Par Fayçal Braham, Data Scientist & Chef de projet SI | Professeur permanent à aivancity
Mars 2026. Yann LeCun quitte Meta, lève un milliard de dollars, installe son quartier général à Paris et annonce que le paradigme dominant de l’intelligence artificielle est une impasse. Les réseaux s’enflamment. Le débat se cristallise aussitôt en opposition binaire : LLMs contre World Models, ChatGPT contre JEPA, l’IA d’aujourd’hui contre l’IA de demain. Je pense que cette opposition est une erreur de lecture — et que la vraie question est ailleurs.
Dans cet article, quand je parle de World Models, je sous-entends l’approche proposée par LeCun : JEPA et ses dérivés — I-JEPA, V-JEPA, LeWM — qui en sont l’implémentation la plus aboutie à ce jour.
Prenons du recul. L’histoire de l’IA n’est pas une ligne droite — c’est une succession de ruptures conceptuelles, chacune impensable depuis la précédente. Je simplifie, mais l’idée est là :
Perceptron → Rétropropagation → CNN → Reinforcement Learning → Transformers → LLMs
Chaque palier n’a pas détruit le précédent. Il l’a intégré, dépassé, ouvert un espace de possibilités que personne n’anticipait vraiment. Et chaque fois, la communauté scientifique a d’abord résisté, avant de basculer. C’est le rythme normal de la science profonde, qui pèche par inertie.
Ce qui caractérise la course actuelle autour des LLMs, c’est précisément qu’elle n’a pas ce caractère de rupture. Plus de paramètres, plus de calcul, plus de données, de l’upscaling , c’est une maximisation avec quelques optimisations ça et là mais pas de vrai palier. Une course linéaire, dans un domaine qui a toujours progressé par bonds. Cela ne signifie pas que les LLMs sont une impasse : ils ont représenté un palier réel, massif, aux applications considérables. Mais ils plafonnent.
C’est dans ce contexte que je lis les travaux de Yann LeCun — non pas comme la vérité révélée d’un prix Turing, mais comme le travail patient d’un chercheur qui refuse de se laisser emporter par l’urgence mercantile. Quinze ans sur des idées qui ont du mal à faire leurs preuves et à s’imposer. Des publications le jour de son départ de Meta, comme un legs scientifique plutôt qu’un coup de communication. Dans un écosystème où beaucoup confondent puissance de calcul et profondeur de compréhension, ce profil mérite qu’on s’y arrête.
Mais LeCun n’est pas un oracle et JEPA n’est pas nécessairement le prochain palier — c’est peut-être un de ses candidats les plus sérieux. Ce qui m’intéresse ici, c’est autre chose : comprendre pourquoi LLMs et World Models partagent plus qu’on ne le croit — à commencer par les Transformers eux-mêmes — et pointer ce que la vraie fracture révèle : non pas quelle architecture va gagner, mais plutôt si la recherche en IA a encore les moyens et le courage de penser en rupture plutôt que de s’épuiser dans une course linéaire et court-termiste.
Deux philosophies de la recherche
Il y a une question que je trouve plus intéressante que ‘qui a raison dans le débat LLMs vs World Models’ : comment se fait-il qu’une idée puisse travailler dans l’ombre pendant quinze ans, sans reconnaissance de la communauté, pendant que le reste du monde court dans une autre direction — et se positionner aujourd’hui comme l’une des pistes les plus sérieuses vers l’AGI ?
C’est exactement ce qui s’est passé avec JEPA. Et ça nous dit quelque chose d’important sur la manière dont progresse réellement la recherche en IA.
Derrière ce débat, il y a en réalité deux philosophies qui s’affrontent silencieusement depuis des années.
La première parie sur la force brute : donner plus de données, plus de calcul, plus de paramètres aux Transformers et aux LLMs et laisser l’intelligence émerger — avec quelques optimisations ajoutées ça et là : RLHF, RLAIF, DPO, MoE, GRPO, contextes longs, ou encore le test-time compute — laisser le modèle explorer plusieurs raisonnements avant de répondre, comme dans OpenAI o1, DeepSeek R1, Kimi k1.5. C’est l’approche dominante aujourd’hui — et elle a produit des résultats réels, indiscutables.
La seconde parie sur la profondeur mathématique : trouver les bons concepts, les bonnes structures, les bonnes représentations qui font sauter un verrou. Pas en tapant plus fort sur ce qui existe, mais en changeant de niveau. C’est ce que les convolutions ont fait pour la computer vision — pas en donnant plus de données aux perceptrons, mais en trouvant la bonne approche mathématico-informatique. JEPA s’inscrit dans cette même philosophie — le MPC, la gaussienne isotropique de LeJEPA ne sont pas des bricolages empiriques, ce sont des concepts mathématiques profonds appliqués à un problème nouveau.
L’histoire de l’IA suggère que ce sont les percées de la deuxième philosophie qui produisent les vrais paliers. Mais aujourd’hui, c’est la première qui tient le haut du pavé. C’est peut-être là que réside la vraie tension — pas entre LLMs et World Models, mais entre deux manières de concevoir le progrès scientifique.
