Contexte et financement
Humyn Labs a annoncé une levée de 47 millions de dollars, dont 26 M$ en equity menés par Accel et 21 M$ en dette dirigés par Lighthouse Canton, avec la participation de Prosus Ventures, BeeGlobal, Bajaj Finance et d’autres acteurs. L’opération vise à accélérer le passage des modèles d’intelligence artificielle de laboratoire à des robots capables d’opérer dans des foyers et des usines, un domaine où les erreurs peuvent entraîner des conséquences physiques graves.
Collecte et diversité des données
Le cœur du projet repose sur un corpus vidéo de 200 000 heures capturé par des caméras portées sur la tête, complété par un jeu de 120 000 visages couvrant cinq régions et un ensemble de plus de 50 000 heures de parole dans des langues sous‑représentées (bengali, tamil, telugu, odia, assamese, coréen, tagalog, arabe, vietnamien, portugais). Ces données proviennent de plus de 20 pays, dont le Brésil, la Corée du Sud et l’Inde, afin de refléter les variations culturelles et matérielles qui influencent la manipulation d’objets dans chaque foyer.
Architecture du moteur multimodal
Humyn combine les flux sonores, visuels, cinématiques et haptiques dans un pipeline de curation, de normalisation et d’étiquetage. Le moteur produit des schémas d’entraînement utilisables par des modèles d’IA physique, des modèles de monde et des modèles de base audio‑visuels, permettant aux robots de raisonner sur la force appliquée, la trajectoire de mouvement et les réponses aux défaillances. Un cycle de rétroaction intègre les écarts observés entre les performances attendues et réelles, en les réinjectant via des simulations virtuelles et des répliques physiques.
Implications pour le déploiement robotique
Les fonds seront investis dans des infrastructures de préparation au déploiement au Brésil, en Corée du Sud et en Inde, ainsi que dans le développement de matériel dédié et d’un moteur d’enrichissement des données. Humyn prévoit d’établir des laboratoires pilotes à San Francisco, Londres et Séoul pour tester les robots dans des environnements domestiques et industriels, mesurer les points de rupture et affiner les modèles. Cette approche devrait réduire le temps nécessaire pour passer d’un prototype à une solution opérationnelle fiable dans des contextes réels.