Une proposition d’architecture pour l’intelligence artificielle embarquée et la perception en temps réel
Michel Tran — Vimberia Research
9 septembre 2026 — Document de positionnement, version 1.0
Résumé
Depuis les débuts de la vision artificielle, les systèmes informatiques héritent largement de la structure imposée par leurs capteurs : une image est représentée comme une matrice de pixels.
Les architectures modernes ont considérablement dépassé cette représentation brute. Les réseaux convolutifs construisent des caractéristiques de plus haut niveau et les Vision Transformers peuvent transformer une image en séquence de patches assimilables à des tokens visuels. Le Vision Transformer original, par exemple, traite explicitement une image comme une séquence de patches.
Mais une question plus fondamentale demeure :
L’unité élémentaire utilisée par la machine pour calculer doit-elle nécessairement être dérivée de la structure du capteur ?
Les travaux conduits dans le cadre du projet Vimberia explorent une autre hypothèse.
Nous proposons le terme Vimber pour désigner une unité perceptive émergente et persistante, découverte à partir du flux d’observations et destinée à représenter une composante cohérente du monde au cours du temps.
Le changement proposé n’est donc pas simplement :
pixel → région
mais potentiellement :
observation → entités persistantes → relations → hiérarchie → représentation dynamique du monde.
L’objectif à terme est de déterminer si une telle représentation peut devenir directement le support du calcul, de la mémoire perceptive et du raisonnement d’un système intelligent embarqué.
1. Le problème de la représentation
Une caméra ne voit pas réellement des objets.
Elle mesure un ensemble d’échantillons.
Pour une caméra conventionnelle, ces mesures sont organisées selon une grille régulière. Cette organisation est extrêmement pratique informatiquement, mais elle correspond d’abord à la structure du dispositif d’acquisition.
Une voiture, un arbre ou une personne ne sont pourtant pas naturellement constitués de carrés de 16 × 16 pixels.
Le découpage en patches utilisé par certaines architectures modernes est également une convention informatique extrêmement efficace, et non une propriété intrinsèque du monde.
C’est une distinction fondamentale.
Le Vision Transformer a démontré qu’une image pouvait être transformée en séquence de patches et traitée efficacement par un Transformer.
L’intelligence artificielle doit ensuite découvrir, directement ou indirectement, les structures et relations contenues dans ces observations.
Vimberia explore l’hypothèse inverse :
peut-on extraire suffisamment tôt une structure issue des régularités observables du monde, puis effectuer une partie du calcul directement sur cette structure ?
2. Du pixel au Vimber
Nous proposons de définir conceptuellement le Vimber de la manière suivante :
Un Vimber est une unité perceptive persistante, découverte à partir des observations du monde, possédant un état propre et participant à un ensemble de relations spatiales, temporelles ou hiérarchiques avec d’autres Vimbers.
Cette définition contient plusieurs propriétés importantes.
Un Vimber n’est pas nécessairement un objet.
Il pourrait représenter une structure située à un niveau beaucoup plus élémentaire.
Il n’est pas non plus nécessairement défini par une classe sémantique.
Le système n’a pas besoin de savoir :
« ceci est une voiture »
pour commencer à constater qu’une structure particulière existe, persiste et entretient certaines relations avec d’autres structures.
Cela permet théoriquement de séparer deux problèmes généralement fortement liés :
percevoir une structure et comprendre sa signification.
3. Le Vimber comme unité émergente
C’est probablement l’un des points les plus importants de cette proposition.
Le Vimber n’est pas nécessairement prédéfini par un dataset.
Il doit pouvoir être découvert dans le flux perceptif.
La représentation du monde pourrait ainsi commencer avant même qu’un système ait attribué une catégorie sémantique aux éléments qu’il observe.
On peut résumer cette idée ainsi :
Le système n’apprend pas d’abord le nom des choses pour constater leur existence.
Il détecte des structures cohérentes ; certaines persistent ; leurs relations évoluent ; certaines structures se regroupent ; d’autres se séparent.
La sémantique peut intervenir ultérieurement.
Cela ouvre une séparation intéressante entre :
perception structurelle → mémoire du monde → interprétation sémantique.
4. Quels critères définissent un Vimber ?
Il serait scientifiquement dangereux de définir un Vimber uniquement par sa couleur, sa texture ou une forme géométrique particulière.
Ces propriétés peuvent varier avec l’éclairage, le capteur, le point de vue, la distance ou les conditions environnementales.
La recherche Vimberia s’intéresse donc davantage à une combinaison de propriétés structurelles.
Parmi les propriétés candidates figurent notamment :
- cohérence interne : les éléments associés à une même unité présentent une organisation suffisamment cohérente ;
- persistance : l’unité peut conserver une identité opérationnelle malgré l’évolution des observations ;
- continuité temporelle : son évolution reste compatible avec son état précédent ;
- cohérence relationnelle : ses relations avec d’autres unités contribuent à maintenir son identité ;
- localité : une modification locale du monde ne devrait pas nécessairement imposer la reconstruction de toute la représentation ;
- compressibilité structurelle : représenter une structure comme une unité peut être plus économique que maintenir séparément toutes les observations qui la constituent.
