Les modèles mondiaux constituent la prochaine frontière de l’IA

Yann LeCun, qui a quitté Meta fin 2025 pour lancer Advanced Machine Intelligence Labs, a articulé son programme de recherche autour de ce concept. Demis Hassabis, qui dirige Google DeepMind, a placé les modèles du monde au cœur de sa stratégie visant à développer une IA plus générale. Sam Altman a qualifié Sora, le projet d’OpenAI, de « simulateur du monde », une affirmation qui fait débat. Fei-Fei Li a levé un milliard de dollars pour sa société World Labs afin de se consacrer à ce qu’elle appelle « l’intelligence spatiale ». Jensen Huang, quant à lui, développe les plateformes de simulation et la puissance de calcul nécessaires à la prochaine vague d’IA, comme NVIDIA l’a fait pour les grands modèles linguistiques.

Le terme est utilisé de manière assez large ; tout ce qui est commercialisé sous l’appellation de « modèle de monde » ne répond pas nécessairement à cette définition au sens architectural strict. Le pari, et la raison pour laquelle LeCun rejette les générateurs de vidéos comme Sora, réside dans le fait qu’un modèle entraîné sur le comportement d’un système plutôt que sur son apparence, une architecture qu’il appelle JEPA, se généraliserait mieux au monde physique. Il ne s’agit pas d’une catégorie de produits, mais d’une architecture qui pourrait faire passer l’IA d’une maîtrise du langage sans véritable modèle du monde physique à une compréhension solide du fonctionnement de ce monde.

S’ils ont raison, il s’agit de bien plus qu’un simple cycle économique de plus dans le domaine de l’IA. C’est la période durant laquelle se construit le socle de la prochaine IA, et ce qui est construit aujourd’hui, par qui et à partir de quelles données, déterminera ce que l’IA sera capable de faire pendant des années. Le potentiel de résolution des problèmes liés au climat, aux océans, à la biosphère et à la biologie des maladies est immense.

Ce que l’IA a déjà accompli pour la Terre

J’ai débuté ma carrière en tant que climatologue à la NASA, où je réalisais des simulations océan-atmosphère sur des supercalculateurs. J’ai ensuite co-rédigé, avec le Forum économique mondial et le directeur de l’environnement de Microsoft, deux des tout premiers rapports sur l’IA et le système terrestre. Une grande partie de ce que nous avions prédit s’est réalisée.

L’IA détecte désormais les feux de forêt et les fuites de méthane depuis l’orbite. Les prévisions météorologiques actuelles sont d’une qualité sans précédent. Le système de prévision des inondations de Google est opérationnel dans plus de 150 pays. Les modèles météorologiques neuronaux, de GraphCast de DeepMind aux systèmes désormais exploités par les agences de prévision publiques elles-mêmes, ont égalé ou surpassé les meilleures prévisions basées sur la physique pour un coût de calcul bien moindre, même s’ils accusent encore un retard sur les phénomènes extrêmes et les risques de queue de distribution.

Ce sont là de réels progrès. Mais les problèmes les plus épineux n’ont pratiquement pas avancé : quel sera l’impact d’un ouragan à son arrivée sur les côtes, quand la prochaine sécheresse prendra-t-elle fin, comment la circulation océanique évoluera-t-elle à mesure que la glace fond ?
Les prévisions météorologiques sous-saisonnières, celles qui déterminent la planification dans les domaines de l’eau, de l’énergie et de l’agriculture, restent insuffisantes. Les forêts, les sols et la végétation, qui absorbent environ un tiers de nos émissions, constituent la plus grande source d’incertitude dans l’ensemble du bilan carbone. Contrairement aux émissions de combustibles fossiles ou au dioxyde de carbone atmosphérique, ce puits de carbone terrestre ne peut être mesuré directement à l’échelle mondiale ; il doit être déduit. Et la convection tropicale, ces systèmes orageux qui apportent des précipitations à des milliards de personnes, se déroule à des échelles trop petites pour être saisies par les modèles globaux, qui se rabattent donc sur des approximations grossières que les scientifiques tentent d’améliorer depuis des décennies.

Pourquoi ces lacunes n’ont-elles pas été comblées ? Ce n’est pas par manque de puissance de calcul, qui est aujourd’hui des trillions de fois plus importante. Ce n’est pas par manque de données, dont le volume a désormais atteint une échelle planétaire. Ce n’est pas par manque de connaissances en physique, bien établies pour les aspects que nous comprenons. Le goulot d’étranglement réside dans la représentation : il s’agit de trouver un moyen de modéliser des systèmes que nous ne pouvons pas décrire avec exactitude, car la physique n’est que partiellement comprise et les mesures sont clairsemées. Se contenter d’étendre à plus grande échelle les modèles actuels ne résout pas ce problème.

Le système terrestre est modélisé par fragments (atmosphère, océan, glace, terre), ce qui simplifie à l’extrême les signaux qui résident dans le couplage entre ces éléments. Les variables les plus importantes sont en grande partie inobservées : l’humidité du sol dans la zone des racines, les profondeurs océaniques, les cavités sous les plates-formes glaciaires. Une résolution plus élevée est utile (les modèles les plus récents capturent directement les tempêtes), mais une grille plus fine appliquant les mêmes approximations ne fait toujours que fonctionner avec des approximations.

