Créée depuis seulement 3 mois et déjà devant GPT-6 Astra ! La pépite de Shenzhen fait ses débuts

Par Jin Lei, depuis Aofeisi

QbitAI | Compte public QbitAI

Quel contraste saisissant.

Une société fondée à Shenzhenil y a tout juste trois moisqui, alors qu'elle se définit clairement comme conceptrice depuces incarnéesprésente pourtant comme premier résultat public une famille demodèles de fondation incarnésappeléePaimon.

Et le premier modèle de cette série,Paimon-0dès sa première apparition, a directement décroché quatre premières places :

Commençons par la plus prestigieuse,RoboColiseumun classement coconstruit par Hugging Face, NVIDIA, l'université Tsinghua et près de 20 universités, entreprises et instituts de recherche du monde entier, dont la popularité ne faiblit pas ces derniers temps dans le milieu de l'incarnation ; Paimon-0 s'y classe premier avec un score de 0.7754.

Il faut dire que ce classement vient tout juste d'inviter dans l'arène des grands modèles multimodaux généralistes comme GPT-6 Astra, Claude Opus 5.5 et Gemini 4 Argon :

si les grands modèles affichent certes des scores impressionnants en suivi d'instructions et en compréhension spatiale, sur le sous-classement des manipulations générales qui exige de truly mettre la main à la pâte, le 0.6613 de Paimon-0 reste le plus élevé de tous, et c'est lui aussi qui mène le sous-classement d'adaptation aux perturbations.

RoboCasa365est un benchmark multitâche à grande échelle pour les politiques robotiques générales, comprenant plus de 2500 scènes de cuisine simulées, 365 tâches quotidiennes et plus de 2000 heures de données d'interaction ; avec 50 tâches sélectionnées, il évalue la capacité de généralisation sur trois niveaux — compositions visibles atomiques, compositions visibles et compositions invisibles — et Paimon-0 arrive en tête avec un score global de 58.1.

VLA-Arenaest un classement d'évaluation open source pour les modèles incarnés généralistes, qui effectue des tests systématiques axés sur la sécurité et la robustesse aux interférences, et permet des comparaisons entre modèles ; Paimon-0 y obtient un taux de réussite moyen de 0.73, se classant premier.

Par ailleurs, Paimon-0 a participé au challenge duIROS Workshoporganisé par Qiyuan Robotics, dont la piste est centrée sur les politiques de robots bi-bras, avec une évaluation en ligne en simulation et une validation hors ligne sur robot réel ; Yanxi Power a finalement décroché la première place avec un score total de 46.599, validant la capacité des politiques de bout en bout en manipulation bi-bras.

Et les contrastes ne s'arrêtent pas là.

Avant aujourd'hui, alors même que les résultats de cette société n'avaient pas été rendus publics (au point que très peu d'informations la concernant circulaient), sa solution avait déjà été commandée par des clients !

Concrètement, un client a envoyé deux composants d'un bras robotisé à leur laboratoire ; après y avoir intégré leur solution de contrôle, un enregistrement de réception sur une même machine a montré qu'à une cadence de contrôle de 1kHz, l'erreur pire-case de fin de période du cycle de contrôle EtherCAT est passée de 30 microsecondes en mode logiciel à 152 nanosecondes en mode FPGA matériel, soit une réduction d'environ1/200。

En mode logiciel, la temporisation du contrôle est gérée par l'ordonnancement logiciel du CPU, ce qui la rend vulnérable aux interruptions système et aux changements de tâches qui provoquent de la gigue ; le mode matériel FPGA descend le contrôle déterministe temporel dans la logique matérielle, ce qui réduit considérablement l'erreur.

Même le client avait du mal à y croire au début, mais après des vérifications répétées, les faits sont là.

