Et si, avant de chercher à prédire le monde, il fallait d’abord déterminer avec quelles unités une intelligence artificielle doit le représenter ?

Michel Tran — Vimberia Research
Septembre 2026 — Article de positionnement

---

Résumé

Les World Models constituent aujourd’hui l’une des directions majeures de recherche vers des intelligences artificielles capables de comprendre leur environnement, d’en anticiper l’évolution et de planifier leurs actions.

Des architectures telles que DreamerV3 apprennent un modèle de l’environnement afin de simuler des trajectoires futures et d’améliorer leurs décisions dans ces mondes imaginés. Les travaux autour de JEPA et V-JEPA poursuivent une autre voie : apprendre des représentations abstraites du monde et prédire leur évolution plutôt que chercher nécessairement à reconstruire chaque pixel. Plus récemment, V-JEPA 2 a démontré qu’un modèle entraîné principalement à partir de vidéos pouvait servir à la compréhension, à la prédiction et à la planification robotique.

Les recherches conduites dans le cadre de Vimberia partent d’une question différente, située conceptuellement en amont :

Avant de demander à une intelligence artificielle comment le monde va évoluer, quelle est l’unité fondamentale avec laquelle elle devrait maintenir une représentation de ce monde ?

C’est à cette question que répond l’hypothèse du Vimber.

Un Vimber — terme issu de Vision, Image, Élément et Répétition — est proposé comme une unité perceptive persistante découverte dans le flux d’observations et susceptible de devenir une primitive de représentation et de calcul.

Le Vimber n’est donc pas proposé comme un concurrent du World Model.

Il pose potentiellement la question de ce dont un World Model pourrait être constitué.

---

1. Qu’est-ce qu’un World Model ?

Un World Model peut être compris, dans son sens général, comme un modèle interne permettant à un système intelligent de représenter certains aspects de son environnement et d’anticiper son évolution.

Schématiquement, si l’état interne du monde au temps $t$ est :$$S_t$$

et qu’une action $A_t$ est envisagée, un modèle dynamique peut chercher à estimer :$$\hat S_{t+1}=F(S_t,A_t)$$

Le système peut alors effectuer cette opération plusieurs fois :$$S_t \rightarrow \hat S_{t+1} \rightarrow \hat S_{t+2} \rightarrow … \rightarrow \hat S_{t+n}$$

avant même d’agir réellement.

C’est extrêmement puissant.

La machine peut en quelque sorte imaginer plusieurs futurs possibles avant d’en choisir un.

Cette idée est au cœur d’approches de reinforcement learning fondées sur des modèles telles que Dreamer.

Dans la vision proposée par Yann LeCun autour des architectures JEPA, le World Model doit notamment compléter les informations manquantes sur l’état du monde et prédire des états futurs plausibles. L’objectif est de permettre à l’agent de raisonner et de planifier dans un espace de représentations abstraites plutôt qu’en cherchant à prédire chaque détail du signal sensoriel.

C’est une avancée conceptuelle majeure.

Mais elle laisse ouverte une autre question.

---

2. De quoi est constitué $S_t$ ?

Lorsque nous écrivons :$$S_{t+1}=F(S_t,A_t)$$

nous avons simplifié une difficulté fondamentale.

Qu’est exactement StS_t ?

Autrement dit :

Quelle représentation interne doit-on utiliser pour décrire l’état du monde ?

Cela peut être une représentation latente dense, des embeddings appris, des tokens visuels, des objets explicites, une carte spatiale, un graphe ou différentes combinaisons de ces représentations.

V-JEPA 2, par exemple, utilise un encodeur transformant la vidéo brute en embeddings contenant des informations utiles sur l’état du monde observé ; un prédicteur travaille ensuite dans cet espace de représentation.

Cette approche évite justement de vouloir prédire directement tous les pixels.

Mais Vimberia déplace encore la question d’un niveau.

Au lieu de demander seulement :

Comment apprendre un bon espace de représentation ?

nous demandons :

Existe-t-il une unité perceptive élémentaire que le système pourrait découvrir directement dans le flux sensoriel et maintenir explicitement au cours du temps ?