La caverne de Platon est une métaphore utile ici — non pas pour désigner ceux qui se trompent, mais pour pointer une tension structurelle dans toute recherche fondamentale : les résultats les plus solides mettent du temps à être visibles. Les ombres convaincantes — textes cohérents, benchmarks impressionnants, démos spectaculaires — peuvent masquer des limites profondes. Et celui qui dit « attendez, regardons ce qui se passe vraiment » prend le risque d’être ignoré, parfois pendant longtemps. LeCun lui-même le reconnaît : il est à la fois celui qui a travaillé dans l’obscurité pendant quinze ans et celui qui commence seulement à en sortir — sans certitude d’avoir vu toute la lumière.
Ce n’est pas une critique des LLMs. C’est une observation sur l’écosystème : quand les investissements, les talents et l’attention médiatique se concentrent massivement sur un paradigme,quelles questions n’est-on plus en train de financer ? Quelles pistes ferme-t-on sans le savoir ?
C’est peut-être la vraie valeur des chercheurs qui font « bande à part » — non pas parce qu’ils ont raison par principe, mais parce qu’ils maintiennent ouvertes des directions que la pression du court terme aurait tendance à fermer. L’histoire de l’IA, des perceptrons aux Transformers, suggère que le prochain palier vient rarement de là où on l’attend.
Malgré leurs limites, les LLMs sont un passage obligé
La critique de LeCun envers les LLMs est connue, souvent citée, parfois caricaturée. Prenons le temps de la comprendre précisément — parce qu’elle pointe quelque chose que même les partisans des LLMs commencent à admettre.
Un LLM apprend en prédisant le prochain token dans une séquence textuelle. Cette mécanique, répétée à une échelle massive, produit des systèmes remarquables — et il faut le dire clairement : remarquables dans des domaines bien définis. Le texte, le code, les mathématiques, la biologie computationnelle. Partout où la connaissance s’encode naturellement en symboles, les LLMs excellent. Ce n’est pas rien — c’est un palier réel, massif, aux conséquences pratiques considérables.
Mais cette mécanique a une limite structurelle que le scaling ne résout pas : elle n’implique aucune expérience du monde physique. Un LLM ne sait pas ce qu’est une table. Il sait que le mot « table » apparaît dans certains contextes textuels. La distinction paraît philosophique — elle a des conséquences très concrètes.
C’est ce que le roboticien Hans Moravec formulait dès la fin des années 80 avec son paradoxe : les tâches qui nous paraissent les plus simples — ramasser un objet, traverser une pièce, comprendre qu’une balle qui disparaît existe toujours derrière un mur — sont les plus difficiles pour les machines. Tandis que les tâches sophistiquées comme jouer aux échecs ou passer l’examen du barreau sont relativement simples à automatiser. Quarante ans plus tard, on a des systèmes qui gagnent aux Olympiades de mathématiques. On n’a toujours pas de robot capable de faire ce qu’un enfant de 10 ans fait la première fois qu’on lui demande.
Un calcul frappant illustre cette asymétrie : tout le texte disponible sur Internet représente environ 10¹⁴ octets — il faudrait 500 000 ans à un humain pour le lire. Un enfant de 4 ans, lui, a reçu en quatre ans exactement la même quantité d’information… mais par la vision. La vision est un canal à très haute bande passante — et cette quantité modeste suffit à construire une compréhension du monde physique qu’aucun LLM n’approche.
Ce diagnostic pointe trois limites structurelles que le scaling ne comble pas :
L’absence d’ancrage physique — les LLMs n’ont aucune représentation de la causalité, du temps, de la physique. Ils ne peuvent pas prévoir ce qui se passe si on lâche un objet.
L’absence de mémoire persistante — un LLM n’a qu’une fenêtre de contexte. Quand la conversation se termine, tout disparaît. Ce qu’on appelle « mémoire » dans ChatGPT ou Claude, c’est un résumé injecté à chaque session — on dit au modèle ce qu’il faut savoir, il ne s’en souvient pas.
L’incapacité à planifier — sans modèle du monde, un système ne peut pas enchaîner des actions sur le long terme pour atteindre un objectif. Il répond, il ne planifie pas.
Mais est-ce vraiment une impasse ?
Ici je marque une nuance importante par rapport à LeCun. Les modèles récents qui décomposent les problèmes en étapes intermédiaires — le chain-of-thought — sont une tentative certes limitée mais symptomatique : même dans le camp LLM, on reconnaît que la réponse directe ne suffit pas — qu’il faut simuler un raisonnement intermédiaire avant de conclure.
Et si on regarde de plus près, les World Models reprennent beaucoup de concepts développés durant la période LLM.
L’apprentissage auto-supervisé comme intuition commune
BERT masque des tokens et demande au modèle de les prédire. JEPA masque des patches d’image ou des frames vidéo et demande de prédire leur représentation abstraite. La mécanique diffère mais la philosophie est identique : c’est en prédisant ce qui manque qu’un modèle apprend à comprendre ce qu’il voit — sans avoir besoin d’étiquettes humaines.