Alors, qui est ce cheval noir venu de Shenzhen ? Sans faire durer le suspense, c'estYanxi Power (Primotion)。

Ces résultats méritent d'être salués, mais des questions se posent également :

Pourquoi une société de puces livre-t-elle d'abord un résultat en matière de modèles ? Créée il y a à peine trois mois, comment a-t-elle obtenu ces résultats ?

C'est avec ces questions en tête que nous avons eu un échange approfondi avec l'équipe de Yanxi Power.

Pourquoi une société de puces commence-t-elle par les modèles ?

Pour répondre à cette question, il faut d'abord voir quel type de solution Yanxi Power se prépare à construire autour des puces incarnées (embodied chips).

La plateforme logicielle d'intelligence incarnée de Yanxi Power connecte, via des interfaces de modèles ouvertes, les modèles clients, les modèles open source et le modèle de référence Paimon, couvrant l'ensemble du processus : adaptation à l'entraînement, optimisation du déploiement et inférence en production.

Côté entraînement, un pipeline de traitement des données et le post-entraînement des modèles adaptent aux tâches spécifiques ; la chaîne d'outils de déploiement offre quantification et distillation, compilation et optimisation de l'inférence, validation et évaluation sur machines réelles ; côté exécution, le méta-cerveau cloud est responsable de la planification des tâches et de la récupération après échec, le cerveau local embarqué effectue l'inférence de politique, et le runtime incarné coordonne la synchronisation des données et l'exécution des actions.

Les retours d'exécution sont évalués par le Progress Model Paimon-Eval développé en interne, puis intégrés au processus d'auto-amélioration RSI, favorisant l'itération continue du modèle ; real2sim apporte une assistance par simulation à ce processus. La couche inférieure est soutenue par une pile logicielle embarquée et du matériel de contrôle de calcul, se connectant à la boucle de contrôle locale du robot.

Yanxi Power souhaite relier ces maillons et, autour d'un SoC intégrant calcul et contrôle et de contrôleurs de domaine, constituer une solution matérielle et logicielle pouvant être remise directement aux clients.

Cette approche a déjà des précédents dans le domaine de la conduite autonome : Nvidia accompagne son matériel embarqué de logiciels système, middleware et outils d'inférence pour permettre aux algorithmes de haut niveau de s'exécuter sur ses puces, la plateforme DRIVE en étant la référence typique. Transposé au secteur de la robotique, il faut d'abord clarifier la logique d'exécution des algorithmes, de circulation des données et de coordination des tâches pour pouvoir orienter la conception de la puce.

Mais si la pile logicielle est si longue, pourquoi commencer précisément par la recherche sur les modèles ?

Le fondateur de l'entreprise,Ren Qingyuandonne la réponse suivante : partir d'abord des algorithmes et des besoins réels des clients, boucler le cycle des données, des modèles, des Agent et de l'évaluation, puis définir la puce à partir des besoins de calcul des tâches réelles.

Paimon-0 est le premier résultat public de cette voie. Il appartient à la série de modèles de base incarnés Paimon de Yanxi Power, et c'est également le modèle principal qui a atteint la première place de plusieurs classements lors de cette édition.

Pour remonter du modèle à la conception de la puce, il faut d'abord délimiter les frontières de la puissance de calcul : quelles tâches sont confiées au cloud, lesquelles doivent impérativement s'exécuter localement sur le robot ; cette répartition détermine directement la charge de calcul de la puce embarquée.

Alors que l'industrie parle普遍ement de « collaboration edge-cloud » sans toutefois proposer de feuille de route technique claire, Yanxi Power a proposé« cerveau local + méta-cerveau »comme architecture.

Le cofondateurMa Zhihengestime qu'on ne peut pas simplement définir le côté embarqué comme un « petit cerveau » : après que le cloud a produit la planification, la concrétisation de la tâche dépend au cœur du côté embarqué. Pendant l'exécution par le robot, il faut suivre le rythme de la tâche et ajuster continuellement les mouvements à partir des retours visuels, tactiles et de force, en coordonnant la séquence temporelle de la perception, du calcul et du contrôle ; ce type de boucle fermée à haute fréquence ne peut pas dépendre d'une réponse du cloud image par image, il doit être réalisé localement. Le cloud se charge de la planification des tâches complexes, le côté embarqué doit bien prendre en charge chaque étape de l'exécution.

