Maison
D'anciens chercheurs de Meta visent à introduire l'intelligence artificielle visuelle dans les ateliers de production

L’intelligence artificielle redessine notre monde, mais elle est restée principalement dans les frontières numériques. À présent, une nouvelle vague de startups apporte ces capacités dans le monde physique.
Perceptron, fondée par deux anciens chercheurs de Meta, mène ce changement. Créée en novembre 2024, l’entreprise développe des modèles de vision avancés qui permettent aux machines d’interagir plus efficacement avec leur environnement physique.
Cette semaine, Perceptron a présenté Isaac 0.5, un modèle conçu pour donner aux machines la capacité de « percevoir, raisonner et agir » au sein d’environnements industriels. Le logiciel permet aux robots guidés par la vision de naviguer dans des espaces complexes tels que les usines et les entrepôts, tout en permettant aux entreprises d’extraire des informations visuelles précieuses à partir des images capturées par ces robots.
Isaac 0.5 est disponible en tant que modèle à poids ouverts, rendant ses paramètres et ses données d’entraînement accessibles à l’examen public.
Co-fondée par Armen Aghajanyan et Akshat Shrivastava, tous deux anciens membres de l’équipe de recherche fondamentale en intelligence artificielle (FAIR) de Meta, Perceptron a récemment levé 21 millions de dollars dans le cadre d’un tour de table mené par Bessemer Venture Partners. Les fondateurs envisagent leur logiciel comme l’étape suivante de l’automatisation industrielle.
« L’IA physique actuelle présente un faux dilemme : des modèles de base généralistes nécessitant plusieurs GPU cloud dédiés par instance, ou des modèles spécialisés qui gèrent soit la perception, soit le contrôle, mais rarement les deux », explique l’entreprise.
Aghajanyan et Shrivastava affirment que leur outil se distingue des solutions existantes par son caractère polyvalent. Au lieu d’être optimisé pour une seule tâche répétitive, le modèle est conçu pour s’adapter de manière flexible à divers environnements et situations.
Lors d’une interview, Shrivastava a suscité une réflexion sur des tâches physiques simples, telles que l’organisation de cartons : « Considérons un robot déployé pour trier des colis. Quelles tâches spécifiques doit-il accomplir ? »
Ce processus apparemment simple implique plusieurs étapes complexes. Le robot doit d’abord lire les étiquettes des colis, effectuer une analyse spatiale pour localiser les cartons, et déterminer quel objet saisir. Lorsqu’il manipule plusieurs cartons, il doit également planifier la séquence et l’ordre des opérations.
Le logiciel de Perceptron assiste les robots dans chacune de ces étapes. Bien que d’autres outils du secteur puissent gérer des tâches individuelles, peu offrent la flexibilité requise pour des applications dynamiques et réelles.
Alors, d’où proviennent les données de cette innovation algorithmique ?
Des modèles comme Isaac 0.5 acquièrent des compétences opérationnelles en traitant d’énormes volumes de données vidéo d’entraînement. Perceptron indique que son nouveau modèle a été entraîné sur un million d’heures de vidéos générales pour reconnaître les décors, les visuels et les scénarios. L’entreprise a également utilisé des vidéos dites « ego » – des images capturées du point de vue de la première personne, souvent via des caméras portables – et des vidéos UMI, qui enregistrent les mouvements humains répétitifs pour enseigner aux systèmes d’IA des actions physiques.
Bien que Perceptron n’ait pas divulgué de sources de données spécifiques, Shrivastava a indiqué que l’entreprise a « construit en interne des ensembles de données à l’échelle du pétaoctet couvrant plusieurs modalités, y compris des images, du texte, des vidéos et des trajectoires robotiques. »
Le potentiel d’un logiciel permettant aux robots de fonctionner efficacement dans les entrepôts est immense. Perceptron estime être bien placée pour impulser cette vague d’automatisation, en proposant son logiciel à divers fournisseurs pour une intégration dans de nombreux secteurs.
Les secteurs cibles incluent la fabrication, la logistique, l’entreposage, la sécurité, la mobilité, ainsi que les médias et le divertissement.
« Rien de tel n’existe actuellement sur le marché », a déclaré Aghajanyan. « Nous sommes vraiment enthousiastes à propos des possibilités. »
Article connexe
Google teste l'agent IA Remy pour Gemini à mesure que l'accent se déplace vers le contrôle utilisateur
Selon Business Insider, Google teste Remy, un nouvel agent personnel d’IA pour Gemini. Cet outil vise à exécuter des tâches au nom des utilisateurs, rationalisant ainsi les flux de travail professionnels et les routines quotidiennes.Actuellement, Re
Ollie mise sur la protection de la vie privée pour remporter la course aux assistants IA
Pour être véritablement utile, un assistant IA doit comprendre en profondeur son utilisateur. Ollie, un assistant personnel conçu pour la vie quotidienne, part du principe que cela ne nécessite pas de
Comment « AI LIVE : Londres » abordera les thèmes de l'IA et de l'automatisation industrielle
Ce sommet réunira des dirigeants de haut niveau venus du monde entier afin d'aborder les défis urgents auxquels sont confrontés les secteurs d'activité à l'échelle mondiale, allant des bouleversements
Recommandations de sujets spéciaux liés
commentaires (0)

L’intelligence artificielle redessine notre monde, mais elle est restée principalement dans les frontières numériques. À présent, une nouvelle vague de startups apporte ces capacités dans le monde physique.
