World Models
Les world models proposent un autre pari que les LLM : plutôt qu’apprendre à prédire le prochain mot, apprendre à prédire ce qui arrive dans un monde. Une balle qui roule, une porte qui s’ouvre, une main qui saisit. L’ambition est de doter les machines d’une intuition physique, ce sens commun de l’espace et de la causalité qui manque cruellement aux modèles de texte.
L’enjeu n’est pas d’ajouter une compétence de plus, c’est de changer la façon dont une IA comprend le réel. Robotique, simulation, agents qui agissent : tout ce qui touche au monde physique bute aujourd’hui sur cette lacune. Cette page suit ces modèles qui cherchent à apprendre le monde plutôt qu’à le décrire. Et si la prochaine marche de l’IA n’était pas de mieux parler, mais de mieux se représenter ce qui l’entoure ?
Questions frequentes
Qu'est-ce qu'un world model en IA ?
Un world model, ou modèle du monde, est un système d'IA qui apprend une représentation interne du fonctionnement de son environnement : comment les objets bougent, interagissent et évoluent dans le temps. Il peut ainsi anticiper les conséquences d'une action, à la manière d'une simulation mentale.
En quoi un world model diffère-t-il d'un LLM ?
Un grand modèle de langage (LLM) prédit du texte à partir de texte. Un world model apprend la dynamique du monde physique ou visuel, comme l'espace, le mouvement et la causalité, pour prévoir des états futurs. Les deux approches sont complémentaires : le langage pour raisonner, le modèle du monde pour agir dans un environnement.
À quoi servent les world models ?
Ils servent à entraîner des agents et des robots dans des environnements simulés, à générer des mondes interactifs comme des jeux ou des vidéos, et à donner à une IA une forme de bon sens physique. En prédisant ce qui va se passer, ils réduisent le besoin de coûteux essais dans le monde réel.
Pourquoi les world models sont-ils difficiles à construire ?
Modéliser le monde exige de capturer l'espace, le temps et la cohérence physique sur de longues séquences. Les systèmes ont tendance à oublier ce qu'ils ont généré ou à violer les lois physiques. Obtenir des données d'interaction réelles est coûteux, d'où l'intérêt des méthodes qui apprennent en observant, sans annotations.
Quel est le rapport entre world models et robotique ?
La robotique a besoin d'IA capables de comprendre l'espace et la physique pour agir sans casser leur environnement. Les world models fournissent cette compréhension : un robot peut répéter ses mouvements dans une simulation interne avant de les exécuter, ce qui accélère l'apprentissage et limite les erreurs.