Modèles du monde en IA : comment les jeux vidéo entraînent les réseaux de neurones

Worldmodeldata, une start-up qui s'appuie sur les jeux vidéo, a levé 7 millions de livres pour entraîner des IA. L'entreprise transforme le gameplay en données pour une nouvelle classe d'intelligence artificielle, les modèles du monde, qui ne se contentent pas de décrire le monde mais comprennent comment il réagit aux actions.

Pourquoi les modèles du monde ont besoin d'autres données

Les grands modèles de langage, comme ChatGPT, Claude et Gemini, ont été entraînés principalement sur du texte. Ils ont assimilé le langage, les connaissances et la logique du raisonnement. Mais cette approche a une limite fondamentale : ces systèmes n'ont aucune compréhension intégrée de la physique.

Les « modèles du monde » constituent la prochaine frontière. Ce sont des systèmes d'IA capables de prédire les conséquences d'actions physiques : que se passe-t-il si l'on pousse un objet, actionne un levier ou lâche un objet d'une certaine hauteur. Cette compréhension est indispensable aux robots, aux agents industriels et à tout système qui agit dans l'espace réel, et non virtuel.

La principale difficulté tient aux données. Enregistrer des interactions physiques réelles à grande échelle coûte très cher : il faut des robots dotés de capteurs, des laboratoires, des opérateurs qualifiés et des milliers d'heures d'expériences dans des conditions variées. Worldmodeldata a trouvé une autre voie.

Pourquoi les jeux vidéo sont une source de données pour l'IA

Les moteurs de jeu sont par nature des simulateurs de physique. Ils modélisent en temps réel la gravité, les collisions, la dynamique des fluides, l'élasticité des matériaux et le comportement des objets sous contrainte. Chaque heure de gameplay contient des millions de paires « action → réaction de l'environnement » : une voiture percute un mur et se déforme selon les lois de la physique, un personnage saute et retombe à une vitesse prévisible, un liquide se renverse et s'étale selon l'hydrodynamique simulée.

La diversité compte aussi : les jeux modernes créent des milliers de types d'environnements et d'objets, des simulateurs de conduite aux jeux de stratégie dotés de systèmes physiques. C'est une base de données toute prête sur l'interaction avec un environnement physique, déjà structurée par la logique même du jeu.

Les faits clés du tour de table :

• Montant : 7 millions de livres (~8 millions d'euros)
• Type de financement : tour d'amorçage
• Investisseur principal : Iona Star Capital, Londres
• Start-up : Worldmodeldata, Cambridge, Royaume-Uni

Ce que cela signifie

Le marché des données d'entraînement pour l'IA se transforme. Après des années dominées par les corpus de texte et les jeux de données multimodaux, les plus grands laboratoires, dont Google DeepMind, Meta et OpenAI, explorent activement les modèles du monde pour les robots et les systèmes agentiques. La demande de données d'entraînement interactives et physiquement fidèles devrait croître en parallèle du marché des robots humanoïdes et des agents autonomes.

Le pari de Worldmodeldata est simple : des décennies de gameplay accumulé forment une source évolutive de données d'interaction physique, qui n'existe nulle part ailleurs dans un volume comparable. Si la prévision se confirme, les jeux vidéo passeront du divertissement à l'infrastructure d'entraînement de la prochaine génération d'IA.

*Meta a été reconnue organisation extrémiste et est interdite en Russie.

Qu'est-ce que les modèles du monde en IA ?

Il s'agit d'une nouvelle classe de réseaux de neurones qui ne se contentent pas de décrire le monde mais comprennent comment il réagit aux actions. Contrairement aux grands modèles de langage (ChatGPT, Claude, Gemini), entraînés sur du texte, les modèles du monde doivent reproduire la physique et la logique d'interaction entre les objets du monde environnant.

Pourquoi l'IA a-t-elle besoin de données issues des jeux vidéo ?

Les jeux vidéo contiennent des milliards d'images de gameplay avec une physique du monde connue et des réactions de l'environnement aux actions du joueur. C'est une source idéale de données d'entraînement pour que les réseaux de neurones apprennent les relations de cause à effet et prédisent l'évolution des événements.