L’espace latent comme terrain commun
Les deux paradigmes travaillent dans des espaces d’embeddings — des représentations internes de haute dimension qui capturent le sens au-delà des données brutes. Et ce terrain est déjà partagé plus largement qu’on ne le croit : Flux, DALL-E 3 et Imagen 3 travaillent dans des espaces latents, pas au niveau des pixels. CLIP et T5 encodent conjointement images et texte dans des espaces abstraits compatibles — architecturalement très proche de ce que JEPA cherche à faire.
Un modèle du monde émergent
Un LLM entraîné sur suffisamment de texte développe une forme implicite de modèle du monde — il sait que Paris est en France, que la gravité fait tomber les objets, que les contrats ont des clauses. C’est une propriété émergente, pas une conception délibérée — mais elle existe, il faut le reconnaître. L’ambition des World Models est précisément de construire ce modèle du monde explicitement et physiquement. Deux chemins vers le même besoin.
La convergence vers les agents
Les deux paradigmes sont aujourd’hui mobilisés pour construire des agents autonomes. Les agents LLM planifient en texte. Les agents World Model simulent les conséquences de leurs actions dans un espace latent avant de planifier ce qu’ils vont faire. Deux approches différentes mais un même objectif : enchaîner des actions sur le long terme pour atteindre un but.
Ce n’est donc pas une guerre de religions entre deux camps irréconciliables. C’est une divergence sur ce qu’on cherche à produire — du texte vraisemblable d’un côté, des actions efficaces dans le monde réel de l’autre. Et cette divergence ouvre une question que je trouve plus intéressante que « lequel va gagner » : et si le prochain palier était non pas le remplacement des LLMs par les World Models mais leur intégration.
De la réaction à l’anticipation : le cœur du débat
Pour comprendre l’ambition des World Models, il faut d’abord comprendre pourquoi la quasi-totalité de l’IA actuelle — LLMs inclus — fonctionne encore en mode réflexe.
Les psychologues distinguent deux modes de pensée. Le Système 1 est réactif, immédiat — un conducteur expérimenté qui conduit sans réfléchir, un joueur de tennis qui renvoie la balle sans délibérer. On perçoit, on encode, on agit. Le Système 2 est délibéré — on utilise un modèle mental du monde pour imaginer différentes séquences d’actions, en évaluer les conséquences et choisir la meilleure avant d’agir. C’est ce qu’on fait les premières heures quand on apprend à conduire une voiture : on hésite, on imagine des scénarios, on planifie chaque manœuvre. Progressivement, ça se compile dans le Système 1 et devient automatique.
Le chain-of-thought des LLMs, souvent présenté comme une forme de planification, illustre précisément cette limite : le modèle génère des étapes en texte — ce qui ressemble à du Système 2 — mais sans construire de plan interne ancré dans un modèle du monde. C’est du Système 1 déguisé.
La quasi-totalité de l’IA actuelle fonctionne en Système 1. Le Reinforcement Learning — la méthode qui a permis à AlphaGo de battre les meilleurs joueurs de Go — en est l’exemple parfait : le système essaie une action, reçoit une récompense ou une punition, ajuste ses paramètres et recommence des millions de fois. Du tâtonnement pur, sans planification.
Le constat est brutal : un adolescent apprend à conduire en 10 à 20 heures de pratique. On dispose de millions d’heures de données pour entraîner des voitures autonomes — et on n’a toujours pas atteint le niveau 5, une voiture entièrement autonome dans laquelle on n’a jamais besoin de toucher le volant.
Ce constat rejoint directement la question des paliers soulevée en introduction : le RL a permis des avancées spectaculaires dans des environnements bien définis — jeux de plateau, optimisation de systèmes fermés. Mais comme les LLMs face au monde physique, il bute sur la complexité ouverte du monde réel. Deux paradigmes dominants, deux plafonds structurels différents.
La réponse : doter les machines d’un modèle du monde
L’ambition des World Models est conceptuellement simple : donner aux systèmes la capacité d’imaginer les conséquences de leurs actions avant d’agir. Pas tâtonner des millions de fois comme dans le RL — simuler mentalement, comme un joueur d’échecs qui calcule plusieurs coups à l’avance sans les jouer.
La méthode combine World Model et MPC — Model Predictive Control, une technique d’optimisation qui remonte aux années 60. Le principe : à partir d’un modèle du système, on cherche la séquence d’actions qui atteint un objectif tout en respectant des contraintes. On exécute la première action, on observe le résultat réel et on recalcule. Ce qui est nouveau ici : au lieu d’écrire à la main les équations qui gouvernent le système — impossible dans un environnement réel complexe — on apprend le World Model depuis les données.
La boucle complète : le système perçoit l’état actuel du monde, produit une représentation abstraite, prédit « si je fais cette action, voilà l’état dans un instant », évalue si ça l’approche de son objectif, optimise la séquence d’actions, exécute la première, observe et recommence. C’est de la planification — pas de la réaction.
Mais planifier à quel niveau d’abstraction ?
