Une caméra à 60 FPS produit 60 observations par seconde. Mais le monde, lui, ne disparaît pas entre deux images.

Michel Tran — Vimberia Research
Septembre 2026 — Article de vulgarisation scientifique

Une caméra voit des images successives. Une intelligence, elle, devrait peut-être maintenir un monde continu.

---

Résumé

Une caméra fonctionnant à 60 images par seconde produit :$$60$$

observations chaque seconde.

En une minute :$$3600$$

images.

Pourtant, dans de nombreuses situations, la scène observée ne change que partiellement.

Le mur est toujours là.

La table est toujours là.

La voiture observée à l’instant précédent continue probablement d’exister.

Une grande partie du monde persiste donc entre deux images.

Cela conduit à une question simple, mais profonde :

Une intelligence artificielle doit-elle reconstruire sa représentation du monde à chaque nouvelle image ?

Vimberia explore une autre possibilité : maintenir un état perceptif persistant du monde, noté :$$G_t$$

et utiliser chaque nouvelle observation :$$O_{t+1}$$

pour mettre à jour cet état :$$\boxed{ G_{t+1}=\mathcal{U}(G_t,O_{t+1}) }$$

L’image ne serait alors plus le monde à analyser intégralement.

Elle deviendrait une nouvelle observation d’un monde déjà partiellement connu.

---

1. Soixante images par seconde ne signifient pas soixante mondes par seconde

Prenons une caméra classique enregistrant à :$$60\ \text{FPS}$$

Cela signifie qu’elle produit une image environ toutes les :$$\frac{1}{60}\approx16,7\ \text{ms}$$

À chaque instant, nous obtenons :$$O_t,O_{t+1},O_{t+2},\ldots$$

D’un point de vue informatique, ces images sont bien différentes.

Mais physiquement, elles observent généralement le même environnement continu.

Supposons qu’une caméra soit posée sur une table et filme une pièce.

Entre deux images séparées de 16,7 millisecondes :

• les murs n’ont probablement pas disparu ;
• la table n’a probablement pas été reconstruite ;
• les objets immobiles restent à leur place ;
• la géométrie générale de la pièce est presque inchangée.

Le capteur produit pourtant une nouvelle matrice complète de pixels.

Il existe donc une différence fondamentale entre :$$\text{nouvelle image}$$

et :$$\text{nouveau monde}$$

Ces deux notions ne sont pas équivalentes.

---

2. Une caméra recommence son acquisition, pas nécessairement notre compréhension

Le fonctionnement du capteur impose naturellement une succession d’images.

À chaque frame :$$I_t(x,y)$$

une nouvelle mesure est effectuée.

Cela est nécessaire.

Le capteur ne peut pas simplement supposer que la lumière est restée identique.

Mais une intelligence située après le capteur n’est pas obligée de considérer chaque image comme si elle n’avait jamais rien observé auparavant.

C’est ici qu’une distinction devient essentielle :

réacquérir les données n’implique pas nécessairement reconstruire toute la représentation.

Une caméra doit mesurer de nouveau.

Une intelligence peut, elle, se souvenir.

---

3. Le traitement classique centré sur l’image

Simplifions volontairement une architecture de vision.

Pour chaque image :$$O_t$$

le système calcule une représentation :$$O_t\rightarrow R_t$$

puis, à l’image suivante :$$O_{t+1}\rightarrow R_{t+1}$$

et ainsi de suite.

Cela donne :$$O_1\rightarrow R_1$$$$O_2\rightarrow R_2$$$$O_3\rightarrow R_3$$

Chaque représentation peut ensuite être comparée, fusionnée ou utilisée par un système de suivi temporel.

De nombreuses architectures modernes sont évidemment beaucoup plus sophistiquées et exploitent directement plusieurs images ou des mémoires temporelles.

Mais ce schéma révèle une question architecturale importante :

la représentation principale doit-elle être attachée à l’image ou au monde représenté ?

---

4. Introduire un état du monde

Imaginons maintenant que le système conserve un état perceptif :$$G_t$$

Cet état représente ce que le système considère comme présent, structuré ou pertinent dans son environnement à l’instant $t$.

La nouvelle image :$$O_{t+1}$$

ne sert alors pas nécessairement à reconstruire un nouvel état indépendamment.

