Machenta lève 40 millions de dollars en amorçage pour apprendre de nouvelles tâches aux robots à partir d’une seule démonstration

Apprendre un nouveau travail à un robot peut prendre bien plus de temps que de l’effectuer soi-même. La collecte de démonstrations, la préparation des données d’entraînement et la mise à jour d’un modèle peuvent transformer un simple changement de processus en un vaste projet d’ingénierie. Machenta a levé 40 millions de dollars lors d’un tour d’amorçage pour raccourcir ce processus, en développant un modèle de fondation pour la robotique conçu pour apprendre une tâche physique à partir d’une seule démonstration, sans entraînement supplémentaire spécifique à cette tâche.

L’entreprise londonienne a annoncé ce financement le 27 octobre. Creandum et Union Square Ventures ont co-dirigé le tour de table. Elle utilisera ces fonds pour développer son modèle et agrandir son équipe dans ses nouveaux bureaux et son nouveau laboratoire de King’s Cross.

Machenta qualifie son approche d’« apprentissage robotique instantané ». L’entreprise affirme avoir démontré cette technologie sur des tâches d’emballage, d’assemblage et de rangement, les robots s’adaptant à différentes variantes après avoir observé une seule fois ce qu’ils doivent faire. L’ambition est vaste, mais les résultats doivent être considérés comme des démonstrations d’une technologie en développement, et non comme la preuve qu’un robot peut déjà accomplir toutes les tâches possibles.

Apprendre une nouvelle tâche sans nouvel entraînement

La distinction essentielle se situe entre l’entraînement d’un modèle et l’apprentissage d’une tâche particulière par un modèle déjà entraîné. Machenta entraîne bien son modèle de fondation. L’entreprise cherche à éviter de devoir collecter un vaste nouveau jeu de données et lancer un autre cycle d’entraînement chaque fois que le robot est confronté à une nouvelle tâche.

« L’intelligence ne tient pas tant à ce que l’on sait déjà faire qu’à la rapidité avec laquelle on peut apprendre à faire quelque chose de nouveau », a déclaré le professeur Edward Johns, cofondateur et directeur général de Machenta, dans l’annonce.

Le processus proposé se veut délibérément simple : montrer le comportement souhaité, laisser le robot l’observer, puis lui demander d’exécuter la tâche. En pratique, la démonstration ferait ainsi partie des instructions fournies à un modèle existant, au lieu de marquer le début d’un projet distinct de développement de modèle.

Cette approche est particulièrement pertinente lorsque la tâche reste globalement la même, mais que les objets ou leur disposition changent. Un robot capable uniquement de répéter une séquence fixe a besoin que l’environnement se conforme à son programme. Un système capable d’apprendre doit déterminer ce que la démonstration lui demande d’accomplir et adapter ses actions à la situation qui se présente.

La simulation sert à entraîner la capacité d’apprentissage

La stratégie d’entraînement de Machenta déplace vers la simulation une grande partie du travail de génération des données. Selon le communiqué, l’objectif n’est pas de répertorier toutes les tâches auxquelles le robot pourrait être confronté à l’avenir. Il s’agit de présenter au modèle suffisamment de scénarios variés pour qu’il acquière une capacité réutilisable à apprendre à partir d’un nouvel exemple.

Cela change la manière dont l’entreprise compte changer d’échelle. De nombreux projets d’apprentissage robotique reposent largement sur la collecte de démonstrations physiques par téléopération ou à partir d’enregistrements d’activités humaines. Machenta mise sur la capacité de l’expérience simulée à fournir la diversité nécessaire à l’apprentissage de nouvelles tâches, une démonstration réelle servant d’instruction au moment du déploiement.

Dans sa présentation technique, l’entreprise décrit le système comme un modèle vision-démonstration-action, ou VDA. Il prend en entrée une démonstration et des observations vidéo continues, puis prédit des actions en boucle fermée. L’entreprise indique que son préentraînement repose uniquement sur la simulation ; l’exemple fourni pour l’apprentissage et les observations en temps réel sont des données du monde réel utilisées au moment de l’inférence.

Cette distinction est importante : un préentraînement reposant uniquement sur la simulation ne signifie pas que le robot déployé fonctionne sans informations issues du monde réel. Il doit toujours interpréter la démonstration, observer son environnement et choisir ses actions à mesure que les conditions évoluent.

Les recherches à l’origine de l’apprentissage robotique en contexte

L’entreprise s’appuie sur les travaux menés par Johns et son cofondateur et directeur technique, Vitalis Vosylius, à l’Imperial College London. Johns est professeur d’apprentissage robotique à Imperial, et les deux chercheurs ont élaboré auparavant des méthodes permettant d’apprendre des comportements physiques à partir d’un petit nombre d’exemples.

