Cette semaine, à Brown University, Yann LeCun a livré une conférence qui tranche avec l’enthousiasme ambiant autour des grands modèles de langage. Invité de la Lemley Family Leadership Lecture, le chercheur franco-américain, professeur à l’Université de New York et figure historique de l’apprentissage profond, a soutenu que l’industrie mise aujourd’hui sur une mauvaise trajectoire si elle espère atteindre une intelligence artificielle de niveau humain.

Dès le départ, LeCun a donné le ton avec une formule provocatrice devenue sa marque de commerce. « AI sucks », a-t-il lancé en substance, avant de préciser sa pensée. « Nous avons des systèmes d’IA capables d’écrire du code, de réussir l’examen du barreau ou de gagner des olympiades internationales de mathématiques. Mais où est mon robot domestique ? Où est mon robot capable de nettoyer la maison ou d’apprendre à conduire en 20 heures de pratique, comme n’importe quel adolescent ? »

Son reproche principal vise l’écart entre les performances spectaculaires des modèles actuels et leur incapacité à comprendre le monde réel. Selon lui, les grands modèles de langage excellent à manipuler des symboles, surtout du texte, mais cela ne signifie pas qu’ils comprennent leur environnement. « Nous avons des systèmes qui manipulent le langage et nous donnent l’impression d’être intelligents. Mais en réalité, ils sont complètement démunis lorsqu’il s’agit du monde physique », a-t-il affirmé devant l’auditoire. Pour LeCun, les systèmes actuels n’ont pas réellement de modèle du monde ni de compréhension des conséquences de leurs actions.

C’est là qu’intervient l’idée centrale de sa conférence : les « world models », ou modèles du monde. Pour LeCun, l’avenir de l’IA passe par des systèmes capables de se construire une représentation abstraite du réel, puis d’anticiper ce qui arrivera s’ils entreprennent une action. « C’est une très mauvaise façon de produire une action que de ne pas être capable d’en prédire les conséquences. En fait, cela peut être dangereux », a-t-il résumé. Dans sa logique, un système vraiment utile devra non seulement répondre, mais aussi planifier, simuler et vérifier qu’il reste dans des limites acceptables avant d’agir.

LeCun a aussi attaqué de front l’idée selon laquelle l’augmentation de la taille des modèles de langage suffira à produire une intelligence générale. « Il y a littéralement des centaines de milliards investis dans une industrie qui mise sur l’idée que les grands modèles de langage atteindront un niveau d’intelligence humaine. C’est complètement faux », a-t-il déclaré. Il ne nie pas l’utilité de ces outils, mais estime qu’ils relèvent davantage de puissantes machines d’interpolation et de restitution que d’un véritable raisonnement.

Dans la seconde partie de son intervention, il a développé un argument plus fondamental encore : l’intelligence humaine ne se construit pas d’abord à partir du langage, mais à partir de l’expérience sensorielle. Il a comparé la quantité de texte utilisée pour entraîner un grand modèle avec le volume d’information sensorielle reçu par un enfant dans ses premières années. Sa conclusion est claire : « Cela vous montre bien que nous n’atteindrons jamais une IA de niveau humain simplement en l’entraînant sur du langage. Cela n’arrivera pas. » Pour lui, la prochaine génération d’IA devra apprendre à partir de la vidéo, de l’audio, des capteurs et de l’interaction avec le monde physique.

Autre point marquant de la conférence, sa critique de ce que l’on appelle aujourd’hui le « raisonnement » des modèles. LeCun soutient que produire davantage de texte ne constitue pas un raisonnement au sens fort. « Le raisonnement est une recherche. Quand nous raisonnons, nous cherchons une solution à un problème », a-t-il expliqué. En d’autres termes, il oppose à l’approche autorégressive, qui prédit mot après mot, une approche fondée sur l’exploration de plusieurs actions possibles, leur évaluation, puis la sélection de la meilleure.

Il a toutefois reconnu que cette voie reste largement ouverte. L’un des défis majeurs, a-t-il admis, concerne la planification hiérarchique, c’est-à-dire la capacité d’un système à décomposer une tâche complexe en objectifs intermédiaires. Sur ce point, sa franchise a été totale : « Personne ne sait comment faire de la planification hiérarchique. C’est une idée. Elle n’a pas été testée. » Cette réserve donne à sa conférence un relief particulier. LeCun ne prétend pas arriver avec une solution clé en main, mais avec un changement de cap qu’il juge indispensable.

À Brown, Yann LeCun n’est donc pas venu vendre une nouvelle recette miracle. Il est venu rappeler que l’IA actuelle, malgré ses prouesses, reste selon lui très éloignée d’une compréhension robuste du monde. Son message, au fond, est simple : écrire, résumer ou converser ne suffit pas à faire une intelligence. Tant que les machines ne sauront pas apprendre comme les humains et les animaux, par perception, anticipation et interaction, le rêve d’une IA véritablement générale restera hors de portée.

Source : Brown.edu, 2026 Lemley Lecture

******

Du lundi au vendredi, Bruno Guglielminetti vous propose un regard sur l’essentiel de l’actualité numérique avec 120 secondes de Tech.

Ou encore…

Écoutez la plus récente édition de Mon Carnet,
le magazine hebdomadaire de l’actualité numérique.