NEURA Robotics et la société autrichienne NXAI vont intégrer une mémoire fondée sur l’architecture xLSTM aux robots cognitifs de NEURA. Le projet doit permettre à une machine de conserver l’état d’une tâche longue, puis d’exploiter l’expérience accumulée au lieu de traiter chaque situation comme si elle était nouvelle.
Deux niveaux de mémoire pour agir
Le partenariat part d’un problème concret. Un robot industriel ou domestique fonctionne en continu : il perçoit, décide et agit plusieurs fois par seconde. Pour terminer une séquence, il doit savoir si une pièce a déjà été insérée, si une porte a été ouverte ou si une commande a été validée.
NEURA distingue cette mémoire de travail d’une mémoire épisodique plus longue. La seconde doit aider le robot à réutiliser ce qu’il a appris lorsqu’il retrouve une configuration déjà rencontrée. L’objectif est de rendre les tâches à plusieurs étapes plus fiables, sans charger à nouveau tout le contexte à chaque action.
xLSTM rejoint Neuron AI
NXAI apporte xLSTM, une architecture récurrente conçue pour conserver et mettre à jour efficacement un état sur de longues séquences. Elle sera associée à Neuron AI, le modèle multimodal de NEURA qui combine vision 3D, toucher, audio, état du robot et langage.
Le travail annoncé comprend aussi l’arrivée d’un modèle xLSTM de NXAI sur Neuraverse. Les entreprises pourront l’adapter à leurs tâches, le tester dans les NEURA Gyms puis le déployer sur des robots compatibles. Neuron AI continuera d’être développé séparément : l’accord ajoute une autre option au catalogue et un programme de recherche commun.
Un test pour les tâches longues
Selon les comptes rendus de GTC Berlin, l’humanoïde 4NE1 a exécuté une séquence de manipulation de linge d’environ onze minutes avec Neuron AI. Cette démonstration illustre le type de scénario visé, où un robot doit conserver le fil d’une activité et réagir à plusieurs objets successifs.
Le communiqué ne publie toutefois ni taux de réussite, ni comparaison avec une architecture sans mémoire, ni calendrier de disponibilité commerciale. Il précise que les clients garderont le contrôle de leurs connaissances de procédé et décideront s’ils partagent ou non leurs données et compétences sur la plateforme.
Notre analyse
La mémoire est moins visible qu’une nouvelle main ou qu’un moteur plus puissant, mais elle conditionne le passage de gestes isolés à des opérations complètes. Le choix d’une architecture récurrente peut aussi réduire le coût du contexte sur des séquences longues. La prochaine étape sera de mesurer la robustesse sur des cycles répétés, avec des interruptions, des erreurs de perception et des changements d’environnement.
Sources : NEURA Robotics, EU-Startups et Trending Topics.
