RéponsesPublié16 sources
Pour entraîner davantage de robots, InSpatio mise sur des mondes virtuels réutilisables
InSpatio dit vouloir produire un million d’heures de données d’entraînement par mois en réutilisant des environnements 3D modifiables. Le dispositif associe reconstruction de scènes réelles et simulation, mais les sources ne confirment pas encore les gains de coûts ni les performances obtenues sur de vrais robots.
Publié parModifié avec GPT-6 LunaImages générées avec GPT Image 2
Réponse de recherche
Points clés à retenir
- InSpatio dit vouloir produire un million d’heures de données d’entraînement par mois en réutilisant des environnements 3D modifiables.
- Le dispositif associe reconstruction de scènes réelles et simulation, mais les sources ne confirment pas encore les gains de coûts ni les performances obtenues sur de vrais robots.
- L’objectif mensuel annoncé et le rythme quotidien évoqué ne correspondent pas à la même cadence s’ils sont maintenus dans la durée.
Prompt IA
openai.comCreate a landscape editorial hero image for this Studio Global article: How does InSpatio, the spatial intelligence foundation model company spun out of SenseTime in 2025, aim to address robot training data short. Article summary: InSpatio’s approach is to make robot-training environments editable, reusable and scalable, rather than increase data collection solely by adding physical robots and training grounds; reporting confirms the Hangzhou cent. Topic tags: general, academic, education, general web, user generated. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, water
InSpatio veut changer d’échelle dans la collecte de données pour robots en travaillant sur les environnements d’entraînement plutôt qu’en reconstruisant un espace physique à chaque nouvelle configuration. L’entreprise a inauguré à Hangzhou, le 29 octobre 2026, un centre de données pour l’IA incarnée reposant principalement sur la simulation. Elle affirme viser un million d’heures de données par mois : un objectif annoncé, et non un débit déjà démontré de façon indépendante. 4
25
Miser sur la variété des environnements
Collecter des données dans le monde physique suppose souvent de préparer les lieux, de réorganiser les objets et de remettre les installations en état entre les essais. L’approche présentée par InSpatio consiste à associer des scènes 3D reconstruites ou générées à un simulateur, puis à faire varier les décors et les tâches. Les environnements seraient ainsi modifiables et réutilisables, avec l’objectif de produire des données couvrant davantage de configurations spatiales. 25
La distinction est importante : multiplier les démonstrations dans une pièce toujours agencée de la même façon augmente le volume de données, mais pas nécessairement la diversité des situations rencontrées. Des scènes modifiables pourraient faciliter les changements de disposition des objets et de conditions de tâche. Les sources disponibles ne chiffrent toutefois pas le temps ou les coûts économisés par rapport à la collecte physique.
Les chiffres de production méritent aussi d’être précisés. Les articles évoquent un objectif d’un million d’heures par mois, ainsi qu’un rythme d’environ 100 000 heures par jour. Si ce dernier était maintenu, il représenterait quelque trois millions d’heures sur un mois de 30 jours. Les sources n’expliquent pas si le chiffre quotidien correspond à un pic, à un objectif distinct ou à une autre méthode de calcul. 25
Transformer des lieux réels en scènes simulées
Une première voie consiste à numériser des espaces existants. Le système Kosmo de Hesai associe un dispositif de capture spatiale à des outils de traitement destinés à convertir les lieux enregistrés en données 3D. Hesai a annoncé son moteur de données 3D Kosmo en octobre 2026. 23 Selon des articles consacrés au système, il pourrait scanner environ 100 m² d’intérieur en une quinzaine de minutes et produire notamment des représentations en 3D Gaussian Splatting, des maillages et des données de profondeur. Il s’agit de capacités rapportées, et non de mesures indépendantes de la qualité des reconstructions.
