Elle refuse de dévoiler son nom, mais se classe en tête de deux indices de référence mondiaux
Ces derniers jours, l'espace mondial des modèles a connu une effervescence inhabituelle.
World Labs, la “ licorne ” spécialisée dans l’intelligence spatiale fondée par Fei-Fei Li, a lancé “ Spark 2.0 ” en grande pompe, et Alibaba a rapidement emboîté le pas avec son modèle mondial « Happy Oyster ».”
Presque au même moment, Physical Intelligence a également dévoilé un nouveau modèle, le π 0.7, mettant en avant sa capacité initiale de généralisation compositionnelle sur des tâches inédites ainsi que ses caractéristiques de transfert inter-robots.
Cette série de mesures en elle-même envoie un signal : le cœur de la concurrence dans ce secteur n'est plus de savoir qui est capable de mener des actions isolées, mais qui est le plus à même de réunir, au sein d'un même modèle, la “ prédiction du monde ” et la “ mise en œuvre d'actions ”.
À ce stade, un modèle du monde mystérieux appelé MotuBrain s'est discrètement hissé au sommet de deux indices de référence internationaux, sans que le nom de l'entreprise ne soit mentionné.
S'il ne s'agissait que de la première place dans un seul classement, ce ne serait peut-être pas si inhabituel.
Mais le fait est que cela a également entraîné la disparition de deux classements qui représentent presque les “ deux extrêmes ” du secteur : l’un est WorldArena, qui mesure si un modèle mondial comprend et prédit véritablement le monde réel ; l’autre est RoboTwin2.0, qui évalue l’exécution des tâches par les robots et leur capacité de généralisation. L’un est axé sur la prédiction du monde, l’autre sur l’exécution des tâches ; ensemble, ils correspondent exactement au problème global que le secteur tente actuellement de résoudre.
MotuBrain est en tête à la fois de WorldArena et de RoboTwin 2.0
Sur WorldArena, MotuBrain s'est classé premier avec un score EWM global de 63,77. D'après ces résultats, ses performances surpassent celles de modèles tels que l'ABot de Gaode et le GigaWorld-1 de Jijia, et il se distingue dans des critères clés liés au mouvement, tels que la qualité du mouvement, le score de fluidité et la fluidité du mouvement.
Sur RoboTwin 2.0, MotuBrain a atteint respectivement 95,8 et 96,1 dans les configurations « Clean » et « Randomized », se classant ainsi en tête du classement. C'est le seul modèle du classement à afficher un score moyen supérieur à 95 dans les environnements aléatoires, et dans la plupart des tâches spécifiques, il a obtenu un score de 100 ou proche de 100. Comparé à des modèles tels que Gaode ABot, Ant Lingbo LingBot, JEPA-VLA et pi0.5, MotuBrain affiche des performances exceptionnelles dans le benchmark RoboTwin.
C'est précisément ce “ double premier rang ” qui incite le public à s'intéresser à ce mannequin inconnu.
Une recherche rapide montre qu'il n'y a toujours pratiquement aucune information sur MotuBrain en ligne, mais qu'un compte X a été créé ce mois-ci.
Cela rappelle l'ancien “ Huanle Ma ”, qui a ensuite été revendiqué par Alibaba (qui a d'ailleurs ouvert un compte X par la suite).
Ce modèle de monde mystérieux… Se pourrait-il qu’il provienne également d’une grande entreprise technologique française ?
Pourquoi les résultats de MotuBrain sont-ils importants ?
WorldArena et RoboTwin ne sont pas des tests du même type ; ils évaluent deux capacités différentes.
WorldArena évalue la dimension « modèle du monde » : la capacité du modèle à comprendre les lois du mouvement, à déduire et à prédire avec précision les changements physiques dans les séries chronologiques, ainsi qu’à prendre en compte les changements d’état de l’environnement. Il s’agit de la capacité à prédire le monde.
