J'observe un mini paradoxe de Moravec dans la robotique : les gymnastes qui sont difficiles pour les humains sont beaucoup plus faciles pour les robots que les tâches "peu sexy" comme cuisiner, nettoyer et assembler. Cela crée une dissonance cognitive pour les personnes extérieures au domaine, "donc, les robots peuvent faire du parkour et du breakdance, mais pourquoi ne peuvent-ils pas s'occuper de mon chien ?" Croyez-moi, mes parents m'ont posé cette question plus souvent que vous ne le pensez ... Le "paradoxe de Moravec des robots" crée également l'illusion que les capacités physiques de l'IA sont beaucoup plus avancées qu'elles ne le sont réellement. Je ne vise pas spécifiquement Unitree, car cela s'applique largement à toutes les démonstrations acrobatiques récentes dans l'industrie. Voici un test simple : si vous placez un mur devant le robot qui fait des flips latéraux, il va s'y heurter de plein fouet et faire un spectacle. Parce qu'il ne fait que surajuster ce mouvement de référence unique, sans aucune conscience de son environnement. Voici pourquoi le paradoxe existe : il est beaucoup plus facile d'entraîner un "gymnaste aveugle" qu'un robot qui voit et manipule. Le premier peut être entièrement résolu en simulation et transféré sans aucune adaptation au monde réel, tandis que le second exige un rendu extrêmement réaliste, une physique de contact et une dynamique d'objets réels désordonnée - rien de tout cela ne peut être bien simulé. Imaginez que vous puissiez entraîner des LLM non pas à partir d'Internet, mais à partir d'un jeu vidéo textuel entièrement conçu à la main. Les roboticiens ont eu de la chance. Nous vivons dans un monde où les moteurs physiques accélérés sont si bons que nous pouvons nous en sortir avec des acrobaties impressionnantes en utilisant littéralement zéro donnée réelle. Mais nous n'avons pas encore découvert le même code de triche pour la dextérité générale. Jusqu'à ce moment-là, nous continuerons à être questionnés par nos parents confus.