1,03 milliard de dollars pour apprendre le monde réel à l’IA : le pari de Yann LeCun contre le « tout-LLM »

Un milliard de dollars pour une idée qui n’a encore aucun produit

En mars 2026, AMI Labs a levé 1,03 milliard de dollars sur une valorisation pré-money de 3,5 milliards. L’entreprise est encore pré-produit et ne donne pas de calendrier commercial. Ce que les investisseurs financent aujourd’hui n’est donc pas une application déjà installée chez des clients, mais une hypothèse scientifique et industrielle : les systèmes d’IA devront apprendre à représenter le monde réel, anticiper son évolution et planifier des actions.

Cette thèse est portée par Yann LeCun, prix Turing et ancien Chief AI Scientist de Meta, aux côtés d’Alexandre LeBrun, Laurent Solly, Michael Rabbat, Pascale Fung, Saining Xie et d’autres chercheurs et dirigeants. Advanced Machine Intelligence a été créée en France en décembre 2025 et son siège est aujourd’hui à Paris. AMI Labs opère aussi à New York, Montréal et Singapour.

Le pari : le langage n’est qu’une partie de l’intelligence

Les grands modèles de langage ont prouvé qu’un système entraîné à prédire des tokens pouvait apprendre une quantité impressionnante de connaissances et produire du texte, du code ou des raisonnements utiles. AMI ne nie pas ces progrès. Son site défend une autre limite : une grande partie du monde physique est continue, multidimensionnelle, bruitée et partiellement imprévisible — elle ne se laisse pas réduire à une simple séquence de mots.

La formule qui résume cette conviction est devenue la signature du laboratoire : « La vraie intelligence ne commence pas dans le langage. Elle commence dans le monde. » L’objectif officiel est de construire des systèmes capables de comprendre le monde réel, de disposer d’une mémoire persistante, de raisonner et planifier, tout en restant contrôlables et sûrs.

Un LLM prédit un token. Un world model cherche à prédire un état du monde

Un LLM autoregressif estime principalement quel token doit suivre les précédents. Un world model poursuit une autre abstraction : représenter un environnement, apprendre comment il évolue, puis prédire les conséquences possibles d’une action. L’enjeu n’est pas de reconstruire chaque pixel du futur, mais de conserver les informations utiles et d’ignorer les détails imprévisibles ou inutiles.

AMI explique vouloir travailler dans l’espace des représentations abstraites. Ses modèles conditionnés par l’action doivent pouvoir comparer différents futurs possibles puis planifier une séquence d’actions en tenant compte de contraintes de sécurité.

Cette idée n’arrive pas de nulle part : elle prolonge les travaux JEPA

Avant AMI Labs, LeCun et plusieurs chercheurs aujourd’hui liés à la nouvelle entreprise avaient déjà développé chez Meta la famille JEPA — Joint Embedding Predictive Architecture. I-JEPA apprenait à prédire des représentations abstraites d’images ; V-JEPA a étendu cette logique à la vidéo.

En 2025, V-JEPA 2 a franchi une étape supplémentaire : Meta l’a entraîné principalement sur de la vidéo puis l’a adapté avec moins de 62 heures de données robotiques. Le modèle a ensuite été utilisé pour planifier des actions de bras robotisés dans des environnements nouveaux. Cela ne constitue pas un produit AMI Labs, mais montre la filiation scientifique sur laquelle le nouveau laboratoire s’appuie.

Percevoir, anticiper, planifier, agir : pourquoi la robotique est un test décisif

Une usine fermée peut automatiser des gestes très répétitifs avec des règles fixes. Le problème devient beaucoup plus difficile lorsqu’un robot sort de ce cadre : un objet se déplace, une personne entre dans sa trajectoire, une tâche change ou une situation n’a jamais été observée exactement de cette façon.

C’est ici que le world model devient intéressant. Il doit d’abord percevoir l’environnement, puis simuler plusieurs évolutions possibles, sélectionner une stratégie et exécuter l’action en restant dans les contraintes définies. Alexandre LeBrun résume la différence par une opposition simple : là où un LLM cherche le prochain élément de langage, un world model cherche à anticiper le prochain état pertinent du monde.

AMI ne dit pas que les LLM doivent disparaître

Le contraste avec les LLM peut facilement devenir caricatural. AMI Labs ne présente pas les world models comme un remplacement universel du langage. Alexandre LeBrun les décrit plutôt comme complémentaires : les LLM restent particulièrement efficaces pour traiter le langage, tandis qu’un world model apporterait le contexte physique et la capacité à anticiper les conséquences d’une action.

C’est une distinction importante. Le pari n’est pas que ChatGPT, Claude ou Gemini seraient une impasse. Il est que la prochaine génération de systèmes capables d’agir dans le monde réel aura besoin d’une couche supplémentaire de compréhension et de prédiction physique.

Industrie, robotique, santé, wearables : les premiers terrains visés

AMI cite officiellement le contrôle de procédés industriels, l’automatisation, les objets portables, la robotique et la santé parmi ses domaines prioritaires. La santé constitue déjà un pont concret : Nabla, la société d’IA médicale cofondée auparavant par Alexandre LeBrun, a été annoncée comme premier partenaire.

La logique est la même dans tous ces secteurs : plus une décision dépend d’un environnement réel complexe, plus la fiabilité, la mémoire, la capacité à anticiper et les garde-fous deviennent déterminants.

Pourquoi 1,03 milliard avant même un produit ?

Le financement d’AMI reflète autant la réputation de ses fondateurs que le coût de cette recherche. Le calcul et les talents constituent les deux grands postes de dépense annoncés. Le tour de table réunit des investisseurs financiers mais aussi des industriels comme Nvidia, Samsung et Toyota Ventures, ainsi que plusieurs acteurs français.

Ce soutien ne prouve évidemment pas que la thèse scientifique réussira. Il montre en revanche que suffisamment d’acteurs industriels considèrent les world models comme une piste stratégique pour financer plusieurs années de recherche fondamentale avant d’exiger un produit.

En septembre 2026, le pari reste exactement cela : un pari

AMI Labs n’a toujours rien annoncé à vendre et refuse de promettre une date de lancement. Cette absence de produit n’est pas cachée : Alexandre LeBrun explique que le projet commence par de la recherche fondamentale et devra être testé avec des partenaires dans de véritables environnements.

C’est précisément ce qui rend AMI Labs intéressant. Au moment où la plupart des leaders de l’IA cherchent à agrandir les modèles génératifs et à leur ajouter des agents, Yann LeCun finance une autre trajectoire : construire une intelligence qui ne se contente pas de décrire le monde, mais qui apprend à prévoir ce qui peut s’y passer.

Si cette voie fonctionne, la prochaine bataille de l’IA ne se jouera peut-être plus seulement sur celui qui possède le meilleur chatbot. Elle se jouera sur celui qui donnera aux machines le meilleur modèle du monde dans lequel elles doivent agir.