C’est ici que la vraie difficulté apparaît. Cette planification doit être hiérarchique — et c’est l’un des problèmes les plus difficiles de l’IA actuelle.
Un exemple simple l’illustre : un voyage de New York à Paris. Impossible de planifier au niveau des contractions musculaires milliseconde par milliseconde. Il faut d’abord décider « prendre un avion », puis « aller à l’aéroport », puis « sortir du bâtiment », puis « se lever de sa chaise ». Chaque niveau utilise un modèle du monde différent, à un niveau d’abstraction différent. Construire cette hiérarchie automatiquement est de l’avis même de ses concepteurs l’un des grands problèmes non résolus de l’IA.
Quatre ruptures que cette approche implique
Ce changement de paradigme implique quatre ruptures conceptuelles profondes par rapport à l’approche dominante :
- Les modèles génératifs → au profit des architectures joint-embedding comme JEPA. Arrêter de prédire des pixels ou des tokens, commencer à prédire des représentations abstraites.
- Les modèles probabilistes → au profit des energy-based models. Un LLM prédit le mot suivant en produisant une distribution de probabilités sur les 128 000 tokens possibles — gérable pour du texte discret. Mais sur des espaces continus comme des vidéos ou des capteurs, ces distributions deviennent mathématiquement ingérables. Les energy-based models contournent ça : au lieu de calculer des probabilités, ils calculent une « énergie » — une valeur basse si une configuration est plausible, haute si elle ne l’est pas. Plus simple, plus maniable, sans les problèmes mathématiques des distributions sur des espaces infinis.
- Les méthodes contrastives → au profit des méthodes régularisées, plus stables et généralisables aux vidéos et aux flux de capteurs.
- Le Reinforcement Learning comme moteur principal → au profit du Model Predictive Control.
Une nuance importante sur le RL
Il ne s’agit pas d’abandonner le RL complètement — mais de changer son rôle. Utilisé comme moteur principal d’apprentissage, il est extrêmement inefficace. Utilisé comme mécanisme de correction — quand la planification MPC échoue, quand le résultat réel diverge de ce que le World Model avait prédit — il redevient utile. C’est le RL comme outil de diagnostic, pas comme moteur principal. Une différence de rôle fondamentale.
On est entre deux paliers — c’est inconfortable et c’est exactement là où la recherche fondamentale a le plus de valeur.
JEPA : quinze ans dans l’obscurité
Il y a quelque chose de frappant dans l’histoire de JEPA que les annonces de mars 2026 ont tendance à faire oublier : cette architecture a mis quinze ans à fonctionner. Dix ans d’échecs. Et pendant ce temps, le reste du monde construisait des LLMs.
C’est peut-être l’illustration la plus concrète de ce que j’évoquais en introduction avec la caverne de Platon — non pas comme métaphore romantique mais comme réalité du travail scientifique fondamental. Une idée qu’on pressent juste, qu’on ne sait pas encore faire fonctionner et qu’on continue de creuser pendant que les projecteurs sont ailleurs.
Le problème du stylo
La question de départ est simple à poser : comment apprendre à prédire la suite d’une vidéo ? La réponse s’est avérée redoutable.
Quand on montre quatre images d’une vidéo à un réseau de neurones et qu’on lui demande de prédire les suivantes, il y a un nombre infini de continuations plausibles. L’exemple du stylo tenu debout, pointe sur la table, index posé sur le capuchon l’illustre parfaitement : on sait qu’il va tomber dès qu’on lève le doigt mais impossible de prédire dans quelle direction. À droite, à gauche, vers soi — une direction différente à chaque fois.
Le réseau optimise pour minimiser l’erreur de prédiction en moyenne. Il calcule donc la moyenne de tous les futurs possibles. La moyenne de « tombe à droite » + « tombe à gauche » + « tombe vers soi » donne une image floue au centre de toutes les possibilités. Mathématiquement correct, totalement inutile.
Pendant des années, les tentatives pour corriger ça — notamment en ajoutant des variables cachées pour paramétrer l’incertitude — ont fonctionné dans des cas très simples et échoué dès qu’on passait à des vidéos réelles. La quantité d’information nécessaire pour prédire tous les détails d’une scène complexe est tout simplement ingérable.
La clé : quitter la dictature du pixel
La solution, évidente a posteriori, a pourtant mis des années à s’imposer : ne pas prédire au niveau des pixels du tout.
Si le stylo tombe, inutile de prédire exactement où chaque pixel va se retrouver. On peut prédire « le stylo sera en position horizontale quelque part sur la table ». C’est prédictible. C’est utile. C’est là que naît JEPA : au lieu de prédire les pixels de la suite d’une vidéo, on prédit une représentation abstraite de cette suite.
L’encodeur apprend automatiquement à éliminer ce qui n’est pas prédictible — la direction exacte de la chute, les reflets, le bruit — pour ne garder que ce qui l’est : la physique de base, les relations causales, la structure du monde.
