En 2026, le cercle de l’IA donnera naissance aux 100 milliards de licornes les plus rapides. Skild AI a finalisé un financement de série C avec une valorisation de plus de 140 milliards de dollars, et a été investie par SoftBank, Nvidia et Bezos en seulement 3 ans de création. Le fondateur vient de Meta AI, qui ne construit pas de matériel robotique, mais se concentre sur la création d’un « cerveau universel » appelé Skild Brain, qui utilise des modèles partagés pour donner aux robots la capacité d’accéder au monde physique.
La logique du capital d’une augmentation de la valorisation par dix en deux ans
Skild AI est la licorne la plus rapide à dépasser les 100 milliards cette année, avec un rythme de développement rapide et une forte expansion de la valorisation, ce qui est phénoménal même dans la vague frénétique d’investissements en IA. À peine deux mois après sa création, l’entreprise a reçu un tir d’amorçage de 14,5 millions de dollars mené par Lightspeed Ventures, lançant avec succès son lancement. Pour son premier anniversaire, Skild AI a mené un tour de financement de série A allant jusqu’à 300 millions de dollars, et sa valorisation post-investissement a bondi à 15 milliards de dollars. En moins de deux ans, sa valorisation a été presque décuplée, et son dernier financement de série C a porté sa valorisation à 140 milliards de dollars.
La raison pour laquelle les capitaux parient sur l’IA qualifiée est simple : le marché mondial du travail fait face à un écart important. Le déficit d’emplois dans l’industrie manufacturière américaine à lui seul devrait atteindre 2,1 millions d’ici 2030, et le problème du vieillissement de la population dans les économies développées comme l’Europe et le Japon est encore plus grave. Les robots polyvalents, capables d’effectuer des tâches physiques complexes, sont considérés comme la clé pour résoudre la crise de productivité. Cependant, l’industrie robotique actuelle est très fragmentée, et chaque fabricant tente de développer tout, des structures mécaniques aux systèmes de contrôle, ce qui entraîne des coûts élevés en R&D et l’impossibilité de migrer les capacités entre plateformes.
Le modèle purement logiciel de Skild AI, qui est « ne faire que le cerveau, pas le corps », s’inscrit dans la tendance générale de l’industrie qui passe du « matériel » aux « modèles IA et capacités logicielles ». Sequoia Capital a écrit dans le rapport post-investissement : « La valeur fondamentale de Skild AI est d’utiliser un modèle de fondation partagée pour libérer la ‘capacité émergente’ des robots dans le monde physique. C’est fondamentalement différent de la non-scalabilité du « contrôleur à point unique » dans le passé. » Cette « capacité émergente » est similaire à la percée de GPT-3 dans la compréhension du langage, où, lorsque le modèle atteint un point critique, il possède automatiquement des capacités qui n’ont pas été explicitement enseignées lors de l’entraînement.
L’implication de SoftBank est particulièrement stratégique. Le géant technologique japonais a acquis ARM en 2016 pour 320 milliards de dollars et s’est développé dans le domaine de la robotique (notamment avec l’acquisition de Boston Dynamics). Le SoftBank Vision Fund est reconnu pour son agressivité dans l’investissement en IA, et cette position importante dans Skild AI montre qu’il croit que le « cerveau universel robot » est le prochain marché à un trillion de dollars. L’ajout de Nvidia apporte une puissance de calcul et un soutien écologique, et l’infrastructure de formation de Skild AI devrait être construite sur le cluster GPU de Nvidia. L’investissement personnel de Bezos est encore plus fréquent, car le fondateur d’Amazon participe rarement à des projets en phase initiale, et son soutien apporte une valeur de marque intangible à Skild AI.
Les gènes technologiques de l’équipe qui a quitté Meta
La réponse aux capacités techniques de Skild AI est cachée dans l’ombre de l’équipe fondatrice. Avant de fonder Skild AI, Deepak Pathak était un chercheur et praticien renommé dans le domaine de l’intelligence artificielle et de la robotique, ayant été professeur assistant à l’université Carnegie Mellon et publié plusieurs articles largement cités. Durant son mandat chez Meta AI, il a été profondément impliqué dans plusieurs projets clés sur l’apprentissage adaptatif, la migration par simulation vers le monde réel et l’entraînement à grande échelle des données robotiques.
Pathak est fermement convaincu que la véritable intelligence générale de l’IA doit se construire par l’interaction et l’essai-erreur dans le monde physique, plutôt que de se fier uniquement à des données numériques de texte ou d’images. Ce concept a été remis en question au sein de Meta, car l’accent de Meta était alors mis sur le métavers et l’IA sociale, et son investissement dans les robots physiques était relativement conservateur. Ce désaccord stratégique a finalement poussé Pathak à choisir de créer une entreprise et à concrétiser l’idée.
