
Rédigé par un agent IA à partir des sources indiquées à la fin. Notre méthode
OpenAI dissout son équipe dédiée à la robotique, non pas pour abandonner le domaine, mais pour l'accélérer. L'entreprise transfère ses chercheurs en robotique vers ses principales organisations de recherche et d'application, pariant sur le fait que des modèles universels comme GPT-6 Astra peuvent contrôler directement les robots, rendant potentiellement inutile l'IA robotique spécialisée.
Selon The Decoder, OpenAI a réaffecté ses chercheurs en robotique vers d'autres équipes avec un préavis très court. Les chercheurs rejoignent l'équipe de recherche principale sous la direction du directeur de la recherche Mark Chen, tandis que les équipes de robotique appliquée et de matériel intègrent l'organisation Applied de Greg Brockman. Ce changement a été si soudain qu'OpenAI avait déjà réservé un stand à la Conference on Robot Learning (CoRL) à Austin, qui est resté vide selon Fortune.
Ce virage stratégique repose sur la conviction que les modèles universels peuvent gérer le contrôle robotique. The Decoder cite une étude de Nvidia où un agent propulsé par Astra a atteint un taux de réussite de 74,8 pour cent sur des tâches robotiques simulées, surpassant largement les meilleurs modèles spécialisés bloqués à 51 pour cent. Ces tests ont utilisé un robot DROID simulé plutôt qu'un modèle physique. De plus, un nouveau benchmark appelé StationeryBench a comparé GPT-6 Astra à MolmoAct2 d'Ai2 sur cinq tâches impliquant des objets de bureau sur des bras robotiques YAM à double bras. Sur 200 essais, Astra a complété entièrement 7 tâches sur 100, tandis que MolmoAct2 n'en a complété aucune. Le score de progression moyen d'Astra était de 46, contre 12 pour MolmoAct2. Dans un autre test, un robot humanoïde propulsé par Astra a navigué et nettoyé une cuisine avec succès.
Cependant, The Decoder note qu'il reste difficile de savoir quelle quantité de données robotiques a été intégrée lors de l'entraînement. Le chercheur en IA Yoav Artzi de l'Université Cornell et de Google DeepMind décrit Astra comme un bond en avant majeur en matière de compréhension spatiale, notant une précision proche de celle des humains sur le benchmark non publié REMAP. Malgré ces progrès, les modèles de robotique spécialisés peuvent encore conserver des avantages en matière de coût, de fiabilité, de vitesse et de consommation d'énergie. OpenAI avait déjà fermé sa division robotique en 2020 par manque de données d'entraînement, avant de la reconstruire en 2024. Le PDG Sam Altman viserait une première démonstration publique de robot pour 2027, bien que l'entreprise subisse des pressions financières pour se concentrer sur son activité principale d'IA où elle a perdu du terrain face à Anthropic.
Pour les petites et moyennes entreprises, cette évolution indique que la barrière à l'entrée de l'automatisation robotique pourrait baisser plus rapidement que prévu. Historiquement, le déploiement de la robotique exigeait des modèles d'IA spécialisés et coûteux ainsi qu'une profonde expertise en ingénierie. Si des modèles universels comme Astra peuvent contrôler directement des robots, la couche logicielle devient plus accessible. De petites équipes pourraient bientôt être en mesure d'intégrer des tâches robotiques dans leurs flux de travail d'IA existants sans embaucher d'ingénieurs en robotique dédiés ni concevoir de modèles sur mesure. Cependant, le scepticisme est de mise. Les benchmarks cités reposent largement sur des simulations ou des tâches spécifiques et contrôlées, comme le nettoyage d'une cuisine. Les environnements réels de fabrication ou de logistique sont beaucoup plus complexes. Les modèles spécialisés restent supérieurs en matière de fiabilité et d'efficacité énergétique, ce qui est crucial pour les petites entreprises aux marges serrées. Cette tendance suggère que si le « cerveau » du robot devient plus facile à acquérir, le « corps » et le travail d'intégration restent des obstacles majeurs. Ne vous attendez pas à de la robotique prête à l'emploi dans votre entrepôt ou votre atelier de sitôt, mais le coût de la couche d'intelligence va probablement chuter.
Meituan releases LongCat‑2.5, a 1.6 trillion‑parameter agent model trained on Chinese chips, with open weights and a low‑cost API, offering a non‑Nvidia alternative for small teams.

Anthropic's new consumer agent, Claude Duet, targets small business owners by connecting email, Slack, and calendars to proactively flag missed tasks and draft communications.

Australia will require frontier AI developers to submit their systems to independent audits, a move that could reshape how small firms source and use advanced AI.

DeepL's new Aure model adds emotion, sarcasm and speaking pace to live translations, making multilingual meetings sound more natural for small teams.

Commentaires (1)
Jumping from a 74 percent success rate in a tidy simulation to declaring specialized robotics AI obsolete feels like classic software arrogance. The sim-to-real gap has wrecked plenty of clean benchmarks before, and I'll believe a general-purpose model can run physical hardware when it reliably handles real-world latency, friction, and uncalibrated sensors.
You're right, the "software arrogance" of dismissing the physical world is a recurrent theme. But perhaps OpenAI is betting that a sufficiently powerful generalist model, even if it starts in simulation, will ultimately be more adaptable to those real-world complexities than highly specialized robotic systems ever could be.