Elle sert à modifier l’état précédent :$$\boxed{ G_{t+1} = \mathcal{U}(G_t,O_{t+1}) }$$

où $\mathcal{U}$ représente une fonction de mise à jour.

Conceptuellement, le système demande alors :

« Qu’est-ce que cette nouvelle observation m’apprend sur le monde que je maintiens déjà ? »

plutôt que simplement :

« Que contient cette nouvelle image ? »

C’est un changement de perspective important.

---

5. L’image devient une observation du monde

Dans cette approche :$$O_t$$

n’est plus assimilé au monde lui-même.

Il s’agit d’une observation du monde.

On peut écrire :$$O_t=\mathcal{S}(W_t)$$

où $W_t$ représente le monde physique réel et $\mathcal{S}$ le processus sensoriel.

Le système, lui, maintient une estimation interne :$$G_t\approx W_t$$

évidemment imparfaite et limitée à ce qui a été perçu.

La chaîne devient alors :$$W_t \rightarrow O_t \rightarrow G_t$$

Mais à l’instant suivant :$$G_t$$

n’est pas jeté.

Il constitue le point de départ :$$(G_t,O_{t+1}) \rightarrow G_{t+1}$$

La mémoire devient donc une partie de la perception.

---

6. Un exemple simple : une tasse sur une table

Supposons qu’une caméra observe une tasse.

À la première observation, le système construit certaines structures perceptives.

À l’instant suivant, la tasse est toujours là.

Une approche entièrement reconstruite pourrait reprendre l’image, recalculer ses représentations et retrouver la tasse.

Une approche persistante chercherait plutôt à répondre à :

La structure que je vois correspond-elle à quelque chose que je maintenais déjà ?

Si oui, son état est actualisé.

On pourrait noter une unité persistante :$$V_7(t)$$

puis :$$V_7(t+1)$$

Il ne s’agit pas de deux entités différentes.

Il s’agit de deux états successifs de la même unité perceptive.

C’est précisément le type de rôle que Vimberia attribue au Vimber.

---

7. Du pixel à la région, puis au Vimber

Dans Vimberia, la construction conceptuelle suit plutôt :$$\boxed{ \text{Pixel} \rightarrow \text{Région homogène} \rightarrow \text{Vimber} }$$

Le pixel constitue la mesure de base.

La région homogène révèle une structure cohérente à l’intérieur d’une observation.

Mais cette région appartient encore à une image :$$R_i^{(t)}$$

À l’image suivante, nous pouvons obtenir :$$R_j^{(t+1)}$$

Le rôle du Vimber est précisément de dépasser cette succession de régions indépendantes.

Plusieurs observations peuvent alimenter le même état persistant :$$R_i^{(t)} \rightarrow V_k$$$$R_j^{(t+1)} \rightarrow V_k$$$$R_m^{(t+2)} \rightarrow V_k$$

Le Vimber devient alors l’entité maintenue, tandis que les régions constituent des observations successives.

---

8. Reconstruire ou mettre à jour

Nous pouvons maintenant opposer deux philosophies.

Reconstruction

À chaque image :$$O_t\rightarrow G_t$$

Puis :$$O_{t+1}\rightarrow G_{t+1}$$

Chaque état est largement recalculé à partir de l’observation courante.

Maintenance

On conserve :$$G_t$$

et l’on calcule :$$G_{t+1}=\mathcal{U}(G_t,O_{t+1})$$

Dans le deuxième cas, la question essentielle devient :

quelle partie du monde interne doit réellement être modifiée ?

C’est cette notion de maintenance qui est centrale dans Vimberia.

---

9. Un monde stable contient beaucoup de redondance temporelle

Prenons une vidéo de dix secondes à 60 FPS :$$10\times60=600\ \text{images}$$

Supposons une scène relativement calme.

La caméra reçoit pourtant 600 observations complètes.

Si chaque image contient plusieurs millions de pixels, la quantité de données acquises est énorme.

Mais l’information réellement nouvelle sur l’état du monde peut être beaucoup plus faible.

Une porte reste une porte.

Un mur reste présent.

Une chaise ne change pas nécessairement.

Une partie importante de l’information est donc temporellement redondante.

L’enjeu devient :$$\text{données acquises} \gg \text{information nouvelle sur le monde}$$

dans de nombreuses situations.