Les mécanismes exacts permettant d’établir ces propriétés constituent une partie du travail de recherche et ne sont volontairement pas détaillés dans ce document.
5. Une hiérarchie de Vimbers
Un autre aspect central de l’hypothèse Vimberia est la possibilité de construire des représentations hiérarchiques.
Des Vimbers élémentaires peuvent potentiellement former des structures de niveau supérieur.
On peut schématiquement imaginer :
Observations
↓
Vimbers élémentaires
↓
groupements de Vimbers
↓
structures persistantes
↓
entités
↓
objets
↓
scènes
↓
représentation du monde
Cette hiérarchie pourrait permettre à différentes couches d’intelligence de travailler à différentes échelles sans nécessairement revenir constamment aux données brutes.
La machine pourrait ainsi disposer simultanément d’une représentation détaillée locale et d’une représentation beaucoup plus compacte de la scène.
6. Les relations deviennent aussi importantes que les unités
Un Vimber isolé contient de l’information.
Mais une grande partie de la structure du monde apparaît dans les relations entre Vimbers.
Considérons trois entités , et .
Le système peut représenter leurs états :
mais également leurs relations :
La représentation perceptive devient alors naturellement assimilable à un graphe dynamique :
où représente l’ensemble des Vimbers existant au temps , et leurs relations.
C’est important parce que les relations sont souvent plus stables que certaines apparences locales.
Une entité peut changer d’apparence tout en conservant une partie de ses relations structurelles avec son environnement.
7. Une représentation qui vit dans le temps
Dans une architecture classique fonctionnant image après image, nous pouvons schématiquement écrire :
puis :
Vimberia explore une autre logique.
Il existe un état du monde :
L’observation suivante ne sert pas nécessairement à reconstruire entièrement le monde.
Elle sert à le mettre à jour :
où représente une fonction générale de mise à jour.
Le changement conceptuel est considérable :
la caméra ne fournit plus nécessairement une nouvelle représentation complète du monde ; elle fournit des observations permettant de corriger une représentation qui existe déjà.
8. Le calcul peut alors devenir local
Supposons une caméra observant une pièce pratiquement immobile.
Entre deux acquisitions, 95 % de la structure perceptive peut potentiellement rester pertinente.
Pourquoi reconstruire systématiquement toute la représentation ?
Une architecture fondée sur des entités persistantes pourrait théoriquement concentrer ses ressources sur les éléments ayant réellement changé.
On passerait alors progressivement d’un paradigme :
frame-driven
à un paradigme davantage :
state-driven / change-driven.
Cela pourrait être particulièrement intéressant pour :
la robotique autonome, les drones, les lunettes intelligentes, les systèmes automobiles, la vidéosurveillance embarquée et plus généralement les systèmes disposant de contraintes sévères de puissance et d’énergie.
9. Le Vimber n’est pas simplement un « blob »
Cette distinction est essentielle.
Les blobs, composantes connexes, superpixels et segmentations en régions existent depuis plusieurs décennies.
Le terme Vimber ne doit donc pas devenir un nouveau nom marketing pour un blob.
Une région d’image appartient essentiellement à une observation.
Un Vimber, dans l’hypothèse proposée ici, appartient à la représentation persistante du monde.
Une région peut contribuer à l’observation d’un Vimber sans nécessairement être le Vimber lui-même.
C’est précisément cette distinction qui permettrait à une même unité de survivre à différentes observations.
10. Positionnement vis-à-vis des travaux existants
Cette proposition ne naît évidemment pas dans un vide scientifique.
Les scene graphs représentent déjà explicitement des objets et leurs relations ; une revue de 2024 recense à elle seule 138 travaux dans ce domaine.
La robotique étudie également depuis longtemps les représentations persistantes et actionnables de l’environnement. Une revue d’ETH Zurich décrit notamment l’évolution des représentations géométriques vers des structures métriques, sémantiques et topologiques.
Plus important encore pour notre comparaison, des travaux ont déjà proposé un modèle 3D partagé et temporel fondé sur un scene graph, avec suivi d’objets dynamiques et partage centralisé des données, dès 2013.
Les object-centric world models vont encore plus loin : ils représentent explicitement le monde comme un ensemble d’entités et modélisent leurs interactions. Les revues récentes des world models identifient désormais cette approche comme une famille importante du domaine.
Des travaux très récents comme ORION utilisent même une représentation hiérarchique sous forme de graphes d’objets pour la manipulation robotique.
Il serait donc incorrect de prétendre que Vimberia invente les régions, la persistance, les graphes ou les représentations centrées sur les objets.
L’hypothèse explorée par Vimberia se situe ailleurs.
11. L’hypothèse propre à Vimberia
La question posée est :
Une entité perceptive émergente, persistante et relationnelle peut-elle devenir directement une unité fondamentale de calcul d’un système intelligent, plutôt qu’une représentation intermédiaire produite par celui-ci ?
