JEPA (Joint Embedding Predictive Architecture) et Advanced Machine Intelligence Labs.
L’intelligence animale comme boussole de l’IA.
Il y a, dans les propos de Yann Le Cun, une vérité qui traverse toute la conférence :
pour comprendre l’avenir de l’intelligence artificielle, il faut d’abord regarder les animaux.
Non pas par romantisme, mais parce qu’ils incarnent la forme la plus efficace d’intelligence naturelle.
Un chat qui anticipe la trajectoire d’un jouet, un corbeau qui cache sa nourriture en prévoyant les voleurs,
un enfant qui apprend à marcher sans manuel ni données massives : voilà les véritables maîtres de l’apprentissage.
Les animaux ne disposent ni de modèles statistiques, ni de bibliothèques de texte.
Ils apprennent en touchant, en chutant, en observant, en corrigeant.
Ils construisent un modèle interne du monde, une petite carte invisible qui leur permet de prévoir,
d’imaginer, de simuler mentalement ce qui pourrait arriver.
Cette capacité d’anticipation, discrète mais fulgurante, manque encore aux machines.
C’est là que naît le rapprochement essentiel :
si l’IA veut devenir vraiment intelligente, elle devra imiter cette économie du vivant.
Moins de données, plus de sens ; moins de calcul, plus de compréhension.
Le futur de l’IA ne se trouve pas dans les bibliothèques numériques,
mais dans la manière dont un animal traverse le monde : avec prudence, intuition, et une étonnante capacité à apprendre vite.
Ce sont des exemples très simple permettant d'expliquer des process très compliqués.
Résumer en fin de cet article.
En complément plus avant des explications sur le schéma de l'architecture JEPA (Joint Embedding Predictive Architecture).
+-----------------------------+
| Monde / Entrées
| (vidéo, audio, capteurs)
+--------------+--------------+
|
v
+-----------------------------+
| Encodeurs perceptifs
| (vision, audio, texte...)
+--------------+--------------+
|
v
+-----------------------------+
| Espace latent commun
| (Joint Embedding Space)
+--------------+--------------+
|
+--------------+--------------+
| Modules prédictifs JEPA
| - prédiction futur
| - complétion manquante
| - cohérence scène
+--------------+--------------+
|
v
+-----------------------------+
| Têtes de tâches
| (contrôle, planification,
| langage, décision, etc.)
+-----------------------------+
Intervenant :
Yann LeCun, président exécutif d’Advanced Machine Intelligence et lauréat du prix Turing
La discussion sera modérée par Éric Hazan, fondateur d’Ardabelle Capital.
Yann Le Cun et Éric Azan explorent l'évolution, les enjeux et les limites des modèles d'intelligence artificielle. Cette discussion aborde la gouvernance mondiale, la souveraineté technologique européenne face aux puissances américaine et chinoise, ainsi que la place de l'IA dans l'enseignement supérieur pour former les générations futures.
Suite de cette conférence de Yann LeCun :
Voici un résumé des 30 dernières minutes de la conférence de Yann Le Cun, basé sur le contenu disponible dans l’onglet YouTube (https://www.youtube.com/live/Y4s8NadbZfU).
---
Résumé des 30 dernières minutes (≈ de 56:00 à la fin).
1) Régulation : distinguer les usages de la recherche
Yann Le Cun insiste sur un point fondamental :
- Réguler les usages dangereux, oui.
- Réguler la recherche fondamentale, non.
Il explique que bloquer la recherche reviendrait à freiner l’innovation, tout en laissant les acteurs non régulés (États autoritaires, organisations criminelles) progresser sans contraintes.
Il critique l’approche française/européenne trop centrée sur la régulation anticipée, qui risque de pénaliser les acteurs locaux.
---
2) Impact environnemental des centres de données
Il nuance les discours alarmistes :
- Les datacenters consomment de l’énergie, mais beaucoup moins que d’autres industries.
- Leur efficacité énergétique augmente rapidement.
- L’IA pourrait même optimiser la consommation énergétique globale (réseaux, transports, bâtiments). ---
3) Données haptiques, robotique et limites des capteurs
Le Cun explique que pour comprendre le monde réel, les IA doivent :
- manipuler des objets,
- percevoir via des capteurs tactiles,
- intégrer des retours haptiques.
Il souligne que les robots humanoïdes actuels manquent de données sensorielles riches, ce qui limite leur apprentissage.
---
4) Apprentissage social et collaboration humain–machine
Il décrit un futur où :
- les IA apprennent comme les humains, par observation, imitation, interaction ;
- les machines collaborent avec nous dans des tâches complexes ;
- l’IA devient un outil cognitif, pas un substitut.
---
5) Ancrage physique de la compréhension
Il rappelle que les LLM n’ont pas de corps :
- ils ne comprennent pas le monde physique ;
- ils ne manipulent pas d’objets ;
- ils n’ont pas de perception sensorielle.