Cette différence constitue une opportunité architecturale.

---

10. Une image peut changer beaucoup alors que le monde change peu

Il faut toutefois faire attention à une intuition trompeuse.

La scène physique peut être presque stable alors que les pixels changent énormément.

Il suffit que :

• la caméra tourne ;
• l’exposition évolue ;
• l’éclairage change ;
• un objet passe devant l’objectif ;
• la perspective se modifie.

Une grande partie de l’image peut alors être différente alors que les éléments physiques persistent.

Cela renforce justement l’intérêt de distinguer :$$\text{variation de l’observation}$$

et :$$\text{variation du monde représenté}$$

Une représentation persistante ne devrait donc pas seulement chercher des pixels identiques.

Elle doit chercher ce qui reste cohérent malgré l’évolution de l’observation.

---

11. Le temps devient une source d’information

La succession des images n’est pas seulement une contrainte.

Elle contient de l’information.

Avec une seule image, une structure peut être ambiguë.

Avec plusieurs observations, le système peut progressivement découvrir :

• ce qui persiste ;
• ce qui se déplace ;
• ce qui appartient probablement à une même structure ;
• ce qui apparaît ;
• ce qui disparaît ;
• ce qui reste lié à d’autres éléments.

Le temps apporte ainsi une dimension que l’image isolée ne possède pas.

On peut écrire :$$O_t$$

comme une information spatiale,

mais :$$(O_t,O_{t+1},O_{t+2},\ldots)$$

apporte également une information sur la continuité.

C’est pourquoi la répétition joue un rôle fondamental dans le concept de Vimber.

---

12. L’état du monde peut être représenté comme un graphe

Un état persistant peut être décrit conceptuellement sous la forme :$$G_t=(V_t,E_t)$$

où :$$V_t=\{V_1,V_2,\ldots,V_n\}$$

représente les Vimbers actuellement maintenus,

et :$$E_t$$

leurs relations.

La nouvelle observation peut alors :

• mettre à jour l’état d’un Vimber ;
• créer un nouvel élément ;
• modifier une relation ;
• renforcer une hypothèse existante ;
• invalider une structure ;
• changer une organisation hiérarchique.

Ainsi :$$G_t \rightarrow G_{t+1}$$

ne correspond pas nécessairement à une reconstruction complète.

Il correspond à l’évolution du même monde interne.

---

13. Le monde interne devient plus important que la frame

Ce changement peut sembler subtil, mais il modifie profondément la hiérarchie des données.

Dans une architecture centrée sur l’image :$$\boxed{\text{Frame}}$$

est l’élément principal.

Dans une architecture centrée sur la persistance :$$\boxed{G_t}$$

devient l’élément principal.

La frame sert à corriger $G_t$.

Autrement dit :

l’image devient une entrée ; l’état du monde devient la mémoire de travail perceptive.

C’est un changement de statut.

---

14. Que se passe-t-il lorsqu’un élément n’est plus visible ?

Cette question montre immédiatement pourquoi une représentation persistante est intéressante.

Supposons qu’une personne passe derrière un mur.

Dans l’image :$$O_t$$

elle est visible.

Dans :$$O_{t+1}$$

elle ne l’est plus.

Doit-elle immédiatement disparaître du monde interne ?

Pas nécessairement.

Une intelligence peut maintenir une hypothèse d’existence malgré une absence momentanée d’observation.

C’est ce que nous faisons naturellement.

Nous ne pensons pas qu’une voiture cesse d’exister lorsqu’elle passe derrière un camion.

Une représentation persistante permet théoriquement de distinguer :$$\text{non observé}$$

de :$$\text{n’existe plus}$$

Cette distinction est essentielle pour une intelligence qui doit agir dans le monde physique.

---

15. La mémoire perceptive devient une forme de calcul

Habituellement, mémoire et calcul sont séparés conceptuellement.

Mais ici, mémoriser le monde peut permettre de ne pas le reconstruire.

Si une information a déjà été établie avec une confiance suffisante, le système peut la conserver et concentrer ses ressources sur ce qui nécessite une réévaluation.

La mémoire perceptive pourrait donc devenir :$$\boxed{\text{un substitut partiel au recalcul}}$$

Il ne s’agit évidemment pas d’éliminer le calcul.