C’est ici qu’apparaît le Vimber.

---

3. Le World Model demande : « Que va-t-il se passer ? »

On peut résumer une partie importante de la problématique des World Models par :$$\boxed{\text{État présent} \rightarrow \text{État futur probable}}$$

Il faut apprendre les transformations du monde.

Une balle tombe.

Une voiture poursuit sa trajectoire.

Une main déplace un objet.

Une action du robot produit une conséquence.

Le modèle cherche les régularités permettant d’anticiper ces transformations.

V-JEPA 2 illustre particulièrement bien cette ambition avec trois capacités mises en avant : comprendre, prédire et planifier.

---

4. Vimberia pose d’abord : « Qu’est-ce qui persiste ? »

La question initiale de Vimberia est différente :$$\boxed{\text{Observations successives} \rightarrow \text{unités persistantes du monde perçu}}$$

Avant de prédire :

« Où sera cette chose dans une seconde ? »

il faut pouvoir maintenir l’hypothèse :

« Cette chose — ou cette structure perceptive — continue d’exister. »

Cette différence peut paraître minime.

Elle est conceptuellement importante.

Vimberia cherche à identifier une unité suffisamment stable pour que l’intelligence puisse la maintenir, plutôt que devoir implicitement la reconstruire à partir d’une nouvelle observation.

Nous appelons cette unité :

Vimber

---

5. Le Vimber n’est pas nécessairement un objet

Cette distinction est fondamentale.

Un Vimber ne doit pas être confondu avec une classe sémantique telle que :

voiture, personne, arbre, chaise.

L’attribution de ces catégories appartient à un niveau supérieur de compréhension.

Un Vimber est envisagé comme une unité perceptive plus fondamentale.

On peut ainsi imaginer :$$V_1,V_2,\ldots,V_n$$

puis une structure :$$O_k = H(V_1,V_2,\ldots,V_n)$$

où plusieurs Vimbers contribuent à la représentation d’une entité de niveau supérieur.

Cette organisation peut elle-même être récursive :$$V^{(0)} \rightarrow V^{(1)} \rightarrow V^{(2)} \rightarrow \cdots$$

La représentation devient ainsi potentiellement hiérarchique.

---

6. Une différence fondamentale : apprendre une représentation ou maintenir une représentation

C’est probablement le point central de cet article.

Une grande partie de l’IA moderne cherche à apprendre une représentation particulièrement utile.

Vimberia s’intéresse également à un autre problème :

comment maintenir une représentation du monde une fois que celui-ci a été observé ?

Considérons une caméra observant une pièce.

À $t_0$, elle acquiert une observation :$$O_0$$

puis :$$O_1,O_2,O_3,\ldots$$

Une grande partie du monde observé peut rester identique ou suffisamment similaire entre ces observations.

Dans l’hypothèse Vimberia, il existe parallèlement un état perceptif :$$G_t$$

constitué de Vimbers et de leurs relations.

La nouvelle observation intervient alors pour modifier cet état :$$\boxed{ G_{t+1}=\mathcal{U}(G_t,O_{t+1}) }$$

La fonction importante n’est donc plus uniquement une fonction d’encodage :$$O_t\rightarrow Z_t$$

mais une fonction de maintenance du monde :$$(G_t,O_{t+1})\rightarrow G_{t+1}$$

C’est une distinction essentielle.

---

7. Le monde devient un état, l’image devient une observation

Cette formulation conduit à une inversion intéressante.

Dans un système traditionnel centré sur l’image :

l’image est la donnée principale.

Dans l’hypothèse Vimberia :

le monde interne devient la donnée principale ; l’image devient une observation permettant de le corriger.

Autrement dit :$$\text{image} \neq \text{monde}$$

mais :$$\text{image} = \text{observation du monde}$$

et :$$\text{Vimber Map} = \text{hypothèse courante sur le monde perçu}$$

Cette différence pourrait avoir des conséquences importantes pour les architectures d’IA fonctionnant continuellement dans un environnement réel.

