AiBrain 
Une ligne de recherche de plus en plus visible défend l’idée que les LLM auraient atteint leurs limites, et que la vraie voie vers l’AGI passerait par les world models : ces systèmes entraînés à prédire la dynamique du monde physique plutôt qu’à prédire du texte. LeCun en a fait sa croisade depuis des années, avec une architecture complète : perception, world model, module de coût, mémoire à court terme, acteur et configurateur : pas un simple modèle isolé. L’intuition reste séduisante : un système qui « comprend » la physique, la permanence des objets, la causalité mécanique, semble plus proche de ce qu’on appelle intuitivement l’intelligence qu’un perroquet statistique qui prédit des tokens.
Je pense que cette intuition confond deux choses différentes. Et que la confusion coûte cher si elle oriente la recherche.
L’AGI n’est pas une question de prédiction, c’est une question d’adaptation générale
Un world model peut être meilleur qu’un LLM pour prédire une dynamique locale : la trajectoire d’un objet qui tombe, le comportement d’un bras robotique, l’évolution d’une scène vidéo. Sur cet axe précis, le grounding physique gagne, et c’est normal : c’est le terrain pour lequel il a été construit.
Mais l’AGI n’est pas « prédire mieux une dynamique ». C’est adapter un comportement à des problèmes jamais vus, en s’appuyant sur des structures apprises ailleurs. Et sur cet axe-là : transfert inter-domaines, composition, intégration de règles nouvelles en contexte : les systèmes construits autour des LLM ont aujourd’hui le meilleur profil disponible. Pas parce que le modèle est intelligent au sens fort tout seul. Parce qu’une fois outillé, il sait traduire des objectifs en plans, appeler des outils, dialoguer avec des humains, manipuler des abstractions et connecter des domaines hétérogènes : un profil d’interface et de composition dont aucun world model actuel n’a démontré l’équivalent en largeur.
La question n’est donc pas « qui est le plus intelligent ». C’est : sur quel axe se joue vraiment la généralité qu’on cherche.
Le texte n’est pas un sous-échantillon pauvre du monde
L’objection classique contre les LLM : le corpus texte serait trop petit, trop appauvri par rapport à la richesse sensorimotrice du monde réel. L’objection n’est pas fausse, mais elle est incomplète.
Le texte n’est pas un échantillon brut du monde. C’est un artefact humain raffiné, sélectionné et compressé par des millénaires de cognition collective. Il est pauvre en perception, en spatialité, en physique fine, en continuité temporelle : d’accord. Mais il est extraordinairement dense sur d’autres axes : abstraction, causalité racontée, catégories, procédures, normes sociales, droit, code, stratégies, erreurs documentées, raisonnements, débats, modèles explicatifs. Le texte n’est pas le monde brut. C’est le monde déjà digéré par l’humain : et une bonne partie du travail de généralisation a déjà été faite en amont, par nous, avant même que le modèle ne voie la première phrase.
Il faut quand même nuancer cet argument pour qu’il tienne : cette compression n’est pas neutre. Elle est structurellement biaisée vers tout ce qui est verbalisable : elle exclut par construction le tacite, le geste, l’intuition experte du praticien (Polanyi : « nous savons plus que nous ne pouvons dire »). Elle encode aussi surtout des résultats validés, pas les milliers d’essais ratés ou d’intuitions justes jamais formalisées : un biais de survivance massif. Le texte n’est donc pas un sous-échantillon appauvri du monde, c’est un sur-échantillon de la fraction du monde qui passe par le langage.
Et c’est précisément ce qui rend l’argument robuste plutôt que fragile : ça explique pourquoi les LLM sont forts exactement sur les couches d’abstraction et faibles exactement sur le tacite et le sensorimoteur : la même ligne de fracture que le paradoxe de Moravec traçait déjà il y a quarante ans (ce qui est facile pour l’humain est dur pour la machine, et inversement). Le texte n’est pas juste un révélateur des capacités des LLM. C’est un révélateur particulièrement net de leurs limites, parce qu’il trace la frontière du tacite par construction, pas par accident.
Pourquoi les world models seront moins bien lotis sur l’axe transfert
Voilà le cœur de l’argument : et il faut le poser proprement, parce que ce n’est pas qu’une question de « confinement ». C’est une question de nature de la validité.
Il y a une distinction utile ici, empruntée à la hiérarchie causale de Pearl : un modèle peut être valide de deux façons différentes. Validité observationnelle : il a vu des corrélations, des trajectoires, des descriptions, sans jamais intervenir sur le système qu’il modélise. Validité interventionnelle : il sait non seulement ce qui suit habituellement une situation, mais ce qui arrivera si l’agent agit. La seconde est bien plus forte, et bien plus rare.