Dans ce système, le méta-cerveau dans le cloud est responsable de la compréhension des scènes ouvertes et de la planification des tâches, capitalise et réutilise l'expérience des tâches, et effectue une replanification et une récupération après échec en cas de blocage ou d'échec d'une tâche ; le cerveau local côté embarqué est responsable de l'exécution des mouvements, en s'appuyant sur des ajustements en temps réel à partir de multiples signaux de perception. On peut résumer ainsi :le méta-cerveau se charge du premier essai, le cerveau local se charge de répéter l'exécution de manière stable des dizaines de milliers de fois.

△ Note : le cerveau local corrige les mouvements en temps réel grâce à la boucle fermée de retour de force.

Adresse de la vidéo :
https://mp.weixin.qq.com/s/cSD3nAlAJj1LPH28Qbcb_A

La démo de préparation de salade de Yanxi Power montre exactement cette répartition. Le méta-cerveau effectue la planification à long terme, en décidant quels légumes choisir ; le cerveau local se charge de saisir-déposer, presser la sauce, mélanger et servir :

Adresse de la vidéo :
https://mp.weixin.qq.com/s/cSD3nAlAJj1LPH28Qbcb_A

La boucle d'itération à faible coût de l'intelligence incarnée

La répartition étant définie, il reste à résoudre un problème plus concret : pour changer de « plat », quel coût le cerveau local doit-il payer pour apprendre ?

Pour apprendre un travail à un robot, ce qui coûte le plus cher, ce sont les données.

Ma Zhiheng a fait le calcul. Pour une tâche isolée, augmenter le taux de réussite via le post-entraînement suffit souvent à satisfaire les exigences des clients ; le véritable goulot d'étranglement, c'est la collecte de données : une seule tâche exige souvent la collecte de 500 à 1000 données, et après la collecte en laboratoire, il faut encore aller la poursuivre sur le site du client.

C'est pourquoi Yanxi Power mise sur une baisse continue du coût des données, et veut un cold start suffisamment puissant : avec une ou deux démonstrations seulement, porter d'emblée le taux de réussite d'une nouvelle tâche à 50 ou 60 %, puis laisser les rollouts et l'apprentissage par renforcement élever le reste.

À cette fin, Yanxi Power a mis en place une boucle algorithmique comprenantles données、le modèleetl'auto-amélioration (RSI).

Au niveau des données, l'entraînement préalable du modèle utilise massivement des vidéos d'opérations humaines en première personne, fournies principalement par le partenaire EgoScale (Shenzhen Weilaiyan Technology). EgoScale fournit à Paimon-0 des dizaines de milliers d'heures de données d'opérations en première personne, avec un réseau de collecte couvrant plus de 160 villes dans 3 pays et plus de 12800 scènes réelles, capitalisant plus de 4 millions de tâches, plus de 120 millions d'unités d'action et plus de dix mille échantillons « personne-scène ».

Le jeu de données équilibre la diversité des scènes, des compétences, des difficultés et des habitudes d'opération ; il est associé à des annotations d'actions atomiques de haute précision assistées par IA développée en interne, ainsi qu'à des trajectoires 3D tête-main, soutenant la capacité de généralisation du modèle et ses performances dans les classements.

Parallèlement, Yanxi Power a construit son propre pipeline de traitement de données destiné à l'entraînement incarné, transformant les vidéos brutes en unités d'action structurées, réalisant le mappage des trajectoires de la main vers la main anthropomorphe cible, le filtrage de la qualité des données et l'adaptation à l'entraînement.

