Sanctuary AI teste l’IA physique à vitesse d’usine
La société canadienne dit avoir atteint 99,5 % de réussite sur une tâche de branchement de câble, en 2,54 secondes, chez un équipementier automobile de rang 1.
Sanctuary AI a annoncé le 17 juin avoir validé une tâche industrielle de branchement de câble avec un taux de réussite supérieur à 99,5 % et un cycle de 2,54 secondes, mesurés face aux repères de production réels d’un équipementier automobile mondial de rang 1. Le détail compte : il ne s’agit pas d’une démonstration lente de laboratoire, mais d’une manipulation de matériau flexible sur convoyeur, à une cadence comparable à celle d’une ligne existante.
L’annonce marque aussi un infléchissement stratégique. Sanctuary AI, connue pour ses travaux sur les robots généralistes et les mains robotiques, explique vouloir déployer son « IA physique » sur des plateformes industrielles déjà disponibles, au lieu d’attendre que les humanoïdes atteignent une production de masse. Dans ce contexte, l’IA physique désigne les modèles capables de percevoir, décider et agir dans le monde réel, avec les contraintes de contact, de sécurité et de temps de cycle qu’impose une usine.
Le choix de la tâche est révélateur. Insérer un fil souple dans une cible mobile paraît modeste, mais c’est précisément le type d’opération qui résiste à l’automatisation classique : la pièce se déforme, la position change, le contact doit être contrôlé et l’erreur coûte du temps. Sanctuary AI affirme que son système a atteint la cadence du client, ce qui place le débat sur un terrain plus concret que les vidéos de robots humanoïdes. Pour un industriel, la question n’est pas de savoir si le robot ressemble à un humain, mais s’il tient la performance, la répétabilité et la sécurité sur une station donnée.
Cette approche pourrait peser sur la manière dont la robotique dite générale entre en production. En rendant ses modèles compatibles avec du matériel commercial existant, Sanctuary AI cherche un chemin plus court vers les ateliers : commencer par des cellules précises, apprendre des contraintes du terrain, puis transférer ces capacités vers de nouvelles générations de robots, y compris humanoïdes. La promesse reste à vérifier au-delà d’un cas client, mais le signal est utile : l’IA incarnée gagne en crédibilité quand elle se mesure aux secondes, aux taux de réussite et aux lignes qui tournent déjà.