Par Benjamin Gombeaud, consultant-formateur en management et IA
À qui s'adresse cet article
Dirigeants de TPE et PME
Vous dirigez une TPE ou une PME et voulez une organisation moins dépendante de vous.
En bref : le projet de Yann LeCun ne consiste pas simplement à installer un chatbot dans un robot. AMI Labs cherche à construire des world models, des modèles capables de représenter un environnement, d'anticiper ses évolutions et de planifier des actions sous contraintes de sécurité. Cette ambition est scientifiquement sérieuse, mais ses applications industrielles et grand public restent encore en développement.
Depuis l'explosion de ChatGPT, l'intelligence artificielle est surtout associée à la production de contenus : textes, images, codes, résumés, analyses ou recommandations.
Cette IA générative transforme déjà le travail de bureau. Elle aide à retrouver une information, préparer une synthèse, rédiger un premier livrable ou automatiser une partie d'un processus.
Mais elle reste principalement numérique. Elle manipule des représentations, pas des objets. Elle peut expliquer comment déplacer une caisse, sans être capable de la saisir. Elle peut décrire une procédure de maintenance, sans percevoir la vibration d'une machine. Elle peut générer un itinéraire, sans devoir éviter physiquement un obstacle qui vient d'apparaître.
C'est là qu'intervient l'IA physique, ou Physical AI.
Une IA physique doit relier plusieurs fonctions :
Elle ne produit donc pas seulement une réponse. Elle entre dans une boucle perception, décision, action et retour d'expérience.
Cette évolution explique l'intérêt du projet porté par Yann LeCun avec AMI Labs, pour Advanced Machine Intelligence.
En novembre 2025, Yann LeCun a annoncé son départ de Meta pour lancer une nouvelle entreprise consacrée à l'Advanced Machine Intelligence. Le projet a ensuite été officiellement lancé en mars 2026 sous le nom d'AMI Labs.
AMI se présente comme un laboratoire de recherche appliquée qui veut construire des systèmes d'IA capables de :
L'entreprise annonce travailler depuis Paris, New York, Montréal et Singapour. Elle a également annoncé une levée de 1,03 milliard de dollars, co-dirigée par Cathay Innovation, Greycroft, Hiro Capital, HV Capital et Bezos Expeditions.
Son objectif affiché est de développer des systèmes utiles dans des environnements où la fiabilité, le contrôle et la sécurité comptent réellement :
Il faut toutefois faire une distinction importante : AMI Labs est une entreprise-laboratoire en phase de développement, pas un fournisseur qui aurait déjà déployé une intelligence physique générale dans les entreprises. Les annonces publiques décrivent une direction de recherche, des prototypes, des travaux scientifiques et des applications visées.
Yann LeCun ne rejette pas l'utilité des grands modèles de langage. Il conteste plutôt l'idée selon laquelle il suffirait d'agrandir indéfiniment ces modèles pour obtenir une intelligence générale capable de comprendre et d'agir dans le monde.
Un modèle de langage apprend principalement à produire la suite plausible d'un texte. Cette capacité est remarquable. Elle lui permet de rédiger, traduire, synthétiser, programmer et répondre à de nombreuses questions.
Mais le monde physique ne se résume pas à une suite de mots.
Un système qui agit dans un environnement doit comprendre des relations comme :
Pour LeCun, une intelligence capable d'agir doit donc apprendre une représentation interne du monde, puis s'en servir pour prévoir les conséquences de ses actions.
Cette représentation est souvent appelée modèle du monde, ou world model.
Un modèle du monde est une représentation interne d'un environnement qui permet à un système de :
Un exemple simple permet de comprendre l'enjeu.
Un robot voit une boîte sur une table. Un système purement perceptif peut identifier la boîte. Un système génératif peut produire une image plausible de la scène. Un système doté d'un modèle du monde doit aller plus loin : il doit estimer si la boîte est stable, si elle peut être saisie, quelle force appliquer, où la déposer et ce qui risque de se produire si une personne passe à proximité.
L'intelligence recherchée n'est donc pas seulement la reconnaissance d'un objet. C'est la capacité à prévoir les conséquences d'une action avant de l'exécuter.
AMI décrit cette ambition à travers des modèles du monde conditionnés par l'action. Le système devrait pouvoir estimer ce qui se produira selon qu'il avance, tourne, saisit, déplace, attend ou modifie son comportement.