Tous les world models ne l’atteignent pas. Beaucoup apprennent encore passivement, sur de la vidéo ou des trajectoires observées : ils restent donc largement observationnels, comme les LLM, juste sur une autre modalité. Et même un modèle qui prédit une conséquence conditionnellement à une action n’apprend pas automatiquement un effet causal : dans des trajectoires enregistrées, l’action dépend souvent de l’état et de la politique qui l’a choisie. Apprendre P(Y|A) ne suffit pas à apprendre P(Y|do(A)). La validité interventionnelle réelle demande des données action-conditionnées, des expérimentations contrôlées, ou des simulateurs suffisamment fidèles.
La conséquence est très concrète côté ingénierie : un modèle purement observationnel décroche dès que l’agent s’écarte de la politique qui a généré ses données d’entraînement. Il n’a jamais vu les états où ses propres erreurs le mènent : donc il n’a aucune idée de comment s’en sortir. C’est la dérive distributionnelle classique, et c’est exactement ce que l’entraînement sous intervention corrige : en agissant, le modèle visite les états que sa politique produit, y compris les mauvais.
C’est à ce niveau qu’apparaît le compromis structurel : et il est plus subtil que « les world models sont confinés par nature ». Il est relativement facile d’accumuler des observations larges sur le monde. Il est beaucoup plus difficile d’effectuer des interventions variées, contrôlées et sûres sur « le monde en général ». Plus la validité interventionnelle recherchée est forte, plus le périmètre dans lequel elle peut être acquise à un coût raisonnable tend à se resserrer. On n’échange donc pas nécessairement toute généralité contre toute causalité. Mais on échange souvent une largeur observationnelle facilement extensible contre une validité sous l’action bien plus coûteuse à généraliser. Généralité empruntée d’un côté, causalité éprouvée de l’autre.
Un exemple récent illustre le même compromis, même s’il ne s’agit pas d’un world model au sens strict : plutôt d’un modèle de vision spécialisé (un visual foundation model, sans dynamique ni prédiction d’évolution). NeuroVFM, préentraîné sur 5,24 millions de volumes issus de 566 915 examens d’un même grand système hospitalier, dépasse le pipeline fondé sur GPT-5 de 21,4 points d’exactitude équilibrée en détection des cas critiques et triage, dans une étude prospective silencieuse d’une semaine (Kondepudi et al., Nature Medicine, 2026). La comparaison n’est pas un pur duel modèle contre modèle : NeuroVFM traite nativement les volumes 3D quand GPT-5 reçoit des coupes 2D contraintes par les limites de l’API (les auteurs notent toutefois qu’augmenter le nombre de séries fournies à GPT-5 change peu le résultat). Ce que l’exemple démontre est donc précis : un module perceptif spécialisé, intégré à un pipeline adapté à sa modalité, bat largement un généraliste utilisé directement sur cette même modalité. Il développe une largeur réelle à l’intérieur de la neuro-imagerie : c’est même explicitement un modèle généraliste de son domaine : mais aucune largeur inter-domaines comparable à celle d’un LLM n’est ici démontrée. Densité maximale dans un espace restreint, plutôt que largeur sur des espaces hétérogènes.
Un système spécialisé : world model interventionnel ou modèle de représentation dense comme NeuroVFM : peut donc développer une généralisation réelle, mais principalement intra-domaine. Ce n’est pas une faiblesse accidentelle à corriger : c’est la conséquence directe de la façon dont il a gagné sa fiabilité, que ce soit par intervention ou par densité. Les deux seront donc probablement meilleurs en transfert local, proche de leur distribution d’entraînement, sans avoir encore démontré un transfert robuste entre domaines fortement hétérogènes : qui constitue au minimum l’un des axes centraux de la généralité recherchée.
Il faut d’ailleurs retourner l’argument sur le LLM lui-même, sinon il devient trop commode. Dire « le LLM est large parce qu’il est observationnel » vaut pour son préentraînement, pas pour le système complet. Un agent LLM qui exécute du code, lance une expérience, appelle un simulateur ou agit sur un environnement peut déjà produire et exploiter des observations interventionnelles. Localement, dans la boucle, il dispose alors d’une validité qui n’était pas présente dans ses poids.
Mais attention à ne pas confondre deux choses : observer le résultat d’une intervention n’est pas apprendre durablement de cette intervention. Sans mémorisation, vérification et réutilisation, le système ne fait qu’exploiter ponctuellement un résultat qu’il oubliera au tour suivant. C’est seulement si ces expériences sont capitalisées que la validité ponctuelle devient une connaissance opérationnelle. La question devient alors moins « remplacer le LLM par un world model » que « comment accumuler, vérifier et réutiliser ces expériences sans perdre la largeur de transfert initiale ». Ce qui déplace le problème vers l’architecture, pas vers le choix d’un modèle unique.
