nature will entraîne Natura-1 sur un million d'heures d'expérience humaine

Nature Will dévoile Natura-1, un modèle d'IA de 50 milliards de paramètres entraîné sur un million d'heures de gestes humains pour piloter des mains robotiques.

Plier un ravioli, manier un pinceau ou récupérer un objet hors de portée : des gestes ordinaires pour un humain, mais qui restent difficiles à reproduire pour un robot. Avec Natura-1, Nature Will cherche à dépasser cette limite en entraînant un modèle d'intelligence artificielle sur les mouvements et les expériences du quotidien. L'objectif est de permettre aux robots d'exécuter des instructions formulées naturellement, y compris dans des situations qu'ils n'ont jamais rencontrées. Un million d'heures pour apprendre les gestes humains

Natura-1 repose sur une architecture Mixture-of-Experts (MoE) de 50 milliards de paramètres, préentraînée sur un million d'heures de vidéos enregistrées du point de vue humain. Ces séquences documentent les interactions avec les objets, les déplacements des mains et l'enchaînement des gestes dans différents environnements.

Le modèle apprend ainsi à associer les images, le langage et les actions physiques. Après cette phase d'apprentissage, une quantité limitée de données robotiques permet d'adapter ses connaissances aux mains artificielles, dotées chacune de 20 degrés de liberté.

Nature Will affirme que l'augmentation des données d'entraînement, de 44 000 à un million d'heures, a permis de réduire de 67,7 % l'erreur quadratique moyenne de prédiction des actions robotiques sur son jeu de validation, sans entraînement supplémentaire sur ces données de test. Des robots capables d'improviser

Dans les démonstrations publiées par Nature Will, Natura-1 suit des instructions complexes sans entraînement spécifique préalable sur les situations présentées. Il peut notamment distinguer plusieurs objets, respecter un ordre d'exécution ou coordonner simultanément ses deux mains.

Certaines séquences montrent également des comportements inattendus. Face à une pelote de laine placée dans un panier hors de portée, le robot utilise une tige pour rapprocher le panier avant de récupérer l'objet. Dans un autre exemple, il déplace une carte vers le bord d'une boîte afin de pouvoir la saisir plus facilement.

Ces stratégies n'étaient pas explicitement décrites dans les instructions. Nature Will les considère comme les premiers signes d'une capacité à résoudre des problèmes physiques nouveaux, plutôt qu'à reproduire uniquement des mouvements mémorisés. Des manipulations complexes sur plusieurs minutes

L'entreprise présente également six démonstrations de tâches longues, enregistrées en prises continues et réalisées sans intervention humaine pendant leur exécution. Le robot prépare des wontons, sert du thé, emballe un colis, réalise de la calligraphie ou pose une protection d'écran.

Ces six démonstrations ont toutefois bénéficié d'un entraînement complémentaire adapté aux tâches concernées. Elles illustrent donc une autre capacité que la généralisation sans exemple préalable : celle d'enchaîner durablement des gestes précis, malgré les contraintes liées aux matériaux souples, aux changements de prise et à l'utilisation d'outils.

Pour conserver cette réactivité, Nature Will a développé une infrastructure d'inférence capable de maintenir un cycle de contrôle inférieur à 100 millisecondes entre l'observation et l'action. La robotique cherche à apprendre du monde réel

La démarche de Nature Will repose sur une idée : les robots ne pourront pas apprendre toutes les activités humaines uniquement à partir de démonstrations réalisées par d'autres robots. Les données issues de l'expérience humaine offrent une diversité bien supérieure, à condition de réussir à transférer cet apprentissage vers des machines aux contraintes physiques différentes.

Natura-1 reste un projet de recherche, dont les résultats sont principalement documentés par les évaluations et démonstrations de son développeur. Nature Will reconnaît que la généralisation à davantage d'environnements nécessitera encore des progrès sur les données, les équipements et l'infrastructure.

Le projet illustre néanmoins une évolution importante de l'IA physique : entraîner des modèles capables de comprendre une intention, d'observer leur environnement et d'adapter leurs gestes, sans devoir programmer séparément chaque nouvelle situation.