World models : le concept qui veut dépasser les LLM

Demandez à ChatGPT ce qui se passe si vous posez un verre au bord d’une table. Il vous répondra correctement, parce qu’il a lu des millions de textes qui décrivent ce scénario. Pour autant, il ne comprend pas la gravité : il en possède une représentation statistique dans le langage, sans modèle interne du monde physique. La distinction semble anodine jusqu’au moment où vous confiez à un robot la manipulation de pièces dans une usine, ou à un système médical l’anticipation d’un traitement. La différence devient alors décisive.

Les world models, ou modèles du monde, apportent une réponse architecturale à cette limite. Au lieu de prédire le prochain mot d’une séquence de texte, ils apprennent à prédire l’état futur d’un environnement physique : comment les objets bougent, quelles conséquences ont les actions, comment le monde évolue dans le temps. L’idée est ancienne en recherche, mais elle vient de connaître une accélération spectaculaire.

Un world model, concrètement, c’est quoi

Un world model est un système d’IA qui construit une représentation interne de son environnement, une sorte de simulation mentale du monde, à partir d’observations brutes comme des vidéos, des sons ou des données de capteurs. Plutôt que de mémoriser des motifs de surface, il apprend les règles sous-jacentes : la physique, la causalité, la géométrie, les relations entre objets.

Techniquement, l’architecture repose sur trois blocs. Un encodeur compresse les observations brutes en une représentation abstraite et compacte, l’espace latent. Un modèle de dynamique prédit ensuite comment cet état va évoluer selon les actions possibles. Enfin, des mécanismes d’abstraction hiérarchique permettent de raisonner à différents niveaux de détail, du pixel jusqu’au concept. Dans sa version non générative, le world model ne cherche pas à reconstruire chaque pixel de l’avenir : il prédit dans l’espace abstrait et ignore ce qui est imprévisible ou sans intérêt.

L’idée remonte aux travaux du psychologue Kenneth Craik qui, en 1943, décrivait les « modèles mentaux » comme la façon dont le cerveau simule la réalité pour anticiper les conséquences de ses actions. En IA, les premières tentatives formalisées datent des années 1990 avec Dyna, l’architecture de Richard Sutton. En 2018, Ha et Schmidhuber publient un article fondateur, toujours cité : un système entraîné dans des simulations internes plutôt que par des interactions réelles coûteuses. En 2025, trois choses ont changé : l’argent, la puissance de calcul et la conviction de plusieurs figures majeures de l’IA que ce paradigme constitue la prochaine étape.

Pourquoi les LLM ne suffisent pas : l’argument de LeCun

Yann LeCun, prix Turing 2018 et co-inventeur des réseaux de neurones à convolution, répète depuis des années que les LLM mènent à une impasse pour atteindre une intelligence de niveau humain. Selon lui, prédire des tokens textuels, aussi sophistiqué que soit le procédé, ne permet pas à un système de comprendre le monde physique, de planifier des actions dans la réalité ou de raisonner de façon causale.

The breakthroughs are not going to come from scaling up LLMs.

LeCun a tenu ces propos peu après avoir quitté Meta, où il avait passé douze ans et fondé le laboratoire FAIR. Dans le même entretien, il reconnaît que les LLM manipulent très bien le langage, mais juge « tout simplement faux » de croire qu’il suffit de les agrandir pour atteindre une intelligence humaine.

Sa solution s’appelle JEPA (Joint Embedding Predictive Architecture), une architecture qu’il a proposée en 2022. JEPA est un modèle non génératif : il ne tente pas de reconstruire chaque détail du futur. Il apprend des représentations abstraites de la réalité et fait ses prédictions dans cet espace latent, en laissant de côté ce qu’il ne peut pas prévoir. LeCun le compare à un bébé qui découvre la gravité en regardant des objets tomber. Le système y gagne en efficacité de calcul, et potentiellement en robustesse face aux situations nouvelles. Notre article sur JEPA face aux architectures génératives détaille ce fonctionnement.

Les démonstrations de V-JEPA 2, publié par Meta en juin 2025, donnent un aperçu concret : des robots ont manipulé des objets jamais vus pendant l’entraînement, dans des environnements nouveaux. Ces résultats prouvent une réelle capacité d’adaptation, encore limitée à des tâches simples en milieu contrôlé.

Les acteurs en lice : la course a vraiment commencé

Entre fin 2025 et début 2026, le paysage a basculé. Plusieurs initiatives majeures ont avancé en parallèle, avec des approches et des ambitions différentes.

AMI Labs, le pari de LeCun sur JEPA

Yann LeCun a fondé AMI Labs (Advanced Machine Intelligence) fin 2025, un laboratoire dont le siège est à Paris et qui compte des bureaux à New York, Montréal et Singapour. En mars 2026, la société a annoncé une levée de 1,03 milliard de dollars (890 millions d’euros) sur une valorisation de 3,5 milliards avant l’opération. Présenté comme le plus gros tour d’amorçage jamais réalisé par une entreprise européenne, il est mené par Cathay Innovation, Greycroft, Hiro Capital, HV Capital et Bezos Expeditions. Nvidia, Samsung, Toyota et Temasek y participent, tout comme Xavier Niel et Eric Schmidt. LeCun occupe le poste de président exécutif, tandis qu’Alexandre LeBrun, cofondateur de Nabla, dirige la société. Nabla, la startup de santé numérique, est le premier partenaire à accéder aux modèles d’AMI Labs.