Cette distinction peut sembler subtile.
Elle ne l’est pas.
Dans beaucoup d’architectures, un réseau construit une représentation afin d’effectuer une tâche.
Dans l’hypothèse Vimberia, la représentation persistante pourrait devenir l’espace informatique commun dans lequel plusieurs tâches sont effectuées.
Perception, mémoire, prédiction, navigation ou raisonnement pourraient alors travailler sur une même représentation du monde.
Le Vimber ne serait plus seulement la sortie d’un algorithme de perception.
Il deviendrait une primitive manipulée par l’architecture.
12. Pourquoi cette hypothèse est particulièrement intéressante pour l’IA embarquée
Les world models modernes sont extrêmement prometteurs, mais les besoins en données et en calcul des grandes architectures restent justement identifiés comme un obstacle au déploiement réel.
Les systèmes embarqués posent un problème différent de celui d’un datacenter.
Ils doivent fonctionner avec :
- une puissance de calcul limitée ;
- une enveloppe énergétique limitée ;
- une mémoire limitée ;
- des contraintes thermiques ;
- une latence extrêmement faible ;
- et parfois plusieurs capteurs simultanément.
Dans ce contexte, ne pas recalculer ce qui est déjà connu peut devenir une propriété architecturale extrêmement importante.
La question n’est alors plus uniquement :
« Quel modèle obtient le meilleur score ? »
mais :
« Quelle quantité minimale de calcul faut-il effectuer pour maintenir une représentation suffisamment correcte du monde ? »
13. Vers une nouvelle métrique : le coût de maintien du monde
Cette idée conduit à une conséquence intéressante.
La performance d’un système perceptif pourrait ne plus être évaluée uniquement en FPS ou en précision.
On pourrait introduire une grandeur conceptuelle :
L’objectif deviendrait de minimiser .
Autrement dit :
combien coûte à la machine le fait de continuer à connaître son environnement ?
Cette question est différente de :
combien coûte l’analyse d’une image ?
Et cette différence pourrait devenir fondamentale pour l’intelligence embarquée permanente.
14. Le Vimber comme interface entre perception et intelligence
À plus long terme, l’une des hypothèses les plus intéressantes consiste à considérer le Vimber comme une interface entre la perception bas niveau et des systèmes de raisonnement plus complexes.
Au lieu d’envoyer continuellement des millions de valeurs issues du capteur vers des architectures lourdes, un système pourrait transmettre une représentation beaucoup plus structurée :
quelles entités existent ?
lesquelles ont changé ?
quelles relations sont apparues ?
lesquelles ont disparu ?
quelle structure est nouvelle ?
Le système de raisonnement ne recevrait alors plus simplement une image.
Il recevrait un état structuré du monde et ses transformations.
15. Ce que Vimberia ne revendique pas à ce stade
La rigueur scientifique impose également de définir les limites de la proposition.
Ce document ne démontre pas que le Vimber constitue une représentation universelle optimale.
Il ne démontre pas non plus qu’une architecture fondée sur les Vimbers surpasse systématiquement les CNN, Vision Transformers, modèles object-centric ou world models.
Il pose une hypothèse de recherche.
Cette hypothèse devient scientifiquement intéressante si elle conduit à des prédictions vérifiables :
à qualité perceptive comparable, une représentation persistante fondée sur des Vimbers doit pouvoir réduire la quantité de données manipulées et/ou la quantité de calcul nécessaire pour maintenir une représentation utile d’un environnement dynamique.
Voilà une proposition que l’on peut mesurer.
Et donc réfuter ou confirmer.
16. Programme de recherche
Les prochaines étapes du projet Vimberia portent notamment sur la formalisation mathématique de l’unité Vimber, l’étude de ses invariants, la stabilité temporelle de son identité, les mécanismes hiérarchiques, la complexité de mise à jour et la comparaison expérimentale avec des représentations conventionnelles.
Un enjeu particulier concerne les systèmes embarqués.
Une démonstration convaincante ne consisterait pas seulement à obtenir une représentation visuellement satisfaisante.
Elle devrait montrer simultanément :
stabilité + faible latence + faible mémoire + faible coût de calcul + persistance temporelle.
C’est cette combinaison qui déterminerait réellement l’intérêt architectural de l’approche.
Conclusion
Le pixel restera indispensable au capteur.
Le patch restera extrêmement utile à de nombreuses architectures.
Le Vimber pose simplement une autre question :
Pourquoi l’unité avec laquelle une intelligence représente durablement le monde devrait-elle être la même que celle avec laquelle son capteur l’échantillonne ?
Vimberia explore la possibilité d’introduire entre le signal physique et le raisonnement une représentation différente : un monde composé d’unités perceptives persistantes, relationnelles et hiérarchiques qui se transforment au cours du temps.
Le Vimber est le nom proposé pour cette unité.
L’ambition n’est donc pas seulement de mieux traiter une image.
L’ambition est de ne plus avoir besoin de reconstruire le monde à partir de zéro à chaque nouvelle image.
Michel Tran
Vimberia Research
France — septembre 2026