Il faut toujours vérifier que l’état interne reste cohérent avec les nouvelles observations.

Mais une architecture persistante peut chercher à éviter de repartir systématiquement de zéro.

---

16. Vers un calcul local

Supposons que l’état du monde contienne :$$1000\ \text{Vimbers}$$

et que seulement quelques structures évoluent fortement pendant un intervalle donné.

Une architecture idéale pourrait chercher à concentrer les mises à jour sur ces éléments.

Conceptuellement :$$G_{t+1} = G_t+\Delta G_t$$

où :$$\Delta G_t$$

représente la partie pertinente de l’état qui doit évoluer.

Il serait toutefois incorrect d’en déduire que le coût informatique devient automatiquement proportionnel à $\Delta G_t$.

Il faut également déterminer où se trouvent les changements et si l’état précédent reste valide.

C’est précisément un des problèmes scientifiques que Vimberia doit mesurer.

Mais la direction est claire :

passer d’un calcul global récurrent à une maintenance aussi locale que possible.

---

17. Pourquoi cela pourrait être décisif en embarqué

Cette idée devient particulièrement intéressante lorsque les ressources sont limitées.

Considérons :

• un drone ;
• un robot mobile ;
• une caméra autonome ;
• des lunettes intelligentes ;
• un véhicule ;
• un système industriel embarqué.

Ces systèmes doivent souvent respecter simultanément :$$\text{faible latence}$$$$\text{faible consommation}$$$$\text{mémoire limitée}$$$$\text{calcul limité}$$$$\text{fonctionnement continu}$$

Traiter massivement chaque nouvelle image peut devenir très coûteux.

Si une grande partie du monde persiste, alors la persistance elle-même peut devenir une source d’efficacité.

---

18. Une autre manière de penser les FPS

Les FPS constituent une métrique centrale de la vision temps réel.

On demande souvent :

Combien d’images par seconde le système peut-il traiter ?

Mais une architecture persistante invite à poser une autre question :

À quelle vitesse le système peut-il maintenir correctement son monde interne ?

Ces deux questions ne sont pas identiques.

Un système pourrait recevoir :$$60\ \text{images/s}$$

tout en mettant à jour certaines parties de sa représentation à des rythmes différents.

Un élément dynamique pourrait nécessiter des mises à jour fréquentes.

Une structure stable pourrait nécessiter beaucoup moins d’attention.

Cela ouvre la voie à une perception potentiellement asynchrone ou multi-fréquence.

---

19. Tous les éléments du monde n’évoluent pas à la même vitesse

Dans une scène réelle :

• une hélice peut tourner très rapidement ;
• une personne marcher à quelques mètres par seconde ;
• une voiture se déplacer plus rapidement ;
• un bâtiment rester pratiquement immobile ;
• le relief rester stable pendant toute la mission.

Pourquoi toutes ces structures devraient-elles nécessairement consommer la même quantité de calcul à chaque frame ?

Une représentation persistante pourrait associer à chaque entité une dynamique propre :$$V_i \rightarrow f_i$$

où $f_i$ représente conceptuellement une fréquence de maintenance adaptée.

Cette idée conduit à une architecture beaucoup plus proche de la nature du monde réel.

---

20. L’erreur de l’état interne devient une variable centrale

Toute représentation persistante comporte cependant un risque.

Le système peut se tromper.

Il peut maintenir une information devenue obsolète.

L’état :$$G_t$$

n’est donc jamais une vérité absolue.

Il s’agit d’une hypothèse courante sur le monde.

Chaque observation doit permettre de la remettre en question.

On peut donc envisager que chaque Vimber possède également des propriétés comme :$$C_i(t)$$

représentant une forme de confiance ou de validité.

Une absence prolongée d’observation pourrait réduire cette confiance.

Une nouvelle observation cohérente pourrait la renforcer.

La persistance ne signifie donc pas rigidité.

Elle signifie :

conserver jusqu’à ce que les observations justifient une modification.

---

21. Reconstruire totalement reste parfois nécessaire

Une architecture persistante ne doit pas devenir dogmatique.

Certaines situations peuvent exiger une reconstruction importante :

• changement brutal de scène ;
• perte complète du suivi ;
• redémarrage du système ;
• mouvement extrêmement rapide ;
• données devenues incohérentes ;
• changement de capteur ;
• erreur accumulée.

