DoorDash propose à ses 8 millions de livreurs américains une nouvelle façon de gagner de l’argent : se filmer en train de faire la vaisselle, plier des vêtements ou faire leur lit. Ces vidéos seront utilisées pour entraîner des modèles d’IA et de robotique. L’application s’appelle Tasks, et elle vient d’être lancée.
Le corps humain comme source de données
L’idée est simple : les robots humanoïdes ont besoin d’observer des humains en action pour apprendre à reproduire des gestes du quotidien. Charger un lave-vaisselle, repasser une chemise, replanter une fleur en pot. Des tâches banales pour nous, des défis considérables pour un robot.
DoorDash a donc lancé une application dédiée permettant à ses coursiers de soumettre des enregistrements vidéo de ces activités en échange d’une rémunération variable selon la difficulté. Tailler une plante rapporte plus que faire un lit. Les données collectées alimenteront directement les systèmes d’apprentissage de modèles d’IA physique.
« Nous pensons que cela sera énorme pour construire la frontière de l’intelligence physique », a écrit Andy Fang, cofondateur et directeur technique de DoorDash, sur les réseaux sociaux lors du lancement.
Un mouvement qui dépasse DoorDash
DoorDash n’est pas le premier à explorer cette piste. Uber a lancé un programme similaire l’an dernier, permettant à ses chauffeurs de réaliser des tâches numériques supplémentaires en échange de revenus complémentaires. Instawork, une plateforme de travail à la demande à Los Angeles, a de son côté recruté des travailleurs pour se filmer en train de nettoyer leur domicile, équipés d’un bandeau avec support pour smartphone.
La startup Sunday Robotics va encore plus loin : elle envoie des « gants de capture de compétences » à des particuliers à travers les États-Unis. Ces gants robotiques enregistrent les mouvements des mains lors de tâches ménagères. Les données servent ensuite à entraîner son robot domestique en développement.
Pourquoi les données physiques sont si précieuses
Entraîner un grand modèle de langage comme GPT ou Gemini nécessite des milliards de pages de texte. Entraîner un robot à naviguer dans le monde physique nécessite quelque chose de beaucoup plus rare : des données de mouvement réel dans des environnements domestiques variés.
Les simulations existent, mais elles ne capturent pas la richesse et l’imprévisibilité du monde réel. Une chaise déplacée, une pile de linge instable, un évier encombré. C’est justement pour combler ce déficit de données physiques que des entreprises comme DoorDash se tournent vers leurs propres réseaux de travailleurs.
Pour les livreurs, c’est une source de revenus supplémentaires entre deux courses. Pour l’industrie de la robotique, c’est peut-être la prochaine révolution dans la formation des humanoïdes domestiques.