Adresse de la vidéo :
https://mp.weixin.qq.com/s/cSD3nAlAJj1LPH28Qbcb_A

Ensuite, au niveau dumodèle, Paimon-0 repose sur un modèle d'action mondial (WAM, World Action Model). Actuellement, la combinaison WAM+IDM (modèle de dynamique inverse) est la voie dominante aux résultats remarquables : le WAM prédit les états futurs, et l'IDM génère les actions à partir des changements d'état.

Cependant, dérouler continuellement une vidéo future complète entraîne des coûts de calcul et une latence élevés, difficiles à concilier avec les exigences de fonctionnement en temps réel des robots. Paimon-0 utilise des query tokens pour distiller les représentations essentielles des états futurs, incluant la pose 3D des objets, la sémantique et les affordances, puis les envoie à un modèle embarqué pour la prédiction des actions.

Cette solution réduit le temps d'inférence d'un seul chunk d'action d'environ 3000 ms à 300 ms, soit un dixième de la valeur initiale ; cet indicateur correspond au temps d'inférence d'un bloc d'actions et n'est pas équivalent à la période de la boucle de contrôle sous-jacente.

Après Paimon-0, Yanxi Power entraîne également un modèle de base ego, lui aussi pré-entraîné sur des données d'opérations humaines en première personne, qui est déjà capable de piloter une main dexterité. Selon les informations communiquées, ce modèle de base ego devrait être officiellement publié dans 3 mois :

Adresse de la vidéo :
https://mp.weixin.qq.com/s/cSD3nAlAJj1LPH28Qbcb_A

Enfin vient lemodule d'auto-amélioration, que le cofondateur Chang Xinyuan considère comme le point de rupture clé pour le déploiement de l'intelligence incarnée. Entraîner des robots uniquement par essais-erreurs massifs lors de rollouts interactifs rend difficile un déploiement à grande échelle. Une véritable auto-amélioration exige que le modèle comprenne l'intégralité de la chaîne d'exécution : percevoir l'état actuel, raisonner sur les effets causaux des actions, identifier la phase de la tâche — et une évaluation automatique généralisable est la base de tout cela. Sans capacité d'évaluation automatique, le signal de récompense ne peut dépendre que d'annotations humaines, et il est difficile de surmonter le dilemme structurel du coût élevé des données.

Autour de ce constat, l'ensemble du système d'auto-amélioration est composé de trois modules agissant en synergie :

• Le premier est ungrand modèle dans le cloud, chargé de décomposer les tâches, de vérifier les stratégies, de corriger les erreurs et de produire à faible coût des rollouts réussis et échoués ;
• Le deuxième est lePolicy Model(Paimon-0) développé en interne et embarqué, qui, grâce à un post-entraînement par apprentissage par renforcement, améliore le taux de réussite et le débit sur les tâches maîtrisées ;
• Le troisième est leProgress Model(Paimon-Eval), chargé d'évaluer l'avancement des tâches et de localiser les points de défaillance, afin de fournir un retour pour l'entraînement ultérieur.

Ce système s'appuie sur une approche real2sim : il déroule des trajectoires futures en simulation, en fusionnant des informations telles que les positions 3D, les poses du corps et les retours d'action, puis superpose les états déroulés à la scène réelle, aidant ainsi le modèle à anticiper intuitivement les effets des actions et à prendre des décisions.

Adresse de la vidéo :
https://mp.weixin.qq.com/s/cSD3nAlAJj1LPH28Qbcb_A

Obtenir un signal de récompense à faible coût et généralisable est la clé de l'auto-itération continue des robots ; le Progress Model sert précisément à convertir les résultats d'exécution en retours d'entraînement.

