TARS, l'entreprise d'IA physique fondée par le Dr Chen Yilun, a reçu le prestigieux prix SAIL (Superior AI Leader) à la Conférence mondiale sur l'intelligence artificielle 2026 (WAIC) à Shanghai. Le prix récompense l'innovation technique et le potentiel industriel du modèle de fondation incarné AWE 3.5 de l'entreprise, qui a été présenté alongside des démonstrations de robots en direct tout au long de la conférence.
Le prix SAIL est l'une des distinctions les plus reconnues dans l'industrie chinoise de l'IA, décerné chaque année à des projets qui démontrent des avancées techniques exceptionnelles associées à un potentiel d'application dans le monde réel.
AWE 3.5 : architecture unifiée nativement incarnée
Lors du forum principal de la WAIC, le fondateur et PDG de TARS, le Dr Chen Yilun, a présenté AWE 3.5, la dernière version du modèle de fondation natif à l'incarné de l'entreprise. Construit sur plus d'un million d'heures de données du monde réel centrées sur l'homme et validées en milieu industriel, AWE 3.5 intègre action, perception, géométrie et perception tactile dans un cadre unique — allant au-delà de l'approche modulaire et d'assemblage de pièces qui caractérise de nombreux systèmes d'IA incarnée actuels.
Par rapport à la version précédente Pi 0.5, AWE 3.5 double approximativement l'efficacité d'exécution des tâches, améliore les performances sur les tâches complexes et maintient une interaction en boucle fermée sur des tâches durant plusieurs minutes. Le modèle représente une avancée significative dans le défi de longue date consistant à faire en sorte que les systèmes d'IA effectuent de manière fiable des tâches physiques soutenues et multi-étapes.
Pré-entraînement + post-entraînement : un nouveau paradigme
Plus remarquable encore, AWE 3.5 est le premier modèle incarné à compléter un paradigme "pré-entraînement + post-entraînement" natif à l'incarné, conçu pour soutenir une itération reproductible, évolutive et continue. Cette approche reprend le paradigme pré-entraînement / affinage qui a propulsé les progrès des grands modèles de langage, mais adapté aux défis uniques de l'IA physique — où les données sont multimodales, coûteuses à collecter et doivent tenir compte de la physique du monde réel et de la dynamique de contact.
En établissant une séparation claire entre le pré-entraînement polyvalent et le post-entraînement spécifique à la tâche, TARS vise à créer une fondation qui peut être adaptée efficacement à de nouveaux domaines et plateformes robotiques sans nécessiter de réentraînement complet depuis zéro.
Démonstrations en direct à la WAIC
Pendant la conférence, TARS a présenté des robots alimentés par AWE effectuant plusieurs tâches pratiques sur son stand d'exposition :
- Emballage de téléphones : Les robots emballaient de manière autonome des smartphones dans des boîtes avec des inserts de protection, démontrant une manipulation fine et la gestion d'objets dans un flux de travail logistique pertinent.
- Organisation de sac à dos : Les robots organisaient des articles dans des sacs à dos, manipulant des matériaux flexibles et des formes irrégulières — un référentiel pour la robotique d'assistance quotidienne.
- Tri de vis de précision : Les robots identifiaient et triaient de petites vis par type, démontrant l'acuité visuelle et la précision tactile nécessaires aux tâches d'assemblage.
Au-delà des démonstrations de tâches individuelles, TARS a également recréé une chaîne de production de faisceaux de câbles automobiles circulaire grandeur nature utilisant plusieurs robots A1. Les robots saisissaient, acheminaient, connectaient et assemblaient des faisceaux de câbles flexibles — un scénario qui a été sélectionné pour la zone d'exposition officielle de robotique incarnée de la WAIC en tant que présentation vedette du "Pôle de fabrication intelligente". La démonstration a mis en évidence la stabilité, la fiabilité et la valeur opérationnelle de la technologie dans des environnements de fabrication avancée.
10 millions d'heures d'ici la fin de 2026
Ayant dépassé le million d'heures de données centrées sur l'homme de haute qualité, TARS s'est fixé un objectif ambitieux : étendre son jeu de données de pré-entraînement à 10 millions d'heures d'ici la fin de 2026. Si cet objectif est atteint, cette augmentation par dix du volume de données d'entraînement renforcerait encore les capacités de généralisation du modèle, le raisonnement à long terme et les performances d'exécution de tâches réelles.
La stratégie d'expansion des données reflète un consensus industriel plus large selon lequel l'échelle et la diversité des données sont les principaux moteurs de l'amélioration des capacités en IA physique, de manière analogue à la façon dont la mise à l'échelle des corpus textuels a conduit aux progrès des grands modèles de langage au cours de la dernière décennie.
Importance industrielle
La reconnaissance du prix SAIL pour AWE 3.5 souligne la maturité croissante de l'écosystème chinois de l'IA incarnée. À mesure que le domaine de l'IA physique passe des démonstrations de recherche au déploiement commercial, les modèles capables de généraliser across les tâches, de fonctionner de manière fiable dans des environnements non structurés et d'être adaptés efficacement à de nouveaux cas d'usage deviendront de plus en plus précieux. L'architecture nativement incarnée de TARS et son paradigme pré-entraînement + post-entraînement représentent une approche pour atteindre cette évolutivité — et le prix suggère que la communauté technique y prête attention.
