches). En ne conservant que 50 % des données en simulation et 66,7 % en conditions réelles, ATHENA égale ou surpasse un fine-tuning entraîné sur l'intégralité du jeu de données. L'enjeu est directement opérationnel pour quiconque déploie des VLA multi-tâches en robotique industrielle ou de service. Le fine-tuning de modèles à un milliard de paramètres sur 50 tâches simultanées génère des coûts de collecte de données considérables ; réduire d'un tiers à moitié le volume nécessaire sans perte de performance change l'équation économique des pipelines d'imitation learning. ATHENA introduit également une notion d'influence globale et locale pour équilibrer la curation entre tâches hétérogènes, un problème rarement traité dans la littérature existante. Le fait que les gains tiennent sur du matériel réel, et pas uniquement en simulation, réduit le scepticisme habituel sur le sim-to-real gap dans ce type de contribution. Les fonctions d'influence sont un outil classique du machine learning (initialement popularisé pour le diagnostic de données d'entraînement dans les réseaux profonds), mais leur application à la robotique multi-tâches était jusqu'ici bloquée par la complexité computationnelle des modèles VLA modernes comme Pi-0 (Physical Intelligence), OpenVLA ou GR00T N2 (NVIDIA). ATHENA s'inscrit dans un effort plus large de la communauté pour rendre le fine-tuning de ces fondations robotiques accessible sans infrastructure de données massive. Aucun partenariat industriel ni timeline de commercialisation n'est mentionné dans cette publication arXiv préliminaire (arXiv:2606.16208) ; il s'agit d'une contribution académique, non d'un produit disponible. Les prochaines étapes probables incluent une validation sur des benchmarks plus larges et une intégration dans des pipelines de fine-tuning ouverts comme LeRobot (Hugging Face).

Recherche⚡Actu

1 source

47

2177arXiv cs.RO 

Pilotage des politiques VLA autorégressives par intervention sur les tokens d'action

Une équipe de chercheurs a publié Token Steering (TS), une méthode permettant de piloter dynamiquement les trajectoires générées par des modèles de fondation robotiques de type VLA (vision-language-action autorégressif). Le principe : injecter des entrées utilisateur de faible dimension directement dans l'espace de représentation des tokens d'action du modèle, sans modifier l'architecture du modèle de langage visuel (VLM) sous-jacent. TS opère entièrement à l'inférence, sans réentraînement ni fine-tuning. Évalué sur deux tâches de manipulation domestique, fermeture d'un tiroir après placement d'objet, et permutation d'objets en contexte dynamique, le taux de succès passe respectivement de 10,0 % à 72,5 % et de 16,7 % à 93,8 %. Ces résultats sont issus de la préprint arXiv:2606.15021 et n'ont pas encore fait l'objet d'une révision par les pairs. L'intérêt opérationnel est direct : supprimer le besoin de réentraînement lève un verrou majeur pour le déploiement de robots de fondation en conditions réelles. Des intégrateurs peuvent adapter le comportement d'un VLA pré-entraîné à des variations de scénario sans coût de calcul additionnel significatif. Le mécanisme guide l'action sans l'écraser, ce qui préserve les priors de dextérité et de fluidité appris durant le pré-entraînement. C'est un avantage concret sur les approches classiques de surcharge par commande directe, qui dégradent souvent la qualité du mouvement. L'article évoque également des cas d'usage d'accessibilité pour des personnes à mobilité limitée, piste crédible vers une robotique d'assistance plus inclusive. Les politiques VLA constituent l'un des axes les plus actifs de la robotique actuelle : Physical Intelligence a commercialisé Pi-0, NVIDIA a présenté GR00T N2, et plusieurs groupes académiques développent des variantes d'OpenVLA. Token Steering s'inscrit dans une tendance plus large qui cherche à rendre ces politiques modulables sans réentraînement, direction que poursuit également Enchanted Tools sur le plan applicatif. La contribution reste pour l'heure académique : aucun déploiement industriel ni partenariat n'est annoncé, et le site projet (jasontchan.github.io/token-steering) présente des vidéos de démonstration en environnement contrôlé. Les prochaines étapes attendues sont une validation sur hardware hors laboratoire et une extension aux VLA de génération récente comme Pi-0 ou GR00T N2.