---

8. World Model et Vimberia ne sont donc pas nécessairement concurrents

C’est précisément ici qu’il faut éviter une opposition artificielle.

Un World Model et une architecture Vimber pourraient parfaitement devenir complémentaires.

Supposons que l’état Vimberia soit :$$G_t=(V_t,E_t)$$

avec :

• $V_t$ : ensemble des Vimbers présents ;
• $E_t$ : ensemble de leurs relations.

Un World Model pourrait alors apprendre :$$P(G_{t+1}\mid G_t,A_t)$$

c’est-à-dire :

étant donné l’état actuel des Vimbers et une action éventuelle, quel sera probablement leur prochain état ?

La séparation des responsabilités devient alors particulièrement claire.

Vimberia

cherche à répondre à :$$\boxed{\text{Qu’est-ce qui existe et qu’est-ce qui persiste ?}}$$

World Model

cherche notamment à répondre à :$$\boxed{\text{Comment cet état est-il susceptible d’évoluer ?}}$$

Et un système de planification peut finalement demander :$$\boxed{\text{Quelle action dois-je effectuer pour obtenir l’état souhaité ?}}$$

Nous obtenons donc potentiellement :$$\text{PERCEVOIR} \rightarrow \text{MAINTENIR} \rightarrow \text{PRÉDIRE} \rightarrow \text{PLANIFIER} \rightarrow \text{AGIR}$$

---

9. Une analogie : le plateau d’échecs

Une analogie permet de comprendre cette différence.

Imaginez un programme devant prédire le prochain coup d’une partie d’échecs.

Pour raisonner efficacement, il est extrêmement utile de disposer d’une représentation :

• des pièces ;
• de leur identité ;
• de leur position ;
• de leurs relations ;
• de l’état courant du plateau.

Ensuite seulement intervient la question :

Quel sera le prochain état ?

Le problème Vimberia correspond conceptuellement davantage à la construction et au maintien du plateau interne.

Le problème du World Model correspond davantage à la capacité d’imaginer comment ce plateau pourrait évoluer.

Dans le monde physique, évidemment, personne ne fournit à la machine les cases, les pièces et leurs identités.

Elle doit les découvrir dans un flux sensoriel extrêmement complexe.

C’est précisément là que réside la difficulté.

---

10. Une autre différence : la représentation peut exister avant la sémantique

Les architectures modernes démontrent qu’il est possible d’apprendre énormément de structure sans annotations humaines.

V-JEPA 2 est notamment pré-entraîné de manière auto-supervisée à partir de vidéo, avant une phase conditionnée par les actions pour la robotique.

Vimberia pousse une hypothèse complémentaire :

une représentation perceptive élémentaire pourrait commencer à être construite avant même que ses constituants aient reçu une signification sémantique.

Un système peut potentiellement déterminer :

quelque chose existe ici ;

cette structure persiste ;

elle se déplace ;

ces éléments évoluent ensemble ;

cette relation est stable ;

avant de savoir :

c’est une voiture.

Cela suggère trois niveaux distincts :$$\boxed{ \text{STRUCTURE} \rightarrow \text{SÉMANTIQUE} \rightarrow \text{PRÉDICTION} }$$

Ces niveaux peuvent évidemment interagir.

Mais ils n’ont pas nécessairement besoin d’être confondus.

---

11. Le rôle fondamental de la répétition

C’est ici que le R de Vimber — Répétition — prend tout son sens.

Une observation isolée nous renseigne sur l’apparence.

Une succession d’observations nous renseigne également sur l’existence dans le temps.

Considérons :$$O_1,O_2,O_3,\ldots,O_n$$

La répétition permet progressivement d’identifier :

ce qui apparaît ;

ce qui disparaît ;

ce qui change ;

ce qui revient ;

ce qui reste cohérent ;

ce qui évolue ensemble.

Le temps devient alors plus qu’un axe supplémentaire des données.

Il devient une source d’information permettant de découvrir la structure.