Paimon-Eval, entraîné par Yanxi Power, n'a besoin que d'une seule donnée de démonstration pour l'apprentissage en contexte afin de discriminer les phases d'exécution d'une nouvelle tâche inconnue. En prenant l'exemple de la tâche de pliage de serviettes, lorsque plusieurs rollouts s'exécutent en parallèle, il peut identifier en continu à quelle étape se trouve l'exécution parmi la recherche de la cible, la saisie, le pliage, l'alignement et la confirmation, et produire une courbe de progression de la tâche.

Adresse de la vidéo :
https://mp.weixin.qq.com/s/cSD3nAlAJj1LPH28Qbcb_A

Selon Chang Xinyuan, Paimon-Eval est prévu pour être open source aux mois 11–12 (novembre–décembre), avec des versions en plusieurs tailles. L'équipe a étendu son échelle d'entraînement à des dizaines de milliers d'heures et adopte un paradigme d'entraînement task-centric, lui permettant de reconnaître la progression des tâches et la qualité d'exécution à travers différents opérateurs et différents robots.

À ce sujet, Ren Qingyuan ajoute que les algorithmes doivent en fin de compte revenir au déploiement. Que les données collectées soient efficaces ou non, qu'elles puissent être annotées automatiquement, la part des capacités conservées par le modèle après quantification et distillation, ainsi que les performances réelles sur la machine, tout cela doit être validé en continu par le système d'évaluation. Ce n'est qu'en reliant ces étapes en un processus automatisé que la boucle algorithmique peut se déposer en un produit réellement livrable.

La feuille de route technique étant clarifiée, voyons maintenant comment cette équipe s'est constituée.

Une équipe hybrade de puces, d'IA et de robotique

L'histoire de Yanxi Power commence par le« temps d'avance »d'un homme issu du monde des puces.

Cet homme issu des puces, c'est Ren Qingyuan, CEO de Yanxi Power. Expert scientifique aux niveaux provincial du Guangdong et municipal de Shenzhen, il a été vice-président d'une entreprise leader de puces RISC-V, où il a dirigé l'équipe ayant réalisé la production et la livraison de puces en série, faisant passer le chiffre d'affaires de l'entreprise du niveau des dizaines de millions à plusieurs centaines de millions de yuans, avec des commandes cumulées dépassant 1 milliard de yuans.

L'entreprise où travaillait auparavant Ren Qingyuan développait des processeurs RISC-V propriétaires et détenait des microarchitectures de base ; il cherchait toujours une nouvelle plateforme de calcul. Début 2025, la robotique est entrée dans son champ de vision, mais à l'époque elle ne semblait bon que pour le spectacle ; ce n'est qu'à mi-année qu'il a constaté que les gens commençaient à déployer des applications concrètes, avec des signatures de contrats et des livraisons qui s'enchaînaient.

Aux yeux de Ren Qingyuan, c'est précisément la fenêtre d'entrée pour les entreprises de puces :

Tu ne peux pas te lancer seulement quand la vague arrive ; à ce moment-là, les clients utilisent déjà les puces des autres.

Ainsi, Yanxi Power est née. Et les partenaires algorithmiques qu'il a recrutés sont deux frères d'armes issus du même laboratoire.

Ma Zhiheng et Chang Xinyuan sortent tous deux de l'Institut d'intelligence artificielle et de robotique de l'Université Jiao Tong de Xi'an, où ils ont étudié sous la direction du professeur Gong Yihong. Gong Yihong est IEEE Fellow, l'un des premiers chercheurs chinois en apprentissage profond, et ancien directeur du Silicon Valley Research Institute de NEC, un institut d'où sont sortis de nombreux leaders de l'IA tels que Yu Kai, Lin Yuanqing et Zhou Xi.

L'aîné Ma Zhiheng est professeur associé distingué et directeur de thèse à l'École de microélectronique de calcul de l'Université de technologie de Shenzhen, et également un entrepreneur en série. Il a remporté le « prix Yunfan » de la Conférence mondiale sur l'intelligence artificielle (WAIC), a publié plus de 50 articles dans des conférences de premier plan en tant qu'auteur principal, totalise plus de 3000 citations sur Google Scholar, et a été area chair de conférences telles que NeurIPS et ICML, menant depuis longtemps des recherches en vision par ordinateur et intelligence incarnée.

