Physical Intelligence lance une API beta pour fine‑tuning de modèles robotiques

Présentation de l'API beta

Physical Intelligence (π) propose une interface de programmation (Pi API) en version bêta, destinée à la formation et à l’inférence de ses modèles de base robotique, notamment les versions π 0 et π 0.5. Le service permet aux développeurs de télécharger leurs jeux de données, de déclencher un processus de fine‑tuning géré par l’infrastructure de l’entreprise, puis d’accéder aux modèles ajustés via une passerelle hébergée. Cette approche vise à réduire la dépendance à des pipelines de données et à des clusters de calcul internes, deux facteurs souvent cités comme obstacles majeurs à la mise en production de solutions robotiques.

Architecture et flux de travail

Le flux décrit par π se compose de trois étapes distinctes : upload des démonstrations, fine‑tuning automatisé sur le cloud, puis inférence en temps réel depuis le robot. Le modèle de base, déjà entraîné sur de larges corpus de connaissances physiques, bénéficie d’une optimisation « data‑efficient » qui limite le volume de nouvelles données requis pour chaque adaptation. La passerelle d’inférence, accessible via une URL dédiée, assure la transmission des commandes de contrôle robotique sans que le client ne gère de serveurs de calcul. Cette architecture découple la logique de contrôle du robot de la charge de travail d’apprentissage, simplifiant ainsi le déploiement sur des plateformes matérielles variées.

Retours d’expérimentation et limites observées

Les premiers partenaires, dont un opérateur de chargeuse à roues autonome dans l’Utah et la société Almond développant le robot double‑bras Axol, ont pu itérer sur leurs politiques en quatre à cinq jours d’utilisation continue de l’API. Les scénarios testés couvrent la manipulation de matériaux lourds, le débavurage de pièces d’assemblage et la préparation d’ingrédients dans un contexte de cuisine robotisée. Malgré ces succès, les retours soulignent des contraintes de connectivité réseau, notamment dans des sites où la bande passante est limitée, ce qui affecte la latence d’inférence hébergée. De plus, la nécessité de fournir des démonstrations de haute qualité reste un prérequis : la qualité du fine‑tuning dépend directement de la pertinence des données d’entraînement soumises. Enfin, le programme beta implique un nombre restreint d’utilisateurs, ce qui limite la diversité des cas d’usage et retarde la généralisation des améliorations de modèle.