Pour lui, l’intelligence nécessite un ancrage dans le réel, ce que les futurs systèmes devront intégrer.
---
6) Menaces sécuritaires et risques biologiques
Il aborde les risques réels :
- détournement de l’IA pour concevoir des agents biologiques ;
- automatisation de cyberattaques ;
- manipulation de systèmes critiques.
Mais il rejette les scénarios catastrophistes d’IA autonome hostile :
> « Une IA super-intelligente ne va pas spontanément décider de nous nuire. »
Il défend une approche rationnelle : contrôler les usages, pas fantasmer des entités rebelles.
---
7) Intelligence animale et apprentissage adaptatif
Il compare l’IA à l’intelligence animale :
- les animaux apprennent avec peu de données ;
- ils construisent des modèles du monde ;
- ils planifient et s’adaptent.
Il donne de nombreux exemples sur des intelligences animales, notamment sur les gorilles, poulpes, coucou, chat, et ceux-ci sont très simples.
Il explique que l’architecture JEPA vise justement à reproduire ces capacités.
---
8) Causalité, planification et modèles du monde (JEPA)
Dans les dernières minutes, il revient sur son architecture :
- JEPA permet de prédire l’avenir proche ;
- de comprendre les relations causales ;
- de planifier des actions ;
- de simuler mentalement des scénarios.
Il présente JEPA comme l’étape post‑LLM, nécessaire pour atteindre une véritable intelligence artificielle générale.
--
9) Conclusion
Yann LeCun termine en rappelant :
- que l’IA est un outil pour augmenter l’intelligence humaine ;
- que les modèles ouverts sont essentiels pour la souveraineté ;
- que les peurs irrationnelles freinent l’innovation ;
- que l’avenir de l’IA passe par des systèmes incarnés, autonomes, capables d’apprendre comme les animaux.
--- 1. Les animaux apprennent avec très peu de données
Le Cun insiste sur un point central :
Un animal n’a pas besoin de millions d’exemples pour comprendre son environnement.
Il apprend en observant, interagissant, explorant, et corrigeant ses erreurs.
➡️ Exemple typique :
Un chat ou un chien comprend rapidement la physique intuitive (gravité, solidité, trajectoires).
Il n’a pas besoin de voir 10 000 fois un objet tomber pour comprendre ce qu’est une chute.
2. Les animaux construisent un “modèle du monde”
Il explique que :
Les animaux créent des représentations internes de leur environnement.
Ils anticipent ce qui va se passer :
un singe sait qu’une branche peut casser,
un oiseau sait qu’un prédateur peut surgir,
un chat sait qu’un objet caché derrière un obstacle continue d’exister.
➡️ Ce modèle interne est causal, pas statistique.
3. Les animaux planifient et simulent mentalement
Le Cun donne des exemples de planification animale :
Un corbeau qui cache de la nourriture prévoit que d’autres corbeaux peuvent l’observer.
Un singe choisit une trajectoire dans les arbres en simulant mentalement les distances et les risques.
➡️ Pour lui, cette capacité de simulation interne est exactement ce que JEPA doit reproduire.
4. Les animaux apprennent par interaction, pas par texte
Contrairement aux LLM :
Les animaux apprennent en touchant, manipulant, explorant, jouant.
Ils utilisent la motricité pour comprendre le monde.
➡️ Exemple :
Un chiot comprend la différence entre un objet mou et un objet dur en le mordant, pas en lisant une description.
5. Les animaux comprennent les invariances
Le Cun explique que :
Un animal reconnaît un objet même s’il change d’angle, de lumière ou de position.
Cette capacité d’invariance est naturelle chez les animaux, mais difficile pour les IA.
➡️ Exemple :
Un éléphant reconnaît un humain même si celui-ci est :
assis,
debout,
derrière un arbre,
partiellement caché.
6. Les animaux apprennent la causalité par expérience
Il insiste sur la causalité :
Un animal comprend que ses actions ont des conséquences.
Il teste, observe, corrige.
➡️ Exemple :
Un loup apprend que pousser une pierre peut la faire rouler, mais pousser un arbre ne le fera pas tomber.
7. Les animaux collaborent et apprennent socialement
Le Cun mentionne l’apprentissage social :
Les animaux apprennent en imitant les autres.
Ils observent les comportements efficaces.
➡️ Exemple :
Un dauphin apprend une technique de chasse en observant un autre dauphin.
Synthèse : pourquoi ces exemples ?
Yann Le Cun utilise les animaux pour démontrer que :
L’intelligence n’est pas du texte,
L’intelligence est incarnée,
L’intelligence repose sur un modèle du monde,
L’intelligence est causale,
L’intelligence est interactive,
L’intelligence est économe en données.
➡️ JEPA vise à reproduire exactement ces propriétés.
