Les chercheurs européens s'attaquent aux défis de la robotique

Sous le nom d'intelligence artificielle, on entend souvent robotique et apprentissage automatique (machine learning). Cette dernière branche connaît une grande popularité depuis quelques années, elle permet à la machine d'apprendre toute seule à partir d'immenses bases de données, le big data. C'est cette technique qui a permis un logiciel, AlphaGo (DeepMind-Google), de battre les meilleurs humains au jeu de go en 2016.

Actuellement, la plupart des robots physiques, dans les usines par exemple, n'utilisent pas d'apprentissage automatique. Ils n'ont même pas été conçus avec elle, mais avec de bonnes vieilles équations qui font relativement bien le travail. Pourquoi alors ne pas faire des robots physiques qui pourraient apprendre tous seuls ? Les chercheurs s'y essayent, mais c'est loin d'être évident.

C'est ce qu'ont montré des scientifiques allemands, français et italiens, lors d'un colloque organisé à Paris, ce mercredi 5 septembre, par les Académies des sciences de France et d'Allemagne : « Robotics AI : Data Science versus Motion Intelligence ».

De l'apprentissage automatique à la robotique

Sous les ors de l'hôtel particulier de la Fondation Simone et Cino Del Duca, Jean-Baptiste Mouret, directeur de recherche Inria, résume le problème : « Le logiciel d'AlphaGo s'est entraîné sur 4,9 millions de parties, mais un robot a besoin de plusieurs secondes ou minutes pour chaque essai. » Le souci de l'apprentissage automatique, c'est qu'il a besoin du big data, de beaucoup d'exemples, beaucoup d'entraînement, et très vite.

Or, si on attend d'un robot qu'il apprenne à visser tout seul par exemple, il peut se passer plusieurs années avant qu'il arrive à tourner dans le bon sens, voire il peut s'user au point de n'être plus bon à rien. « Il faut passer des big data aux micro data », explique Jean-Baptiste Mouret ; apprendre avec peu d'exemples.

Une expérience de Google de 2016 a été abondamment commentée. La firme américaine avait comme objectif de faire en sorte qu'un bras articulé apprenne à manipuler des objets. 800.000 essais ont été nécessaires. Nouveau problème : « Si on change les réglages de la caméra, ça ne fonctionne plus », remarque Abderrahman Kheddar, directeur de recherche au Laboratoire d'informatique, de robotique et de microélectronique de Montpellier.

Des robots de Google apprennent à saisir des objets

Plus radical, Jan Peters, professeur à l'université technique de Darmstadt, estime que « nous avons échoué comme discipline, nous n'avons pas d'intelligence motrice ». Et de s'appuyer aussi sur une citation apocryphe attribuée à un ingénieur d'IBM, qui fait référence aux parties d'échecs disputées entre un ordinateur et le champion Gary Kasparov : « Le plus dur pour jouer aux échecs, c'était de déplacer les pièces. » Que ce soit en 1997, lorsque la machine battit le célèbre joueur, ou en 2016 contre Lee Sedol au jeu de go, un humain était présent pour cette tâche ingrate, mais incroyablement compliquée.

Pourtant, Jan Peters est optimiste : « Si on augmente le nombre de capteurs et qu'on arrive à savoir quelles informations sont pertinentes, on peut arriver de meilleurs résultats. »

Michael Beetz, professeur à l'université de Bremen, juge quant à lui que « d'entraîner la machine dans une simulation virtuelle permet d'accéder à l'intelligence motrice ». Ce qui a suscité un bref débat car de nombreux chercheurs considèrent que ça ne fonctionne pas ; il y a trop de bruit dans la réalité, cela perturbe la machine.

Tout l'enjeu est de faire en sorte que les robots apprennent à marcher seuls. Ce qu'il y a de plus intelligent est peut-être ce qui, pour nous, paraît le moins compliqué. Reste aussi à construire une coopération européenne de l'IA, et ce colloque voulait y apporter une modeste pierre, alors que la France et l'Allemagne ont promis des efforts dans ce domaine.