Comment LingBot-VA 2.0 de Robbyant s’incarne dans un robot pour le piloter seul : et pourquoi personne n’avait encore réussi ça avec un modèle vidéo-action

Le groupe chinois Ant, via son entité d’IA incarnée Robbyant, présente LingBot-VA 2.0 comme le premier modèle monde vidéo-action conçu nativement pour la robotique. L’ambition affichée, passer de modèles adaptés du numérique à un socle pensé dès le départ pour la physique, la causalité et l’exécution en temps réel. La démonstration mise en avant, un robot jouant à l’air hockey sur table face à un humain, avec des réactions instantanées.

À lire aussi :

• L’aviation commerciale n’avait jamais franchi ce cap : Dubaï homologue le VDX de Skyports et ouvre l’ère des vertiports eVTOL certifiés
• L’industrie mondiale de l’IA pensait avoir tout vu, mais la Chine vient de multiplier par 1000 sa consommation pour atteindre 140 000 milliards de tokens en une journée

Robbyant et Ant Group misent sur l’IA incarnée, du labo au salon

Robbyant se présente comme une entité d’IA incarnée au sein d’Ant Group, avec une feuille de route centrée sur des robots compagnons capables d’agir dans des environnements ordinaires. Le message est clair, viser des tâches concrètes comme l’aide à domicile, l’assistance médicale ou le support aux personnes âgées.

Dans la communication de lancement, le groupe insiste sur un changement de méthode, ne plus partir d’un modèle de génération vidéo conçu pour Internet, puis l’ajuster à la robotique. L’objectif devient un modèle pensé pour la perception, la prédiction et l’action en conditions réelles, avec friction, erreurs, imprévus.

Ce positionnement intervient dans une course mondiale où les laboratoires cherchent des modèles capables de relier ce que la caméra voit à ce que le robot doit faire, au bon moment. Les robots domestiques échouent souvent sur des détails, un objet mal saisi, une surface glissante, un humain qui bouge, ce qui impose une boucle décisionnelle rapide.

Robbyant met aussi en avant une approche intégrée, logiciel et matériel, pour éviter le décalage entre un modèle brillant en simulation et un robot maladroit sur le terrain. Le pari est qu’un socle commun, entraîné avec des signaux vidéo et des actions, accélère la mise en production.

LingBot-VA 2.0 promet une boucle vidéo-action en temps réel

Le cur de l’annonce, LingBot-VA 2.0 est présenté comme un modèle monde vidéo-action nativement incarné, destiné au contrôle physique. L’idée d’un modèle monde est de construire une représentation interne de la scène, puis d’anticiper ce qui va se passer si le robot agit.

Robbyant insiste sur trois capacités, modélisation dynamique, prédiction causale et exécution temps réel. Sur le papier, cela vise les situations où une action modifie immédiatement l’état du monde, pousser un objet, ouvrir un tiroir, attraper une balle, éviter une main qui traverse le champ.

La démonstration la plus parlante, un match d’air hockey sur table entre un humain et un robot. Ce type de test est utile parce qu’il combine vitesse, trajectoires difficiles et nécessité de réagir sans latence visible, sans quoi l’échange s’écroule.

Le discours met aussi l’accent sur l’interaction, pas seulement sur la précision. Dans un logement, un robot doit gérer des mouvements humains imprévisibles, des changements d’éclairage, des objets partiellement cachés. Un modèle vidéo-action vise à relier ces signaux à des actions robustes, plutôt qu’à produire une belle vidéo.

Du modèle génératif recyclé au modèle né robot, le changement de doctrine

Une partie du secteur a longtemps tenté de partir de grands modèles entraînés sur des contenus numériques, puis de les adapter à la robotique. Robbyant affirme prendre l’autre chemin, bâtir un modèle dès le départ pour les contraintes physiques et la sécurité d’exécution.

Dans un monde réel, l’agent doit gérer des causalités simples mais impitoyables, si je pousse trop fort, l’objet tombe, si je saisis mal, il glisse. Le modèle doit aussi intégrer la dimension temps, une action trop tardive peut être pire qu’une action imparfaite.

Ce basculement se lit dans les priorités, moins de génération au sens créatif, plus de contrôle et de planification. Pour des cas d’usage comme l’assistance ou le soin, la tolérance à l’erreur est faible, ce qui rend la stabilité et la prédictibilité centrales.

Robbyant n’a pas détaillé, dans les éléments publics, le volume de données, les métriques de performance ou les gains chiffrés face à une version précédente. Cela laisse une zone à éclaircir pour juger la maturité, notamment sur la généralisation, la résistance aux perturbations et le comportement hors distribution.

Ce que change un modèle monde pour l’aide à domicile et le soin

Le cap annoncé vise des robots capables d’exécuter des tâches quotidiennes, apporter un objet, aider à se lever, ranger, surveiller un geste à risque. Dans ces scénarios, la valeur vient d’une compréhension de scène en continu, où la vidéo et l’action sont couplées.

Un modèle monde utile doit aussi arbitrer, agir ou s’abstenir. Une assistance à une personne âgée implique des règles de prudence, garder une distance, ralentir près d’un obstacle, s’arrêter si une main apparaît. Le défi n’est pas seulement technique, il touche à la fiabilité et à la responsabilité.

Le choix de l’air hockey illustre une compétence transposable, suivre une trajectoire, anticiper un rebond, ajuster une posture. On peut imaginer des équivalents domestiques, rattraper un objet qui glisse, repositionner un plateau, stabiliser une bouteille qu’on renverse.

Le passage à l’échelle dépendra aussi du coût matériel, des capteurs, de la consommation énergétique et du niveau de supervision requis. Un modèle temps réel doit tenir sur des plateformes embarquées ou sur une architecture de calcul à faible latence, sans connexion fragile comme point unique de défaillance.

Open source, démonstrations, promesses, ce qu’il faut vérifier maintenant

Le lancement s’inscrit dans un moment où plusieurs acteurs publient des modèles et des démonstrations spectaculaires. Pour LingBot-VA 2.0, la question centrale est la reproductibilité, quels robots, quels capteurs, quels environnements, quels taux d’échec sur des tâches variées.

Les annonces évoquent un virage vers des modèles conçus from scratch pour le monde physique. Il faudra regarder les détails, la gestion des collisions, la stabilité des politiques d’action, la capacité à récupérer après une erreur, et la manière dont le système limite les comportements dangereux.

Pour situer l’annonce, voici une comparaison simple, basée sur le positionnement public, pas sur des benchmarks indépendants. Elle aide à comprendre ce que Robbyant affirme changer dans la recette.

La suite se jouera sur des évaluations publiques et des retours terrain, notamment dans des environnements encombrés, avec des humains, des animaux, des objets fragiles. C’est là qu’un modèle monde se distingue, non par une vidéo impressionnante, mais par une action sûre, répétable et utile.