Le cerveau universel pour les robots.
20n construit un seul cerveau artificiel capable de contrôler n'importe quel corps de robot. Zéro entraînement, pas de cloud, tourne sur le CPU d'un portable, sans GPU. Construit sur l'Active Inference et le Free Energy Principle.
L'industrie de la robotique a dépensé plus de 20 milliards de dollars pour construire des robots à usage général. Résultat : rien n'est déployé à grande échelle. Chaque robot actuel utilise un modèle par tâche. Chaque compétence demande des millions d'heures de GPU. Les contrôleurs cassent dès qu'ils rencontrent une situation absente de leurs données d'entraînement. Ce n'est pas un problème de calcul. C'est un problème d'architecture. L'industrie construit des spécialistes étroits et tente de les assembler en quelque chose de général. Cette approche a un plafond, et il est atteint.
Personne n'a construit un cerveau qui fonctionne sur des corps de robots différents. Un cerveau qu'on peut placer dans un bipède, un quadrupède ou un humanoïde à 17 articulations, et qui se débrouille seul. Le deep reinforcement learning n'a jamais été conçu pour ça. Il maximise un signal de récompense dans un environnement fixe. C'est un objectif fondamentalement différent de celui de construire un système qui s'adapte à n'importe quel corps dans n'importe quelle situation.
L'affirmation centrale est simple. Un cerveau, un seul jeu de paramètres, n'importe quel corps de robot. On le place, il apprend à bouger. Il apprend la physique de son propre corps en temps réel, construit un modèle du monde à la volée, et choisit ses actions en prédisant le futur pour retenir la trajectoire qui minimise l'incertitude.
L'architecture repose sur deux idées : l'Active Inference (le cadre de Karl Friston qui décrit comment les cerveaux biologiques minimisent la surprise) et l'homeokinesis (le principe de Der et Martius, une exploration auto-organisée par dynamique prédictive interne). Pas de réentraînement. Pas de fine tuning. On le place et ça marche.
Pas de cloud. Pas de GPU. Pas de cluster. Le cerveau tourne entièrement sur le CPU d'un ordinateur portable.
Cinq couches, calquées sur le cerveau biologique, qui fonctionnent à des fréquences différentes. Chacune gère un niveau d'abstraction distinct. Elles communiquent verticalement par erreurs de prédiction, comme la hiérarchie néocorticale.
L'Active Inference est la théorie du fonctionnement du cerveau de Karl Friston. L'idée centrale : tout système vivant minimise la surprise. Le cerveau entretient un modèle génératif du monde et prédit en permanence ce qu'il devrait percevoir. Quand la prédiction colle à la réalité, rien ne se passe. Quand il y a un écart, deux options : mettre à jour le modèle (perception) ou agir sur le monde pour rendre la prédiction vraie (action). Prédire, agir, corriger. En continu.
C'est fondamentalement différent du RL. Les agents de reinforcement learning maximisent un signal de récompense et ont besoin de millions d'essais pour y arriver. Les agents en Active Inference n'ont pas besoin de fonction de récompense. Ils réduisent l'incertitude. L'exploration émerge naturellement des mathématiques. Le RL exige un entraînement massif hors ligne et casse hors de sa distribution. L'Active Inference fonctionne en temps réel et s'adapte à la volée parce qu'elle ne cesse jamais de mettre à jour son modèle.
Chaque couche de l'architecture 20n implémente la minimisation de l'énergie libre. La moelle épinière minimise l'erreur proprioceptive. Le cervelet minimise l'erreur du modèle direct. Le cortex minimise l'erreur du modèle du monde. Les ganglions de la base minimisent l'énergie libre attendue sur les trajectoires futures. Un seul principe, appliqué à toutes les échelles.
Validé sur trois morphologies standard dans MuJoCo. Un score de 1000 = la performance maximale atteignable.
| Robot | Articulations | Score max | Score moyen | Statut |
|---|---|---|---|---|
| Walker2d | 6 articulations (2D) | 1000 | 952 | Locomotion quasi parfaite |
| Ant | 8 articulations (3D) | 1000 | 667 | Résolu |
| Humanoid | 17 articulations (3D) | 474 | 163 | Benchmark le plus dur, en progression |
Walker2d. Bipède planaire, 6 articulations. Score moyen de 952/1000. Locomotion quasi parfaite, démarche fluide et stable.
Ant. Quadrupède, 8 articulations, 3D complète. Max 1000, moyenne 667. Apprend à coordonner ses quatre pattes quelques secondes après le déploiement.
Humanoid. Le benchmark le plus dur de MuJoCo. 17 articulations, 3D complète, instable par nature. Actuellement à 474 en score max, en progression. Zéro entraînement, une fraction du calcul.
Même cerveau, mêmes paramètres, pour chacun des corps ci-dessus. Aucun réentraînement entre les morphologies.
Opération solo, fondée et construite par Nick0 (Nicolas Philippe). Strasbourg, France. Projet de recherche indépendant, mené en parallèle d'une activité d'ingénierie freelance.
Première place à Innov Hack Paris 2026 (150 participants). Le code est privé pour le moment, une ouverture partielle en open source est prévue.
Plusieurs corps validés en simulation. Amélioration des performances sur Humanoid.
Corps nageurs, morphologies de serpent, manipulateurs. Tout ce qui a des articulations et des actionneurs.
L'Active Inference est par nature robuste aux écarts de modèle, ce qui rend le passage au réel plus naturel qu'avec les approches fondées sur le RL.
Première preuve que l'architecture fonctionne hors simulation.
Licence du cerveau aux fabricants de robots.