Accueil › Glossaire › World Model

World Model (Modèle du Monde)

Un world model (modèle du monde) est un système d’IA qui apprend une représentation interne du fonctionnement de l’environnement physique, permettant de simuler mentalement les conséquences d’actions futures avant de les exécuter, comme un humain qui « imagine » le résultat d’un geste avant de le faire.

Un LLM prédit le prochain mot. Un world model prédit le prochain état du monde physique. Cette distinction, qui semblait académique il y a deux ans, est devenue le centre de gravité de l’industrie IA en 2026. Yann LeCun a quitté Meta pour lever 1,03 milliard de dollars sur cette thèse. Fei-Fei Li vise une valorisation de 5 milliards de dollars. Google DeepMind a lancé le premier world model interactif temps réel. Et NVIDIA a construit toute sa stratégie Physical AI autour de sa plateforme Cosmos. La conviction partagée : les LLM ont atteint un plafond structurel pour les applications physiques, et la prochaine vague d’IA exige des modèles qui comprennent la physique, pas seulement le langage.

Le concept : pourquoi les world models ?

Imaginez que vous tenez un verre d’eau au bord d’une table. Vous savez, sans avoir besoin de faire l’expérience, que si vous le poussez un peu trop loin, il va tomber, l’eau va se renverser, le verre peut se casser. Vous n’avez pas besoin de calculer les équations de Newton. Votre cerveau possède un « modèle du monde » intuitif qui simule ce scénario en une fraction de seconde.

C’est exactement ce que les world models cherchent à reproduire dans un système IA. Au lieu de réagir à ce qui se passe (réactif), le système anticipe ce qui va se passer (prédictif). Et au lieu de décrire le monde en mots (comme un LLM), il le simule dans un espace de représentations abstraites.

Pourquoi les LLM ne suffisent pas

Le débat autour des world models est fondamentalement un débat sur les limites des LLM. Yann LeCun, prix Turing 2018, défend depuis des années la thèse que les modèles autorégressifs (prédire le token suivant) ne peuvent pas atteindre l’intelligence générale. Ses arguments :

Les LLM n’ont pas de modèle physique. Un LLM peut écrire un paragraphe sur la gravité, mais il ne « comprend » pas que pousser un objet vers le bord d’une table le fait tomber. Sa connaissance est statistique (corrélations entre tokens), pas causale (compréhension des mécanismes physiques). Des études du MIT, Harvard et Cornell ont montré que les LLM échouent à produire des cartes réalistes de New York pour une navigation pas à pas, surtout face à des détours imprévus.

Les hallucinations sont structurelles. Un LLM génère ce qui est « probable » dans l’espace du texte, pas ce qui est « vrai » dans le monde physique. Un world model, lui, est contraint par les lois physiques qu’il a apprises de données sensorielles réelles.

Le texte est un medium compressé. Le langage est une représentation extrêmement comprimée de la réalité. Un bébé humain apprend la physique intuitive en quelques mois par l’observation et l’interaction, sans aucun mot. Les world models adoptent cette logique : apprendre du monde directement, pas de sa description textuelle.

Les origines intellectuelles

Le concept de « modèle mental » du monde remonte au psychologue écossais Kenneth Craik (1943, « The Nature of Explanation ») : l’esprit humain construit des modèles réduits de la réalité pour anticiper les événements et raisonner. En IA, plusieurs jalons ont préparé le terrain :

SHRDLU (Terry Winograd, fin des années 1960). Premier système IA capable de comprendre des commandes et de raisonner sur un monde de blocs en 3D. Extrêmement limité, mais précurseur de l’idée qu’un système IA doit avoir un modèle de son environnement.

Dyna (Richard Sutton, 1991). Architecture d’apprentissage par renforcement qui utilise un modèle appris de l’environnement (un world model) pour simuler des trajectoires et planifier des actions sans interagir physiquement avec le monde. C’est le premier « model-based RL » explicite.

« World Models » (Ha & Schmidhuber, 2018). Article fondateur qui entraîne un agent à jouer à un jeu vidéo entièrement « dans sa tête », via un modèle génératif de l’environnement. L’agent apprend à agir dans un monde simulé par son propre world model. C’est cet article qui a popularisé le terme dans la communauté deep learning.