C'est précisément ce chercheur qui, au sujet de Ren Qingyuan, déclare : « il comprend très bien les puces et saisit aussi rapidement les algorithmes ».

Le cadet Chang Xinyuan, lui, vient d'une grande entreprise ; il était auparavant responsable technique du domaine de l'intelligence incarnée au centre de technologies visuelles de Gaode, où il a dirigé des projets d'intelligence incarnée généraliste tels que ABot-M, ABot-PhysWorld et ABot-Claw, avec plus de 2000 citations sur Google Scholar. Sa raison de quitter la grande entreprise est très concrète : l'incarnation exige que les algorithmes, les données, les vrais robots et même les puces itèrent ensemble sur toute la chaîne, et le développement des modèles doit coller aux puces embarquées.

Entre les algorithmes et les puces, il fallait encore quelqu'un pour connecter le maillon du contrôle : c'est le cofondateur Zhang Dongjun. Il est responsable du design de domaine, des communications temps réel et des solutions à déterminisme temporel ; il a dirigé le développement et le déploiement de contrôleurs de mouvement et de systèmes de drones chez Googol Tech et DJI, et fut l'un des premiers doctorants du professeur Li Zexiang, grande figure de la robotique, ayant commencé à étudier les mains robotiques dextres dès 2005.

Les quatre se répartissent les domaines, et Ren Qingyuan supervise la stratégie chez Yanxi Power tout en suivant de près le SoC de calcul-contrôle intégré, les contrôleurs de domaine et la pile logicielle associée.

En à peine deux mois, Yanxi Power est passée à environ 50 personnes. Outre l'équipe algorithmique qui est sur le devant de la scène, se cache sous la surface une équipe matérielle et systèmes composée de vétérans des puces : ils sont l'une des rares équipes en Chine à avoir réussi deux fois de suite le passage de 0 à 1 en production de masse de grandes puces à l'échelle de dizaines de millions, voire de centaines de millions d'unités. Ces trois groupes sont soudés par une culture d'ingénierie commune, partant des types de tâches pour déduire l'architecture du SoC et la microarchitecture.

Au passage, le nom Paimon a été choisi par les jeunes de l'équipe algorithmique, d'après un personnage du jeu Genshin Impact. Ma Zhiheng dit en souriant que, dans le milieu, les lettres grecques pour nommer les modèles sont presque épuisées ; autant choisir un nom de code amusant et facile à prononcer.

L'IA est importante, mais elle ne fait pas tout

Vous souvenez-vous de l'erreur de séquencement de contrôle réduite à environ 1/200 de sa valeur initiale mentionnée au début ? En réalité, bien souvent, les problèmes des robots ne viennent pas du tout du modèle.

Ren Qingyuan partage une série d'expériences : sur des puces NVIDIA, avec la solution d'accès caméra courante dans l'industrie, de la captation optique par la caméra à la lecture de l'image par le modèle, en passant par le prétraitement d'image, le transfert mémoire et l'attente de synchronisation, l'ensemble de la chaîne prend presque autant de temps qu'une seule inférence du modèle. Pour un robot à boucle fermée haute fréquence, même si l'inférence du modèle est rapide, si l'approvisionnement en données n'est pas rapide, les actions restent en retard.

C'est aussi la différence clé entre les architectures de calcul robotiques et celles de la conduite autonome : la conduite autonome peut tolérer une certaine latence, tandis que la robotique implique des opérations en contact, exigeant des fréquences de contrôle plus élevées ; la latence et les tremblements provoquent directement des déviations de trajectoire, des saisies instables et des défaillances du contrôle en force.