Le programme scientifique de Yann LeCun repose notamment sur une famille d'architectures appelée JEPA, pour Joint Embedding Predictive Architecture.
L'idée peut être résumée simplement : au lieu de prédire chaque pixel ou chaque détail du futur, le modèle apprend à prédire une représentation abstraite de ce qui va se passer.
Pourquoi cette différence est-elle importante ?
Une scène réelle contient de nombreux détails imprévisibles ou peu utiles pour agir : variations de lumière, textures, bruit visuel, mouvements secondaires, détails du décor. Un système qui devrait reconstituer chaque pixel risque de consacrer beaucoup de ressources à des informations sans valeur pour la décision.
JEPA cherche plutôt à conserver les régularités utiles :
L'objectif n'est pas de reproduire parfaitement la réalité. L'objectif est de disposer d'une représentation suffisamment utile pour prévoir et agir.
Les travaux de Meta sur I-JEPA et V-JEPA, puis sur V-JEPA 2, ont contribué à rendre cette approche visible. V-JEPA 2 a été présenté comme un modèle vidéo capable de compréhension et de prédiction physiques, avec des démonstrations de planification robotique sans entraînement spécifique dans les environnements de déploiement.
Ces résultats sont importants, mais ils doivent être correctement interprétés : ils montrent des capacités de recherche dans des tâches ciblées. Ils ne démontrent pas encore une compréhension générale, fiable et transférable de la physique quotidienne.
Les expressions utilisées autour de l'IA sont parfois proches, mais elles ne désignent pas exactement la même chose.
| Notion | Ce qu'elle désigne | Exemple |
|---|---|---|
| IA générative | Production de contenus nouveaux | Rédiger un rapport ou générer une image |
| LLM | Modèle spécialisé dans le langage | Répondre à une question ou résumer une procédure |
| IA agentique | Système qui poursuit un objectif en planifiant plusieurs étapes et en utilisant des outils | Lire une demande, vérifier une base et créer une tâche |
| IA incarnée | IA dont les capacités dépendent d'un corps et de son interaction avec un environnement | Robot qui apprend à saisir un objet selon la position de son bras |
| Robotique classique | Machines capables de percevoir ou d'agir selon des règles, trajectoires ou contrôleurs | Bras industriel répétant une trajectoire connue |
| IA physique | IA capable de percevoir, décider et agir dans un environnement physique sous contraintes réelles | Robot qui adapte son déplacement et sa prise selon une scène changeante |
Ces catégories peuvent se combiner.
Un système peut être à la fois :
un modèle multimodal, utilisé dans une architecture agentique, intégré à un robot incarné et déployé comme IA physique dans une usine.
La différence principale ne tient donc pas au vocabulaire utilisé par le fournisseur. Elle tient à ce que le système fait réellement :
V-JEPA 2 constitue une étape intéressante dans la trajectoire scientifique associée à Yann LeCun.
Selon les travaux publiés par Meta et leurs auteurs, le modèle a été pré-entraîné sur plus d'un million d'heures de vidéos disponibles sur Internet, puis adapté avec moins de 62 heures de vidéos robotiques non annotées. Les chercheurs rapportent des démonstrations de planification sur des bras robotiques Franka dans deux laboratoires, avec des tâches de type atteindre, saisir et déplacer.
Le résultat est notable pour une raison simple : l'approche cherche à utiliser une grande quantité de vidéos générales pour apprendre des régularités du monde, puis à n'utiliser qu'une quantité limitée de données robotiques pour la planification.
Mais il faut éviter trois raccourcis :
Le bon niveau de formulation est donc : V-JEPA 2 montre qu'un modèle de représentation prédictive peut contribuer à la compréhension et à la planification physiques dans certaines tâches. Il ne prouve pas que le problème de l'intelligence physique est résolu.
Un texte peut être régénéré en une seconde. Une action physique peut casser une pièce, blesser une personne ou arrêter une production.
Un système physique doit gérer :
Il existe beaucoup de textes, d'images et de vidéos. Il existe beaucoup moins de données qui décrivent précisément :
Une vidéo d'une personne qui saisit une tasse ne contient pas automatiquement les informations nécessaires pour commander un bras robotisé. Il faut relier la vision à un corps, une géométrie, une force et un objectif.
La simulation est indispensable pour tester des situations dangereuses ou produire davantage de données. Mais une simulation simplifie toujours une partie du réel.
Le robot peut réussir virtuellement et échouer en production à cause :
C'est le problème du passage de la simulation au monde réel, souvent appelé sim-to-real gap.
