KDDI et la start-up japonaise RLWRLD ont commencé à collaborer au développement de modèles d’intelligence artificielle fondamentaux pour les robots, dans le cadre d’une initiative visant à faire passer l’intelligence artificielle du traitement de données numériques au fonctionnement de robots capables d’apprendre à partir d’environnements réels et d’interagir avec eux.
Les deux entreprises ont révélé cette collaboration le 18 septembre 2026, dans le cadre d’un projet de recherche et développement visant à construire des modèles pour les robots qui combinent des données d’entraînement recueillies dans le monde réel et des données de simulation. KDDI participe au projet dans le cadre du programme GENIAC, un programme de développement de l’intelligence artificielle générative soutenu par la NEDO, l’organisation relevant du ministère japonais de l’Économie, du Commerce et de l’Industrie. La sélection du projet de KDDI a été annoncée le 9 septembre 2026.
Qu’est-ce qui change concrètement ?
Le projet se concentre sur deux axes principaux : la collecte automatisée de données d’apprentissage des robots et le développement de modèles fondamentaux dotés de capacités accrues pour exécuter des tâches dans des environnements réels. RLWRLD fournit un modèle fondamental pour les robots, tandis que KDDI s’appuie sur son expérience en matière de collecte de données et sur son réseau de partenaires afin d’élargir l’échelle de l’entraînement et des tests.
KDDI affirme que la collecte de données ne devrait pas se limiter à l’enregistrement des mouvements effectués par l’être humain, mais devrait également inclure le point de vue de la personne qui réalise la tâche et son contexte. C’est pourquoi l’entreprise utilise une approche fondée sur l’enregistrement des mouvements humains selon une perspective à la première personne, afin de fournir des données davantage liées à la manière dont les tâches sont effectivement exécutées.
KDDI prévoit également d’utiliser des données provenant des installations du groupe KDDI, telles que les magasins Lawson, ainsi que d’autres données pouvant être recueillies directement sur les sites. Selon l’article, cela permet d’améliorer la construction des modèles d’intelligence artificielle en combinant des données réelles et des données synthétiques produites par simulation.
Tests de validation de principe et expansion internationale
La collaboration entre KDDI et RLWRLD a commencé en avril 2025 grâce à un investissement réalisé par l’unité de capital-risque de l’entreprise. En août de la même année, un test de validation de principe a été mené dans un magasin Lawson à l’aide d’un prototype destiné à gérer des tâches précises, puis le projet est passé en décembre à la collecte de données de simulation propres à l’environnement du magasin.
KDDI affirme que le nombre de personnes travaillant sur le projet est passé de 20 personnes en avril 2025 à 126 personnes au Japon actuellement, avec des activités axées sur la collecte de données, l’ingénierie des fichiers et le développement des modèles. Elle indique également que la collaboration vise à mettre en place une organisation mondiale capable d’étendre l’utilisation du modèle de RLWRLD au-delà du Japon.
Pourquoi cette actualité est-elle importante ?
L’importance de cette évolution tient au fait qu’elle s’attaque à l’un des problèmes pratiques des robots dotés d’intelligence artificielle : le besoin de données diversifiées reliant la perception, le mouvement et le contexte, plutôt que de simples données textuelles ou images isolées. La combinaison de l’enregistrement du comportement humain et de la simulation pourrait contribuer à réduire la dépendance aux seuls essais sur le terrain, mais elle ne prouve pas à elle seule que les modèles fonctionneront efficacement dans tous les environnements.
L’article ne présente ni résultats quantitatifs de performance ni calendrier de lancement d’un modèle commercial final ; ce qui a été annoncé jusqu’à présent est une collaboration de recherche et des tests de validation de principe dans le cadre du projet GENIAC. Les questions ouvertes restent donc liées à la mesure dans laquelle les résultats de simulation seront transposables au monde réel, ainsi qu’à la manière dont les données et les modèles seront mis à la disposition des partenaires ou de la communauté au sens large.