LeWorldModel : Yann LeCun vient-il de donner un « corps » à l’IA ?

Un verre tombe du bord d’une table. Vous ne regardez pas la scène image par image. Votre cerveau ne recalcule pas la couleur de chaque pixel du carrelage pendant la trajectoire. En une fraction de seconde, il mobilise une connaissance silencieuse et profonde : la gravité tire vers le bas, l’objet est solide, la chute va accélérer, l’impact va briser. Ce savoir-là, vous l’avez acquis non pas en lisant un manuel de physique, mais en vivant dans un corps, en touchant des objets, en vous faisant surprendre par leur résistance ou leur fragilité depuis l’enfance.

C’est précisément ce que les grands modèles de langage actuels n’ont pas. Et c’est ce que Meta FAIR tente, pour la première fois avec une stabilité convaincante, de leur donner. Après avoir décortiqué Claude, Gemini, GPT, Grok et Mistral, ces grands modèles qui excellent à parler du monde, voici le moment où l’IA commence enfin à comprendre le monde.

Le « Perroquet Hors-Sol » face au mur de la réalité

Le reproche est connu depuis des années dans les cercles de recherche en IA. Les LLM, ces modèles à mille milliards de paramètres qui impressionnent sur les benchmarks et rédigent des thèses présentables, n’ont aucun modèle du monde physique. Ils ont ingéré des milliards de phrases sur la gravité, mais ils n’ont jamais vu tomber un objet. Ils peuvent vous décrire la décomposition d’une trajectoire parabolique, mais ils seraient incapables de planifier le geste qui attrape la balle avant qu’elle touche le sol.

Yann LeCun, Chief AI Scientist chez Meta et prix Turing 2018, le formule depuis des années de façon abrupte : les LLM sont des systèmes statistiques qui prédisent des tokens à partir de tokens. Ils excellent dans le domaine du paraître (simuler la conversation, le raisonnement, l’érudition), mais ils échouent structurellement dans le domaine du faire : planifier une action dans le monde réel, anticiper les conséquences physiques d’un mouvement, naviguer dans un environnement non scripté.

Un détail que la presse française oublie systématiquement de mentionner : LeCun est soissonnais. Né à Soissons en 1960, formé à l’ESIEE Paris et à l’UPMC, il est l’un des rares chercheurs français à avoir atteint le sommet absolu de la discipline mondiale, aux côtés de Yoshua Bengio et Geoffrey Hinton, co-lauréats du même prix Turing. Pendant que la France se lamentait de son retard en IA et constituait des commissions parlementaires, l’un de ses enfants réinventait les fondements du deep learning dans un laboratoire de New York. Ce n’est pas un reproche, mais un constat sur notre incapacité chronique à retenir, valoriser, ou même revendiquer ce type de profil. Car LeCun n’a pas sa langue dans sa poche, ce qui lui a valu autant d’admirateurs que d’ennemis : ses échanges acérés avec les tenants du risque existentiel de l’IA (Yudkowsky en tête), ses déclarations provocatrices sur les LLM (qu’il a publiquement comparés à des systèmes incapables de vrai raisonnement, tout en travaillant chez Meta qui en déploie massivement), ou encore ses prises de position controversées sur les biais algorithmiques, qui lui ont attiré des critiques sévères de certains de ses pairs. Figure clivante, donc. Mais scientifiquement, difficile de lui donner tort sur l’essentiel.

C’est ce que j’avais mis en lumière dans mon article sur la conscience des LLM comme illusion géométrique : ce que l’on perçoit comme intelligence dans un LLM est souvent une propriété émergente de la géométrie de l’espace vectoriel d’entraînement. Pas une représentation du monde. Une projection statistique de la façon dont les humains parlent du monde.

En mars 2026, une équipe réunissant des chercheurs de Mila (Université de Montréal), NYU, Samsung SAIL et Brown University, avec LeCun comme co-auteur, publie LeWorldModel. Pas un modèle de langage. Pas un générateur d’images. Un world model : un système conçu non pas pour produire du texte, mais pour se représenter ce qui va se passer dans le monde, et planifier en conséquence.

Comprendre le JEPA : pourquoi l’abstraction est la clé

Pour saisir ce que LeWorldModel apporte, il faut d’abord comprendre pourquoi l’approche dominante, prédire l’avenir pixel par pixel, est une impasse.

