Les chercheurs d'Apple ont publié un nouvel article de recherche en robotique défendant une thèse audacieuse : un robot n'a peut-être pas besoin d'un cerveau conçu sur mesure pour être utile. Le système, baptisé AMP1—abréviation d'Agentic Manipulation Policies—permet à des modèles d'IA généralistes de contrôler des bras robotisés en écrivant et en exécutant du code Python. Selon la recherche, il a surpassé les politiques robotiques spécialistes sur des tâches de manipulation, tant en simulation qu'en conditions réelles.

L'article, intitulé « On Agentic Manipulation Policies » (arXiv:2611.09892), a été publié en novembre 2026. Le code et les données de simulation ont été rendus publics, permettant à d'autres laboratoires de vérifier directement ces affirmations.

Fonctionnement d'AMP1

AMP1 fonctionne en zero-shot. Le modèle sous-jacent ne bénéficie d'aucun fine-tuning sur le robot ou la tâche spécifique, et le framework ne nécessite pas de bibliothèque de démonstrations. La recherche décrit AMP1 opérant sur plusieurs configurations robotiques, notamment mono-bras, bimanuel (deux bras) et mobile. Prendre en charge différents matériels sans réentraînement est précisément la flexibilité que les systèmes spécialistes tendent à manquer.

Le framework peut également adapter sa stratégie en temps réel, notamment en utilisant des outils et en effectuant des recherches selon les circonstances.

Les résultats

En simulation, l'équipe a évalué AMP1 sur le benchmark RoboLab-120. Associé au modèle Gemini 4 Argon, AMP1 a atteint un taux de réussite de 85,6 %. Propulsé par Claude Opus 5.5, il a atteint 82,8 %. À titre de comparaison, le modèle Astranomy de NVIDIA a obtenu 74,8 % sur le même benchmark. AMP1 ayant fonctionné en zero-shot, ces comparaisons opposent le raisonnement généraliste à des politiques spécialistes conçues spécifiquement pour des tâches incarnées.

AMP1 a également obtenu les meilleurs résultats sur d'autres benchmarks, selon la recherche, avec 95,2 % sur LIBERO-PRO et 100 % sur robosuite.

Les performances en conditions réelles ont été évaluées sur 108 essais répartis sur trois configurations de bras robotisés Franka. AMP1 en a complété 104, soit un taux de réussite de 96,3 %, tandis que les systèmes de référence ont terminé respectivement 49 et 30 essais. L'article rapporte en outre qu'AMP1 a réduit les échecs opérationnels d'un facteur 15 à 20 par rapport aux principaux modèles de référence—une amélioration largement attribuée à une meilleure récupération des erreurs.

L'équipe et le contexte plus large

Les auteurs de l'étude comprennent les chercheurs d'Apple Chen Chen et Omid Bagherieh. Ce travail fait suite au système HALO d'Apple pour la navigation des robots humanoïdes, également publié en novembre 2026—deux sorties en robotique d'Apple en un seul mois.

Les catégories de spécialistes auxquelles AMP1 a été comparé incluent les modèles vision-langage-action (VLA) et les modèles monde-action (WAM). Les VLA prennent en entrée ce que voit le robot, accompagné d'une instruction textuelle, et produisent des actions physiques. Les WAM ajoutent un modèle appris du comportement du monde. Les deux sont conçus spécifiquement pour des tâches incarnées et dépendent généralement de grands volumes de données d'entraînement propres à la robotique.

AMP1 adopte une approche différente. Plutôt que de construire un cerveau robotique de toutes pièces, il s'appuie sur le raisonnement de grands modèles généralistes et leur donne un moyen d'agir via le code. Ce contraste souligne l'enjeu de l'article : si des modèles généralistes peuvent égaler les politiques spécialistes sans entraînement spécifique à une tâche, les grands volumes de données d'entraînement robotique derrière les VLA et les WAM ne seraient peut-être pas un prérequis pour une manipulation performante.

Ce que cela signifie

Ces résultats s'accompagnent de réserves soulignées dans le reportage : AMP1 repose sur des modèles tiers tels que Gemini 4 Argon et Claude Opus 5.5, de sorte que ses performances dépendent en partie de systèmes qu'Apple ne contrôle pas. En revanche, la publication publique du code et des données de simulation permet à d'autres laboratoires de recherche de vérifier eux-mêmes ces affirmations—faisant de la réplication indépendante le prochain test le plus clair pour les chiffres rapportés.

Cet article a été initialement publié par CryptoBriefing et édité par Diego Almada Lopez.