25
26
Le simulateur Topos d’InSpatio est, lui, présenté comme un outil de génération de scènes 3D, de reconstruction de lieux réels et de simulation pour l’IA incarnée. 14 Les travaux de recherche de l’entreprise sur InSpatio-World décrivent également la reconstruction et la génération de scènes dynamiques et interactives à partir d’une vidéo de référence.
17 Ces éléments étayent l’approche générale de création de scènes, mais ne confirment pas à eux seuls tous les formats d’entrée ni l’ensemble du fonctionnement de Topos Pro décrits dans certains articles.
Une scène réaliste ne suffit pas
Une reconstruction peut sembler convaincante à l’œil tout en représentant mal les déplacements ou les collisions entre objets. Les articles sur Kosmo précisent que les propriétés physiques et d’autres données doivent encore être complétées ou configurées : un scan ne produit pas automatiquement une simulation entièrement définie. 26
Pour entraîner un robot, cette étape est essentielle. Les objets doivent pouvoir être manipulés dans la simulation, et l’environnement doit réagir de façon plausible lorsqu’un robot les pousse, les saisit ou les déplace. Les sources disponibles ne vérifient pas les procédures précises d’InSpatio pour attribuer des propriétés aux objets, reconstruire les zones cachées ou calibrer les contacts physiques. L’objectif de production annoncé ne suffit donc pas à établir que ces capacités sont déjà maîtrisées.
Plus les tâches sont complexes, plus la simulation doit être fiable
Les tâches d’un robot vont de la navigation entre des obstacles à la manipulation d’objets, en passant par les contacts physiques et les mécanismes articulés. Dans les tâches de manipulation, l’apparence visuelle d’une scène ne suffit plus : la géométrie et le comportement physique simulé peuvent tous deux déterminer si un exemple d’entraînement est utile.
La simulation permettrait de répéter et de varier les scénarios sans devoir réinitialiser à chaque fois une installation physique. Mais des lois physiques mal représentées risquent aussi de produire des données trompeuses. Les informations disponibles ne confirment pas l’existence d’un système de livraison formalisé par niveaux L1 à L3, de tests d’acceptation sur de vrais robots ou de résultats mesurés sur le transfert des compétences. Des essais réels restent nécessaires pour savoir si l’entraînement simulé se traduit par des performances dans le monde physique.
Ce que l’annonce établit — et ce qu’elle ne prouve pas
Les sources indiquent qu’InSpatio a ouvert à Hangzhou un centre de collecte de données axé sur la simulation et annoncé viser un million d’heures de production par mois. Elles décrivent aussi une chaîne de travail plus large, reliant capture spatiale, reconstruction 3D et simulation. 4
25
Elles ne démontrent pas que le centre a déjà atteint ce volume, que les données couvrent efficacement toute la diversité des tâches robotiques ou que les politiques entraînées fonctionnent bien sur des robots physiques. La promesse est claire : produire davantage de scénarios variés en rendant les environnements 3D réutilisables. Il reste à montrer que cette méthode permettra d’atteindre l’échelle annoncée et de produire des résultats dans le monde réel.
Studio Global AI
Continuez vos recherches
Cette page comprend une réponse basée sur la source que vous pouvez continuer dans Studio Global.
Les gens demandent aussi
Quelle est la réponse courte à « Pour entraîner davantage de robots, InSpatio mise sur des mondes virtuels réutilisables » ?
InSpatio dit vouloir produire un million d’heures de données d’entraînement par mois en réutilisant des environnements 3D modifiables.
Quels sont les points clés à valider en premier ?
InSpatio dit vouloir produire un million d’heures de données d’entraînement par mois en réutilisant des environnements 3D modifiables. Le dispositif associe reconstruction de scènes réelles et simulation, mais les sources ne confirment pas encore les gains de coûts ni les performances obtenues sur de vrais robots.
Que dois-je faire ensuite en pratique ?
L’objectif mensuel annoncé et le rythme quotidien évoqué ne correspondent pas à la même cadence s’ils sont maintenus dans la durée.