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

Apprendre une nouvelle tâche à un robot peut prendre bien plus de temps que de l’accomplir soi-même. Recueillir des démonstrations, préparer les données d’entraînement et mettre à jour un modèle peut transformer une petite modification du flux de travail en un important projet d’ingénierie. Machenta a levé 40 millions de dollars lors d’un tour de table d’amorçage pour raccourcir ce processus. L’entreprise développe un modèle de fondation pour la robotique conçu pour apprendre une tâche physique à partir d’une seule démonstration, sans entraînement supplémentaire propre 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. Machenta utilisera ces fonds pour faire évoluer son modèle et agrandir son équipe dans ses nouveaux bureaux et laboratoires 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 aux variations après une seule démonstration. L’ambition est vaste, mais ces résultats doivent être considérés comme des démonstrations d’une technologie en développement, et non comme la preuve qu’un robot est déjà capable d’accomplir toutes les tâches possibles.

Apprendre une nouvelle tâche sans lancer un 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 continue d’entraîner son modèle de fondation. L’entreprise cherche à supprimer la nécessité de recueillir un nouveau jeu de données volumineux et de lancer un autre cycle d’entraînement chaque fois que le robot se voit confier une nouvelle tâche.

« L’intelligence ne tient pas tant à ce que vous savez déjà faire qu’à la rapidité avec laquelle vous apprenez à faire quelque chose de nouveau », a déclaré le professeur Edward Johns, cofondateur et PDG de Machenta, dans l’annonce.

Le processus envisagé est volontairement simple : montrer le comportement souhaité au robot, le laisser observer, puis lui faire exécuter la tâche. En pratique, la démonstration ferait alors 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 qui ne peut que répéter une séquence fixe exige que son environnement se conforme à son programme. Un système capable d’apprendre doit déterminer ce que la démonstration lui demande d’accomplir et adapter ses gestes à la situation qui se présente à lui.

La simulation sert à entraîner la capacité d’apprentissage

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

Cette approche modifie la façon dont l’entreprise compte changer d’échelle. De nombreux travaux sur l’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.

Son introduction technique décrit le système comme un modèle vision-démonstration-action, ou VDA. Il prend en entrée une démonstration et des observations continues de caméras, puis prédit des actions en boucle fermée. L’entreprise affirme que son préentraînement repose uniquement sur la simulation ; au moment de l’inférence, l’exemple fourni pour l’apprentissage et les observations en direct proviennent du monde réel.

Cette distinction est importante : un préentraînement uniquement fondé 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 travaux de recherche sur 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 tous deux ont élaboré des méthodes antérieures 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, décrivent un apprentissage par imitation en contexte à partir d’une ou deux démonstrations, sans entraînement supplémentaire. Les démonstrations, les observations et les actions y sont représentées sous forme de graphe. Un processus de diffusion appris sert ensuite à générer la structure de graphe nécessaire à la prédiction des actions.

L’article décrit également un entraînement à partir de pseudo-démonstrations : des trajectoires générées par simulation qui constituent un vaste ensemble d’exemples. Les expériences portent sur des tâches simulées et réelles, et d’autres travaux étudient le transfert entre différentes configurations robotiques ainsi que les instructions formulées en langage naturel.

Ces travaux permettent de comprendre les fondements scientifiques de l’approche, sans pour autant établir que le modèle commercial actuel de Machenta possède exactement la même architecture. La jeune pousse décrit ce nouveau système comme un modèle de fondation issu de cette lignée de recherche.

L’apprentissage en contexte est bien connu dans le domaine des modèles de langage : des exemples inclus dans une invite peuvent orienter la réponse sans que les poids du modèle soient mis à jour. Appliquer cette idée à la robotique est plus exigeant, car le résultat doit se traduire par une séquence d’actions physiques soumises aux contraintes du monde réel, et non par une simple réponse plausible.

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

Dans son billet 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 transmissions de tournevis sur 78 et 97 mises à la verticale de bouteilles réussies sur 99 tentatives. L’entreprise attribue les deux échecs concernant les bouteilles au risque de collision et aux contraintes cinématiques.

Ces résultats constituent des premiers tests de fiabilité utiles, mais pas une vaste évaluation en milieu industriel. Le billet présente également l’apprentissage directement à partir des mains humaines et le fonctionnement avec des mains humanoïdes comme des pistes préliminaires. Il ne démontre ni une couverture universelle des tâches ni des performances fiables dans tous les environnements de travail.

Pour un utilisateur potentiel, plusieurs éléments distinguent une démonstration convaincante d’un système prêt à être déployé : la répétabilité, la capacité à se remettre d’un échec, la sécurité du comportement à proximité des 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 attraper physiquement.

L’opportunité commerciale est néanmoins évidente. Si le temps nécessaire pour enseigner les tâches diminue considérablement, il devient plus facile d’envisager l’utilisation de robots pour des travaux qui changent trop souvent pour justifier de longues opérations de programmation et d’intégration. Cela pourrait concerner aussi bien le déploiement en usine que les applications à plus petite échelle, pour lesquelles il est difficile d’obtenir l’aide de spécialistes 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 sur le financement de Dream Labs pour une IA inter-robots illustre une autre initiative visant à rendre les capacités acquises utiles sur différentes machines. Machenta, elle, met l’accent sur la rapidité avec laquelle une nouvelle instruction physique peut se transformer 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 insisté sur l’intérêt des robots capables d’apprendre rapidement une nouvelle tâche, plutôt que de nécessiter un entraînement distinct pour chaque travail.

Pour Machenta, la prochaine étape consiste à transformer ces bases 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 le soutenir, tandis que son équipe fondatrice apporte à l’entreprise six années de travail sur l’apprentissage robotique en un seul essai.

La question centrale est de savoir jusqu’où cet apprentissage peut être étendu à mesure que les tâches deviennent plus variées et plus exigeantes. Si cette approche tient ses promesses, le changement sera concret : les gens pourraient consacrer moins de temps à mettre au point un dispositif d’entraînement et davantage à montrer au robot le travail qu’ils ont réellement besoin de lui faire accomplir.