Un modèle du monde est un modèle d'IA qui comprend comment un environnement fonctionne et prédit ce qui va se passer ensuite. Il ne se contente pas de reconnaître ce qui figure sur une image : il saisit comment les objets bougent et quelles conséquences une action entraîne, comme le schéma mental du « fonctionnement du monde » dans le cerveau humain. À partir de l'état actuel et d'une action, le modèle peut déduire l'image ou le résultat qui suivra probablement, puis décider de la prochaine étape.
En quoi un modèle du monde diffère-t-il d'un modèle de génération vidéo ?
Un modèle de génération vidéo vise des images belles et cohérentes ; son objectif central est de « dessiner fidèlement ». Un modèle du monde vise des prédictions fiables ; son objectif central est de « calculer correctement la physique ». Le premier a terminé sa tâche dès qu'il a produit une vidéo à partir d'une consigne ; le second doit sans cesse répondre à la question : « Si je fais cela, que deviendra le monde ? » Dans la même scène, un modèle vidéo pourrait laisser disparaître une tasse sans même s'en apercevoir, alors qu'un modèle du monde devrait savoir qu'une tasse poussée hors de la table se brise. Pouvoir interagir, essayer des choses et corriger ses prédictions à partir de ses erreurs, voilà ce qui distingue un modèle du monde d'un pur modèle génératif.
Est-ce la même chose que la génération 3D ou un jumeau numérique ?
Non. La génération 3D produit des ressources 3D statiques ou rendables, où l'accent est mis sur la forme et l'apparence ; un modèle du monde produit une compréhension des lois du changement, où l'accent est mis sur « ce qui va se passer ensuite ». Un jumeau numérique est la réplique haute précision d'un système réel précis, qui repose sur des capteurs et une synchronisation des données en temps réel pour correspondre un pour un à la réalité ; un modèle du monde apprend des lois générales qu'il peut appliquer à des scènes qu'il n'a jamais vues. Les trois peuvent se combiner — par exemple, un modèle du monde peut piloter des tests virtuels à l'intérieur d'un jumeau numérique — mais ils ne peuvent pas se remplacer mutuellement.
Trois idées reçues fréquentes
Premièrement, un modèle texte-vers-vidéo n'est pas un modèle du monde : des images réalistes ne signifient pas que le modèle comprend la physique. Deuxièmement, disposer d'un modèle du monde ne permet pas de supprimer les tests réels : les lois apprises en simulation peuvent encore différer de la réalité, et les décisions importantes exigent toujours une vérification par des mesures réelles. Troisièmement, un modèle du monde n'est pas tout-puissant simplement parce qu'il est grand : dans des scènes que ses données d'entraînement ne couvrent pas, ses prédictions peuvent également se tromper.
Les modèles du monde arrivent d'abord dans la robotique et la conduite autonome : les robots s'entraînent en simulation à saisir des objets et à éviter des obstacles, puis transfèrent ces compétences sur de vraies machines ; la conduite autonome les utilise pour répéter des situations routières rares. Dans les jeux, ils peuvent générer des mondes dans lesquels on peut entrer et jouer : Genie de Google peut transformer une simple image en une scène interactive, et l'entraînement de l'IA incarnée s'appuie sur eux pour produire de l'expérience à grande échelle. Parmi les produits réels, Atlas de World Labs transforme des photos en scènes 3D explorables et a été ouvert à tous en novembre 2026, tandis que Praxis-1 de Runway convertit le pré-entraînement vidéo en contrôle d'action pour robots, avec des poids ouverts. Pour juger si un modèle est un modèle du monde, il faut d'abord regarder s'il sait prédire — et pas seulement s'il sait générer.