---

12. Une question de calcul

Cette distinction pourrait également avoir une conséquence très concrète.

Considérons une caméra fonctionnant à 60 images par seconde.

En dix secondes :$$600\ \text{observations}$$

ont été acquises.

Pourtant, le monde observé n’a probablement pas été recréé 600 fois.

Une grande partie de sa structure a simplement persisté.

Pourquoi une intelligence artificielle devrait-elle nécessairement traiter cette situation comme 600 problèmes largement indépendants ?

Une architecture persistante pourrait viser :$$G_{t+1}=G_t+\Delta G_t$$

où $\Delta G_t$ représente conceptuellement les changements pertinents.

Ce n’est pas une affirmation que tout calcul devient automatiquement proportionnel à $\Delta G_t$ : le coût de déterminer les changements compte lui aussi.

C’est précisément l’une des hypothèses qu’il faudra mesurer expérimentalement.

Mais l’objectif architectural devient clair :

dépenser les ressources informatiques pour maintenir ce qui change plutôt que pour redécouvrir continuellement ce qui persiste.

---

13. Pourquoi cela pourrait être particulièrement important en embarqué

Un modèle comme V-JEPA 2 illustre la puissance des approches modernes, mais utilise un modèle de 1,2 milliard de paramètres et un pré-entraînement sur de vastes corpus vidéo.

Ce n’est pas une critique : ces modèles cherchent notamment à acquérir une compréhension générale très riche du monde.

Mais un petit robot, un drone ou un système autonome de quelques watts rencontre une contrainte différente :$$\text{intelligence maximale} \quad\text{sous}\quad \text{ressources minimales}$$

Dans ce contexte, la persistance peut devenir une ressource informatique.

Si une partie du monde est déjà représentée de manière suffisamment fiable, il peut être inutile de mobiliser constamment la même quantité de calcul pour la reconstruire.

La mémoire perceptive devient alors potentiellement un moyen d’économiser du calcul.

---

14. Le Vimber comme primitive d’un futur World Model

C’est probablement l’hypothèse la plus ambitieuse de Vimberia.

Aujourd’hui, on demande généralement :

Comment construire un meilleur World Model ?

Vimberia pose d’abord :

Sur quelles unités un World Model devrait-il raisonner ?

Imaginez une représentation :$$G_t= \{ V_1,V_2,\ldots,V_n; R_{12},R_{13},\ldots \}$$

Le World Model ne devrait alors plus nécessairement prédire l’évolution d’un immense ensemble homogène de données.

Il pourrait prédire :

• l’état futur d’un Vimber ;
• l’apparition d’un Vimber ;
• sa disparition ;
• ses changements de relations ;
• ses changements hiérarchiques ;
• ou l’évolution d’un groupe entier de Vimbers.

La prédiction pourrait potentiellement devenir elle-même structurée et sélective.

---

15. Vers plusieurs échelles temporelles

Cette organisation ouvre également une possibilité particulièrement intéressante.

Tous les Vimbers n’ont pas nécessairement besoin d’être mis à jour à la même fréquence.

Une structure très dynamique pourrait nécessiter :$$f_1=100\ \text{Hz}$$

alors qu’une structure stable pourrait n’exiger qu’une vérification beaucoup moins fréquente.

La représentation devient alors potentiellement :$$\{V_i,f_i\}$$

avec une fréquence de maintenance adaptée à chaque unité ou niveau hiérarchique.

Cette idée pourrait devenir particulièrement importante dans les systèmes embarqués où chaque opération possède un coût énergétique.

---

16. Deux paradigmes qui pourraient finalement se rejoindre

Il serait donc incorrect de présenter Vimberia comme :

« World Models contre Vimbers ».

La relation potentiellement beaucoup plus intéressante est :$$\boxed{ \text{Vimberia} + \text{World Model} }$$

Vimberia pourrait fournir une représentation persistante structurée.

Le World Model pourrait apprendre sa dynamique.

Un système de raisonnement pourrait exploiter cette représentation.

Un planificateur pourrait tester différentes actions.