Une analogie tirée de l’astronomie l’illustre bien : si on regarde les planètes dans le ciel sans trouver la bonne représentation, on voit des trajectoires compliquées avec des épicycles — ces cercles dans les cercles que les anciens astronomes avaient inventés pour expliquer le mouvement apparent des planètes autour de la Terre. Mais si on réalise que les planètes tournent autour du Soleil avec des orbites elliptiques, quelques variables suffisent à prédire la position de Jupiter dans 50 ans. La clé est toujours de trouver le bon niveau d’abstraction — pas de simuler la réalité en détail. Un World Model n’est pas un simulateur du monde. C’est un système de compréhension qui permet de faire des prédictions utiles.
JEPA traduit précisément ce principe en architecture concrète.
Ce que JEPA fait concrètement
Le nom reflète directement les choix architecturaux. Joint : le même encodeur traite les deux parties de la donnée — le contexte visible et la partie masquée — et produit pour chacune une représentation dans le même espace abstrait. C’est ce partage qui est nouveau : dans une architecture générative classique, seule l’entrée est encodée et la sortie est générée au niveau des pixels. Ici les deux côtés vivent dans le même espace. Embedding : on travaille sur ces représentations abstraites, pas sur les données brutes. Predictive : le prédicteur prend la représentation visible et tente de deviner celle de la partie masquée — jamais des pixels, toujours une représentation abstraite. En quatre mots : JEPA (Joint Embedding Predictive Architecture) prédit la représentation du futur, pas ses pixels.
Le prédicteur dispose également d’une variable libre Z qui paramétrise l’incertitude résiduelle. En faisant varier Z, il peut générer plusieurs prédictions plausibles de la même situation — c’est l’héritier des variables latentes des années d’échec, opérant maintenant dans un espace abstrait maîtrisable. Et parce que cet espace est de dimension réduite — quelques centaines de dimensions plutôt que des millions de pixels — Z peut être optimisé en quelques millisecondes pendant l’inférence pour trouver l’action qui rapproche le plus de l’objectif. C’est là que JEPA rejoint directement la boucle MPC décrite dans « La réponse : doter les machines d’un modèle du monde ».
En pratique, l’entraînement fonctionne ainsi : on prend une image et on génère deux vues différentes de la même scène — deux recadrages, deux rotations, deux éclairages. On dit au système : ces deux vues représentent la même réalité donc l’encodeur doit produire la même représentation abstraite pour les deux. C’est ce mécanisme qui force l’encodeur à apprendre ce qui est invariant dans la réalité — ce qui ne change pas malgré les variations de point de vue, de lumière ou d’angle. Exactement ce qu’on veut dans un World Model : une représentation qui capture la structure stable du monde, pas les détails superficiels.
Mais utiliser le même encodeur pour les deux parties crée un risque majeur. Une précision importante d’abord : l’encodeur n’est pas fixé à l’avance. Ce n’est pas une fonction prédéfinie — c’est un réseau de neurones dont les poids sont initialisés aléatoirement et ajustés progressivement pendant l’entraînement. Les représentations qu’il produit ne sont donc pas imposées, elles sont apprises et évoluent à chaque étape.
C’est précisément cette liberté qui crée le danger : rien n’empêche a priori l’encodeur de converger vers la solution triviale — produire le même vecteur constant, disons zéro, pour absolument toute entrée quelle que soit l’image. Partie visible → zéro. Partie masquée → zéro. Le prédicteur a alors un travail trivial : il prédit toujours zéro. L’erreur est zéro. Le système a « gagné » mathématiquement mais il n’a rien appris sur le monde. Il a juste appris à tout ignorer.
Le collapse : quand le système apprend à ne rien apprendre
Une analogie : un étudiant à qui on demande de résumer un livre, évalué en comparant son résumé à celui d’un autre étudiant. Si les deux rendent une page blanche, l’erreur entre les deux résumés est zéro — mais personne n’a lu le livre.
Résoudre ce problème — forcer le système à produire des représentations riches et distinctives — a été l’un des chantiers centraux de la recherche en auto-supervision ces dix dernières années. Méthodes contrastives, méthodes régularisées, puis DINO avec son architecture enseignant-élève développée par le laboratoire FAIR de Meta à Paris — chaque approche a progressé mais aucune n’avait de fondation mathématique rigoureuse. DINO lui-même « marche pour des raisons mystérieuses » — le mécanisme exact qui évite le collapse n’est pas entièrement compris théoriquement.
C’est précisément ce manque que corrige LeJEPA, publié le 11 novembre 2025 — le jour même où le départ de Meta était annoncé, comme un legs scientifique. La démonstration : la distribution optimale pour les représentations dans un JEPA est la gaussienne isotropique, prouvée mathématiquement. Plus de bricolage, plus d’heuristiques — deux termes de loss, un seul hyperparamètre, zéro approximation. Là où les méthodes précédentes nécessitaient jusqu’à sept termes à équilibrer manuellement, LeJEPA se réduit à l’essentiel.