Une hallucination dans un chatbot produit une mauvaise information. Une erreur dans un robot peut produire une collision, une casse ou un accident.
C'est pourquoi l'IA physique doit intégrer :
Le sujet ne concerne pas uniquement les fabricants de robots. Il peut également transformer la manière dont les entreprises conçoivent leurs processus, leurs métiers et leurs systèmes de décision.
Les robots industriels sont déjà efficaces dans des environnements très structurés. L'IA physique cherche à les rendre plus capables de traiter les variations et les exceptions.
Une entreprise pourrait ainsi envisager :
L'IA physique peut être pertinente lorsqu'une tâche est répétitive, observable, physiquement pénible ou dangereuse pour les personnes.
La question n'est pas de remplacer un métier dans son ensemble. Elle consiste d'abord à isoler les tâches que l'on peut assister ou automatiser, puis à renforcer le rôle humain sur :
Les opérateurs ne seront pas seulement des utilisateurs finaux. Leur expérience du terrain sera indispensable pour :
Un projet d'IA physique conçu sans les personnes qui connaissent le travail réel risque d'être impressionnant en démonstration et fragile en production.
Une organisation qui introduit des systèmes capables d'agir devra clarifier :
L'IA physique n'est donc pas uniquement un sujet technologique. C'est aussi un sujet de rôles, de compétences, de gouvernance et de confiance.
Avant d'acheter un outil ou de lancer une expérimentation, il est préférable de répondre à six questions :
Une première expérimentation devrait viser une tâche :
C'est la même logique que pour l'intégration de l'IA dans les activités de bureau : partir du problème réel, pas de la démonstration technologique.
Cette question est trop large pour aider à décider.
Les dirigeants ont besoin de questions plus précises :
L'IA physique ne supprimera pas la nécessité de management. Elle pourrait au contraire rendre les rôles, les responsabilités et les arbitrages encore plus importants.
Un système autonome ne devient pas responsable à la place de l'organisation qui l'a choisi, déployé et laissé agir.
Avec AMI Labs, Yann LeCun défend une vision de l'intelligence artificielle qui veut aller au-delà de la prédiction de mots ou de pixels.
Son projet repose sur une idée forte : pour agir intelligemment, une machine doit disposer d'une représentation du monde, anticiper les conséquences de ses actions et planifier avant d'intervenir.
Les world models et les architectures JEPA représentent une piste sérieuse. Les travaux sur V-JEPA 2 montrent déjà des capacités intéressantes de compréhension physique et de planification robotique. Mais le chemin vers une IA physique robuste reste long. Les obstacles portent autant sur les données, la généralisation, le coût et la sécurité que sur l'architecture des modèles.
Pour les entreprises, la bonne stratégie n'est ni d'attendre passivement, ni de courir après chaque démonstration de robot humanoïde.
Elle consiste à :
L'IA générative produit des contenus. L'IA agentique enchaîne des actions. La robotique agit dans la matière. L'IA physique cherche à relier les trois dans une boucle capable de percevoir, décider, agir et apprendre.
L'humain ne disparaît pas de cette équation. Son rôle se déplace vers le jugement, la responsabilité, la supervision et le choix des situations dans lesquelles il est raisonnable de déléguer.
Vous voulez identifier les tâches de votre organisation qui pourraient être assistées par l'IA, sans commencer par acheter un outil ?
Strategic vous aide à partir du travail réel, à prioriser les cas d'usage et à définir le cadre humain, managérial et organisationnel nécessaire à une IA utile.
Yann LeCun et AMI Labs veulent construire des systèmes capables de comprendre le monde physique et de planifier leurs actions. Enjeux, limites et implications pour les entreprises.
Google 5,0/5 (101+ avis Google) · 650+ personnes formées · Organisme certifié Qualiopi
L’intelligence artificielle (IA) n’est plus une technologie réservée aux spécialistes. Elle s’intègre désormais dans tous les aspects de la gestion…
Lire l'articleLes chiffres parlent d'eux-mêmes : selon une étude McKinsey 2024, 63% des managers passent plus de 3h par jour sur des tâches administratives. Pendant ce…
Lire l'articleEt vous, à quand remonte votre dernière semaine de 35h ? À quand votre dernier week-end sans penser au boulot ?
Lire l'articleBesoin d’une réponse adaptée à votre contexte ? Découvrir l'accompagnement conseil
