Dans le monde trépidant de la fabrication moderne, un nouveau type de travailleur prend sa place dans les usines : le robot guidé par l'intelligence artificielle. Contrairement aux machines rigides et préprogrammées du passé qui ne pouvaient que répéter un seul mouvement indéfiniment, ces nouveaux systèmes sont conçus pour comprendre le monde à travers la vue et le langage. Ils peuvent regarder une table encombrée, lire une instruction telle que « ramasse la bouteille rouge », et déterminer les mouvements précis nécessaires pour accomplir la tâche. Cette capacité repose sur un type spécifique de cerveau pour la machine, appelé modèle vision-langage-action. Ces modèles agissent comme le système nerveux central, traitant ce que le robot voit et entend, puis traduisant cette compréhension en un flux de commandes physiques. Pour que ces robots soient véritablement utiles dans une véritable usine, ils doivent être rapides. Si le cerveau du robot met trop de temps à réfléchir, la machine bégaye, ses mouvements deviennent saccadés et elle ne parvient pas à réagir assez vite lorsqu'un travailleur humain intervient ou qu'un objet se déplace. La vitesse à laquelle le robot peut penser et décider est le facteur déterminant majeur pour savoir s'il peut suivre le rythme du travail humain.

Des chercheurs de l'Université Jiao Tong de Shanghai ont identifié un goulot d'étranglement fondamental dans la manière dont ces robots intelligents réfléchissent actuellement. Ils ont découvert que, bien que le logiciel pilotant ces robots soit incroyablement sophistiqué, il perd souvent du temps à réapprendre les mêmes choses encore et encore. Dans un cadre industriel typique, un robot ne fait pas face à un monde totalement nouveau chaque seconde. Au lieu de cela, il effectue une boucle répétitive de tâches, déplaçant souvent des objets similaires vers des endroits similaires sous des conditions d'éclairage similaires. L'équipe a découvert que, parce que les tâches sont si similaires, l'état interne du robot — les motifs complexes d'activité à l'intérieur de son cerveau numérique — devient également remarquablement similaire d'une tentative à l'autre. Tout comme un pianiste humain n'a pas besoin de réapprendre les mouvements de ses doigts pour une chanson familière à chaque fois qu'il la joue, le robot est capable de se rappeler ces motifs. Cependant, les cadres logiciels existants ne tirent pas parti de cela ; ils forcent le robot à effectuer chaque calcul à partir de zéro, même quand la réponse est essentiellement la même que celle d'il y a un instant.

Pour résoudre ce problème, les chercheurs ont développé un nouveau système appelé rMuscle, un cadre conçu pour donner aux robots une forme de mémoire musculaire numérique. Le système fonctionne en observant comment le robot exécute une tâche et en sauvegardant les « pensées » qu'il a eues lors des tentatives réussies. Lorsque le robot rencontre une situation qui ressemble à une précédente, rMuscle ne repart pas de zéro. Au lieu de cela, il puise dans sa banque de mémoire et récupère les motifs internes pertinents. Le système est construit sur deux types distincts de mémoire pour gérer les différentes façons dont le robot réfléchit. La première partie, appelée Context Cache (cache de contexte), gère le traitement visuel. Lorsqu'un robot voit une scène familière, ce cache lui permet de sauter l'étape laborieuse de l'analyse de chaque pixel à nouveau, en réutilisant les résultats des analyses visuelles précédentes. La seconde partie, l'Action Cache (cache d'action), gère la prise de décision pour le mouvement. Elle reconnaît que dans de nombreuses tâches répétitives, seule une petite partie spécifique des décideurs internes du robot est réellement nécessaire pour résoudre le problème. En identifiant quelles parties spécifiques du cerveau sont actives dans un scénario familier, le système peut ignorer le reste, en chargeant uniquement les composants nécessaires pour prendre une décision.