Ce qui frappe dans cette trajectoire — quinze ans, dix ans d’échecs, une solution finale d’une élégance mathématique — c’est qu’elle ressemble moins à une course qu’à une fouille. Pas l’optimisation d’un système existant mais la recherche patiente du bon niveau de représentation. C’est exactement ce que l’écosystème actuel, avec ses cycles d’annonces frénétiques et ses levées de fonds records, a tendance à négliger — jusqu’au moment où les travaux concernant les World Models, menés dans l’ombre, finissent par s’imposer au débat.
LeWorldModel : quand la machine apprend à penser
En mars 2026, LeWorldModel — LeWM — franchit une étape concrète : premier système entraînable de bout en bout depuis des pixels bruts, sur un seul GPU, sans encodeur pré-entraîné gelé, sans artifices techniques.
Les chiffres sont frappants. À l’heure où l’industrie construit des infrastructures pour des LLMs à l’échelle du trillion de paramètres, LeWM n’en utilise que 15 millions. Il s’entraîne en quelques heures sur un seul GPU — pas sur un cluster à un milliard de dollars. 200 fois plus économe et 48 fois plus rapide pour planifier une action physique que les architectures génératives actuelles.
Mais ce qui est le plus remarquable n’est pas l’efficacité — c’est ce que le modèle apprend et comment.
Apprendre comme un bébé
Contrairement aux LLMs, LeWM n’apprend pas en lisant Wikipédia. Il observe des vidéos brutes de pixels, tente de prédire l’état suivant dans son espace de représentations abstraites, se trompe et ajuste son modèle interne. De l’apprentissage auto-supervisé pur — comme un bébé qui observe le monde et construit progressivement une physique intuitive.
Au bout de quelques heures d’entraînement, quelque chose de remarquable se produit : le modèle semble déduire des lois de la physique de ce qu’il observe. Il comprend qu’un objet ne peut pas traverser un mur, qu’une balle doit rebondir, que la gravité est une constante. On ne lui a pas appris la physique — il la découvre par l’observation.
Ce qui distingue LeWM du deep learning classique
En deep learning classique — et c’est ici que le contraste avec les LLMs est éclairant — un modèle apprend P(x_{t+1} | x_t) : étant donné l’état actuel, prédit l’état suivant. Pas d’action, pas d’agent. Le système observe et décrit, sans jamais modéliser sa propre capacité à intervenir sur le monde.
LeWM réintroduit une variable que les LLMs avaient évacuée : l’action. Le modèle apprend P(x_{t+1} | x_t, a_t) — l’état futur prédit conjointement à partir de l’état actuel et d’une action envisagée. Ce n’est pas une invention ex nihilo : c’est l’ADN du contrôle optimal depuis Bellman, du RL model-based — dont MuZero de DeepMind est un exemple emblématique — et du MPC.
Ce qui est nouveau, c’est moins la variable que ce qu’elle ouvre dans ce contexte précis : la contrefactualité — le raisonnement sur des mondes possibles. On passe d’un modèle qui décrit le monde à un modèle qui répond à « et si je faisais ça ? ». La prédiction devient conditionnelle à un sujet agissant — ce qui permet de dérouler des trajectoires imaginaires et d’optimiser dessus avant d’agir.
C’est moins une révolution qu’un retour de l’agent dans une scène que les modèles de langage avaient désertée.
Le problème de l’action cachée
Mais la plupart des vidéos disponibles ne montrent pas l’action directement. On voit l’état initial, on voit l’état final — l’action elle-même, les intentions, les forces appliquées, est cachée. Sans elle, on apprend des corrélations, pas des causalités.
La réponse développée début 2026 : inférer une action latente à partir de la seule paire état initial / état final. Un module interne tente de déduire quelle action a causé la transition, même sans l’avoir vue. En observant uniquement l’état initial et l’état final d’une scène, le système déduit quelque chose qui ressemble à un concept — exemple : « se déplacer vers la droite ». Appliqué à une nouvelle situation, ce concept produit le même effet, sur une autre personne, dans un autre contexte.
La limite est reconnue ouvertement : le système peut inférer une causalité qui n’existe pas. Comme les jeunes enfants qui pensent que ce sont les feuilles qui bougent qui causent le vent. La causalité est difficile à identifier correctement — même pour les humains. C’est l’une des directions de recherche les plus ouvertes d’AMI Labs.
Où en sommes-nous vraiment ?
Les premiers résultats expérimentaux sont significatifs : un modèle vidéo entraîné avec JEPA détecte des événements physiquement impossibles — une balle qui disparaît en plein vol — exactement comme le feraient des bébés de 10 mois qui écarquillent les yeux face à l’imprévu. C’est le premier système connu à avoir acquis une forme d’intuition physique.
Mais une ironie froide remet les choses en perspective : un bras de robot entraîné par auto-supervision sur 100 ans de vidéos arrive à planifier comment déplacer un verre. « 100 ans de vidéos, c’est un jour d’upload sur YouTube. » Pas beaucoup — et déplacer un verre reste une tâche triviale pour un enfant de 2 ans.
Ces résultats sont à la fois une preuve que l’approche est sur la bonne voie et un rappel brutal du chemin qui reste à parcourir. On est sorti de la caverne — mais à peine. La lumière est là, quelque part devant. Le prochain palier n’est pas encore visible.