RoboTwin, quant à lui, s'oriente davantage vers la dimension du modèle d'action ou du modèle de politique — par exemple, la capacité du modèle à exécuter des actions de manière stable dans le cadre de multiples tâches et environnements, à généraliser à des scénarios inédits et à mener à bien en continu des opérations complexes. Il s'agit là de la capacité à agir dans le monde réel.
Voyez les choses ainsi. Si un conducteur humain est capable de conduire en toute sécurité dans un trafic complexe, ce n’est pas seulement grâce à sa mémoire musculaire, mais aussi grâce à une anticipation constante de ce qui va se passer dans la seconde qui suit : la voiture qui précède va-t-elle freiner brusquement ? Un piéton va-t-il traverser de manière inattendue ? Cette synchronisation entre anticipation et action est la logique sous-jacente de l’intelligence humaine.
La plupart des systèmes robotiques existants ne disposent justement pas de cette couche. Soit ils comprennent bien le monde qui les entoure mais ne savent pas comment agir, soit ils sont capables d'exécuter des actions prédéfinies mais ne sont pas en mesure d'anticiper les changements environnementaux. Cette dichotomie fait que les robots échouent facilement dès qu'ils sortent du cadre de leurs scénarios d'entraînement.
Au cours des dernières années, ces deux axes ont été explorés, mais le plus souvent de manière isolée. Les équipes travaillant sur la génération de vidéos et les modèles du monde s'attachent à déterminer si les modèles peuvent simuler de manière réaliste le monde physique ; celles qui travaillent sur les politiques robotiques et le VLA s'attachent à faire en sorte que les modèles s'exécutent de manière fiable pour des tâches spécifiques. Il y a eu peu de tentatives visant à véritablement unifier ces deux approches, et encore moins de résultats stables.
Le fait que MotuBrain ait réussi à décrocher la première place dans ces deux types de tests de performance confirme au moins une chose au niveau des benchmarks : l'intégration de la prédiction de l'environnement et du pilotage au sein d'un même modèle constitue une voie viable.
Double première place : où remporte-t-elle la victoire ?
Dans le classement WorldArena, MotuBrain se distingue notamment par son avance dans plusieurs domaines.
La « qualité du mouvement » arrive en tête, ce qui signifie que les actions générées par le modèle sont plus réalistes et ne se limitent pas à de simples effets visuels animés.
Flow Score occupe la première place, ce qui témoigne d'une compréhension plus approfondie du mouvement continu et des trajectoires, ainsi que de la capacité à prédire de manière stable les changements de mouvement à grande échelle — en reliant en douceur un instant à l'autre plutôt qu'en assemblant image par image.
La fluidité des mouvements arrive en tête, ce qui signifie que les actions générées respectent davantage les lois physiques réelles, sans accélération soudaine, saccades ni changements brusques de direction.
Ces trois dimensions sont toutes directement liées au mouvement. Pour un futur modèle du monde destiné à être utilisé par des robots, c'est précisément la capacité la plus essentielle.
Sur RoboTwin, qui met davantage l'accent sur l'exécution des tâches, cet avantage est encore plus marqué. Sur 50 tâches et dans deux environnements différents, le score moyen de MotuBrain atteint 96,0, soit un résultat nettement supérieur à celui du deuxième, qui s'élève à 92,3. L'écart est presque équivalent à la différence entre la deuxième et la cinquième place.
Mais surtout, il y a la stabilité. La moitié des tâches affichent un taux de réussite de 100%, et 90% d’entre elles dépassent 90%. Cela ne signifie pas seulement qu’il est capable de réussir, mais aussi qu’il peut reproduire ses résultats de manière constante sur plusieurs tâches et en présence de perturbations aléatoires.
Pris dans leur ensemble, ces résultats laissent entrevoir quelque chose qui se rapproche davantage d'un « cerveau robotique » général : le maintien de la continuité et de la cohérence au niveau de l'action, tout en disposant d'une capacité de généralisation inter-tâches.
Qui en est à l'origine, et quelle voie empruntent-ils ?