JEPA (Yann LeCun, 2022). Dans son article de position « A Path Towards Autonomous Machine Intelligence », LeCun propose la Joint Embedding Predictive Architecture comme alternative fondamentale à l’IA générative. JEPA prédit des représentations abstraites de l’état futur du monde, pas des pixels ou des tokens. C’est l’architecture qui sous-tend AMI Labs.

Les architectures de world models

JEPA : prédire dans l’espace abstrait

L’architecture JEPA (Joint Embedding Predictive Architecture) de LeCun repose sur une intuition clé : le monde est fondamentalement imprévisible au niveau des détails (quel pixel exact sera à quelle position dans 2 secondes ?), mais prévisible au niveau abstrait (l’objet va tomber, la personne va tourner à gauche). Un modèle génératif qui tente de prédire chaque détail futur échouera nécessairement. JEPA contourne ce problème en prédisant dans un espace de représentations abstraites.

Concrètement, JEPA fonctionne ainsi : deux encodeurs transforment deux morceaux de données (par exemple, deux portions d’une image, ou deux instants d’une vidéo) en représentations abstraites. Un module prédicteur apprend à prédire la représentation de l’un à partir de l’autre. L’entraînement se fait via une fonction d’énergie : les paires compatibles (qui pourraient plausiblement coexister dans le monde réel) obtiennent une énergie basse, les paires incompatibles une énergie haute.

I-JEPA (Image JEPA), publié par Meta, a démontré que cette approche peut apprendre des représentations visuelles de très haute qualité avec une efficacité computationnelle remarquable : un modèle de 632M paramètres entraîné sur 16 GPU A100 en moins de 72 heures atteint l’état de l’art en classification few-shot sur ImageNet. V-JEPA 2 (Video JEPA) étend cette approche aux vidéos, apprenant la physique intuitive par l’observation. Des démonstrations sur robots physiques montrent que V-JEPA 2 permet de manipuler avec succès des objets jamais vus pendant l’entraînement.

Les world models génératifs (diffusion vidéo)

L’approche alternative, plus directe, consiste à entraîner un modèle de diffusion à générer des vidéos prédictives du futur. Le world model prédit littéralement « à quoi le monde va ressembler » dans les prochaines secondes, images par images. C’est l’approche de NVIDIA Cosmos, Sora (OpenAI), et Runway.

NVIDIA Cosmos comprend trois familles de modèles : Cosmos Predict (simulation d’états futurs, génération de vidéos prédictives en 30 secondes à partir de texte, image ou vidéo), Cosmos Transfer (transformation style simulation-photoréalisme pour combler le fossé sim-to-real) et Cosmos Reason (raisonnement physique type chain-of-thought visuel). La plateforme a été entraînée sur 9 000 trillions de tokens issus de 20 millions d’heures de données réelles (conduite, industrie, robotique, interactions humaines) et a été téléchargée plus de 2 millions de fois.

LeCun critique cette approche : prédire des pixels est gaspiller de la capacité de calcul sur des détails non pertinents. Les partisans des modèles génératifs rétorquent que la prédiction pixel-level contraint le modèle à comprendre la physique de manière fine et produit des résultats directement exploitables.

Les world models interactifs (Genie)

Google DeepMind a lancé Genie 3 en août 2025, le premier world model interactif général en temps réel. Genie 3 génère des environnements 3D navigables à 24 images par seconde à partir de descriptions textuelles. L’utilisateur peut explorer et interagir avec ces mondes générés, qui maintiennent une cohérence visuelle pendant plusieurs minutes.

L’approche de Genie est distincte : il ne prédit pas simplement le futur d’une scène observée, il génère un monde complet et interactif dans lequel un agent (humain ou IA) peut agir et observer les conséquences. C’est un « simulateur universel » appris à partir de données, pas programmé par des physiciens.

Les acteurs clés en mars 2026

AMI Labs (Yann LeCun)

Advanced Machine Intelligence Labs est la startup la plus ambitieuse du domaine. Fondée par Yann LeCun après son départ de Meta fin 2025, elle a levé 1,03 milliard de dollars en seed (mars 2026) à une valorisation pré-money de 3,5 milliards, un record absolu pour une levée européenne de ce stade. Le siège est à Paris, le CEO est Alexandre LeBrun (ex-Nabla), et l’équipe inclut Michael Rabbat (VP World Models), Saining Xie (CSO), Pascale Fung (CRO) et Laurent Solly (COO).