Et les nouvelles observations viendraient continuellement corriger l’état.

Nous obtenons :$$\text{Capteurs}$$$$\downarrow$$$$\boxed{\text{Vimber Map}}$$$$\downarrow$$$$\boxed{\text{World Model}}$$$$\downarrow$$$$\boxed{\text{Raisonnement / Planification}}$$$$\downarrow$$$$\text{Action}$$

avec une boucle de retour permanente vers le monde réel.

---

17. Là où Vimberia devra faire ses preuves

Une idée architecturale n’est pas une démonstration scientifique.

Pour que cette proposition dépasse le stade conceptuel, plusieurs hypothèses devront être testées.

Il faudra notamment démontrer que les Vimbers peuvent être :

stables face au bruit et aux changements de conditions ;

persistants dans le temps ;

suffisamment génériques pour différentes scènes et différents capteurs ;

hiérarchisables sans explosion de complexité ;

économiques en mémoire et en calcul ;

et surtout utiles à des tâches situées en aval.

La comparaison décisive ne sera donc pas seulement :$$\text{Vimber vs pixel}$$

mais plutôt :$$\frac{\text{information utile}} {\text{calcul + mémoire + énergie + latence}}$$

dans un environnement réel et continu.

---

18. Une question plus profonde que la prédiction

Les World Models posent une question extraordinairement importante :

Comment une intelligence peut-elle apprendre les lois permettant d’anticiper l’évolution du monde ?

Vimberia pose une question complémentaire :

Quelles sont les unités minimales que cette intelligence devrait maintenir pour que ce monde existe informatiquement pour elle ?

La première question concerne principalement la dynamique du monde.

La seconde concerne l’ontologie opérationnelle de sa représentation.

Et les deux pourraient être nécessaires.

---

Conclusion : avant de prédire le monde, il faut décider ce qui existe

Les World Models représentent une étape majeure vers des machines capables d’anticiper, de planifier et d’agir dans le monde physique.

Les travaux JEPA illustrent d’ailleurs déjà un mouvement important : abandonner la nécessité de prédire chaque pixel au profit de représentations abstraites contenant les informations pertinentes.

Vimberia propose de poursuivre cette interrogation jusqu’à l’unité elle-même.

La question n’est plus uniquement :

« Quelle représentation faut-il apprendre ? »

mais :

« Quelles entités une intelligence doit-elle maintenir pour considérer qu’elle possède encore une représentation du même monde une fraction de seconde plus tard ? »

Le Vimber constitue notre proposition pour explorer cette question.

Ainsi, Vimberia ne cherche pas nécessairement à remplacer les World Models.

L’ambition est potentiellement plus en amont :

Un World Model cherche à apprendre comment le monde évolue.

Vimberia cherche d’abord à déterminer quelles unités doivent persister pour qu’il y ait un monde à faire évoluer.

Et si cette hypothèse se vérifie expérimentalement, le Vimber pourrait devenir non pas un World Model supplémentaire, mais une primitive sur laquelle de futurs World Models pourraient fonctionner.

---

Michel Tran
Vimberia Research
France — septembre 2026

Article de positionnement. Le concept de « Vimber » désigne dans les travaux Vimberia une unité perceptive persistante associée aux notions de Vision, Image, Élément et Répétition. Les mécanismes algorithmiques propriétaires permettant sa construction et sa maintenance ne sont volontairement pas exposés dans cet article.

Pour aller plus loin

Les travaux sur V-JEPA 2 de Meta AI donnent un excellent point de comparaison avec cette proposition : ils montrent très clairement comment un World Model moderne peut encoder une vidéo dans un espace abstrait, prédire son évolution et utiliser cette prédiction pour la planification robotique.

C’est justement ce qui rend la question Vimberia intéressante : non pas refaire V-JEPA sous un autre nom, mais investiguer scientifiquement ce qui pourrait se trouver conceptuellement avant lui — la constitution et la maintenance explicite des unités du monde sur lesquelles une intelligence pourrait ensuite apprendre à prédire.