Le positionnement est assumé : AMI Labs est d’abord un laboratoire de recherche fondamentale et ne prévoit pas de revenus à court terme. LeBrun le reconnaît lui-même, le passage de la recherche aux applications commerciales prendra des années. Les secteurs visés sont ceux où les hallucinations des LLM ont les conséquences les plus lourdes : contrôle de processus industriels, robotique, dispositifs médicaux portables et santé. La société dit vouloir publier ses travaux en open source.

World Labs, Fei-Fei Li et l’intelligence spatiale

World Labs, fondée par Fei-Fei Li, la chercheuse à l’origine d’ImageNet, a levé 230 millions de dollars en 2024. En novembre 2025, elle a lancé son premier produit commercial, Marble. Le modèle génère des environnements 3D persistants et navigables à partir d’un texte, d’une image, d’une vidéo ou d’une ébauche de scène 3D, que vous pouvez ensuite éditer, étendre et combiner. L’abonnement va d’une formule gratuite à 95 $ par mois, et une API ouverte en janvier 2026 permet de l’intégrer dans d’autres outils. En février 2026, World Labs a annoncé une nouvelle levée d’un milliard de dollars, dont 200 millions apportés par Autodesk. Bloomberg évoquait une valorisation d’environ 5 milliards, un chiffre que la société n’a pas confirmé.

L’angle de Fei-Fei Li est l’intelligence spatiale : la capacité à comprendre des environnements en trois dimensions et à s’y déplacer, que les LLM textuels ignorent par construction. ImageNet avait fourni les données visuelles qui ont lancé l’essor du deep learning. Fei-Fei Li parie désormais que la compréhension spatiale sera la prochaine couche fondamentale de l’IA.

Google DeepMind, Genie 3 et les agents incarnés

En août 2025, Google DeepMind a dévoilé Genie 3, présenté comme le premier world model interactif en temps réel à usage général. Le modèle génère à partir d’un texte des environnements navigables en 720p et à 24 images par seconde, qui restent cohérents pendant quelques minutes. DeepMind y associe SIMA 2, un agent généraliste qui suit des instructions en langage naturel et se déplace dans les mondes générés par Genie. L’ensemble forme une chaîne complète, de la génération d’environnements jusqu’à l’entraînement d’agents.

Genie 3 est sorti du laboratoire en 2026. Waymo a présenté en février le Waymo World Model, bâti sur Genie 3, pour simuler des situations de conduite rares. Depuis le 29 janvier, le prototype Project Genie est ouvert aux abonnés Google AI Ultra, d’abord aux États-Unis, puis dans le monde entier depuis le 19 mai. L’accès reste réservé à la formule Ultra la plus complète, à 200 dollars par mois aux États-Unis, avec des explorations limitées à 60 secondes.

NVIDIA Cosmos, l’infrastructure de la Physical AI

Lancée au CES 2025, NVIDIA Cosmos se positionne comme la plateforme sur laquelle les autres construisent, plus que comme un produit final. Selon NVIDIA, les premiers modèles ont été entraînés sur 9 millions de milliards de tokens issus de 20 millions d’heures de données réelles : interactions humaines, environnements industriels, robotique et conduite. Cosmos s’est d’abord décliné en trois familles : Predict (simulation d’états futurs), Transfer (passage de la simulation au réel) et Reason (raisonnement physique). Le 31 mai 2026, NVIDIA a lancé Cosmos 3, qui réunit compréhension, génération de mondes et prédiction d’actions dans un seul modèle.

Les modèles sont publiés en poids ouverts, sous une licence qui autorise l’usage commercial. NVIDIA revendiquait 10 millions de téléchargements sur Hugging Face en juillet 2026. Figure AI, Agility Robotics, XPENG et Uber font partie des premiers adoptants, rejoints par Samsung, LG ou Doosan Robotics pour Cosmos 3.

Runway, le world model appliqué à la vidéo

Le 11 décembre 2025, Runway a lancé GWM-1 (General World Model 1), son premier world model, décliné pour les mondes explorables, la robotique et les avatars. L’objectif est de dépasser la prédiction image par image pour créer des « environnements de simulation dynamique » où les objets se déplacent avec un poids, un élan et une force cohérents. GWM-1 repose sur Gen-4.5, qui avait atteint à sa sortie un score Elo record de 1 247 sur le classement texte-vers-vidéo d’Artificial Analysis, devant Veo 3.1 de Google et Sora 2 Pro d’OpenAI. Le 3 septembre 2026, Runway a présenté en preview de recherche GWM Worlds 2, qui génère en temps réel une vidéo accompagnée de son, sans limite de durée.