AMI Labs développe des systèmes basés sur JEPA pour la robotique industrielle, la santé et les processus complexes (usines, moteurs à réaction, aciéries). L’objectif : des modèles capables d’apprendre les lois physiques d’un système à partir de ses données sensorielles (vidéo, audio, capteurs) et de prédire comment ce système évoluera. Nabla (IA santé) est le premier partenaire stratégique annoncé.

Parmi les investisseurs : NVIDIA (signal fort d’alignement stratégique), Cathay Innovation, Greycroft, Hiro Capital, HV Capital et Bezos Expeditions.

World Labs (Fei-Fei Li)

Fondée par Fei-Fei Li (Stanford, pionnière d’ImageNet), World Labs a lancé Marble, son premier produit commercial, fin 2025. Marble génère des environnements 3D persistants exportables vers Unreal Engine et Unity. L’entreprise est en discussion pour lever 500 millions de dollars à une valorisation de 5 milliards et figure parmi les partenaires de NVIDIA utilisant Cosmos et Isaac Sim au GTC 2026.

NVIDIA Cosmos

NVIDIA Cosmos est la plateforme la plus complète du marché pour le développement de world models appliqués à la Physical AI. Lancée au CES 2025, elle inclut des modèles de fondation (Predict, Transfer, Reason), un tokenizer vidéo état de l’art (8x plus de compression et 12x plus rapide que les concurrents), un pipeline de curation de données (NeMo Curator : 20 millions d’heures de vidéo traitées en 14 jours sur Blackwell), et des guardrails de sécurité.

Au GTC 2026, NVIDIA a annoncé Cosmos 3, décrit comme le premier world foundation model unifiant génération synthétique de mondes, raisonnement IA physique et simulation d’actions. Les modèles sont disponibles sous licence ouverte sur Hugging Face. Les adopteurs incluent 1X, Agility Robotics, Figure AI, Skild AI, Uber, Waabi et XPENG.

Cosmos Predict 2.5 unifie trois modèles séparés (Text2World, Image2World, Video2World) en une seule architecture légère. Cosmos Transfer 2.5 est 3,5x plus petit que son prédécesseur avec une meilleure fidélité physique. Le Physical AI Data Factory Blueprint, également annoncé au GTC 2026, automatise la génération, l’augmentation et l’évaluation de données d’entraînement physique à grande échelle.

Google DeepMind Genie 3

Genie 3, lancé publiquement dans le cadre du Project Genie, est le premier world model interactif général en temps réel. Il génère des mondes 3D navigables à 24 fps à partir de prompts textuels. C’est la démonstration la plus convaincante qu’un modèle appris peut servir de « simulateur universel » pour l’entraînement d’agents IA. DeepMind positionne Genie comme infrastructure pour l’embodied AI : au lieu d’écrire des moteurs physiques à la main, vous apprenez un moteur physique à partir de données.

Meta V-JEPA 2

Même après le départ de LeCun, Meta poursuit la recherche sur JEPA. V-JEPA 2 (Video JEPA) est un world model entraîné sur vidéo avec des capacités de raisonnement physique. Il permet à des agents IA d’anticiper les conséquences de leurs actions dans le monde physique. Meta a également recruté Tim Brooks (ex-Google DeepMind, où il dirigeait la nouvelle initiative world models) pour renforcer cette équipe.

Autres acteurs

Runway. L’entreprise a lancé son premier world model en décembre 2025 et considère la technologie comme centrale pour aller au-delà du média/entertainment vers la médecine et l’énergie.

Wayve. Startup britannique de conduite autonome qui utilise des world models appris pour prédire comment la scène de conduite va évoluer, remplaçant partiellement les approches de planification traditionnelles par des prédictions apprises.

Applications concrètes

Robotique et Physical AI

C’est l’application phare. Un robotics foundation model équipé d’un world model peut « imaginer » les conséquences d’un mouvement avant de l’exécuter. Au lieu de simplement réagir aux observations, il planifie en simulant mentalement plusieurs trajectoires possibles et en sélectionnant la meilleure. GR00T N2 de NVIDIA est le premier modèle robotique à intégrer explicitement cette approche « world action model ».