Leurs travaux de recherche sur Instant Policy, publiés à ICLR 2025, présentent un apprentissage par imitation en contexte à partir d’une ou deux démonstrations, sans entraînement supplémentaire. Ils représentent les démonstrations, les observations et les actions sous forme de graphe, puis utilisent un processus de diffusion appris pour générer la structure du graphe nécessaire à la prédiction des actions.

L’article décrit également un entraînement à l’aide de pseudo-démonstrations : des trajectoires générées par simulation qui constituent un vaste ensemble d’exemples. Les expériences portent sur des tâches simulées et réelles, ainsi que sur des travaux complémentaires consacrés au transfert entre différentes morphologies de robots et aux instructions formulées en langage naturel.

Ces recherches permettent de comprendre les fondements scientifiques du projet, sans pour autant établir que le modèle commercial actuel de Machenta possède exactement la même architecture. La jeune pousse présente son nouveau système comme un modèle de fondation issu de cette lignée de travaux.

L’apprentissage en contexte est bien connu dans le domaine des modèles de langage : des exemples fournis dans une invite peuvent orienter la réponse sans modifier les poids du modèle. L’application de cette idée à la robotique est plus exigeante, car la sortie doit se traduire par une séquence d’actions physiques soumises aux contraintes du monde réel, et non simplement par une réponse plausible.

Ce que les démonstrations établissent — et ce qu’il reste à tester

Dans sa publication technique, Machenta fait état d’essais d’une heure portant sur trois tâches simples à réinitialisation automatique : 74 placements de blocs réussis sur 74 tentatives, 78 transferts de tournevis réussis sur 78 et 97 mises en position verticale de bouteilles réussies sur 99 tentatives. L’entreprise attribue les deux échecs avec les bouteilles au risque de collision et aux contraintes cinématiques.

Ces résultats constituent des premières vérifications de fiabilité utiles, mais pas une évaluation industrielle de grande ampleur. La publication présente également l’apprentissage directement à partir des mains humaines et le fonctionnement avec des mains humanoïdes comme des pistes préliminaires. Elle ne démontre ni une couverture universelle des tâches ni des performances fiables dans tous les environnements de travail.

Pour un utilisateur potentiel, plusieurs facteurs distinguent une démonstration convaincante d’un système déployable : la répétabilité, la capacité à se remettre d’un échec, la sécurité du comportement en présence de personnes et les limites pratiques du matériel du robot. Apprendre rapidement une instruction ne permet pas à une pince de saisir un objet qu’elle ne peut pas physiquement attraper.

L’opportunité commerciale est néanmoins évidente. Si le temps nécessaire à l’apprentissage diminue considérablement, il devient plus facile d’envisager l’utilisation de robots pour des tâches qui évoluent trop fréquemment pour justifier une longue programmation et une intégration complexe. Cela pourrait avoir des répercussions aussi bien sur le déploiement en usine que sur les applications à plus petite échelle, où il est difficile d’obtenir une assistance spécialisée en robotique.

Un tour d’amorçage pour développer le modèle et l’équipe

Machenta s’inscrit dans une vague plus large d’investissements dans l’intelligence robotique adaptable. L’article d’Unite.AI consacré au financement de Dream Labs pour l’IA inter-robots illustre une autre tentative de rendre les capacités acquises utiles sur différentes machines. Machenta s’intéresse surtout à la rapidité avec laquelle une nouvelle instruction physique peut se traduire en comportement opérationnel.

Kathi Wilhelm, associée chez Creandum, a souligné les années de recherche menées par l’équipe avant la création de l’entreprise. Rebecca Kaden, associée gérante chez Union Square Ventures, a mis en avant l’intérêt de robots capables d’apprendre rapidement une nouvelle tâche, plutôt que de nécessiter une formation distincte pour chaque travail.

Pour Machenta, la prochaine étape consiste à transformer ces fondements de recherche en capacités plus étendues et plus fiables. Les 40 millions de dollars donnent à l’entreprise les moyens de développer le modèle et de recruter pour l’accompagner, tandis que son équipe fondatrice met à profit dans l’entreprise six années de travaux sur l’apprentissage robotique à partir d’une seule démonstration.

La question centrale est de savoir jusqu’où ces capacités d’apprentissage peuvent évoluer à mesure que les tâches se diversifient et deviennent plus exigeantes. Si cette approche tient ses promesses, le changement sera concret : les gens pourraient consacrer moins de temps à mettre en place une chaîne d’entraînement et davantage à montrer au robot le travail qu’ils ont réellement besoin de lui faire accomplir.