Robotique❧Opinion

1 source

47

2178arXiv cs.RO 

FARM : retrouver n'importe quel objet grâce à la mémoire spatiale relationnelle

Des chercheurs ont publié FARM (Find Anything using Relational Spatial Memory), un système de mémoire spatiale pour robots capable de localiser des objets en temps réel via des requêtes en langage naturel exprimant des relations contextuelles, du type "la grande lampe sous la cible de fléchettes et à gauche de l'affiche". Le système construit une carte sémantique compacte à 5-10 Hz intégrant géométrie, descripteurs visuels-linguistiques et indices de point de vue. Évalué sur 44 000 requêtes couvrant 67 scènes intérieures et extérieures de 15 à 15 000 m², FARM améliore le Recall@5 de 164 % et le Recall@10 de 224 % par rapport aux méthodes existantes. Une étape de réordonnancement par VLM améliore encore l'Accuracy@1 de 35 %. Le système tourne en temps réel et a été validé en boucle fermée sur un robot quadrupède fonctionnant uniquement avec capteurs et calcul embarqués. L'enjeu dépasse la simple localisation d'objet: dans des entrepôts, habitations ou espaces industriels, un robot doit résoudre des ambiguïtés entre objets similaires via des relations contextuelles, ce que les mémoires de niveau objet seul ne permettent pas. FARM structure explicitement les contraintes spatiales par des prédicats relationnels plutôt qu'en les laissant implicites dans un raisonnement end-to-end sur des historiques de frames. Pour les intégrateurs et décideurs B2B, c'est une brique critique: les robots de service, de picking ou de logistique doivent être pilotables par instruction verbale sans expertise technique. Les gains à +224 % sur Recall@10 sont significatifs, bien que les conditions précises de benchmark, scènes contrôlées ou environnements non-stagés, ne soient pas détaillées dans la publication. Ce travail se situe à l'intersection de la cartographie sémantique 3D (systèmes type ConceptFusion ou OpenScene), des graphes de scène neuronaux et des VLM multimodaux. La combinaison mémoire open-vocabulary et prédicats relationnels explicites distingue FARM des approches end-to-end qui saturent dans les scènes denses. Sur le plan concurrentiel, des acteurs comme Boston Dynamics, Unitree et des laboratoires tels que Stanford ou CMU explorent des approches similaires pour la navigation sémantique. En Europe, des projets de robots de service ou d'assistance, dont des initiatives françaises liées à l'ANR ou des spin-offs comme Enchanted Tools travaillant sur l'interaction homme-robot, pourraient directement intégrer ce type de composant. La prochaine étape décisive sera de valider FARM dans des environnements dynamiques où les objets se déplacent et les relations spatiales évoluent en continu.

Recherche❧Opinion

1 source

46

2179arXiv cs.RO 

SimWeaver : transfert simulation-réel RGB sans entraînement pour la manipulation d'objets déformables

Une équipe de recherche présente SimWeaver (arXiv:2606.15338), un système capable d'entraîner des politiques VLA (Vision-Language-Action) en environnement simulé uniquement, puis de les déployer directement sur un robot réel sans aucun affinage sur données réelles. Entraîné sur seulement 200 démonstrations simulées par tâche, SimWeaver atteint plus de 80% de succès par tâche et 91% de taux moyen sur cinq tâches de manipulation d'objets déformables incluant la manipulation de sacs plastique et la saisie de tissu de soie, sans téleopération ni calibration spécifique à chaque tâche. Sur la tâche de saisie de soie, la politique sim-entraînée atteint 100% de succès sous des variations visuelles importantes, là où les baselines entraînées sur données réelles chutent entre 9% et 70%. Le coût par trajectoire est réduit de deux ordres de grandeur par rapport aux approches requérant des données terrain. Ce résultat est notable parce que le sim-to-real pour objets déformables en entrée RGB brute est resté largement non résolu jusqu'ici. La physique des corps mous (tissus, sacs, fils) est notoirement difficile à simuler fidèlement, et l'écart simulation-réalité se traduit généralement par des politiques qui échouent dès le déploiement. SimWeaver contourne ce problème avec une augmentation photométrique tenant compte du pipeline ISP (Image Signal Processor) de la caméra, ce qui réduit le fossé visuel sans nécessiter de données réelles. Pour un intégrateur ou un COO industriel travaillant sur des lignes de conditionnement, de tri textile ou de logistique e-commerce, la réduction du coût de collecte de données et l'absence de recalibration par tâche représentent un levier économique concret. Le problème de la manipulation déformable concentre depuis plusieurs années une part croissante de la recherche en robotique, portée par des applications telles que la préparation de commandes en entrepôt (Exotec, HAI Robotics) ou l'assemblage textile. Les approches précédentes mobilisaient soit des capteurs de profondeur, soit d'importantes campagnes de téleopération pour construire des datasets réels. SimWeaver s'appuie sur quatre modules complémentaires : un simulateur physique calibré (SimWeaver-Sim), un générateur d'assets à partir d'une seule image (SimWeaver-Asset), un synthétiseur de trajectoires déterministe topologie-aware (SimWeaver-Syn) et un protocole de transfer sim-to-real avec augmentation ISP (SimWeaver-Real). Le code et un sous-ensemble d'assets représentatifs seront publiés en open source, ce qui positionne ce travail comme une infrastructure potentielle pour la communauté. Aucun partenaire industriel ni timeline de déploiement commercial n'est mentionné à ce stade : il s'agit d'une contribution académique, pas d'un produit annoncé.