Les chercheurs ont testé cette approche sur une variété de robots et de tâches, allant d'environnements simulés à des robots physiques réels travaillant sur des lignes d'assemblage. Ils ont utilisé des ordinateurs puissants et du matériel spécialisé souvent présents dans les laboratoires de robotique de haut niveau pour voir à quel point les robots pouvaient réfléchir plus vite. Les résultats ont montré une amélioration significative de la vitesse. Sur des ordinateurs haute performance standards, le nouveau système a permis aux robots de réfléchir environ 29 % plus vite. Sur des ordinateurs plus petits et spécialisés, conçus pour être intégrés directement dans les robots, l'augmentation de vitesse a été encore plus spectaculaire, atteignant jusqu'à 42 %. Cela signifie qu'un robot qui mettait auparavant une fraction de seconde pour décider de son prochain mouvement peut désormais le faire presque instantanément, permettant un mouvement plus fluide et plus régulier. Crucialement, cette vitesse ne s'est pas faite au détriment de la précision. Les robots n'ont pas commencé à commettre des erreurs ou à lâcher des objets ; ils ont maintenu le même taux de réussite élevé qu'auparavant, en atteignant simplement leurs décisions plus efficacement.

Le succès de rMuscle repose sur une gestion intelligente de la mémoire pour s'assurer que le robot ne soit pas ralenti par les données mêmes qu'il essaie de réutiliser. Stocker chaque pensée que le robot a jamais eue nécessiterait trop d'espace, donc le système est conçu pour être sélectif. Il conserve une petite fenêtre glissante des souvenirs récents les plus pertinents, écartant les plus anciens qui sont peu susceptibles d'être nécessaires à nouveau. Lorsque le robot a besoin de se rappeler un souvenir qui ne se trouve pas dans sa fenêtre active actuelle, le système le reconstruit à la volée pendant que le robot déplace physiquement ses bras. Cela signifie que le robot travaille toujours, utilisant le temps passé à bouger pour préparer l'ensemble de pensées suivant pour le moment où il s'arrêtera pour réfléchir. Cette intégration transparente garantit que le robot n'a jamais à attendre que sa mémoire le rattrape.

Les implications de ce travail vont au-delà de la simple accélération des robots ; cela change la façon dont nous pouvons les déployer dans le monde réel. En réduant le temps nécessaire au robot pour traiter son environnement, le système permet des interactions plus réactives. Un robot peut réagir beaucoup plus rapidement si un humain entre sur son chemin ou si une pièce tombe d'un tapis roulant, ce qui le rend plus sûr et plus fiable pour travailler aux côtés des humains. Les chercheurs ont démontré cela avec des robots physiques effectuant des tâches d'assemblage complexes, comme l'emballage de composants de meubles sur un tapis roulant ou la manipulation de bouteilles délicates avec deux bras travaillant à l'unisson. Dans chaque cas, le système a préservé la capacité du robot à réussir tout en économisant des millisecondes critiques sur chaque cycle de décision.

Cette approche représente un changement dans la façon dont nous construisons des machines intelligentes. Plutôt que d'essayer de rendre le cerveau sous-jacent du robot plus puissant ou plus complexe, les chercheurs se sont concentrés sur la manière dont ce cerveau est utilisé. Ils ont réalisé que l'intelligence requise pour le travail en usine ne consiste pas à résoudre un nouveau puzzle chaque seconde, mais à réutiliser efficacement des solutions à un ensemble de problèmes familiers. En construissant un système qui respecte la nature répétitive du travail industriel et tire parti des similitudes entre les tâches, ils ont créé un moyen pour les robots de se déplacer avec une fluidité qui était auparavant hors de portée. Ce travail suggère que l'avenir d'une robotique efficace ne réside pas seulement dans un meilleur matériel, mais dans des manières plus intelligentes de gérer le flux d'informations, permettant aux machines de se souvenir de leurs succès passés et de les appliquer au moment présent avec un effort minimal.