D’autres acteurs rejoignent la course, comme Decart avec Oasis 3, un simulateur de conduite accessible par API depuis juin 2026, ou Odyssey avec Starchild-1. Pour savoir lesquels de ces outils vous pouvez réellement essayer, et à quel prix, consultez notre comparatif des world models génératifs à tester.

Les applications concrètes : pas que de la théorie

Une question revient sans cesse à propos des world models : à quoi servent-ils en pratique ? La réponse est plus concrète qu’il n’y paraît.

• Robotique — Un robot entraîné dans des simulations générées par un world model peut s’adapter à des objets et des configurations absents de son entraînement, sans des millions d’heures d’interaction physique réelle. V-JEPA 2 l’a montré sur des tâches simples, et c’est l’enjeu central de plateformes comme NVIDIA Cosmos pour les fabricants de robots humanoïdes.
• Conduite autonome — Les scénarios rares mais critiques, comme un piéton imprévisible, une météo extrême ou un véhicule d’urgence surgi d’un angle mort, peuvent être simulés en masse avant de se produire. Waymo s’appuie sur son Waymo World Model, dérivé de Genie 3, pour tester ses véhicules sur ces cas limites que la collecte de données réelles ne couvre pas.
• Santé — Alexandre LeBrun décrit l’évolution visée avec Nabla : passer de la documentation clinique assistée par LLM à une aide à la décision clinique fondée sur un world model. La santé est le domaine où les erreurs des LLM coûtent le plus cher, et donc celui où la fiabilité causale d’un world model aurait le plus de valeur.
• Industrie — Usines, réacteurs ou turbines comptent des milliers de capteurs, et aucune technique actuelle ne sait en tirer un modèle complet. Un world model entraîné sur ces données pourrait repérer les comportements anormaux avant qu’ils ne tournent à la panne.
• Jeux vidéo et création 3D — Marble de World Labs permet déjà à des créatifs de générer des environnements 3D navigables en quelques minutes. Selon PitchBook, cité par TechCrunch en janvier 2026, le marché des world models dans le jeu vidéo pourrait passer de 1,2 milliard de dollars (cumul 2022-2025) à 276 milliards en 2030.

Les limites réelles : le fossé entre la promesse et le produit

Le tableau serait incomplet sans les objections sérieuses, qui existent bel et bien.

La première limite tient au sim-to-real gap, l’écart entre simulation et réalité. Entraîner un robot dans une simulation diffère beaucoup de le faire fonctionner dans le monde physique, avec ses variations de matériaux, d’éclairage, de friction et de poids. Cet écart se réduit à mesure que les simulations gagnent en précision, mais il demeure. Les world models ont d’ailleurs leurs propres difficultés de généralisation dans des environnements vraiment nouveaux, et ils ne règlent pas d’un coup les problèmes de robustesse.

La deuxième limite concerne le coût de calcul. Simuler un monde coûte bien plus cher que prédire des tokens. Maintenir un état cohérent, suivre des objets et calculer la physique en temps réel exige des ressources matérielles très supérieures à celles d’un LLM en inférence. Ce coût freine la diffusion des outils et renforce la dépendance aux GPU haut de gamme, comme le montre le prix d’accès à Genie 3.

La troisième limite est le temps. LeBrun le dit sans détour : AMI Labs n’est pas une startup d’IA appliquée qui sortira un produit dans quelques mois. L’histoire de l’IA compte de nombreuses architectures brillantes sur le papier qui ont échoué à l’échelle industrielle. JEPA a convaincu des investisseurs, et il lui reste à prouver qu’elle tient à grande échelle, en conditions réelles.

Ces limites ne disqualifient pas l’approche. Elles en fixent l’horizon réaliste : des applications industrielles fiables se profilent à deux à cinq ans, et pas dans les prochains mois.

Notre avis : une rupture réelle, un calendrier incertain

Le départ de LeCun de Meta, la levée record d’AMI Labs, Marble vendu sur abonnement, Genie 3 ouvert aux abonnés du monde entier, Cosmos à 10 millions de téléchargements : tous ces faits dessinent un mouvement de fond. Une partie des meilleurs chercheurs de la planète, avec des milliards derrière eux, parie que les LLM ne suffiront pas.

Deux erreurs sont pourtant à éviter. La première consiste à croire que les world models vont remplacer les LLM. La thèse qui s’impose dans la communauté est celle de systèmes hybrides, avec des LLM pour le langage et le raisonnement abstrait, et des world models pour la compréhension physique et la planification. LeBrun lui-même parle de technologies complémentaires. La seconde erreur serait d’attendre un bouleversement immédiat. AMI Labs fait de la recherche fondamentale, Genie 3 reste un prototype coûteux, et les outils vraiment accessibles comme Marble s’adressent surtout aux créatifs 3D.

Un point paraît acquis : les domaines où les LLM échouent le plus visiblement, comme la robotique, la médecine ou l’industrie, sont ceux où les world models ont les meilleurs arguments. Si JEPA tient ses promesses à grande échelle, son impact dépassera ce que les agents IA fondés sur des LLM accomplissent aujourd’hui. Le pari mérite d’être suivi de près.