La solution de Yanxi Power consiste à équiper les périphériques de contrôle principaux existants d'un FPGA, sur lequel sont déchargées les tâches de prétraitement et de post-traitement autour de l'inférence du modèle ; la plus grande partie de ce RTL est prévue pour être intégrée ultérieurement dans la puce propriétaire, et l'optimisation de l'erreur de séquencement de contrôle est justement un cas typique de réglage de la chaîne matérielle. Comme le dit Ren Qingyuan :

Tous les problèmes d'ingénierie consistent en réalité à faire du cheating sous les contraintes de la technologie existante.

Mais le matériel n'est qu'une partie ; Ren Qingyuan répète souvent : à la fin, les entreprises de puces sont en substance des entreprises logicielles. Dans la chaîne industrielle du PC, le firmware et l'intégration système sont pris en charge par des fabricants spécialisés, alors que le secteur de la robotique manque de tels rôles d'accompagnement, et les travaux correspondants doivent être comblés par le fournisseur de puces. Le déploiement des puces nationales est difficile, et de nombreux goulots d'étranglement se situent dans la pile logicielle. Yanxi Power souhaite construire une solution complète de bout en bout, à l'image de l'approche de NVIDIA pour la robotique.

Quant aumodèle économique…et Ren Qingyuan a également proposé sa solution :

Si le client n'a rien, il achète une boîte intégrée logiciel-matériel, « il suffit de la brancher avec un câble réseau pour l'utiliser directement » ; s'il veut uniquement la puce, on la vend aussi. La marge provient de la puce, le logiciel relève davantage d'une question d'écosystème, donc tout ce qui peut être open source le sera autant que possible.

Parallèlement, afin de rendre le ROI positif, Yanxi Power vise à comprimer les coûts de collecte de données et de post-entraînement à moins d'un dixième du coût du corps du robot, allant même jusqu'à permettre aux ouvriers de la chaîne de production de collecter eux-mêmes les données et d'entraîner les modèles jusqu'à la mise en service du robot.

Ayant clairement défini ce qu'elle voulait faire, Yanxi Power s'est également fixé des limites —

Yanxi Power ne fabrique pas de corps de robot, ne se dispute pas les profits avec les entreprises de modèles ou de robots, et ne fait pas non plus de « une puce pour plusieurs usages ».

Face à l'évolution future du secteur, Ren Qingyuan déclare très franchement que des changements se produiront certainement dans les deux prochaines années, et que l'essentiel est de disposer d'un cadre de jugement rationnel. Selon lui, le goulot d'étranglement des modèles et celui des puces sont cause et conséquence l'un de l'autre : certaines actions rapides ne peuvent pas être suivies par la chaîne de perception, et même un excellent algorithme ne peut alors rien faire.

Ce que Yanxi Dynamics veut faire, c'est d'abord optimiser la latence de bout en bout et la chaîne de calcul, afin de briser le cercle vicieux de l'œuf et de la poule. Selon leurs plans, leur puce développée en interne sera livrée à partir de 2028.

Cette volonté de « pousser d'abord au niveau des couches basses » était en réalité inscrite depuis longtemps dans le nom de l'entreprise. Primotion, le nom anglais de Yanxi Dynamics, est tiré du concept aristotélicien du « premier moteur » : ils veulent devenir ce « point d'origine du mouvement » dans le monde de l'IA physique.

Quant au dénouement de l'IA incarnée, il s'agit au bout du compte de systèmes intelligents capables d'agir de manière stable dans le monde réel ; aussi grands soient-ils, les modèles n'en sont qu'un maillon.

Sur cette voie, Yanxi Dynamics ne fait que commencer son parcours.

(PS : Yanxi Dynamics recrute actuellement des talents dans les domaines des algorithmes incarnés, des systèmes robotiques, de la quantification pour l'inférence et de la conception de puces. Envoyez votre CV ou vos propositions de collaboration à hr@primotion.ai.)