Schéma d’architecture JEPA (Joint Embedding Predictive Architecture)
1. Vue globale (Schéma)
2. Blocs principaux
1) Monde / Entrées
Sources: vidéo, audio, texte, capteurs robot, etc.
Rôle: fournir des observations brutes du monde.
2) Encodeurs perceptifs
Vision: CNN/ViT qui transforment les images en vecteurs.
Audio/texte: encodeurs spécialisés (transformers).
But: projeter toutes les modalités dans un espace latent commun.
3) Espace latent commun (Joint Embedding)
Objet central de JEPA.
Chaque scène, état, contexte est représenté par un vecteur latent.
Cet espace doit capturer :
structure du monde,
relations causales,
invariances (même objet, vues différentes).
4) Modules prédictifs JEPA
C’est le cœur de l’architecture.
Prédiction du futur proche :
À partir de l’état latent actuel, prédire l’état latent à
…
Complétion de parties manquantes :
Prédire ce qui n’est pas vu (occlusions, zones cachées).
À partir de l’état latent actuel, prédire l’état latent à
𝑡+1,𝑡+2…
Cohérence globale :
Vérifier que les latents sont compatibles avec un monde physique plausible.
Ces modules ne génèrent pas directement des pixels ou des mots,
ils opèrent dans l’espace latent.
5) Têtes de tâches
Sur l’espace latent, on greffe des modules spécialisés :
Contrôle / robotique : politique de contrôle, planification de trajectoire.
Langage : génération de texte conditionnée par le latent.
Décision / RL : choix d’actions optimales.
Reconnaissance / classification : objets, scènes, intentions.
Version plus “pipeline”
text
[Capteurs / Données brutes]
|
v
[Encodeurs perceptifs]
|
v
[Latent JEPA] <----> [Prédicteur JEPA (futur, complétion, cohérence)]
|
v
[Têtes de tâches (contrôle, langage, décision, etc.)] .
[Capteurs / Données brutes]
|
v
[Encodeurs perceptifs]
|
v
[Latent JEPA] <----> [Prédicteur JEPA (futur, complétion, cohérence)]
|
v
[Têtes de tâches (contrôle, langage, décision, etc.)]
Différence clé avec les LLM classiques
LLM: prédisent le token suivant dans une séquence de texte.
JEPA: prédit l’état latent du monde, pas seulement la suite de mots.
Objectif : avoir un modèle du monde utilisable pour :
planifier, simuler, contrôler des agents physiques.
La société fondée par Yann Le Cun s’appelle AMI Labs, pour Advanced Machine Intelligence Labs.
C’est une entreprise de recherche en intelligence artificielle créée en décembre 2025, basée à Paris, et centrée sur les world models et l’architecture JEPA qu’il défend.
📌 Informations clés (confirmées par les sources)
Nom complet : Advanced Machine Intelligence Labs (AMI Labs)
Fondateur : Yann Le Cun (Executive Chairman)
Création : décembre 2025
Siège : Paris (avec bureaux à New York, Montréal, Singapour)
Mission : développer des modèles du monde (world models) plutôt que des LLM classiques
Financement : ≈ 1,03 milliard de dollars en seed round (record européen)
AMI Labs: Real World. Real Intelligence.
AMI Labs n’est pas le seul laboratoire de recherche à travailler sur cette approche ; la société américaine World Labs travaille également sur ce domaine aux États-Unis, Google DeepMind, OpenAI et Meta travaillent également sur cette approche depuis de nombreuses années.
À l’occasion d’une nouvelle Grande Conférence, Sciences Po a l’honneur d’accueillir Yann LeCun, président exécutif d’Advanced Machine Intelligence et lauréat du prix Turing, pour une discussion de haut niveau consacrée au présent et à l’avenir de l’intelligence artificielle.
C'était un Mercredi 16 septembre 2026, de 18h30 à 20h
📍 Sciences Po – Amphithéâtre Émile Boutmy
27, rue Saint-Guillaume, 75007 Paris
----
Sciences Po est une université de recherche internationale, sélective, ouverte sur le monde, qui se place parmi les meilleures en sciences humaines et sociales. Cliquez pour en savoir plus sur nos formations : http://bit.ly/2hz6Kr0
Comment se porter candidat ou candidate à Sciences Po ? http://bit.ly/2JlAxAD
----
Suivez-nous sur les réseaux sociaux !
----
Youtube : / @sciencespo
TikTok : / sciencespo
X : https://x.com/sciencespo?s=21
Instagram : / sciencespo
Snapchat : / m4yei453
LinkedIn : / sciences-po
Podcast : https://podcast.ausha.co/sans-transition
Notre newsletter : http://bit.ly/2mCuojD
Application Sciences Po sur Google Play : https://bit.ly/3sH5LpR
Application Sciences Po sur l’App Store : https://apple.co/3Bl43OC
.png)
Aucun commentaire:
Enregistrer un commentaire