World models : la prochaine révolution de l’IA ?
En 2025, un agent nommé DreamerV3 a réussi un défi assez parlant : récupérer des diamants dans Minecraft en partant de zéro, sans démonstrations humaines ni parcours d’apprentissage préparé à l’avance. Plutôt que d’essayer toutes les actions au hasard jusqu’à tomber sur la bonne, l’agent apprend un modèle de son environnement et s’entraîne aussi dans des futurs qu’il simule lui-même. C’est exactement l’idée qui revient aujourd’hui au centre du discours sur les world models. Meta, Google DeepMind et NVIDIA les présentent comme une étape majeure vers des machines capables d’agir dans le monde réel. Mais derrière cette nouvelle étiquette, a-t-on réellement changé de paradigme ?
Un agent qui apprend Minecraft sans connaître ses règles
Le cas de DreamerV3 permet de comprendre les world models sans commencer par une définition abstraite. Dans Minecraft, l’agent reçoit des images du jeu, effectue des actions et observe leurs conséquences. Il n’a pas besoin qu’un humain lui explique qu’il faut couper du bois, fabriquer une pioche puis descendre chercher du minerai.
Son architecture comporte notamment un world model, chargé d’apprendre une représentation compacte de l’environnement et de prédire les conséquences possibles de différentes actions. Un autre réseau estime quelles situations sont intéressantes, tandis qu’un troisième choisit les actions.
La particularité est importante : l’agent ne progresse pas uniquement grâce aux expériences réellement vécues dans Minecraft. Il utilise son modèle du monde pour générer des trajectoires imaginées et améliorer sa stratégie à partir de ces simulations. Dans l’article publié dans Nature en avril 2025, les chercheurs expliquent que DreamerV3 est, à leur connaissance, le premier algorithme à obtenir des diamants dans Minecraft depuis zéro sans données humaines ni curriculum spécifique.
L’idée des world models n’est donc pas née avec les annonces récentes de Meta ou NVIDIA. Dès 2018, David Ha et Jürgen Schmidhuber montraient déjà qu’un agent pouvait apprendre une représentation comprimée de son environnement et s’entraîner dans ce qu’ils appelaient son propre " rêve ".
Qu’est-ce qu’un world model ?
Un world model, ou modèle du monde, est un modèle qui cherche à apprendre comment un environnement évolue. De manière très simplifiée, il tente d’approximer une relation du type : état actuel + action -> état futur probable.
Imaginez un robot devant une tasse et une bouteille. Il pourrait apprendre qu’un mouvement donné rapproche sa pince de la tasse, qu’un autre risque de heurter la bouteille et qu’une mauvaise prise peut faire tomber l’objet. S’il dispose d’un modèle suffisamment fiable, il peut comparer plusieurs futurs possibles avant d’exécuter réellement son mouvement.
C’est ce qui différencie l’idée d’un simple apprentissage par essai-erreur : au lieu de devoir commettre chaque erreur dans le monde réel, l’agent peut en simuler une partie. Pour un jeu vidéo, cela économise du temps de calcul. Pour un robot industriel ou un véhicule autonome, éviter certaines erreurs dans le monde réel devient évidemment beaucoup plus intéressant.
Le terme recouvre toutefois aujourd’hui des systèmes assez différents. Certains prédisent des représentations abstraites dans un espace latent ; d’autres génèrent directement de la vidéo ; d’autres encore combinent vision, langage, actions et simulation. Il n’existe donc pas une architecture unique appelée " world model ".
La révolution utilise toujours les mêmes briques
C’est ici que le discours autour des world models mérite d’être refroidi. Ils ne reposent pas sur une nouvelle forme de calcul qui aurait remplacé les réseaux de neurones actuels. On retrouve des Transformers, des réseaux récurrents, des encodeurs, des modèles génératifs et des représentations latentes.
La différence se trouve surtout dans l’objectif d’apprentissage et dans la manière dont ces briques sont assemblées. Un grand modèle de langage apprend principalement à prédire la suite probable d’une séquence de tokens. Un world model cherche à prédire la transformation probable d’un environnement, parfois conditionnée par une action.
Cela peut produire des capacités nouvelles sans pour autant résoudre les limites fondamentales du deep learning. Le modèle continue d’approximer des régularités à partir de ses données. Il peut généraliser, parfois de façon spectaculaire, mais il peut également se tromper dès qu’il rencontre une situation trop différente de celles apprises.
Autrement dit, remplacer " prochain mot probable " par " prochain état probable " change énormément les usages possibles, mais pas nécessairement la nature fondamentale de la machine qui effectue la prédiction.
Pourquoi Meta, Google et NVIDIA parlent-ils tous de world models ?
Le regain d’intérêt vient surtout de la convergence entre vidéo générative, robotique et agents. Les modèles sont désormais capables d’apprendre sur des quantités gigantesques de vidéos et de transformer ces données en représentations exploitables pour la prédiction ou la planification.
Avec V-JEPA 2, Meta entraîne d’abord un modèle auto-supervisé sur plus d’un million d’heures de vidéo et d’images. Après un post-entraînement utilisant moins de 62 heures de vidéos robotiques, une variante conditionnée par l’action peut planifier des tâches de manipulation avec des bras robotisés dans de nouveaux environnements. Meta insiste justement sur le fait que V-JEPA 2 ne cherche pas nécessairement à reconstruire chaque pixel : il prédit des représentations latentes du futur.