Imaginez demander à une IA de prédire ce qu’il va se passer cinq secondes après qu’on lâche une balle sur un plan incliné. L’approche générative classique, celle des modèles comme Sora ou les video diffusion models, essaie de reconstruire chaque frame de la vidéo future avec tous ses détails : la texture du plan, la lumière ambiante, le reflet sur la surface, le flou de mouvement. C’est non seulement coûteux, c’est surtout inutile. La couleur du sol n’a aucune influence sur la trajectoire de la balle.

L’intelligence, humaine ou artificielle, ne fonctionne pas comme ça. Elle abstrait. Elle identifie les variables pertinentes (masse, pente, frottement, vitesse initiale) et ignore le bruit visuel. C’est le principe fondateur des JEPA (Joint Embedding Predictive Architectures), que LeCun défend théoriquement depuis 2022.

L’idée est élégante : plutôt que de prédire des pixels, le modèle apprend une représentation compressée (un embedding) de l’état du monde, puis entraîne un prédicteur à anticiper les embeddings futurs à partir des embeddings présents. On travaille dans l’espace des concepts, ou plutôt dans l’espace des caractéristiques pertinentes, pas dans l’espace des apparences.

L’analogie qui illustre le mieux : pour prédire la chute d’une balle, l’IA ne s’amuse pas à colorier chaque pixel du décor. Elle identifie quelques vecteurs : l’objet solide, le champ gravitationnel, la trajectoire probable. Ce sont les invariants du mouvement, pas le grain de la peinture.

Cette façon d’apprendre par abstraction, c’est exactement ce que fait un enfant bien avant de savoir lire ou parler. Avant de marcher, avant même de prononcer un mot, il observe. Il fait tomber des objets du rebord de la chaise haute, non par malice, mais par nécessité épistémique. Il teste les lois de la friction, de la permanence de l’objet, de la causalité. Il construit, par l’observation passive et répétée, un modèle interne du monde physique que nul manuel ne lui a enseigné.

La revanche de la sobriété : le miracle de la « Single GPU »

C’est là que les chiffres deviennent politiquement intéressants.

LeWorldModel tourne avec 15 millions de paramètres. Pour mettre ce chiffre en perspective : GPT-4 est estimé à 1 800 milliards de paramètres. Llama 3 70B en compte 70 milliards. Même les « petits » modèles du marché dépassent allègrement le milliard. LeWorldModel est donc 100 à 120 000 fois plus léger que les mastodontes actuels, et ses auteurs rapportent qu’il surpasse en planification physique des modèles basés sur des foundation models dix fois plus grands.

Ce n’est pas seulement une curiosité académique. C’est une rupture d’échelle qui a des implications directes sur la concentration du pouvoir en IA.

Comme je l’analysais dans mon article sur la bulle IA francophone, l’un des mécanismes les plus puissants qui consolide la domination de quelques acteurs américains sur l’écosystème IA n’est pas tant le secret technologique que la barrière d’entrée computationnelle. Entraîner un LLM de pointe coûte des centaines de millions de dollars en infrastructures GPU. Cela réserve mécaniquement la recherche de pointe à Meta, OpenAI, Google, Microsoft et quelques autres. Le reste du monde (universités, laboratoires publics, startups souveraines) est condamné à fine-tuner les modèles que ces géants ont bien voulu ouvrir.

Un modèle de 15 millions de paramètres entraînable en quelques heures sur une seule GPU grand public change la donne. Il sort la recherche en world models des coffres-forts de la Silicon Valley. Fait significatif : le premier auteur, Lucas Maes, est doctorant à Mila, à Montréal. Ses co-auteurs viennent de NYU, Samsung SAIL et Brown University. Ce n’est pas un produit Meta sorti d’un datacenter de Menlo Park, mais le résultat d’une collaboration entre l’industrie et l’université, distribuée sur trois continents, qui a produit une percée que les ressources illimitées n’avaient pas réussi à obtenir. L’intelligence architecturale comme contrepouvoir à l’accumulation.

C’est aussi, pour la France et l’Europe, un rappel de ce que j’ai développé dans l’article sur Mistral et la souveraineté technologique : la prochaine frontière de la compétition en IA ne se jouera pas uniquement à coups de milliards, mais dans la qualité des idées, et Montréal, en l’occurrence, vient de marquer un point décisif.

Dans un domaine où le vibe coding nous a habitués à l’IA énergivore, LeWorldModel est une démonstration que moins peut faire mieux, à condition de poser les bonnes questions au départ.

