Les modèles de langage actuels, malgré leur capacité à générer du texte avec une fluidité impressionnante, se heurtent à une limite fondamentale : leur ignorance du monde physique. Ils peuvent décrire une action, mais sont incapables de l’exécuter. C’est pour surmonter cet obstacle que des chercheurs comme Yann LeCun, figure pionnière du domaine avec AMI Labs, se tournent vers une nouvelle catégorie d’IA : les « modèles de monde ». Pour les éduquer, il faut des données qui lient une cause à une conséquence, une action à son résultat. C’est précisément ce que propose Worldmodeldata, dirigée par Rhea Loucas, en transformant les parties de jeu en manuels d’apprentissage pour machines.
Pourquoi les jeux vidéo sont-ils la nouvelle mine d’or de l’IA ?
Les jeux vidéo modernes, conçus avec des moteurs comme Unreal ou Unity, sont des simulateurs complexes qui enregistrent une quantité colossale d’informations. Chaque session de jeu génère des données précieuses : les images affichées à l’écran, les commandes exactes du joueur et l’état complet du moteur de jeu (position des objets, interactions, etc.), et ce, image par image. Cette richesse de données contextuelles est une ressource quasi inexistante sur le web traditionnel, qui est majoritairement textuel.
La startup prétend avoir déjà sécurisé sous licence près d’un million d’heures de jeu, pulvérisant les records précédents qui plafonnaient autour de 40 000 heures. Cet ordre de grandeur change la donne. Il permet d’envisager une formation à grande échelle pour l’intelligence artificielle, capable de capturer une immense diversité de scénarios et de cas de figure imprévisibles, essentiels pour des applications critiques comme la conduite autonome.
La simulation des jeux est-elle suffisamment fidèle à la réalité ?
L’enthousiasme autour de cette approche est toutefois tempéré par un scepticisme bien réel au sein de la communauté scientifique. La critique principale porte sur la nature même des moteurs physiques des jeux. Conçus pour le divertissement et l’illusion visuelle, ils emploient souvent des raccourcis et des approximations pour maintenir la fluidité de l’action. La physique y est crédible, mais pas nécessairement exacte.
Des entreprises comme Nvidia, pionnier des plateformes de simulation physique hyperréalistes telles qu’Omniverse, préfèrent d’ailleurs développer leurs propres moteurs de simulation, spécifiquement calibrés pour reproduire fidèlement la physique du monde réel. Ming-Yu Liu, qui dirige le développement des modèles de monde chez Nvidia, se montre prudent, expliquant que les données de jeu sont plus adaptées à la génération de vidéos qu’à des tâches de manipulation robotique fine, où la physique est « bien plus complexe ». Un avis partagé par des chercheurs académiques qui qualifient les jeux de simulateurs « grossiers ».
Quel avenir pour cette technologie et son modèle économique ?
Face à ces doutes, Worldmodeldata adopte une stratégie de fournisseur neutre. Contrairement à des concurrents comme General Intuition, qui lèvent des centaines de millions pour entraîner leurs propres modèles avec leurs propres données, la startup britannique veut vendre sa matière première à tous les laboratoires. Elle se positionne comme un courtier de données, standardisant les informations issues de multiples studios pour les rendre digestes par les systèmes d’apprentissage automatique.
Si la promesse technique est tenue, les applications pourraient être considérables. Un constructeur automobile pourrait simuler des millions de scénarios de traversée de piétons sans faire rouler un seul véhicule. Un fabricant de robots domestiques apprendrait à ses machines à saisir un verre sans en briser des centaines. Pour l’heure, l’entreprise, soutenue par des figures comme Lord Richard Allan, ancien de Meta, n’a pas encore signé de contrat client, mais ses données d’entraînement massives pourraient bien être le catalyseur qui manque aux modèles de monde pour enfin comprendre notre réalité.