AMI Labs : un pari européen sur le long terme
En novembre 2025, Yann LeCun officialise la création d’AMI Labs — Advanced Machine Intelligence — dont le siège s’installe à Paris. La levée de fonds annoncée en mars 2026 atteint 1,03 milliard de dollars, la plus grande série seed de l’histoire de la tech européenne, pour une valorisation de 3,5 milliards avant même d’avoir sorti un produit.
Les noms au capital — Nvidia, Samsung, Toyota, Bezos, Bpifrance, le Groupe Dassault — disent quelque chose d’important : des acteurs industriels sérieux misent sur une approche alternative aux LLMs, portée par une équipe dont la légitimité scientifique est incontestable. Ce n’est pas du capital-risque spéculatif — c’est un pari sur un paradigme.
Cinq domaines où les LLMs échouent structurellement
La feuille de route d’AMI Labs cible précisément les zones d’échec identifiées dans les parties précédentes.
La santé d’abord — analyser et prédire le comportement d’organes, interpréter des données médicales complexes, assister des diagnostics. Nabla est annoncé comme premier partenaire — un choix logique : Alexandre Lebrun, PDG d’AMI Labs, en est le fondateur. C’est aussi le domaine où une hallucination peut avoir des conséquences mortelles — ce qui rend la réduction structurelle des erreurs non pas souhaitable mais nécessaire.
L’industrie ensuite — modéliser le comportement d’un moteur d’avion, d’une centrale électrique, d’une chaîne de production, pour anticiper des pannes ou optimiser des procédés. Des domaines où la causalité physique est centrale et où un LLM sans ancrage dans le monde réel ne peut pas aller.
La robotique — un robot humanoïde dans un environnement domestique rencontre chaque jour des situations inédites. Le RL ne peut pas tout anticiper à l’entraînement. Un World Model lui permet de simuler mentalement ce qui va se passer avant d’agir — ce qui ferait passer le robot de la tâche répétitive étroite à l’adaptabilité générale.
La voiture autonome — malgré des milliards investis, personne n’a encore atteint le niveau 5. Waymo en est l’illustration : des voitures quasi-autonomes qui ne fonctionnent que dans des zones cartographiées et peuvent appeler un opérateur humain en cas d’imprévu. Ce n’est pas de l’autonomie réelle — c’est de la gestion de cas connus. Un World Model peut projeter des scénarios et adapter sa trajectoire en conséquence, même sans avoir vu cette situation dans les données d’entraînement.
Les agents IA enfin — un agent LLM peut décomposer une tâche en étapes mais sa planification reste textuelle, sans modèle du monde pour valider que chaque étape est réellement exécutable. Un agent fondé sur un World Model simule les conséquences réelles de chaque action et peut détecter une incohérence avant de la commettre.
La question européenne
AMI Labs se positionne explicitement comme « l’un des rares laboratoires d’IA de pointe qui ne soit ni chinois, ni américain ». Je pense que cette phrase mérite qu’on s’y arrête — pas comme slogan mais comme constat.
D’ici quelques années, nos interactions avec le monde numérique passeront majoritairement par des assistants IA. Si ces assistants sont produits par une poignée d’entreprises américaines ou chinoises, c’est une forme de dépendance culturelle, linguistique et politique que nous sous-estimons. Comme si toute l’information du monde ne passait que par un seul journal.
Yann LeCun, Demis Hassabis — co-fondateur et CEO de Google DeepMind — les fondateurs de Mistral, les fondateurs de Hugging Face : l’Europe produit des chercheurs et des entrepreneurs capables de penser en rupture, de résister à la pression du court terme et de construire des alternatives crédibles aux géants américains et chinois. Ce capital existe. Ce qui a manqué jusqu’ici, c’est la capacité à le transformer en laboratoires capables de rivaliser à l’échelle mondiale. AMI Labs est peut-être une réponse — ou du moins une tentative sérieuse.
AMI Labs : trois futurs possibles
Une question reste ouverte et elle est plus importante que la levée de fonds : quel sera l’impact réel d’AMI Labs dans les années qui viennent ?
Trois scénarios sont possibles. Le premier, le plus ambitieux : AMI Labs contribue au prochain palier vers une IA qui comprend vraiment le monde — un grand pas vers l’AGI. Le deuxième, plus probable à court terme : AMI Labs s’impose comme leader dans des domaines ciblés — médical, robotique, industrie — sans nécessairement changer le paradigme global. Des applications concrètes, significatives mais limitées. Le troisième, le plus discret mais peut-être le plus durable : AMI Labs pose des jalons scientifiques que d’autres, dans dix ou vingt ans, utiliseront sans même citer les travaux fondateurs. C’est souvent ainsi que la science avance — celui qui pose les pierres n’est pas toujours celui qui franchit le seuil.
Le vrai test n’est pas la levée de fonds mais ce que la recherche fondamentale à la base d’AMI Labs produira dans les trois à cinq ans qui viennent.
Et si la vraie question était ailleurs ?
