Les modèles du monde

Un modèle de langage écrit très bien, mais il n'a jamais vu un verre tomber. Il sait qu'un verre qui tombe se brise parce qu'il l'a lu, pas parce qu'il prévoit la chute. Pour un robot qui doit saisir un objet, ou une voiture qui doit anticiper un piéton, lire ne suffit pas : il faut prévoir ce que le monde va faire, et ce que fera chaque geste.

LeCun le dit ainsi : les modèles de langage produisent des tokens, dans un espace discret ; on n'atteindra pas une intelligence de niveau humain en s'entraînant seulement sur du texte.

Meta attend trois choses d'un modèle du monde : comprendre ce qu'il observe, prédire comment le monde évolue, y compris selon une action, et planifier une suite d'actions vers un but.

• Compresser : chaque image est réduite à une représentation compacte, bien plus petite que l'image elle-même.
• Prédire dans cet espace : le modèle apprend à prédire la représentation suivante. Deux voies : générer les images elles-mêmes, comme Genie, un transformeur qui prédit la suite image par image ; ou, comme les JEPA de Meta, prédire seulement les représentations, sans redessiner chaque pixel.
• Imaginer pour apprendre : Dreamer entraîne son agent dans des trajectoires imaginées par le modèle, sans jouer réellement chaque partie.
• Planifier : un robot imagine les conséquences de plusieurs gestes possibles, garde celui qui rapproche le plus de l'image du but, l'exécute, puis recommence à chaque pas.
• Ne prédire que l'utile : MuZero ne reproduit pas le monde ; il prédit seulement ce qui sert à décider, la récompense et la valeur d'un coup.

Un bras robotisé guidé par V-JEPA 2

• L'apprentissage général : plus d'un million d'heures de vidéos internet, sans aucune action, pour apprendre comment les choses bougent.
• L'apprentissage de l'action : moins de 62 heures de vidéos de robots, sans annotation ; puis le modèle est installé, sans réentraînement, sur des bras dans deux laboratoires.
• Le résultat annoncé : 65 à 80 % de réussite pour saisir et déposer des objets nouveaux dans des lieux inconnus, selon Meta.
• La limite reconnue : sur trois tests de raisonnement physique, les humains réussissent 85 à 95 % ; Meta reconnaît un écart notable avec les meilleurs modèles.
• Le modèle compte 1,2 milliard de paramètres ; son code est publié sous licence MIT.

• Pour la plupart des PME : rien à installer ni à acheter en 2026 ; les outils de bureau, de document et de relation client reposent sur des modèles de langage.
• Industrie et logistique : la robotique s'appuie déjà sur ces modèles ; Gemini Robotics apprend une tâche courte avec une centaine de démonstrations, π0 est publié sous licence Apache 2.0. Les fabricants de robots en tirent parti avant les utilisateurs.
• Conception et communication : Marble, de World Labs, crée des mondes 3D à partir de texte ou d'images, exportables en maillages ou en vidéos.
• Ce qui ferait changer cette position : un produit qui prévoit de façon mesurée un processus de l'entreprise, une ligne de production, un entrepôt, avec des résultats publiés par un tiers.

• Prenez une annonce récente sur un « modèle du monde » et posez-lui quatre questions : que prédit-il, à partir de quoi, qui l'a mesuré, et sous quelle licence peut-on s'en servir ?
• Si l'annonce ne répond qu'à la première, c'est une démonstration, pas encore un outil.