Ceux qui creusent cette piste, pas seulement qui la théorisent
Cette position n’est pas isolée, et surtout, elle n’est pas que philosophique : des équipes construisent dessus.
François Chollet (Ndea) est le cas le plus net. Il a créé ARC-AGI précisément pour mesurer cet axe-là : pas la performance sur tâche connue, mais la capacité à généraliser à partir de peu d’exemples sur des problèmes inédits. Sa thèse pour Ndea, la startup qu’il a co-fondée avec Mike Knoop (ex-Zapier) : ni le scaling brut de LLM, ni le grounding physique seul, ne résolvent la généralisation compositionnelle. Il faut du program synthesis guidé par deep learning : fusionner la reconnaissance de pattern intuitive avec du raisonnement formel explicite. Ce qui, reformulé dans le vocabulaire de cet article, revient à une passerelle entre les deux régimes : utiliser la force de reconnaissance de pattern du deep learning pour générer, pour chaque nouvelle tâche, un petit modèle symbolique explicite et vérifiable. Pas un world model universel appris une fois pour toutes : un modèle jetable, construit à la demande, et dont la validité peut être testée.
Et ce n’est pas resté théorique. ARC-AGI-3, lancé en mars 2026, pousse cette définition vers des environnements entièrement interactifs, sans règles ni objectif explicitement fournis : l’agent doit explorer, découvrir ce que « gagner » signifie, puis transférer ce qu’il apprend d’un niveau à l’autre. Tous les environnements retenus ont pu être résolus par des humains, tandis que les systèmes de frontière testés restaient sous 1 % : un rappel brutal de l’écart entre exécuter une instruction et découvrir par interaction ce qu’il faut accomplir. Un progrès net sur ce benchmark par une architecture qui ne repose pas sur le seul scaling de LLM serait un signal sérieux en faveur de cette thèse.
Deux autres voix balisent le même terrain, plus brièvement. Josh Tenenbaum (MIT) porte la lignée académique la plus ancienne : l’apprentissage de concepts via induction de programmes probabilistes, l’idée qu’un enfant généralise depuis trois ou quatre exemples parce qu’il manipule des structures compositionnelles explicites, pas parce qu’il a vu un corpus massif. Et Gary Marcus, plus polémiste que builder, résume la position en une phrase : pas d’AGI sans architecture hybride et manipulation symbolique explicite.
Le point commun entre les trois : aucun ne dit que les LLM sont inutiles. Ils pointent tous la composition symbolique explicite comme l’axe manquant : ni la taille du corpus texte, ni la richesse sensorimotrice brute, mais la capacité à manipuler et recombiner des structures formelles de façon vérifiable.
Ce que ça donne comme thèse
Le débat n’est pas LLM contre world model. Le débat est : quelle architecture sait composer plusieurs régimes de représentation, d’apprentissage et de validation : textuel, physique, symbolique, interactif : dans un système capable de s’adapter à des problèmes nouveaux ?
Les LLM ne sont pas l’AGI. Les world models non plus. Les premiers héritent d’une généralité horizontale : celle du langage, médium dans lequel l’humanité a compressé ses abstractions, ses procédures, ses institutions et ses modèles explicatifs. Les world models action-conditionnés et validés sous intervention peuvent, eux, apporter une généralité plus verticale : une compréhension plus robuste, mais localisée, des dynamiques propres à un environnement.
Généralité empruntée contre causalité éprouvée. Largeur observationnelle facilement extensible contre validité sous l’action coûteuse à généraliser. Ce ne sont pas deux versions du même objet : ce sont deux régimes de validité qui ne s’obtiennent ni avec les mêmes données, ni aux mêmes coûts.
Le world model est une brique : utile là où il faut une dynamique éprouvée plutôt que décrite. Le LLM outillé est aujourd’hui la meilleure couche de composition disponible, parce qu’il hérite par son préentraînement de la structure que l’humanité a déjà bâtie dans le langage : sans avoir à la redécouvrir expérimentalement : et parce qu’une fois dans une boucle d’action il peut produire localement la validité qui lui manque. Mais le futur système ne sera probablement pas un LLM statique pilotant une collection de modèles statiques. Ce sera plutôt une boucle : hypothèse abstraite → action ou simulation → observation → mise à jour d’un modèle local → planification → vérification. Le LLM y serait moins le « cerveau » que le protocole de traduction entre espaces de représentation hétérogènes.
Ce qui déplace la vraie question. Elle n’est pas « LLM ou world model ». Elle est : comment convertir une généralité linguistique large mais empruntée en une causalité éprouvée mais coûteuse à étendre : et l’inverse : dans un même système. C’est ça, le problème d’architecture qui reste ouvert.