Un chat comprend mieux la physique que votre LLM

En janvier 2026, Yann LeCun a quitté son poste de Chief AI Scientist chez Meta pour cofonder AMI Labs. Son message était direct : les grands modèles de langage sont une impasse pour l'intelligence générale. L'avenir appartient aux modèles du monde.

LeCun a co-inventé les réseaux convolutifs. Il a reçu un prix Turing pour ça. Quand il mise sa prochaine aventure sur une idée, je tends l'oreille.

Ce que font réellement les LLM

Tous les LLM fonctionnent de la même façon. On leur donne une séquence de tokens (mots, sous-mots, ponctuation) et ils devinent le suivant, puis le suivant, jusqu'à produire une réponse complète. GPT-4, Claude, Llama, Gemini : tous des devineurs de tokens entraînés sur du texte.

Ça marche étonnamment bien. Les LLM écrivent du code, rédigent des contrats, résument des articles, tiennent des conversations qui semblent intelligentes. Mais LeCun pense que ce succès cache quelque chose d'important.

Un LLM n'a jamais regardé un glaçon fondre ni senti ce qui se passe quand on lâche un objet lourd. Tout ce qu'il sait du monde physique vient de descriptions écrites : des connaissances de seconde main filtrées par le langage. Il produit des réponses plausibles sur des phénomènes physiques mais il récite au lieu de raisonner. Il a trouvé des patterns dans ses données d'entraînement. Il n'a rien simulé.

La métaphore de LeCun est difficile à oublier : un chat domestique comprend mieux le monde physique que n'importe quel LLM. Le chat n'a jamais ouvert un manuel de physique mais il anticipe des trajectoires, évalue des distances, calcule ses sauts. Le chat a un modèle du monde. Le LLM a un modèle de mots.

Ce que les modèles du monde sont censés faire

Un modèle du monde apprend des représentations abstraites de la réalité à partir de données sensorielles (surtout de la vidéo et des images) pour anticiper ce qui va se passer.

La différence qui compte, ce n'est pas le format des données en entrée. C'est ce qu'on cherche à deviner.

Un LLM devine : étant donné cette séquence de tokens, quel est le prochain ?

Un modèle du monde devine : étant donné l'état actuel de la réalité et une action potentielle, à quoi ressemble l'état suivant ?

Cette deuxième question, c'est ce qui rend la planification possible. Si on peut simuler les conséquences avant d'agir, on peut peser ses options et anticiper les causes et effets. C'est comme ça que le cerveau fonctionne : on n'a pas besoin de lancer une balle pour estimer où elle va atterrir.

La proposition de LeCun s'appelle JEPA, Joint Embedding Predictive Architecture. Là où les modèles génératifs essaient de reconstruire chaque pixel (cher en calcul et plein de bruit), JEPA travaille dans un espace latent compressé. Il apprend la structure abstraite de ce qui se passe sans reproduire chaque détail de surface. En gros : apprendre la physique d'une scène plutôt que refaire chaque frame pixel par pixel.

Pourquoi LeCun pense que les LLM sont une impasse

Il ne dit pas qu'ils sont inutiles. Son argument est plus précis : les LLM n'atteindront jamais l'intelligence au niveau humain, peu importe la taille qu'on leur donne.

Il pointe des manques que le scaling ne comblera pas.

Les LLM apprennent des corrélations dans le texte. "Verre" apparaît près de "casser" et "sol" dans les données d'entraînement, alors le modèle produit des phrases plausibles sur des verres qui tombent. Mais il n'a pas appris que le verre casse à cause de la force d'impact, de la fragilité du matériau, de la dureté de la surface. Corrélation n'est pas causalité. Aucune quantité de texte ne changera ça.

Ensuite, l'ancrage. Le langage est une compression dégradée de la réalité. Quand j'écris "le chat a sauté de l'étagère à la table", vous reconstruisez la scène avec votre propre vécu : les chats, les étagères, la gravité. Un LLM n'a rien de tout ça. Il manipule des symboles qui renvoient à des expériences qu'il n'a jamais eues.

Et les LLM ne savent pas vraiment planifier. Ils génèrent des tokens les uns après les autres. Ils ne comparent pas plusieurs futurs pour choisir le meilleur. Le chain-of-thought et les modes de réflexion étendue aident : ce sont des rustines Système 2 greffées sur une architecture Système 1. Utile mais le modèle ne peut toujours pas tester ce qui se passe s'il prend l'action A plutôt que B dans un environnement physique.

LeCun emprunte la distinction de Daniel Kahneman. Les LLM sont des penseurs réactifs, Système 1 : du pattern matching rapide, sans délibération. Les modèles du monde donneraient à l'IA un Système 2 : la capacité de raisonner lentement sur les conséquences avant d'agir.

Où en est le débat

Tout le monde n'est pas d'accord et les contre-arguments sont sérieux.

Le camp du scaling (OpenAI et d'autres) soutient qu'avec assez de paramètres, de données et de compute, les LLM développeront un raisonnement émergent. GPT-4 montre déjà des éclairs de quelque chose qui ressemble à de la compréhension causale, même si c'est bâti sur de la statistique. Peut-être que "comprendre" n'est au fond que du pattern matching très sophistiqué. Je n'en suis pas convaincu mais je ne peux pas l'exclure non plus.

Gary Marcus a soutenu que LeCun exagère les faiblesses des LLM tout en sous-estimant la difficulté de construire des modèles du monde. JEPA est prometteur sur le papier. Personne n'en a fait tourner un à grande échelle dans un environnement complexe.

Fei-Fei Li, à Stanford, va dans le même sens que LeCun. Son équipe a publié un cadre de recherche en 2025 selon lequel comprendre le monde 3D n'est pas optionnel pour les agents intelligents.

Et puis il y a la réponse ennuyeuse mais probablement juste : l'avenir utilise les deux. Les LLM pour le langage. Les modèles du monde pour le raisonnement physique. Les agents piochent dans l'un ou l'autre selon la tâche. Comprendre le langage ne perd pas son utilité quand on ajoute de la physique par-dessus.

Ce que ça change si vous construisez avec l'IA

Si vous utilisez l'IA dans votre entreprise aujourd'hui, rien ne change dans l'immédiat. Les LLM restent le bon outil pour le travail centré sur le texte : documents, code, support client, contenu.

Mais si vous réfléchissez à la suite pour les agents, les modèles du monde comptent. Les agents que je construis aujourd'hui vivent dans des environnements numériques : bases de données, API, documents. Le monde physique est hors périmètre. Un agent qui doit interagir avec le réel (robotique d'entrepôt, véhicules autonomes, industrie) a besoin de quelque chose qui se rapproche d'un modèle du monde. Il doit anticiper les conséquences d'actions physiques, pas faire de l'autocomplétion de texte.

LeCun parie que cette transition arrive plus vite que prévu. Je ne sais pas s'il a raison sur le calendrier. Mais la direction me paraît solide : une intelligence limitée au langage est un sous-ensemble d'une intelligence capable de traiter aussi la réalité.

Et maintenant ?

Que LeCun quitte Meta pour construire des modèles du monde à plein temps, ça en dit long. Que JEPA tienne ses promesses ou pas, la question qu'il pose ne va pas disparaître : peut-on vraiment atteindre l'intelligence générale en ne travaillant qu'avec du texte ?

Un chat pousse des objets de la table - il comprend la physique