Après ChatGPT, les « world models » veulent apprendre aux IA à comprendre le monde

Avec ces nouveaux modèles, l'objectif n'est pas de nourrir les machines avec davantage de textes, mais de leur permettre d'appréhender les objets, l'espace, les mouvements, les causalités, afin qu'elles puissent disposer d'une représentation interne de la réalité.

Alors qu'une IA conversationnelle peut décrire une situation de façon abstraite, un world model sera capable d'en prédire l'évolution en anticipant ce qui pourrait se passer à la manière d'un humain. La prochaine génération d'IA sera donc capable d'appréhender le monde et de saisir la cohérence des évènements.

Faire rentrer l'IA dans le monde physique

Ce basculement est devenu le principal enjeu de l'après-ChatGPT.

Chez Meta, les travaux autour des architectures JEPA visent à ce que les machines puissent apprendre comme le font les humains.

Chez World Labs, la société cofondée par Fei-Fei Li, l'une des meilleures spécialistes mondiales de la vision artificielle, les IA sont entraînées à raisonner et à agir dans un environnement en trois dimensions.

Un cran plus loin, AMI Labs, la start-up fondée par le Français Yann LeCun, figure majeure de l'apprentissage automatique et Prix Turing 2019, travaille sur des modèles qui permettront aux systèmes autonomes de prédire les conséquences de leurs actes et de planifier des séquences d'actions pour accomplir une tâche.

Cette prise en compte du monde physique est décisive pour le développement d'un grand nombre d'applications fondamentales de l'IA. La robotique domestique ou industrielle, les véhicules autonomes, la simulation scientifique, la conception d'usines ou de bâtiments exigent des systèmes qui comprennent les contraintes de l'espace et du temps.

Une IA conversationnelle peut conseiller de saisir un verre, mais un robot doit savoir où poser ses doigts et quelle force exercer pour le tenir correctement. La façon de mobiliser l'intelligence n'est donc pas la même.

Vers des machines proches des humains

Cela veut dire aussi que la façon de mobiliser les données n'est pas la même. De fait, la causalité, l'intention, les interactions sociales ou les situations inhabituelles ne peuvent pas être perçues dans toute leur complexité en s'appuyant sur des milliards de phrases collectées en ligne.

Alors que les textes disponibles sur le Web ont servi de carburant aux grands modèles de langage en leur donnant les aptitudes nécessaires pour expliquer et dialoguer, les world models ont besoin de vidéos et d'informations provenant des capteurs pour acquérir une mémoire spatiale, une intuition physique et une capacité de simulation. Ainsi dotées, les machines se comporteront de plus en plus comme nous.

À terme, cependant, l'IA pourrait faire la jonction entre modèles conversationnels et world models, car ces deux modalités peuvent se compléter et s'enrichir en réunissant parole et action. Pour les machines, la prochaine frontière consistera à la fois à mieux parler et à comprendre ce qui se cache derrière les mots pour pouvoir se projeter dans le réel.