General Intuition vise 6 milliards, alors que ses robots apprennent encore dans les jeux vidéo

Les robots coûtent cher à entraîner : chaque geste doit être enregistré, annoté, répété, puis validé dans un environnement réel. General Intuition veut réduire cette facture en puisant dans une source de données déjà abondante : les centaines de millions d’heures passées par des joueurs à se déplacer, manipuler des objets et prendre des décisions dans des mondes virtuels.

Un pari à 6 milliards de dollars avant même le déploiement industriel

La start-up fondée par Pim de Witte négocie un nouveau tour de financement sur une valorisation pré-money de 6 milliards de dollars, selon TechCrunch et Startup Fortune. Ce niveau correspond à la valeur théorique de l’entreprise avant l’injection de nouveaux capitaux.

Le montant est particulièrement élevé pour une société encore en phase de développement. Quelques semaines plus tôt, General Intuition aurait discuté une valorisation de 2,3 milliards de dollars. La progression, supérieure au double, traduit l’appétit des investisseurs pour les technologies d’IA capables de s’attaquer à la robotique — mais aussi une forte anticipation des revenus futurs.

L’opération n’est pas présentée comme finalisée. Elle serait soutenue par plusieurs investisseurs, dont Valor Equity Partners, Point72 Ventures et Seven Seven Six. Tant que le tour n’est pas officiellement conclu, la valorisation annoncée reste donc une référence de négociation, et non une valeur établie par une transaction achevée.

Le pari de General Intuition repose sur une idée simple : avant de faire apprendre à un robot réel comment agir dans un bureau, un entrepôt ou un logement, il est possible de lui enseigner une partie des règles de l’action dans des environnements virtuels.

Des jeux vidéo comme laboratoire de comportement

La société entraîne un modèle capable de faire évoluer des agents dans l’espace et dans le temps. Ces agents ne se contentent pas de reconnaître une image ou de prédire le prochain mot : ils doivent comprendre une situation, choisir une action et observer ses conséquences au fil d’une séquence.

Pour y parvenir, General Intuition exploite des centaines de millions d’heures de jeu, associées à des données décrivant les actions réalisées par les joueurs. Ces traces peuvent indiquer les déplacements, les interactions avec des objets, les décisions prises sous contrainte de temps ou encore la manière dont une action modifie l’environnement.

Cette approche s’inscrit dans une tendance plus large de l’IA : utiliser des environnements virtuels comme terrains d’entraînement. Un jeu vidéo fournit un monde contrôlé, répétable et beaucoup moins coûteux qu’un laboratoire rempli de robots. Une erreur ne casse aucun bras mécanique, ne blesse personne et peut être rejouée instantanément.

Les jeux offrent aussi une densité de données difficile à obtenir dans le monde physique. Un robot qui apprend à saisir un objet doit répéter le geste des centaines ou des milliers de fois, avec des variations de position, de lumière, de texture et de poids. Dans un jeu, des millions de situations peuvent être générées en parallèle, tandis que les actions des utilisateurs humains fournissent une forme de démonstration comportementale.

Le passage du virtuel au réel reste le principal obstacle

La difficulté consiste toutefois à transférer ces apprentissages vers des machines confrontées aux contraintes du monde physique. Une manette, un clavier ou une souris ne produisent pas les mêmes signaux qu’une caméra, un capteur de force ou un moteur articulé. La physique d’un jeu est également une approximation : les objets, les surfaces et les collisions n’y réagissent pas toujours comme dans un environnement réel.

Ce problème, souvent désigné par l’expression sim-to-real, ne se résume pas à connecter le modèle à un robot. Il faut aligner les représentations visuelles, les actions disponibles, les délais de réaction et les conséquences physiques. Un agent capable d’anticiper le déplacement d’un personnage dans un jeu peut ne rien savoir de la friction d’un sol, de la fragilité d’un verre ou du risque posé par un humain qui entre soudainement dans son champ de vision.

Les données de jeu comportent une autre limite : elles sont produites dans des univers conçus pour être lisibles et interactifs. Les objets y sont souvent clairement identifiables, les objectifs compréhensibles et les actions possibles limitées par les règles du logiciel. Un bureau réel est plus ambigu. Les objets sont partiellement masqués, les tâches sont rarement formulées explicitement et une même consigne peut nécessiter plusieurs stratégies.

Une démonstration prometteuse, mais encore à vérifier

Selon une source citée par Startup Fortune, le modèle de General Intuition aurait pu guider un robot dans un bureau après seulement huit minutes de vidéos du monde réel. Si elle se confirme, une telle performance suggérerait que le système sait exploiter les données virtuelles pour réduire la quantité d’exemples physiques nécessaires.

Cette affirmation doit cependant être considérée comme une déclaration associée à la start-up, et non comme un benchmark indépendant. Plusieurs éléments sont indispensables pour l’évaluer : le type de robot utilisé, la tâche exacte, le nombre d’échecs, la durée de l’essai, les conditions d’éclairage, la quantité de préparation humaine et la comparaison avec un modèle entraîné uniquement sur des données réelles.

La distinction est importante. Une vidéo peut montrer une trajectoire ou une situation, mais elle ne fournit pas toujours les informations nécessaires à un robot pour reproduire le geste : force exercée, résistance d’un objet, point de contact précis ou correction en temps réel. Les huit minutes annoncées peuvent donc constituer un indice de transfert efficace, sans encore démontrer une capacité générale à agir dans des environnements variés.

Une stratégie qui vise la rareté des données robotiques

L’intérêt économique du projet est néanmoins clair. Les entreprises qui développent des robots doivent financer la collecte de données, l’entretien des machines, la supervision humaine et la sécurisation des tests. Cette infrastructure ralentit l’itération et limite le nombre d’exemples disponibles.

General Intuition cherche à déplacer une partie de cet effort vers le logiciel et les données existantes. Si son modèle apprend des principes d’action dans les jeux, les essais réels pourraient servir principalement à l’adaptation finale, plutôt qu’à l’apprentissage complet de chaque tâche.

Le prochain jalon sera donc moins la valorisation financière que la preuve d’une transférabilité mesurable. General Intuition devra montrer qu’un robot peut accomplir plusieurs tâches inédites, dans différents bureaux ou environnements, avec peu de démonstrations humaines et un taux d’échec documenté. Sans ces résultats, les 6 milliards de dollars resteront surtout un pari sur la possibilité de transformer une immense bibliothèque de parties de jeux vidéo en compétence physique fiable.