L'IA conçoit des robots transformateurs : méthode de UC Berkeley

Des ingénieurs de UC Berkeley entraînent une IA à concevoir automatiquement des robots transformateurs

Des chercheurs ont développé un framework d'IA pour optimiser la conception de robots modulaires capables de changer de forme. Le système peut créer automatiquement des machines capables, par exemple, de modifier la forme d'un casque ou de se déplacer à quatre pattes.

---

'Metatransformers' de Berkeley : pourquoi l'architecte IA qui conçoit les robots est plus important que le robot lui-même

[L'essentiel] : Ce qui se passe vraiment

Le 11 mai 2026, une équipe dirigée par le professeur Linin Yao de l'Université de Californie à Berkeley (avec la participation de Carnegie Mellon et Georgia Tech) a publié un framework pour la conception automatique de robots 'metatransformers'.

Les médias écrivent sur des 'robots qui changent de forme comme des pieuvres'. Les gros titres crient au miracle d'une IA qui conçoit elle-même des robots. C'est vrai, mais ce n'est que la partie émergée de l'iceberg.

Voici ce qui se passe vraiment : les chercheurs ont résolu la malédiction de la dimensionnalité dans la conception de robotique modulaire. Ils ont résolu un problème qui tourmente ce domaine depuis des décennies—la croissance exponentielle de la complexité de contrôle avec chaque élément mobile ajouté.

Les robots faits de métatrusses (treillis métalliques avec des centaines de poutres et d'articulations rotatives) peuvent théoriquement prendre n'importe quelle forme : se comprimer comme un accordéon, passer d'un quadrupède à une forme serpentine, modifier les contours d'un casque pour s'adapter à la tête d'un utilisateur. Mais le contrôle pratique est un cauchemar. Si vous avez 200 articulations, chacune avec plusieurs positions, l'espace d'état combinatoire explose à des nombres astronomiques.

L'approche habituelle consiste à regrouper manuellement les actionneurs en réseaux contrôlables. Comme le dit le professeur Yao, c'est 'fastidieux et laborieux'. L'équipe de Berkeley a simplement dit : 'Oubliez ça. L'IA trouvera elle-même le regroupement optimal.' Et elle l'a fait.

Chronologie et contexte

Pour comprendre pourquoi cet événement de mai 2026 n'est pas ordinaire mais tectonique, il faut regarder les travaux antérieurs de Berkeley en robotique :

• Mars 2025 : Sergey Levine (le célèbre professeur de Berkeley, co-fondateur de Physical Intelligence) donne une conférence à l'Université de Toronto sur les 'modèles fondamentaux pour les robots', où le problème principal est la collecte de données. Sans données, pas d'apprentissage ; sans apprentissage, pas d'autonomie.
• Janvier 2026 : Berkeley publie la thèse de Fanchen Liu sur l'apprentissage robotique à grande échelle, présentant les systèmes MOKA et OTTER, qui tentent de relier les modèles de langage au contrôle.
• Février 2026 : NVIDIA Research, en collaboration avec Berkeley, publie des travaux sur les 'modèles du monde' pour les robots—apprendre à l'IA à prédire la physique via la vidéo.
• Avril 2026 : Shankar Sastry (un autre pilier de Berkeley) donne une conférence sur les 'systèmes autonomes dignes de confiance', rappelant le paradoxe de Moravec : 'programmer un robot humanoïde pour ouvrir une porte inconnue est l'une des tâches d'ingénierie les plus difficiles.'
• 11 mai 2026 : Et voilà—un système fonctionnel qui n'apprend pas une seule tâche à un robot, mais conçoit le robot lui-même pour la tâche.

Détail clé : le travail est réalisé à l'intersection du génie mécanique et de l'informatique. Pas 'juste un autre algorithme de contrôle', mais une solution systémique venant de fabricants de matériel fatigués de lutter avec les contrôleurs.

Qui gagne et qui perd

Gagnants :

• DARPA et les entrepreneurs militaires (Lockheed Martin, Raytheon). Un robot qui change de forme selon la tâche est un rêve de reconnaissance tactique : ramper dans un tuyau comme un ver, en sortir comme une araignée, soulever une charge et se transformer en grue. Le framework d'IA de Berkeley permet de concevoir de tels robots sans des milliards d'heures de débogage.
• Agences spatiales (NASA, ESA, SpaceX). Lancer en orbite nécessite un poids minimal. Un treillis d'une centaine d'actionneurs peut être emballé dans un seul cube, puis déployé pour assembler une antenne ou réparer un satellite. Le concepteur IA optimise non seulement la forme mais aussi le nombre de 'cerveaux' (contrôleurs).
• Robotique médicale. Le prototype 'tentacule' réalisé par l'équipe pourrait devenir la base de futurs endoscopes qui décident comment se courber au mieux dans les intestins.
• L'équipe de Berkeley elle-même (Yao et co-auteurs). C'est un Best Paper Award garanti dans toute conférence de robotique de premier plan (ICRA, RSS 2026) et des millions de subventions pour les 5 prochaines années.

Perdants :

• Entreprises vendant des 'outils de conception manuelle de robots' (SolidWorks avec plugins, MSC Adams). Le travail manuel de regroupement des actionneurs, qui coûte actuellement des milliers de dollars en temps d'ingénierie, est automatisé. Les modules complémentaires pour 'l'optimisation dynamique' deviennent inutiles.
• Toutes les startups construisant des robots stationnaires, non transformables, pour des niches étroites. Supposons que votre robot ne peut que ramper dans des tuyaux. Un robot de Berkeley chargé dans la même API pourrait ramper, marcher et saisir. Votre niche disparaîtra dès que la technologie deviendra suffisamment bon marché pour un usage commercial.