À l'heure actuelle, on dispose de très peu d'informations publiques concernant MotuBrain. Toutefois, à en juger par la structure de ses résultats dans les deux classements, il est peu probable qu'il s'agisse d'un modèle vidéo traditionnel, ni d'un modèle purement VLA ou de politique. Il incarne un type de raisonnement différent, distinct de celui des pensée adaptative que l'on retrouve dans les modèles linguistiques de pointe, qui se concentrent intensément sur l'intelligence physique pure.
Au cours de l'année écoulée, les réflexions autour des modèles mondiaux et des modèles d'action ont donné naissance à plusieurs voies représentatives au sein du secteur.
Certains mettent l'accent sur un modèle du monde unifié, combinant vision, langage, vidéo et action grâce à une modélisation conjointe — intégrant des modèles vidéo, le VLA, des modèles du monde, etc. — afin de permettre la perception, la planification, la prédiction, l'exécution et la généralisation inter-tâches dans des environnements réels. Motus, lancé en décembre dernier, en est un exemple typique.
Certains privilégient davantage une approche consistant à “ imaginer d’abord, puis agir ”. Par exemple, Lingbot-VA, lancé fin janvier de cette année, utilise d'abord un modèle vidéo pour prédire la suite de la vidéo, puis guide les décisions d'action du robot de manière inverse, en fusionnant les deux dans un seul modèle.
D'autres adoptent une approche consistant à “ déduire simultanément les états futurs et générer des actions ” — ce qu'on appelle le « World Action Model » —, dans laquelle la prédiction et l'action se déroulent de concert, à l'instar de DreamZero de NVIDIA, lancé début février.
Au vu des performances de MotuBrain cette fois-ci, il se pourrait qu’il suive une voie plus proche du « World Action Model », en combinant la capacité d’un modèle de monde à déduire des environnements et des états futurs avec la capacité d’exécution d’un modèle d’action dans des tâches réelles.
Cela expliquerait également pourquoi il arrive en tête des tests de performance tant pour la “ modélisation du monde ” que pour l“” exécution d’actions ».
Conclusion
Si l'on décompose un robot, on peut considérer ses “ mains et ses pieds ” comme du matériel, et son “ cerveau ” comme du logiciel.
Au cours des dernières années, l'évolution rapide du matériel robotique a été flagrante : le contrôle des mouvements gagne en précision, les capteurs se multiplient et les coûts baissent. Mais ce qui limite véritablement le déploiement à grande échelle des robots, c'est ce « cerveau » qui dirige les tâches.
Les robots d'aujourd'hui restent, pour l'essentiel, des “ systèmes spécialisés formés à des tâches spécifiques ”. Changez le scénario, changez l'objet, changez les instructions, et ils risquent de ne plus fonctionner du tout. Dans une large mesure, cela tient à leur intelligence.
L'objectif de l'intelligence incarnée est de construire un modèle unifié, capable de comprendre le monde physique, de prédire les changements d'état et, sur cette base, de générer des actions fiables, tout en s'adaptant à n'importe quelle tâche et à n'importe quel scénario. Ce bond en avant est aussi révolutionnaire pour la robotique que le fait de se déplacer du « vibe coding » au « wish coding » a été pour le domaine de la programmation de l'IA.
Le capital a déjà rendu son verdict en termes d'argent réel.
Si l’on examine plusieurs levées de fonds importantes réalisées récemment, il n’est pas difficile de constater que les capitaux affluent massivement vers les entreprises qui développent les “ cerveaux ” des robots. À première vue, ces investissements concernent les robots, mais en réalité, il se peut qu’ils visent à s’assurer une place de choix dans le “ système d’exploitation robotique ” ou le “ cerveau physique général ” de nouvelle génération.”
Vu sous cet angle, l'architecture unifiée « monde+action » incarnée par MotuBrain se trouve justement au cœur de cette course stratégique.
Quant à savoir quelle équipe se cache derrière MotuBrain et ce qu'elle nous réserve pour la suite, cette question ne restera sans doute pas longtemps sans réponse.