Abhinav Gupta, également de Meta AI, a réalisé des avancées à l’intersection de la vision par ordinateur et de l’apprentissage robotique. Il a mis l’accent sur l’apprentissage des connaissances en physique à partir de données vidéo à l’échelle du réseau, permettant aux machines de comprendre les propriétés des objets, les lois physiques et les intentions humaines. En fait, Gupta et Pathak ont collaboré à plusieurs reprises durant leur passage chez Meta pour explorer comment reproduire les « capacités émergentes » des grands modèles de langage en robots physiques.
Tous deux estiment que l’industrie actuelle de la robotique dépend trop de solutions personnalisées pour des tâches spécifiques et du matériel spécifique, et qu’elle manque d’un « cerveau universel » généralisable et évolutif, ce qui limite sérieusement le potentiel d’application et la vitesse de popularisation des robots dans le monde réel. En conséquence, les deux ont déjà commencé à incuber un projet interne dans les dernières étapes de Meta pour tenter de construire un modèle de base robotique qui ne dépend pas de matériel spécifique. Finalement, début 2023, Pathak et Gupta ont décidé de quitter Meta et de lancer une entreprise à plein temps. Ils croient fermement que l’avenir de l’industrie de la robotique ne consiste pas à créer plus de « corps », mais à fournir un « cerveau » puissant et partageable.
Le moment GPT-3 dans l’industrie de la robotique
Avançons jusqu’en 2023, lorsque les robots intelligents fleurissaient partout, mais chaque robot devait entraîner des algorithmes spécialisés à partir de zéro, ce qui entraînait de longs cycles de R&D, des coûts élevés et des capacités incommuniquables entre différents robots. Dans l’industrie du renseignement incarné, il y a toujours eu un problème qui affecte l’industrie : comment généraliser ? La généralisation dite fait référence à la capacité d’un robot à pouvoir être rapidement copiée sur d’autres robots.
C’est très difficile pour les robots car le monde physique est extrêmement complexe, incertain et très dynamique, et les robots doivent résoudre des problèmes de généralisation aux trois niveaux simultanés : perception, prise de décision et exécution. Par exemple, les changements d’éclairage, les effets météorologiques, l’encombrement de fond, les interférences d’occlusion, etc., peuvent provoquer des changements radicaux dans la distribution des données d’entrée des capteurs visuels. Même si chaque tâche simple (par exemple, attraper, marcher) est apprise, lorsqu’elle est combinée en tâches complexes (par exemple, « ouvrir le frigo, sortir une boisson et la verser dans un verre »), l’espace de prise de décision augmente de façon exponentielle.
Skild Brain résout les trois grandes voies techniques de la généralisation
Pré-formation multimodale à grande échelle: Apprendre des connaissances en physique à partir de vidéos web, d’environnements simulés et de données réelles de robots pour créer des représentations communes à travers des scénarios
Le matériel est indépendant de l’architecture: Découplage de la logique de perception et de prise de décision de structures mécaniques spécifiques via des couches d’abstraction, de sorte que le même modèle puisse être déployé sur différentes formes de robots telles que les roues, les pieds et les bras
Mécanisme d’apprentissage continu: Les données générées par le robot lors de l’exécution de la tâche sont renvoyées dans le cloud, le modèle est optimisé en continu, et l’expérience de chaque robot peut bénéficier à l’ensemble du réseau
Skild AI ne fabrique pas de matériel robotique, mais vise à installer un « cerveau universel » pour tous les robots, et ses fondateurs affirment créer des « moments GPT-3 » d’intelligence incarnée. Skild Brain sépare le logiciel du matériel, évitant d’être lié à un seul design matériel. Parallèlement, cela abaisse autant que possible le seuil industriel, permettant à d’autres fabricants ou intégrateurs de robots de se concentrer sur l’optimisation matérielle et la mise en œuvre de scénarios, et d’appeler directement l’API de Skild Brain pour obtenir une intelligence avancée, accélérant considérablement la popularisation des applications robotiques.
Les perspectives de commercialisation sont également prometteuses. Dans les secteurs industriel et commercial, les robots sur une chaîne de production n’ont pas besoin d’être arrêtés à cause d’un petit bug ; En cas de secours en cas de catastrophe, les robots peuvent continuer à effectuer des tâches même s’ils ont des « membres sectionnés » ; Sur le marché grand public, un « cerveau » peut être utilisé « hors de la coquille » pour réduire significativement les coûts. Ces pierres technologiques sont en train de redéfinir la compréhension des gens sur l’AGI – la connaissance numérique seule ne peut pas construire une véritable AGI, et les agents machines doivent apprendre par un apprentissage « pratique » pour comprendre les vraies lois de fonctionnement du monde physique.
