Generalist AI présente GEN-1.5, un modèle d’IA capable d’apprendre une tâche robotique en quelques secondes

Generalist AI a présenté le 19 août 2026 GEN-1.5, un modèle d’IA capable d’apprendre une nouvelle tâche robotique en quelques secondes à partir d’une simple démonstration. Avec un taux de réussite de 59 % en moyenne et jusqu’à 99 % après un court réentraînement, cette avancée pourrait transformer la productivité des robots industriels, particulièrement en Chine qui concentre 43 % du parc mondial.

La robotique franchit un cap que beaucoup qualifient déjà de décisif. Generalist AI, la start-up fondée en 2024 par d’anciens ingénieurs de Google DeepMind et de Boston Dynamics, a révélé une technologie qui inverse la logique même de la programmation robotique: au lieu de coder chaque geste, on le montre une seule fois, et le robot généralise.

GEN-1.5: le « prompting physique » expliqué

Jusqu’à présent, les robots industriels ressemblaient à des juke-box perfectionnés. On les programme pour une tâche précise – assembler des pièces, palettiser des cartons, souder une jointure – et ils la répètent à l’infini. Changer de mission exigeait une reprogrammation complète. GEN-1.5 change radicalement cette équation: c’est ce que Generalist AI appelle le prompting physique.

En clair, il suffit de montrer au robot comment faire. Vous accomplissez la tâche devant lui – marquer un pli sur du papier, empiler des tasses, retourner un téléphone – et après cette unique démonstration, le modèle capture le schéma moteur et peut le reproduire. Ce mécanisme d’apprentissage par imitation, accéléré par un pré-entraînement massif, génère une capacité de généralisation: le robot ne réplique pas bêtement vos gestes, il en extrait le motif fonctionnel et l’adapte à des contextes légèrement différents.

Sur une batterie de dix tâches manuelles simples, GEN-1.5 affiche un taux de réussite moyen de 59 %. C’est déjà significatif pour un système n’ayant jamais vu ces tâches auparavant. Mais la vraie puissance se révèle avec un très court réentraînement: seulement cinq minutes de nouvelles démonstrations (soit une cinquantaine) font grimper le taux à 83 %. Et dans des scénarios où le modèle s’affine légèrement sur une tâche très spécifique – balayer des déchets avec une brosse, par exemple – on atteint 99 % de réussite.

Pourquoi comparer GEN-1.5 à GPT-3?

La comparaison circule partout dans la communauté technologique, et elle n’est pas anodine. GPT-3, le modèle d’OpenAI lancé en 2020, a marqué un tournant en démontrant que les grands modèles pré-entraînés pouvaient accomplir des tâches totalement nouvelles avec seulement quelques exemples en entrée – ce que les chercheurs appellent le few-shot learning, ou apprentissage sur peu d’exemples.

GEN-1.5 apporte exactement cela au domaine physique. Là où la robotique classique exigeait des centaines d’heures d’entraînement spécialisé par tâche, voici un système qui en a besoin de secondes. C’est une rupture dans l’ordre de grandeur du temps d’adaptation, et c’est ce qui justifie l’analogie avec le moment GPT-3: une technologie fondationnelle qui ouvre soudain une nouvelle classe d’applications possibles.

Cependant, Yu Xiang, chercheur en robotique à l’université du Texas à Dallas, rappelle que la comparaison mérite de la nuance. Le langage naturel bénéficie d’une représentation unifiée – tous les humains manipulent les mêmes mots, la même syntaxe. Les robots, eux, sont radicalement divers: architectures différentes, pinces variées, mains spécialisées. La véritable preuve de concept, selon Xiang, sera que GEN-1.5 se transfère sans dégradation majeure vers des robots aux anatomies très différentes. C’est ce véritable test en environnement hétérogène qui confirmera ou non si la comparaison tient.

Un pré-entraînement sur données réelles, pas simulées

Une caractéristique distincte de GEN-1.5: aucune donnée de simulation n’a nourri son pré-entraînement. C’est une bascule importante dans la stratégie industrielle. Historiquement, les roboticiens s’appuyaient sur des environnements virtuels pour générer des millions d’exemples à coût réduit – un robot apprend dans un monde numérique, puis on transfère la compétence au robot réel, avec tous les problèmes de sim-to-real gap que cela implique.

Generalist AI a opté pour l’inverse: tout est venu de données d’interaction physique réelle, capturées dans des environnements quotidiens (foyers, entrepôts, usines) via son propre système de collecte, baptisé « moteur de données ». Le modèle précédent, GEN-1 dévoilé en avril 2026, s’appuyait sur environ 500 000 heures de données réelles. La quantité exacte pour GEN-1.5 n’est pas précisée, mais elle dépasse vraisemblablement ce seuil.

Ce choix – données réelles plutôt que simulées – réduit le risque de divergence entre ce que le modèle a appris et ce qu’il doit faire dans le monde physique véritable. C’est un pari coûteux (collecter des données réelles est plus cher que générer de la simulation), mais apparemment gagnant en termes de fiabilité et de généralisation.

Les mécanismes émergents restent opaques

Generalist AI elle-même avoue une limite honnête: pourquoi ces capacités émergent-elles? L’entreprise propose une hypothèse selon laquelle le modèle aurait appris à détecter et reproduire des schémas répétitifs intrinsèques au travail physique. La mécanique serait analogue à celle des modèles de langage: repérer des régularités dans des séquences génériques (ici, des mouvements et des résultats) et les généraliser à des contextes nouveaux.

Mais c’est une explication a posteriori, pas une compréhension complète du phénomène. C’est exactement ce qui s’est passé avec GPT-3 lui-même: les équipes d’OpenAI ont constaté que le modèle était capable d’apprentissage en contexte sans vraiment comprendre comment cela émergeait de l’architecture transformer et du pré-entraînement. L’opacité est le prix de la puissance, en quelque sorte.

Enjeu géopolitique: la Chine en position dominante

Au-delà du progrès technique, GEN-1.5 pose une question stratégique. Un robot capable d’apprendre une nouvelle tâche en minutes plutôt qu’en jours ou semaines multiplie les gains de productivité potentiels d’un facteur considérable. À l’échelle d’une usine ou d’un secteur industriel, c’est un accélérateur de compétitivité.

La Chine concentre à elle seule 43 % du parc mondial de robots industriels. Selon le rapport de la Fédération internationale de robotique (IFR) publié en septembre 2025, Pékin installe plus de robots industriels que le reste du monde combiné. En 2024, plus de la moitié des robots installés en Chine provenaient de fabricants chinois. Si GEN-1.5 ou ses successeurs se déploient rapidement à grande échelle, la Chine serait logiquement l’une des premières à bénéficier des gains de productivité – ce qui creuserait potentiellement encore l’écart dans les secteurs fortement automatisés.

Generalist AI, bien qu’américaine et composée d’anciens talents des géants du secteur (DeepMind pour l’IA, Boston Dynamics pour la robotique), n’a pas encore indiqué un calendrier de déploiement ni une stratégie de commercialisation. Le vrai débat, à court terme, sera de savoir si GEN-1.5 sort du laboratoire pour entrer dans les usines, et à quel rythme.