Worldmodeldata de Cambridge lève £7 millions pour entraîner l'IA sur les jeux vidéo

Worldmodeldata, un réseau de neurones pour les jeux vidéo, a attiré £7 millions d'investissement pour l'entraînement de l'IA : l'entreprise transforme le gameplay en données pour entraîner une nouvelle classe d'intelligence artificielle — des modèles mondiaux qui non seulement décrivent le monde, mais comprennent comment il réagit aux actions.

Pourquoi les modèles mondiaux ont besoin de données différentes

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

« Modèles mondiaux » — la prochaine frontière. Ce sont des systèmes d'IA capables de prédire les conséquences d'actions physiques : que se passe-t-il si vous poussez un objet, tirez un levier ou lancez un objet d'une hauteur. Une telle compréhension est nécessaire pour les robots, les agents industriels et tout système opérant dans un espace réel plutôt que virtuel.

La principale difficulté est les données. Enregistrer les interactions physiques réelles à grande échelle est très coûteux : cela nécessite des robots avec des capteurs, des laboratoires, des opérateurs qualifiés et des milliers d'heures d'expériences dans des conditions diverses. Worldmodeldata a trouvé un chemin alternatif.

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

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

La diversité est également importante : les jeux modernes créent des milliers de types d'environnements et d'objets — des simulateurs de conduite aux stratégies avec des systèmes physiques. Ceci est une base de données prête à l'emploi des interactions avec l'environnement physique, déjà structurée par la logique du jeu lui-même.

Faits clés du tour :

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

Ce que cela signifie

Le marché des données d'entraînement pour l'IA se transforme. Après des années d'ères de corpus textuels et de données multimodales, les principaux laboratoires — Google DeepMind, Meta, OpenAI — recherchent activement des modèles mondiaux pour les robots et les systèmes d'agents. La demande de données d'entraînement physiquement précises et interactives augmentera parallèlement au marché des robots humanoïdes et des agents autonomes.

Le pari de Worldmodeldata est simple : des décennies accumulées de gameplay — c'est une source évolutive de données sur l'interaction physique qui n'existe nulle part en volume comparable. Si la prévision est correcte, les jeux vidéo se transformeront de divertissement en infrastructure pour l'entraînement de la prochaine génération de l'IA.

*Meta est reconnue comme une organisation extrémiste et est interdite en Russie.

Qu'est-ce que les modèles mondiaux en IA ?

Ces sont une nouvelle classe de réseaux de neurones qui non seulement décrivent le monde, mais comprennent comment il réagit aux actions. Contrairement aux grands modèles de langage (ChatGPT, Claude, Gemini) entraînés sur du texte, les modèles mondiaux doivent reproduire la physique et la logique de l'interaction entre les objets dans le monde environnant.

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

Les jeux vidéo contiennent des milliards de cadres de gameplay avec une physique mondiale connue et des réactions de l'environnement aux actions des joueurs. C'est une source idéale de données d'entraînement pour que les réseaux de neurones apprennent les relations causales et prédisent la progression des événements.