Microduck est un petit bipède avec une grande ambition : rendre l’IA incarnée accessible à l’achat, à l’entraînement et à l’amélioration significative à domicile. Le kit à 399 $ associe un robot de 25 cm, ~800 g (15 moteurs, caméra, LiDAR, deux IMU) à un SDK open source et une pile d’apprentissage par renforcement. Il est livré avec sept comportements appris — marcher, s’asseoir/se lever, donner un coup de pied, saisir, locomotion en roller et auto-récupération — fonctionnant sur une boucle de politique embarquée à 50 Hz. Les précommandes s’ouvrent avec quatre coloris et des packs optionnels (chargeur, accessoires, développeur). Le changement clé n’est pas seulement le prix — c’est la décision de commercialiser une chaîne sim‑to‑real que les étudiants, développeurs indépendants et équipes en phase initiale peuvent réellement itérer sans laboratoire de robotique dédié.
Le flux de travail d’entraînement est conçu pour être familier aux praticiens du ML : apprendre des politiques dans un simulateur physique MuJoCo sur votre machine ou via des tâches hébergées, déployer sur le matériel en une étape, affiner la simulation, et répéter. Parce que les comportements sont des politiques de première classe, vous pouvez les bifurquer, les réentraîner et publier vos améliorations à la communauté. Cela transforme ce qui était auparavant une chaîne fragile et spécifique au laboratoire en une boucle standardisée où la reproductibilité, la randomisation de l’environnement et la modélisation des récompenses sont des leviers explicites — pas un savoir-faire caché. Pour les équipes explorant la locomotion, les mouvements simples de type préhension ou l’apprentissage par curriculum, Microduck offre un substrat commun pour comparer les approches sans réinventer la pile matérielle.
Pourquoi c’est important maintenant : l’IA incarnée passe de l’aspiration à la pratique. Avec Microduck, un seul développeur peut réaliser de courtes expériences RL, les déployer le jour même et obtenir des signaux d’erreur réels — glissements, dérives, compliance, bruit des capteurs — sans les coûts d’un laboratoire. Cela accélère les boucles d’apprentissage, améliore les pipelines de talents et clarifie plus tôt les goulets d’étranglement de performance (stabilité des politiques, robustesse au terrain, consommation d’énergie). Pour l’éducation, cela permet des modules pratiques couvrant le contrôle, la perception, la conception des récompenses et la réduction de l’écart sim‑to‑real. Pour les fondateurs, le calcul s’améliore : faible investissement initial, licence OSS, disponibilité des pièces détachées et une bibliothèque communautaire de politiques sur laquelle vous pouvez construire, pas seulement lire.
Les acheteurs doivent toujours planifier comme des ingénieurs. Attendez-vous à des cycles d’itération incluant le réajustement des récompenses, la randomisation du domaine et l’entretien mécanique. Les surfaces, les chaussures (rollers vs pieds) et les charges influencent la stabilité et l’autonomie. La bonne nouvelle : le pack développeur anticipe le bricolage avec des moteurs, câbles, batteries et outils de rechange, tandis que les tags NFC et les entrées du contrôleur facilitent le changement de comportement. Considérez Microduck comme un banc d’essai — enregistrez les politiques, suivez les retours d’épisodes et les taux de chute, et soyez intentionnel sur les enveloppes de sécurité. Avec cet état d’esprit, la plateforme devient une rampe d’accès durable à une pratique sim‑to‑real robuste plutôt qu’un gadget de bureau de plus.