Le pari de LeCun et AMI sur les modèles du monde en IA Yann LeCun finance AMI pour des IA fondées sur les modèles du monde, visant une compréhension du monde physique comme les humains.
Yann LeCun, figure emblématique de l'IA et ancien directeur de l'IA chez Meta, a levé 1,03 milliard de dollars pour financer la start-up française AMI. L'ambition: démontrer que l'IA véritable ne passe pas seulement par des chatbots de plus en plus grands, mais par des modèles du monde en IA capables de comprendre le monde physique comme les animaux et les humains. Cette approche s'appuie sur l'apprentissage par interaction et la construction d'une représentation interne du monde, plutôt que sur le seul tri des données textuelles massives. À travers AMI, l'enjeu est de tester si des modèles du monde peuvent offrir une meilleure robustesse et une meilleure généralisation dans des tâches où le geste, la perception et la physique entrent en jeu.
Concrètement, l'idée est de doter des systèmes artificiels d'un « cerveau » capable d'anticiper les effets de ses actions dans l'environnement. Cela suppose l'intégration de perception visuelle, d'évaluation des propriétés physiques des objets et d'une dynamique du monde apprise via les interactions. Plutôt que de s'appuyer uniquement sur des réseaux neuronaux génératifs à grande échelle, les approches basées sur les modèles du monde misent sur des représentations internes opérationnelles: état du système, dynamique, objets et leurs contraintes. En pratique, cela peut se traduire par des agents qui apprennent en expérimentant, en simulant et en transférant des connaissances vers des contextes non vus. Cette logique s'aligne sur des courants comme le model-based reinforcement learning et l'apprentissage auto-supervisé, qui priorisent la compréhension du monde et l'anticipation plutôt que la simple prédiction.
AMI est présentée comme une plateforme destinée à favoriser ce type d'apprentissage, avec un accent sur le dialogue entre perception multisensorielle et action dans le réel et dans la simulation. Le financement soutient les travaux visant à construire des modèles capables d'inférer les lois qui régissent le monde physique, de raisonner sur des interactions et de rendre ces connaissances transférables à divers domaines industriels. Pour Yann LeCun, l'intérêt est de réduire la dépendance aux jeux de données massifs et coûteux tout en améliorant la fiabilité des systèmes dans des environnements non structurés. Le pari, aussi européen que stratégique, est de démontrer que les modèles du monde peuvent accélérer l'AI opérationnelle dans des tâches manufacturières, robotiques et de mobilité.
Une approche qui cherche à comprendre le réel, pas seulement à le décrire
La différence majeure avec les approches actuelles tient à la capacité des systèmes à prévoir les conséquences action-réaction dans le monde réel. Cela implique d'apprendre une modélisation de l'espace physique, des propriétés des objets et des lois du mouvement, puis d'utiliser ces connaissances pour planifier des actions cohérentes. Dans le cadre d'un financement aussi conséquent, les défis techniques ne manquent pas: calibrage des capteurs, intégration multimodale, qualité des simulations et validation sur des tâches variées. Le risque est également d'uniformiser les attentes autour d'un seul cadre conceptuel: il faut garantir que les modèles du monde puissent réellement opérer en dehors des conditions de laboratoire et dans le flux réel des applications industrielles.
- Capacité de généralisation : mieux transférer l'apprentissage entre contextes différents sans ré-entraînement lourd.
- Efficacité des données : réduire la dépendance à d'énormes ensembles de données annotées et textuelles.
- Applications potentielles : robotique, manipulation d'objets et systèmes autonomes qui interagissent avec des environnements physiques.
- Limites et enjeux : sécurité, éthique, évaluation et coût computationnel.
Dans ce cadre, les critiques restent prudentes: même avec un financement record, la mise en œuvre pratique des modèles du monde est complexifiée par des variables du monde réel, des incertitudes et des contraintes de réglementation européenne et nationale. Cela ne signifie pas que l'approche est vouée à l'échec, mais que les résultats concrets prendront du temps et nécessiteront des tests rigoureux et transparents.
Pour terminer
Au-delà d'un chiffre marquant, ce projet illustre une orientation stratégique vers des IA qui apprennent en regardant le monde et en l'interagissant. Le succès dépendra de la capacité à passer des prototypes à des systèmes fiables et éthiques, tout en démontrant une valeur tangible dans des usages industriels réels.