Google DeepMind adopte une approche beaucoup plus visuelle avec Genie 3. À partir d’une description textuelle, le système génère un environnement interactif navigable en temps réel, autour de 20 à 24 images par seconde et en 720p. DeepMind présente ces mondes générés comme de futurs terrains d’entraînement pour les agents.
Avec Cosmos 3, annoncé en mai 2026, NVIDIA rapproche encore davantage raisonnement visuel, génération de monde et prédiction d’actions. L’objectif affiché est la " physical AI " : robots, conduite autonome et systèmes capables de raisonner sur des environnements physiques.
Ces trois exemples sont suffisamment différents pour rappeler une chose : " world model " est devenu une famille d’approches, et probablement aussi un nouveau terme marketing très pratique.
Prédire le monde ne signifie pas forcément le comprendre
C’est probablement le point le plus important. Une simulation cohérente n’est pas une preuve de compréhension au sens fort. Un modèle peut apprendre qu’un verre lâché tombe presque toujours vers le bas sans posséder une théorie explicite de la gravité. Il lui suffit d’avoir appris une représentation suffisamment utile de cette régularité.
On retrouve donc un problème familier des LLM : une sortie plausible peut être fausse. Avec un modèle de langage, cette erreur devient une réponse inventée. Avec un world model, elle peut devenir un futur physiquement plausible à l’image mais incorrect dans ses conséquences.
Google reconnaît d’ailleurs plusieurs limites pour Genie 3 : les actions disponibles restent contraintes, les interactions entre plusieurs agents indépendants sont difficiles à simuler correctement et une session cohérente reste limitée à quelques minutes plutôt qu’à plusieurs heures.
Les erreurs peuvent également s’accumuler. Plus un modèle simule loin dans le futur à partir de ses propres prédictions, plus une petite approximation initiale peut déformer les états suivants. C’est une difficulté classique des modèles prédictifs et une raison pour laquelle certains systèmes préfèrent planifier sur des horizons courts puis observer à nouveau le monde réel.
Les world models ne font donc pas disparaître le plafond de verre des modèles actuels. Ils déplacent le type d’erreurs que nous allons devoir apprendre à mesurer et à contrôler.
Une révolution d’ingénierie plutôt qu’une révolution de l’intelligence ?
Réduire les world models à un simple changement de vocabulaire serait pourtant une erreur inverse. Pouvoir apprendre la dynamique d’un environnement, tester des actions dans une représentation interne puis utiliser ces simulations pour planifier peut transformer profondément la robotique et les agents autonomes.
L’intérêt est particulièrement évident lorsque l’expérience réelle coûte cher. Un robot qui doit apprendre uniquement en cassant de vrais objets progressera lentement. Un véhicule autonome ne peut pas découvrir toutes les situations dangereuses par essai-erreur sur la route. Des environnements simulés et des modèles prédictifs peuvent fournir une quantité d’expérience bien supérieure à ce qu’il serait raisonnable de collecter physiquement.
Mais cette avancée ressemble davantage à une révolution d’ingénierie qu’à la découverte soudaine d’une nouvelle forme d’intelligence. Les briques restent celles du deep learning moderne ; ce qui évolue, c’est leur capacité à représenter le temps, les actions et leurs conséquences.
Le changement de question résume assez bien le passage. Un LLM demande essentiellement : " quelle suite est probable ? ". Un world model ajoute : " que se passerait-il probablement si je faisais cela ? ". Ce " si " peut être extrêmement puissant. Il ne suffit cependant pas, à lui seul, à prouver qu’une machine comprend réellement le monde qu’elle simule.
Sources
- DreamerV3 - Mastering diverse control tasks through world models, Nature, 2 avril 2025
- World Models - David Ha et Jürgen Schmidhuber, 2018
- V-JEPA 2 - Meta AI
- V-JEPA 2: Self-Supervised Video Models Enable Understanding, Prediction and Planning
- Genie 3: A new frontier for world models - Google DeepMind
- NVIDIA Launches Cosmos 3 - NVIDIA, 31 mai 2026
Qu’est-ce qu’un world model en intelligence artificielle ?
Un world model est un modèle qui apprend une représentation de la dynamique d’un environnement afin de prédire comment celui-ci peut évoluer, notamment en fonction des actions d’un agent. Il peut ainsi servir à simuler plusieurs futurs possibles avant d’agir réellement.
Un world model est-il différent d’un LLM ?
Oui par son objectif et ses données, mais pas nécessairement par ses briques fondamentales. Les deux peuvent utiliser des Transformers et d’autres réseaux de neurones. Un LLM prédit principalement des séquences de tokens tandis qu’un world model cherche à prédire l’évolution d’un environnement ou de sa représentation.
DreamerV3 a-t-il appris Minecraft sans données humaines ?
Selon l’article publié dans Nature en 2025, DreamerV3 est le premier algorithme à avoir réussi à collecter des diamants dans Minecraft depuis zéro sans données humaines ni curriculum spécifique. Il apprend notamment un world model à partir de sa propre expérience dans l’environnement.
Les world models comprennent-ils réellement la physique ?
Pas nécessairement. Un modèle peut apprendre à prédire correctement de nombreuses régularités physiques sans disposer d’une théorie explicite ou d’une compréhension comparable à celle d’un humain. Une simulation visuellement plausible peut également contenir des erreurs physiques.
Pourquoi les world models sont-ils importants pour la robotique ?
Ils permettent potentiellement à un robot de prédire les conséquences de plusieurs actions et de s’entraîner en partie dans des environnements simulés. Cela réduit la dépendance à des essais réels qui peuvent être lents, coûteux ou dangereux.