L’application industrielle concrète de LeCun : un robot industriel confronté à un nouveau format de boîte pourrait simuler mentalement différentes stratégies de préhension, évaluer laquelle est physiquement viable, et l’exécuter sans reprogrammation. V-JEPA 2 a déjà démontré cette capacité avec des objets jamais vus en entraînement.

Véhicules autonomes

Les world models permettent de générer des scénarios de conduite rares et dangereux (neige, brouillard, piétons dans des situations inhabituelles) sans mettre de véhicules réels sur la route. NVIDIA utilise le Physical AI Data Factory Blueprint pour entraîner Alpamayo, son modèle VLA pour la conduite autonome. Uber, Waabi et XPENG sont parmi les premiers adopteurs de Cosmos pour la génération de données synthétiques de conduite.

Jeux vidéo et VFX

World Labs (Marble) génère des environnements 3D persistants exportables directement vers les moteurs de jeu (Unreal, Unity). Genie 3 de DeepMind crée des mondes interactifs navigables. Ces outils transforment la création de niveaux et d’environnements : au lieu de modéliser chaque asset manuellement, vous décrivez l’environnement et le world model le génère.

Processus industriels complexes

L’application visée par AMI Labs : des processus comme les usines chimiques, les aciéries ou les moteurs à réaction génèrent des milliers de flux de données sensorielles. Un world model appris de ces données pourrait prédire le comportement du système, détecter les anomalies avant qu’elles ne surviennent, et optimiser les paramètres de fonctionnement. LeCun décrit cette application comme « apprendre un modèle holistique et complet d’un système industriel à partir de ses données sensorielles », une capacité qu’aucune technique actuelle ne permet vraiment.

Comparaison des approches de world models

Le grand débat : world models vs LLM multimodaux

Le débat n’est pas aussi tranché que les titres de presse le suggèrent. Les partisans des LLM multimodaux font valoir que les modèles actuels (GPT-5.4, Gemini, Claude) intègrent déjà la vision, l’audio et la vidéo, ce qui leur confère une forme de compréhension du monde. Les capacités émergentes de raisonnement (o3 d’OpenAI, thinking modes de Claude et Gemini) commencent à ressembler à de la planification physique. Des scénarios que LeCun déclarait impossibles il y a quelques années (comme comprendre que pousser une table déplace un livre posé dessus) sont désormais gérés par les meilleurs LLM multimodaux.

Néanmoins, les world models répondent à un besoin réel que les LLM ne couvrent pas bien : la simulation prédictive physique à boucle fermée, en temps réel, sur des données sensorielles continues. Un LLM peut répondre « le verre va tomber » à une question textuelle. Un world model peut simuler la trajectoire du verre, calculer le point d’impact et ajuster la commande motrice du robot pour le rattraper, le tout en quelques millisecondes.

Le scénario le plus probable est la convergence. Les robotics foundation models intègrent déjà des composantes de type world model (GR00T N2 utilise une architecture « world action model »). Les LLM multimodaux intègrent de plus en plus de grounding physique via l’entraînement vidéo. La frontière entre les deux paradigmes se brouille, et les systèmes hybrides qui combinent raisonnement linguistique et simulation physique sont probablement l’avenir.

Défis techniques et limites

Cohérence temporelle. Les world models actuels maintiennent une cohérence visuelle et physique pendant quelques minutes au maximum. Pour des applications industrielles nécessitant des simulations sur des heures, c’est insuffisant.

Fidélité physique. La physique apprise à partir de vidéos n’est pas aussi précise que celle calculée par un moteur physique analytique (PhysX, Newton). Pour les applications critiques (chirurgie, aérospatial), les world models appris restent des approximations.

Évaluation. Il n’existe pas encore de benchmark standardisé pour comparer la qualité physique des world models. Comment mesurer si un modèle « comprend » la gravité, la friction, l’élasticité ? NVIDIA Cosmos Evaluator (basé sur Cosmos Reason, disponible sur GitHub) est une première tentative de solution.

Coût computationnel. Entraîner un world model sur des millions d’heures de vidéo exige une infrastructure massive. NVIDIA NeMo Curator a besoin de la plateforme Blackwell pour traiter 20 millions d’heures en 14 jours (au lieu de 3 ans sur CPU). Ce n’est pas accessible à la plupart des organisations.