Robotique❧Opinion

1 source

45

2180arXiv cs.RO 

ADAPT : entraînement de politique analytique intégrant les perturbations pour la locomotion humanoïde

Une équipe de chercheurs a publié le 16 juin 2026 sur arXiv (2606.16542) une méthode baptisée ADAPT (Analytical Disturbance-Aware Policy Training), destinée à améliorer la robustesse locomotrice des robots humanoïdes soumis à des perturbations externes. Le système a été validé sur un Unitree G1 dans trois scénarios représentatifs : poussées au niveau du torse, perturbations en posture statique, et charges asymétriques appliquées aux mains. Dans chaque cas, ADAPT surpasse une politique de référence basée uniquement sur la proprioception (capteurs internes articulaires), avec un meilleur suivi de vitesse et une meilleure stabilité, y compris face à des perturbations hors distribution, c'est-à-dire non rencontrées lors de l'entraînement. La méthode n'exige aucun capteur de force/couple externe : elle s'appuie uniquement sur la dynamique interne du robot pour estimer en ligne les résidus de force et de couple appliqués au corps entier. L'intérêt technique d'ADAPT tient à son observateur de perturbations analytique, fondé sur la physique du corps rigide plutôt que sur un réseau de neurones ou une large randomisation de domaine. Les approches existantes présentent chacune un défaut structurel : la randomisation de domaine dégrade la précision, les objectifs de force spécifiques à une tâche limitent la transférabilité, et les estimateurs appris depuis l'historique de mouvement peinent hors distribution. ADAPT contourne ces compromis en fournissant à la politique un signal d'entrée explicite et physiquement fondé sur les forces et couples perturbateurs estimés, ce qui lui permet de se généraliser à des scénarios jamais vus. Un bénéfice secondaire notable : en pénalisant les perturbations inférées au niveau des articulations inférieures, le système favorise une locomotion plus légère, réduisant les impacts au sol, ce qui peut prolonger la durée de vie mécanique et améliorer la discrétion sonore en milieu de travail. Le Unitree G1 est une plateforme humanoïde commerciale abordable, largement utilisée dans la recherche sur la locomotion apprise, ce qui confère à ces résultats une portée pratique directe. Ce travail s'inscrit dans une tendance plus large où les laboratoires cherchent à combler le fossé sim-to-real sans ajouter de capteurs coûteux, une contrainte forte pour les déploiements industriels à grande échelle. Côté concurrence, des approches similaires ont été explorées par des équipes travaillant sur Boston Dynamics Atlas, Agility Robotics Digit et les humanoïdes Figure et 1X, mais souvent avec des capteurs de force dédiés. ADAPT représente une direction sensorless qui, si elle se confirme sur d'autres plateformes, pourrait simplifier l'intégration matérielle. L'article étant un preprint arXiv non encore évalué par les pairs, la reproductibilité reste à confirmer indépendamment, et les conditions exactes des expériences (vitesses testées, amplitude des poussées) ne sont pas précisées dans le résumé disponible.

Robotique❖Paper

1 source