Pourquoi l'IA apprend à simuler le monde

Odyssey a présenté Odyssey-2 Max, son plus grand modèle du monde. Formellement, c'est un parent des générateurs vidéo, mais la logique est différente : le système ne crée pas une vidéo prête à l'emploi à partir d'un prompt, mais prédit pas à pas l'état suivant de la scène et permet de poursuivre la simulation en temps réel.

L'entreprise ne vend pas une « belle vidéo », mais un environnement contrôlable où le futur de l'image dépend de l'état précédent et de l'action de l'utilisateur. Pour les jeux, cela ressemble à une scène interactive. Pour la robotique, à un environnement d'entraînement. Pour la défense et la médecine, c'est une raison d'examiner attentivement la qualité de la vérification, car une belle physique en démo ne garantit pas un modèle fiable de relations de cause à effet.

Le communiqué contient quelques chiffres concrets. Le 2 Max est environ 3 fois plus grand que le 2 Pro et a été entraîné avec une multiplication par 10 des calculs. Sur la section physique de VBench 2, le score est passé de 49,67 à 58,52. Sur PAI-Bench Physics, de 91,67 à 93,02. L'entreprise affirme également que toutes les simulations présentées fonctionnaient en temps réel et pouvaient durer plus de 120 secondes.

Techniquement, le modèle est construit comme un transformeur de diffusion autorégressif. Détails importants : contexte long, attention causale, contrôle des actions via des représentations latentes, appariement des flux dans un espace latent continu et réduction du nombre d'étapes de débruitage. L'entraînement a été effectué sur plusieurs centaines de NVIDIA B200.

La partie la plus intéressante ici n'est pas l'image. Les créateurs établissent une analogie avec les modèles de langage : la prédiction du token suivant a donné aux systèmes la capacité d'imiter le raisonnement, et la prédiction de l'état suivant du monde devrait donner une intuition physique. C'est une hypothèse ambitieuse, et elle explique bien pourquoi les modèles du monde suscitent actuellement autant d'intérêt de la part des investisseurs et des chercheurs.

Mais il faut vérifier tout cela avec prudence. VBench et PAI-Bench évaluent la cohérence de la vidéo générée, pas l'adéquation du système pour la robotique réelle ou la modélisation scientifique. Un fond stable, un mouvement fluide et une mécanique plausible sont utiles, mais ils ne prouvent pas que le modèle comprend les relations causales au sens strict.

La comparaison avec Sora, Veo, Kling et Runway est également arrangée en faveur des développeurs du 2 Max. Ces systèmes sont exclus du tableau en tant que modèles vidéo bidirectionnels, car ils ne sont pas conçus pour la prédiction interactive des états futurs. L'argument est logique, mais le champ de comparaison est plus restreint : il s'agit d'une catégorie que l'entreprise elle-même tente d'établir comme distincte.

Un autre point : le modèle est disponible en bêta privée pour les partenaires. Cela signifie que la vérification indépendante est encore limitée. Les principales questions se poseront dans les scénarios longs, où l'utilisateur effectue des actions étranges, la scène accumule progressivement des erreurs, et la plausibilité physique commence à entrer en conflit avec la contrôlabilité.

La sortie reste néanmoins significative. La vidéo générative se divise progressivement en deux axes : la production de contenu visuel prêt à l'emploi et les simulateurs interactifs d'environnement. Le premier axe sert les médias. Le second pourrait devenir la base des simulateurs, des jeux, des agents, de la robotique et des systèmes de planification.

La course aux modèles du monde est devenue une direction distincte. Ce qui y est en concurrence, ce n'est pas tant la beauté des images que la robustesse de la causalité, l'horizon de simulation, la contrôlabilité et le coût de la génération en temps réel.


❗️❗️❗️❗️❗️❗️❗️❗️ / Non interdit en Fédération de Russie