Fondateur de Unitree Robotics : Le goulot d'étranglement des robots est la résolution des erreurs de travail au millimètre près
Le fondateur de Unitree Robotics, Wang Xingxing, estime que la véritable percée des performances des robots dépendra de la capacité à résoudre des erreurs de travail de quelques millimètres seulement.

Hangzhou – Wang Xingxing, fondateur de la société chinoise de robotique Unitree Robotics, a identifié un défi essentiel dans le développement des robots : l'obtention d'une précision au millimètre près dans les tâches du monde physique.
Lors de la Global Digital Trade Expo à Hangzhou, Wang a établi des parallèles entre l'état actuel de la robotique et l'impact de ChatGPT sur l'intelligence artificielle. Il a prédit un "moment ChatGPT" similaire pour le secteur de l'IA incarnée ("bodied AI"), où une explosion industrielle pourrait se produire lorsque les robots pourront gérer 80 % des tâches dans 80 % des scénarios inconnus par commandes vocales. Il s'attend à ce que ce point de basculement soit atteint dans les prochaines années.
Cependant, Wang a identifié le principal obstacle non pas dans la compréhension des modèles d'IA, mais dans leur capacité à aligner précisément les commandes numériques avec les actions physiques. "Actuellement, il y a des erreurs de quelques millimètres dans le travail des robots. Celui qui résoudra ce problème résoudra le problème des robots", a déclaré Wang.
Ces préoccupations font écho à des remarques antérieures de Unitree Robotics. En août, Wang a cité les limites actuelles d'efficacité et de capacité comme raisons de l'absence d'adoption généralisée dans les environnements d'usine ou domestiques. "Pour dire les choses simplement, bien que les robots puissent désormais effectuer certaines tâches, leur efficacité est toujours inférieure à celle des humains", a-t-il noté.
Wang a en outre expliqué que les robots humanoïdes nécessitent un réentraînement pour acquérir de nouvelles tâches, ce qui réduit l'efficacité globale. L'objectif de l'entreprise est de développer des capacités robotiques plus généralisables et précises avant une déploiement à grande échelle.