Alors que toute l’industrie technologique semble obsédée par les grands modèles de langage (LLM) comme ChatGPT ou Claude, une figure tutélaire de la recherche prépare déjà l’étape suivante. Fei-Fei Li, pionnière de la vision par ordinateur surnommée la « marraine de l’IA », estime que l’avenir de l’intelligence artificielle dépasse largement le cadre des agents conversationnels. À la tête de World Labs, la start-up valorisée à un milliard de dollars qu’elle a cofondée en 2024, cette professeure de Stanford et ancienne dirigeante chez Google parie sur une nouvelle frontière : les « modèles du monde » (world models) et l’intelligence spatiale.
De l’invention d’ImageNet à la reconnaissance des femmes en science
Née à Chengdu, en Chine, où elle grandit dans les années 1980 et 1990 avec la passion de la nature, de l’aérospatiale et de la physique, Fei-Fei Li émigre aux États-Unis à l’adolescence. Tout en aidant sa famille à tenir un pressing le week-end, elle apprend l’anglais, étudie la physique à Princeton puis décroche un doctorat en informatique à Caltech. À cette époque, l’intelligence artificielle est un domaine de niche, sans argent ni battage médiatique, uniquement porté par la curiosité scientifique.
Dès 2006, la chercheuse comprend un point négligé par ses pairs : pour devenir intelligents, les algorithmes doivent être nourris par d’immenses volumes de données. Elle conçoit alors ImageNet, un catalogue monumental de 14 millions d’images réparties dans plus de 21 000 catégories, transformé en compétition internationale en 2010. Le tournant historique survient en 2012 lorsque l’équipe de Geoffrey Hinton, de l’université de Toronto, l’emporte avec AlexNet, un algorithme de réseaux neuronaux propulsé par des cartes graphiques Nvidia. Cette alliance entre données massives, réseaux neuronaux et puissance de calcul des GPU devient la recette d’or de l’IA moderne. Bien qu’elle ne se présente jamais elle-même comme la « marraine de l’IA », Fei-Fei Li accepte ce titre pour que les femmes scientifiques soient enfin reconnues autant que les hommes pour leurs découvertes.
Pourquoi les modèles de langage ne suffisent pas
Voir ne se résume pas à capter des signaux lumineux : la vision prépare avant tout l’être humain à agir. Du réveil jusqu’au trajet vers le travail, chaque geste quotidien repose sur l’intelligence spatiale, soit la compréhension des objets, de la géométrie et de notre environnement. Or, décrire avec des mots comment attraper une balle et l’attraper réellement sont deux choses très différentes.
« Les mots peuvent-ils éteindre des incendies ? Les mots peuvent-ils cuire une omelette ? »
Par cette question, Fei-Fei Li illustre les limites intrinsèques des modèles de langage. Pour accélérer les découvertes scientifiques et faire des robots de véritables partenaires physiques, le langage seul ne suffit pas. Loin de s’opposer aux LLM, les modèles du monde cherchent à prédire ce qui va se passer dans la réalité physique plutôt que le simple mot suivant dans une phrase. Chez World Labs, cette intelligence spatiale remplit trois fonctions distinctes :
- Le rendu : la génération de pixels réalistes destinés à l’œil humain, à l’image des générateurs vidéo comme Sora.
- La simulation : la modélisation de la structure géométrique réelle du monde fondée sur les lois de la physique, conçue pour être comprise par les machines.
- La planification : la capacité d’indiquer à un robot la prochaine action concrète à accomplir, comme saisir une tasse sur une table pour la déplacer.
Marble et la course industrielle aux mondes en 3D
Pour concrétiser cette vision, World Labs — qui réunit une cinquantaine de chercheurs et d’ingénieurs que Fei-Fei Li dirige avec l’exigence d’une « mère tigre » — a lancé sa première plateforme : Marble. À partir d’une simple image ou d’une instruction textuelle, cet outil génère un monde en 3D cohérent, modifiable et explorable, dans lequel on navigue librement comme dans un jeu vidéo.
La technologie trouve déjà des usages concrets : la production virtuelle au cinéma s’en sert pour filmer des acteurs dans n’importe quel décor, les studios de jeux vidéo réduisent considérablement leurs temps de développement, et Nvidia collabore avec la start-up pour entraîner des robots dans ces environnements virtuels. L’avantage de World Labs repose sur des données de pixels et de caméras spécialement préparées, bien plus nuancées que le texte, associées à des architectures algorithmiques inédites capables de créer des univers en 3D, et bientôt en 4D.
Si le secteur des modèles du monde attire déjà plus de 3 milliards de dollars d’investissements, il n’en est qu’à ses débuts, à un stade comparable à celui des chatbots en 2019. Quant aux robots humanoïdes, qui ont levé 6 milliards de dollars sans pouvoir encore vider un lave-vaisselle rapidement, la chercheuse juge ce montant trop faible face à la révolution industrielle à venir, rappelant que les voitures autonomes et les LLM ont exigé bien plus de capitaux.
Éthique, régulation et refus du « complexe de Dieu »
Au-delà de la technique, Fei-Fei Li déplore que les dirigeants de l’IA parlent trop de remplacer les emplois et l’humanité, au lieu de renforcer le pouvoir d’agir des individus. Sur les campus américains comme Stanford, elle observe chez les étudiants un mélange d’espoir et d’anxiété face au risque de perdre leur dignité et leur autonomie professionnelle.
Après avoir conseillé les présidents américains Joe Biden et Donald Trump ainsi que l’ONU, elle plaide pour une régulation ancrée dans la science et non dans la science-fiction. Les discours de la Silicon Valley sur l’extinction humaine détournent les décideurs des vrais enjeux. Il faut plutôt financer le secteur public et l’éducation scientifique, tout en affrontant les risques réels : désinformation, militarisation des robots par des acteurs malveillants ou paresse intellectuelle chez les élèves. Critiquant le « complexe de Dieu » de certains patrons de la tech, elle appelle la société civile démocratique à bâtir une gouvernance collective sans freiner le potentiel médical et social de l’IA, convaincue que l’histoire humaine tend toujours vers la bienveillance.
Source : Moconomy