Le chaînon manquant : stabilité et fin de l’effondrement

Mais si les JEPA sont si élégants conceptuellement, pourquoi n’existaient-ils pas avant ? Pourquoi fallait-il attendre mars 2026 pour voir un tel modèle stable ?

La réponse tient en un mot : collapse.

C’est le cauchemar de tous ceux qui ont essayé d’entraîner des JEPA end-to-end depuis les pixels bruts. L’objectif d’entraînement est de prédire l’embedding de l’état futur à partir de l’embedding de l’état présent. Or, il existe une solution triviale et désastreuse à cet objectif : que l’encodeur mappe toutes les observations vers le même vecteur. Si tout ressemble à tout dans l’espace latent, la prédiction devient triviale, et parfaitement inutile. L’IA a « appris » à ne rien apprendre. Elle prédit un écran gris, immobile, là où il y a du mouvement et de la vie.

Les tentatives précédentes accumulaient les béquilles pour éviter cet effondrement : encodeurs pré-entraînés, fonctions de perte à six termes, six hyperparamètres à calibrer à la main. Chaque béquille ajoutait de la fragilité et de la dépendance. LeWorldModel résout le problème avec deux termes de perte et un seul hyperparamètre : une prédiction d’embedding et un régulariseur qui force les représentations à suivre une distribution gaussienne. C’est la première fois qu’un JEPA entraîné directement depuis les pixels bruts, sans aide extérieure, reste stable de bout en bout.

La conséquence pratique est immédiate : le modèle apprend réellement une structure du monde physique. Les auteurs le vérifient en testant sa capacité à détecter des trajectoires physiquement impossibles, et il réussit. Il « sait » reconnaître ce qui viole les lois qu’il a inférées par observation.

Pour la robotique, c’est le logiciel que l’on attendait, et il s’inscrit dans un écosystème plus large que Meta développe en parallèle, dont V-JEPA 2 constitue le versant grands modèles. Un robot équipé d’un tel world model ne se contente plus de réagir à son environnement selon un script pré-écrit. Il anticipe. Il planifie dans l’espace latent, simule mentalement les conséquences d’une action avant de l’exécuter. Le gouffre entre l’automate maladroit et l’agent qui comprend ce qu’il fait se réduit d’un cran significatif.

Conclusion : vers une IA moins bavarde et plus lucide

La question que pose LeWorldModel dépasse largement ses performances sur des benchmarks.

Elle interroge frontalement la religion des Scaling Laws, cette conviction, dominante depuis 2020, que l’intelligence artificielle émerge mécaniquement de l’accumulation : plus de données, plus de paramètres, plus de calcul. DeepSeek R1 nous avait déjà soufflé que l’efficacité architecturale pouvait rivaliser avec la puissance brute. Les sociétés de pensées multi-agents nous avaient montré que le raisonnement pouvait être une propriété émergente de la structure, pas du volume. LeWorldModel prolonge cette intuition dans le domaine de la perception et de la planification physique.

La vérité inconfortable pour les grands acteurs est que la prochaine frontière de l’IA n’est peut-être pas dans l’ajout de zéros aux budgets de calcul. Elle est dans la qualité de la représentation du monde. Dans la capacité à distinguer ce qui est pertinent de ce qui est du bruit. Dans l’architecture.

Reste une nuance d’importance : LeWorldModel a été évalué sur des simulateurs physiques standardisés : Push-T, OGBench-Cube, tâches de locomotion MuJoCo. Ces environnements sont contrôlés, déterministes, relativement basse dimension. Le passage au chaos du monde réel (une rue bondée, une météo changeante, des objets déformables, des humains imprévisibles) reste le prochain grand défi. Ce n’est pas une critique du papier, qui ne prétend pas résoudre ce problème : c’est la feuille de route de toute une décennie de recherche en robotique cognitive.

Mais c’est précisément là que réside l’honnêteté intellectuelle de ce travail. Il ne prétend pas avoir inventé l’intelligence générale. Il résout un problème précis, proprement, avec des contraintes drastiques. Et ce faisant, il ouvre une voie.

Une IA qui parle du monde a dominé la dernière décennie. Une IA qui comprend ce qui va se passer dans le monde (et qui peut tourner sur votre GPU du soir) est peut-être le vrai début de la prochaine.

Après les cinq grands perroquets, voici le premier modèle qui commence à avoir un corps. La rubrique Intelligence artificielle de ce blog vient de changer de dimension.