Les problèmes les plus complexes de la science se situent dans cette zone d’ombre : trop mal compris pour être formulés en équations, trop peu observés pour être appréhendés à partir des seules données. C’est là que les modèles mondiaux pourraient jouer un rôle, non pas en remplaçant la physique, mais en apprenant la dynamique à partir de l’historique combiné du système terrestre, avec les principes physiques auxquels nous faisons confiance. Pour les systèmes chaotiques, un modèle mondial peut apprendre les dynamiques non écrites tout en respectant celles qui le sont. On en voit déjà quelques exemples. AlphaFold, Earth-2 de NVIDIA et GraphCast sont déjà utilisés en production en biologie et dans les prévisions météorologiques. Ils fonctionnent là où la physique est partiellement comprise et où les observations sont abondantes. Ce qu’aucun d’entre eux ne fait encore, c’est apprendre la dynamique des systèmes ouverts dont l’incertitude n’a pratiquement pas été réduite : le niveau de la mer, le cycle du carbone, et le comportement d’une planète qui se réchauffe.

Les modèles mondiaux n’apporteront pas de certitude. Ils ne réduiront pas l’amplitude du niveau de la mer à une estimation ponctuelle. Leur valeur est plus restreinte mais bien réelle : des éventualités futures plausibles, définies de manière plus précise et plus honnête, c’est-à-dire la marge dont les aménageurs du littoral et les banques ont réellement besoin. Pour des choix d’adaptation se chiffrant en milliers de milliards de dollars, cela a son importance.

Il existe également une limite physique. Un modèle mondial ne peut pas prévoir un régime dans lequel la Terre n’est jamais entrée, comme le monde après un effondrement de la circulation atlantique, car il n’existe aucune donnée provenant de cet autre côté à partir de laquelle apprendre. Aucune méthode ne le peut. Mais la question pertinente est de savoir à quelle distance nous en sommes, et ces systèmes peuvent commencer à aider à y répondre.

L’opportunité

Trois forces ont convergé. L’architecture a mûri : ces systèmes peuvent désormais être entraînés à grande échelle. La Terre est désormais équipée d’instruments à un niveau qui permet d’étudier les dynamiques à travers l’atmosphère, l’océan, la terre et la glace. Et les capitaux qui ont bâti l’ère des grands modèles linguistiques ont commencé à se réorienter.

Les applications d’entreprise ont des clients, des contrats et des résultats trimestriels. En 2026, les investissements consacrés aux modèles mondiaux sont très majoritairement guidés par ces indicateurs. Mais lorsque le résultat est un bien public, tel qu’une meilleure estimation de la hausse du niveau de la mer, un modèle plus précis du cycle du carbone ou une alerte plus précoce sur la propagation du prochain agent pathogène résistant aux médicaments, le modèle commercial s’effondre.

Et ce sur quoi ces modèles s’entraînent détermine ce qu’ils deviennent. Un modèle mondial entraîné principalement sur la logistique des entrepôts, les vidéos de conduite et les données d’ingénierie, le domaine des entreprises d’IA physique comme Prometheus, la start-up de Jeff Bezos qui développe un « ingénieur général artificiel », désormais évaluée à 41 milliards de dollars, apprend un type particulier de physique. Un modèle également entraîné sur l’observation planétaire, la biologie cellulaire et la dynamique des réseaux apprend autre chose.

Les mêmes architectures peuvent fonctionner pour les systèmes dans lesquels nous vivons, à condition de disposer de données différentes et de faire des choix différents. La question est de savoir si les laboratoires s’engagent sur ces problèmes avec autant d’ambition que sur ceux liés à l’entreprise, et si les institutions détenant les données scientifiques les plus précieuses au monde les mettent à disposition.

Au-delà de l’entreprise

L’ère du langage a appris à l’IA à décrire le monde. Les modèles du monde visent à apprendre comment il se comporte. Si leurs plus fervents défenseurs ont raison, ils deviendront le fondement sur lequel reposera la prochaine génération d’IA : un outil scientifique permettant de comprendre des systèmes que nous ne pouvons pas définir entièrement, et la capacité dont l’IA a besoin pour raisonner et agir dans le monde physique.

Mais s’améliorer sur les problèmes faciles n’est pas la même chose que s’attaquer aux problèmes difficiles. Que les modèles du monde parviennent ou non aux systèmes ouverts dépendra des données qui seront combinées, des questions que les principaux laboratoires choisiront d’aborder, et des problèmes qui retiendront l’attention.

Le développement de l’IA n’en est qu’à ses débuts, et l’acceptation par le public contribuera à en déterminer le rythme. Plus il sera démontré que ces systèmes aident à résoudre les problèmes les plus complexes de l’humanité, plus il sera justifié de construire l’infrastructure dont ils ont besoin.
Le travail technique se poursuivra quoi qu’il arrive. La question n’est plus de savoir si nous pouvons construire des modèles du monde. Elle porte sur ce que nous choisissons de modéliser, et sur le fait de savoir si les problèmes les plus complexes façonnent ces systèmes dès le départ, ou s’ils en héritent.