Ce que les médias ne disent pas

Insight #1 : Ce n'est pas un 'constructeur universel de robots', mais un 'prix fixe pour réseau neuronal'.

Le système ne se contente pas de générer un design. Il optimise simultanément deux couches : la géométrie (où vont quelles poutres) et la contrôlabilité (combien de contrôleurs sont nécessaires). Les chercheurs ont trouvé un 'point idéal' : augmenter le nombre de réseaux de contrôle donne des gains de performance seulement jusqu'à un certain seuil, après quoi les rendements diminuent.

Qu'est-ce que cela signifie en pratique ? Les concepteurs n'ont plus à penser : 'Je vais mettre 50 micro-moteurs pour plus de précision.' Le système dira lui-même : 'Pour la tâche "devenir un casque et comprimer la tête", vous avez besoin de 4 groupes de contrôle. Les 46 autres moteurs ne seront que du poids mort.' C'est la lutte automatique contre la complexité excessive—la maladie principale de la robotique moderne.

Insight #2 : Où est le lien avec Physical Intelligence (PI) ?

Sergey Levine, qui travaille également à Berkeley, est co-fondateur de Physical Intelligence—une startup construisant un modèle fondamental pour n'importe quel robot. Sa thèse : 'Un cerveau pour tous les corps.' Le travail de Linin Yao fournit un outil pour créer des corps optimaux pour des tâches spécifiques. Combinés, nous obtenons un système qui conçoit à la fois le corps (métatruss) et le cerveau (politique PI) à partir de zéro. Essentiellement—une usine de robots à partir de zéro.

Pourquoi les médias sont-ils silencieux sur cette synergie ? Parce qu'elle nécessite de comprendre le fonctionnement interne de Berkeley. C'est comme avoir l'inventeur du moteur à combustion interne et l'inventeur de la roue dans la même université. Mais ils publient des communiqués de presse séparément.

Insight #3 : Le paradoxe de Moravec frappe encore—et ici il est contourné.

Shankar Sastry en avril 2026 a rappelé que '40% du cortex cérébral humain est dédié uniquement aux mains et au visage.' Contrôler la forme est encore plus difficile que contrôler une main. Mais l'équipe de Yao a trouvé une solution de contournement : ils ne contrôlent pas chaque articulation individuellement en temps réel. Ils contrôlent des macro-états (le réseau d'actionneurs A active le mode 'marche', le réseau B active le mode 'saisie'). C'est du génie technique : au lieu d'apprendre au robot des milliers de micro-mouvements, ils ont intégré un 'levier de vitesses' directement dans l'architecture du réseau neuronal qui conçoit le robot.

Prévisions : Prochains 30 jours et 90 jours

Prochains 30 jours (juin 2026) :

• Le dépôt de code du framework sera ouvert sur GitHub (tradition Berkeley—open source). Des équipes de Chine et d'Allemagne copieront l'idée pour leurs nœuds 22FDX et FPGA en un mois.
• Linin Yao sera invitée à donner une conférence plénière à l'IEEE International Conference on Robotics and Automation (ICRA 2027), mais elle parlera probablement à RSS 2026 en juillet.

Prochains 90 jours (août 2026) :

• Boston Dynamics fera une déclaration mesurée selon laquelle ils 'utilisent déjà des méthodes similaires pour Atlas', mais en réalité—non. Leur hydraulique est trop inerte pour les métatransformers. Ils chercheront urgemment des partenaires parmi les fabricants d'actionneurs électriques.
• NVIDIA publiera un simulateur pour métatransformers basé sur Omniverse avec support de ce framework. Ils travaillent déjà avec Berkeley sur les 'modèles du monde', donc l'intégration sera transparente.
• Le premier scandale commercial émergera : une startup prétendra avoir fabriqué un 'airbag intelligent' qui change de forme à l'impact—copiant en fait le prototype de casque de l'article de Berkeley. Et ce sera légal car breveter des algorithmes d'optimisation est difficile.

Risque principal : la scalabilité. L'article a fonctionné avec des centaines de poutres. Et s'il y en a des milliers ? Ou des dizaines de milliers ? La complexité croît toujours, bien que plus lentement. À un moment donné, trouver le regroupement optimal des contrôleurs devient un problème NP-difficile même pour l'IA, et le framework heurtera un mur de complexité computationnelle. Mais pour 90% des tâches pratiques (casques, membres de robots de sauvetage, manipulateurs modulaires), cela suffit.

Conclusion : Les chercheurs de Berkeley n'ont pas seulement fabriqué un 'robot transformateur'. Ils ont fabriqué un 'AutoCAD pour la physique'. Ils ont automatisé la partie de l'ingénierie qui était considérée comme 'non automatisable'—le sens intuitif du nombre d'actionneurs à placer où. En conséquence, la conception de robots changeant de forme passe d'un art d'élite à une procédure de routine : téléchargez les exigences, lancez l'IA, obtenez les plans. Dans 5 ans, les métatransformers ne seront plus dans les laboratoires mais dans les kits pour enfants : 'Construis ton propre robot, et le réseau neuronal lui apprendra à devenir une voiture ou un avion.' Adieu, Lego Mindstorms ; bonjour, Metatruss AI.

— Editorial Team