Les deux versions sont alignées bloc par bloc, dans l’ordre du texte : titre, l’essentiel, puis paragraphe par paragraphe. Quand la traduction a fusionné ou scindé un paragraphe, la case correspondante reste vide — on ne rapproche jamais deux passages au jugé.
A robot that can picture the result of its own movement before making it is no longer a thought experiment. At Seoul National University, a team led by Professor Jaeyoung Do of the AIDAS Lab has built a system that reads a spoken or written request, imagines the finished scene, and then moves the arm to get there. In the team's own tests across four real-world manipulation settings, the system, called Dynin-Robotics, succeeded 78.4% of the time on average.
Un robot capable de se représenter le résultat de son propre mouvement avant de l'exécuter n'est plus une expérience de pensée. À l'université nationale de Séoul, une équipe dirigée par le professeur Jaeyoung Do du laboratoire AIDAS a conçu un système qui lit une demande orale ou écrite, imagine la scène finale, puis déplace le bras pour l'atteindre. Dans les tests menés par l'équipe sur quatre situations de manipulation réelles, le système, baptisé Dynin-Robotics, a réussi 78,4 % du temps en moyenne.
The problem it addresses is familiar to anyone who has watched a robot fail in an unfamiliar kitchen. A robot can repeat a movement it learned under fixed conditions, but real tasks change: the cup sits somewhere new, the drawer is shaped differently, and people ask for things in different words. Recent systems have used large language models, the text engines behind chatbots, to understand requests, and video-generation models to predict what comes next. The Seoul team merged both abilities into a single model, so that understanding the instruction, predicting the outcome and generating the movement are learned together.
Le problème est familier à quiconque a vu un robot échouer dans une cuisine inconnue. Un robot peut répéter un mouvement appris dans des conditions fixes, mais les tâches réelles changent : la tasse se trouve ailleurs, le tiroir n'a pas la même forme, et les personnes formulent leurs demandes autrement. Les systèmes récents ont recouru aux grands modèles de langage, les moteurs de texte qui sous-tendent les agents conversationnels, pour comprendre les demandes, et aux modèles de génération vidéo pour prédire la suite. L'équipe de Séoul a fusionné ces deux capacités dans un seul modèle, de sorte que la compréhension de l'instruction, la prédiction du résultat et la génération du mouvement sont apprises conjointement.
The mechanism is simple to state. Given the camera image and the instruction, the model produces an image of the scene it expects once the task is done. That predicted image then either serves as a reference for generating the movement, or is used to score several candidate movements and keep the most suitable one. In simulated fruit-picking and flower-arrangement tasks, a model trained this way handled indirect requests such as "Put in the flower that symbolizes love" better than a model trained only to produce actions, which had to rely on the object being named directly.
Le mécanisme se résume simplement. À partir de l'image de la caméra et de l'instruction, le modèle produit une image de la scène attendue une fois la tâche accomplie. Cette image prédite sert soit de référence pour générer le mouvement, soit à noter plusieurs mouvements candidats afin de retenir le plus adapté. Dans des tâches simulées de cueillette de fruits et d'arrangement floral, un modèle entraîné de cette façon a mieux traité les demandes indirectes, comme « Mets la fleur qui symbolise l'amour », qu'un modèle entraîné uniquement à produire des actions, lequel devait s'appuyer sur la désignation directe de l'objet.
Speed was the second problem. The team grouped the information needed for a sequence of actions and predicted it in parallel, and reused intermediate results that the computation would otherwise repeat. The action generator ran up to about 29.2 times faster than its unoptimized version, and up to about 36.6 times faster than the π0.5 model from Physical Intelligence, a US robot-AI company whose model was one of the comparisons.
La vitesse constituait le second problème. L'équipe a regroupé les informations nécessaires à une séquence d'actions et les a prédites en parallèle, tout en réutilisant des résultats intermédiaires que le calcul aurait sinon répétés. Le générateur d'actions a fonctionné jusqu'à environ 29,2 fois plus vite que sa version non optimisée, et jusqu'à environ 36,6 fois plus vite que le modèle π0.5 de Physical Intelligence, une entreprise américaine spécialisée dans l'IA robotique, dont le modèle figurait parmi les comparaisons.
What changes, and for whom? For now, the gain is scientific: a single model that links what a person says, what a scene will look like and how a robot should move, with a measured lead over two comparison systems. Robots that can carry out less rigid requests would matter first in warehouses, labs and homes, but the sources give no timeline, no product and no price, and the work is still a research paper on the arXiv preprint server. The paper has been accepted to NeurIPS 2026, one of the major artificial intelligence conferences, and is scheduled to be presented in December. The next evidence will come from whether the 78.4% holds once other teams run the same tests.
Que change ce travail, et pour qui ? Pour l'instant, le gain est scientifique : un modèle unique qui relie ce que dit une personne, à quoi ressemblera la scène et comment un robot doit se mouvoir, avec une avance mesurée sur deux systèmes de comparaison. Des robots capables de traiter des demandes moins rigides seraient utiles d'abord dans les entrepôts, les laboratoires et les foyers, mais les sources ne donnent ni calendrier, ni produit, ni prix, et ce travail reste un article de recherche sur le serveur de prépublications arXiv. L'article a été accepté à NeurIPS 2026, l'une des grandes conférences sur l'intelligence artificielle, et doit être présenté en décembre. Les prochains éléments de réponse viendront de la question de savoir si les 78,4 % se confirment lorsque d'autres équipes mèneront les mêmes tests.