Modèles du monde : pourquoi les générateurs de vidéo ne parlent pas de cinéma, mais de physique du réel

Quand OpenAI a lancé Sora, tout le monde s'est empressé de débattre du moment où Hollywood finirait à la décharge de l'histoire. Mais si l'on met de côté l'enthousiasme pour les mammouths laineux et les enseignes au néon de Tokyo, il reste quelque chose de plus fondamental. Nous assistons au passage de la simple prédiction du pixel suivant à la création de véritables modèles du monde. Ce n'est pas un simple changement de vocabulaire, mais un basculement tectonique dans la façon dont les machines perçoivent notre réalité. Longtemps, l'IA a vécu dans un monde de texte et d'images fixes, mais elle tente désormais de maîtriser le concept de temps et de causalité.

Pourquoi modéliser le monde, au juste ? Imaginez que vous vouliez apprendre à un robot à faire du café. Avant, il fallait soit écrire des milliers de lignes de code, soit laisser la machine se tromper des millions de fois dans la réalité, en cassant des tasses et en inondant le sol. Un modèle du monde permet à l'IA de « rejouer » ces scénarios dans sa tête, grâce à un simulateur universel du monde. C'est une sorte d'imagination numérique qui s'appuie non sur des fantaisies, mais sur des lois physiques assimilées. L'ironie, c'est que l'IA déduit ces lois toute seule, en regardant simplement des téraoctets de vidéo, sans une seule formule du manuel de Newton.

Le problème, c'est que les modèles actuels sont encore sujets aux « hallucinations physiques ». Vous avez sûrement vu des vidéos où des gens traversent les murs ou où des objets disparaissent sans laisser de trace. Cela arrive parce que les réseaux de neurones ne comprennent pas encore l'essence des objets ; ce sont seulement des maîtres des probabilités. Toutefois, de nouvelles approches de recherche visent à intégrer à l'architecture des modèles la compréhension de l'espace et du temps via des représentations latentes. L'IA ne se contenterait plus de dessiner des images : elle saurait que si une balle roule vers le bord d'une table, elle tombera inévitablement, au lieu de se transformer en papillon.

Pour l'industrie, cela signifie la fin de l'ère des « boîtes noires » qui se contentent de fournir un résultat. Nous allons vers des systèmes capables de justifier leurs actions en simulant les conséquences. Des entreprises comme Wayve ou Tesla utilisent déjà des équivalents de modèles du monde pour leurs pilotes automatiques, mais les ambitions des chercheurs vont plus loin. Ils veulent créer un environnement unique où l'IA pourrait tester des hypothèses scientifiques ou concevoir de nouveaux matériaux, en vérifiant leur résistance dans un monde virtuel identique au nôtre.

Que cela signifie-t-il pour nous ? Très probablement, nous verrons dans les deux prochaines années une croissance explosive de la robotique. Les robots cesseront d'être de maladroits tas de ferraille, car ils arriveront dans notre monde déjà « expérimentés », après avoir vécu des milliers de vies virtuelles dans des simulateurs. La génération de vidéo restera un bonus agréable pour les créateurs de contenu, mais la véritable percée aura lieu quand l'IA commencera à prédire le comportement de systèmes complexes, du changement climatique au repliement des protéines. Nous apprenons enfin aux machines non seulement à nous imiter, mais à comprendre comment est construite la scène sur laquelle nous jouons tous.

L'essentiel : l'IA deviendra-t-elle un véritable « dieu numérique » ou restera-t-elle un lecteur vidéo avancé sujet aux hallucinations ? La réponse tient à notre capacité à lui apprendre non seulement à regarder, mais à saisir l'inertie, le frottement et la gravité.