Revenons à la question posée en introduction. Pas « LLMs ou World Models ? » — mais ce que ce débat révèle sur l’état de la recherche en IA et sur les choix que nous faisons collectivement.
Trois convictions se dégagent de cette analyse.
Les LLMs ne sont pas une impasse — mais ils sont probablement un palier, pas le dernier.
Ce que GPT, Gemini ou Claude ont accompli est réel et massif. Des systèmes capables de raisonner en langage naturel, de produire du code, d’assister des diagnostics médicaux — c’est un palier historique. Mais l’histoire de l’IA nous enseigne que chaque palier finit par buter sur ses limites structurelles. Le perceptron avait buté sur XOR. Le RL bute sur la complexité du monde réel. Les LLMs butent sur l’ancrage physique, la mémoire et la planification réelle. Appeler ça une impasse serait injuste. Ne pas le voir serait naïf.
LLMs et World Models ne sont pas antagonistes — ils convergent vers le même problème.
Ils partagent des briques communes — l’auto-supervision, les espaces d’embeddings, les Transformers. Ils divergent sur ce qu’ils optimisent — des tokens ou des représentations abstraites du monde. Mais cette divergence n’est pas une opposition — ce sont deux axes différents qui explorent le même espace. Les modèles multimodaux, le chain-of-thought, l’émergence de capacités de planification dans les LLMs les plus récents — tout cela suggère que les deux paradigmes chassent dans le même espace. Le prochain palier sera peut-être une synthèse conceptuelle et pratique, comme nos 5 sens humains qui, chacun incomplet seul, produisent ensemble une perception cohérente du monde.
L’Europe a un rôle à jouer — à condition de se donner les moyens et le temps de le faire.
L’Europe dispose d’un capital humain scientifique exceptionnel. Ce qui a manqué jusqu’ici, c’est la capacité à le transformer en laboratoires capables de rivaliser à l’échelle mondiale. AMI Labs est peut-être une réponse. Mais une startup, même bien financée, ne suffit pas. La vraie question est de savoir si l’Europe est prête à investir dans la recherche fondamentale avec la patience que celle-ci exige — pas à l’horizon du prochain trimestre mais à celui du prochain palier.
Ce que le World Model / JEPA change vraiment dans notre compréhension de l’IA
Au-delà du débat technique, JEPA pose une question que je trouve fondamentale : qu’est-ce qu’apprendre ? Un LLM apprend en absorbant des textes produits par des intelligences humaines — il hérite d’une représentation du monde déjà formulée. Un World Model apprend en observant le monde directement — il construit ses propres représentations depuis les données brutes. Ce n’est pas la même épistémologie — et cette différence a des implications profondes sur ce que nous pouvons attendre de ces systèmes.
Une slide affichée en rouge en conclusion d’une conférence récente résume la position de l’équipe LeCun : « If you are interested in human-level AI, don’t work on LLMs. » C’est une provocation assumée — et une position scientifique légitime. Mais je retiendrais plutôt la question qu’elle sous-tend : qu’est-ce qu’une intelligence qui comprend vraiment le monde ?
Nous sommes peut-être dans la situation du prisonnier de la caverne qui commence à se retourner — pas encore sorti, pas encore en pleine lumière mais conscient que les ombres sur le mur ne sont pas toute la réalité.
Le prochain palier ne sera pas une annonce, une levée de fonds ou un benchmark. Ce serait le moment où une machine ferait quelque chose de raisonnable qu’on ne lui a pas appris — et qu’on ne saurait pas tout de suite expliquer. Le moment où les hallucinations des LLMs ne seraient plus que des scénarios plausibles. Où un robot apprendrait aussi vite qu’un bébé. Où une IA médicale anticiperait une complication sans qu’on lui ait jamais montré ce cas précis.
Pour aller plus loin
Retrouvez notre analyse sur DINOv3 par Meta, qui explore l’architecture I-JEPA et les modèles d’apprentissage auto-supervisé développés par Meta, les travaux de recherche qui constituent aujourd’hui le fondement technologique d’AMI Labs.
Références
1. Euronews. (2026, mars). AMI, une startup française de l’IA.
https://fr.euronews.com/2026/03/10/ami-une-startup-francaise-de-lia-annonce-une-levee-de-fonds-dun-milliard-de-dollars
2. TechCrunch. (2026, mars). AMI Labs raises $1.03 billion.
https://techcrunch.com/2026/03/09/yann-lecuns-ami-labs-raises-1-03-billion-to-build-world-models/
3. LeCun, Y. (2022). A Path Towards Autonomous Machine Intelligence.
https://openreview.net/pdf?id=BZ5a1r-kVsf
4. Garrido, Q., LeCun, Y. et al. (2026). Learning Latent Action World Models In The Wild.
https://arxiv.org/abs/2601.05230
5. LeCun, Y. (2026). Conférence « Perspectives on IA », Université Gustave Eiffel.
https://www.youtube.com/watch?v=nqDHPpKha_A
6. LeCun, Y. (2026). Special Lecture on AI and World Models. NYU / AMI Labs.
https://www.youtube.com/watch?v=vJKC31YpA8c