Perceptron, fondée par deux anciens chercheurs de Meta, mène ce changement. Créée en novembre 2024, l’entreprise développe des modèles de vision avancés qui permettent aux machines d’interagir plus efficacement avec leur environnement physique.
Cette semaine, Perceptron a présenté Isaac 0.5, un modèle conçu pour donner aux machines la capacité de « percevoir, raisonner et agir » au sein d’environnements industriels. Le logiciel permet aux robots guidés par la vision de naviguer dans des espaces complexes tels que les usines et les entrepôts, tout en permettant aux entreprises d’extraire des informations visuelles précieuses à partir des images capturées par ces robots.
Isaac 0.5 est disponible en tant que modèle à poids ouverts, rendant ses paramètres et ses données d’entraînement accessibles à l’examen public.
Co-fondée par Armen Aghajanyan et Akshat Shrivastava, tous deux anciens membres de l’équipe de recherche fondamentale en intelligence artificielle (FAIR) de Meta, Perceptron a récemment levé 21 millions de dollars dans le cadre d’un tour de table mené par Bessemer Venture Partners. Les fondateurs envisagent leur logiciel comme l’étape suivante de l’automatisation industrielle.
« L’IA physique actuelle présente un faux dilemme : des modèles de base généralistes nécessitant plusieurs GPU cloud dédiés par instance, ou des modèles spécialisés qui gèrent soit la perception, soit le contrôle, mais rarement les deux », explique l’entreprise.
Aghajanyan et Shrivastava affirment que leur outil se distingue des solutions existantes par son caractère polyvalent. Au lieu d’être optimisé pour une seule tâche répétitive, le modèle est conçu pour s’adapter de manière flexible à divers environnements et situations.
Lors d’une interview, Shrivastava a suscité une réflexion sur des tâches physiques simples, telles que l’organisation de cartons : « Considérons un robot déployé pour trier des colis. Quelles tâches spécifiques doit-il accomplir ? »
Ce processus apparemment simple implique plusieurs étapes complexes. Le robot doit d’abord lire les étiquettes des colis, effectuer une analyse spatiale pour localiser les cartons, et déterminer quel objet saisir. Lorsqu’il manipule plusieurs cartons, il doit également planifier la séquence et l’ordre des opérations.
Le logiciel de Perceptron assiste les robots dans chacune de ces étapes. Bien que d’autres outils du secteur puissent gérer des tâches individuelles, peu offrent la flexibilité requise pour des applications dynamiques et réelles.
Alors, d’où proviennent les données de cette innovation algorithmique ?
Des modèles comme Isaac 0.5 acquièrent des compétences opérationnelles en traitant d’énormes volumes de données vidéo d’entraînement. Perceptron indique que son nouveau modèle a été entraîné sur un million d’heures de vidéos générales pour reconnaître les décors, les visuels et les scénarios. L’entreprise a également utilisé des vidéos dites « ego » – des images capturées du point de vue de la première personne, souvent via des caméras portables – et des vidéos UMI, qui enregistrent les mouvements humains répétitifs pour enseigner aux systèmes d’IA des actions physiques.
Bien que Perceptron n’ait pas divulgué de sources de données spécifiques, Shrivastava a indiqué que l’entreprise a « construit en interne des ensembles de données à l’échelle du pétaoctet couvrant plusieurs modalités, y compris des images, du texte, des vidéos et des trajectoires robotiques. »
Le potentiel d’un logiciel permettant aux robots de fonctionner efficacement dans les entrepôts est immense. Perceptron estime être bien placée pour impulser cette vague d’automatisation, en proposant son logiciel à divers fournisseurs pour une intégration dans de nombreux secteurs.
Les secteurs cibles incluent la fabrication, la logistique, l’entreposage, la sécurité, la mobilité, ainsi que les médias et le divertissement.
« Rien de tel n’existe actuellement sur le marché », a déclaré Aghajanyan. « Nous sommes vraiment enthousiastes à propos des possibilités. »
Ollie mise sur la protection de la vie privée pour remporter la course aux assistants IA
Pour être véritablement utile, un assistant IA doit comprendre en profondeur son utilisateur. Ollie, un assistant personnel conçu pour la vie quotidienne, part du principe que cela ne nécessite pas de
Comment « AI LIVE : Londres » abordera les thèmes de l'IA et de l'automatisation industrielle
Ce sommet réunira des dirigeants de haut niveau venus du monde entier afin d'aborder les défis urgents auxquels sont confrontés les secteurs d'activité à l'échelle mondiale, allant des bouleversements