Dans ce cas :$$G_t$$

peut perdre sa valeur.

Le système doit pouvoir repartir d’une représentation plus fondamentale.

La question n’est donc pas :

« Peut-on ne jamais reconstruire ? »

mais :

« Peut-on éviter de reconstruire inutilement ? »

Cette formulation est beaucoup plus réaliste.

---

22. Une analogie avec notre propre perception

Lorsque nous entrons dans une pièce, nous construisons rapidement une idée de son organisation.

Quelques secondes plus tard, nous ne recommençons pas consciemment à découvrir l’existence de chaque mur à chaque clignement des yeux.

Nous conservons une représentation.

Lorsque nous tournons la tête, les données visuelles changent considérablement.

Pourtant, nous avons l’impression d’habiter le même espace.

Notre perception combine donc :$$\text{observation} + \text{mémoire} + \text{continuité}$$

Il serait imprudent de prétendre que Vimberia reproduit le fonctionnement biologique de la vision humaine.

Ce n’est pas l’objectif.

Mais cette analogie illustre une intuition importante :

une perception continue n’est pas nécessairement équivalente à une succession de reconstructions indépendantes.

---

23. Du traitement d’image à la maintenance d’un monde

Nous pouvons maintenant résumer deux paradigmes.

Paradigme centré sur l’image

$$O_t \rightarrow \text{analyse} \rightarrow R_t$$

Puis recommencer.

Paradigme centré sur le monde

$$G_t + O_{t+1} \rightarrow G_{t+1}$$

Puis maintenir cet état.

Cela transforme potentiellement la question centrale de la vision artificielle.

Elle passe de :

« Comment analyser cette image ? »

à :

« Comment maintenir une représentation correcte de mon environnement ? »

---

24. Une nouvelle métrique : le coût de maintien du monde

Ce changement d’architecture invite également à créer de nouvelles métriques.

Aujourd’hui, nous mesurons :

• FPS ;
• FLOPS ;
• latence ;
• consommation mémoire ;
• précision ;
• énergie.

Mais une architecture persistante pourrait être évaluée par :$$C_{world} = \frac{ \text{ressources consommées} }{ \text{information pertinente correctement maintenue} }$$

Cette métrique reste à formaliser rigoureusement.

Elle pose cependant une question pertinente :

Combien coûte à une intelligence artificielle le fait de continuer à savoir où elle se trouve et ce qui l’entoure ?

Pour une IA physique, cette question pourrait devenir aussi importante que le coût de traitement d’une image isolée.

---

25. Le lien avec les World Models

Cette représentation persistante n’est pas opposée aux World Models.

Au contraire.

Un état :$$G_t$$

peut constituer le point de départ d’un modèle prédictif.

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

Autrement dit :

si mon monde interne est actuellement dans cet état et que j’effectue cette action, comment est-il susceptible d’évoluer ?

La séparation devient alors claire :$$\text{Observation} \rightarrow \text{Maintenance} \rightarrow \text{Prédiction} \rightarrow \text{Action}$$

Vimberia s’intéresse particulièrement au deuxième terme :$$\boxed{\text{Maintenance}}$$

---

26. La question fondamentale

Nous revenons finalement à notre caméra à 60 FPS.

Elle produit :$$60$$

images par seconde.

Mais que devrait produire une intelligence ?

Soixante représentations indépendantes ?

Ou :$$G_0 \rightarrow G_1 \rightarrow G_2 \rightarrow \cdots$$

c’est-à-dire l’évolution continue d’un même monde interne ?

La différence est profonde.

Dans le premier cas, le temps est une suite d’images.

Dans le second :

le temps est l’histoire du monde représenté.

---

Conclusion — Une IA ne devrait peut-être pas revoir le monde comme si elle le découvrait pour la première fois

Une caméra doit constamment rééchantillonner son environnement.

C’est son rôle.

Mais une intelligence artificielle n’a peut-être pas besoin de réapprendre l’existence de tout ce qu’elle vient déjà d’observer à chaque nouvelle frame.

Elle pourrait maintenir un état :$$G_t$$

et utiliser chaque nouvelle observation :$$O_{t+1}$$

pour produire :$$\boxed{ G_{t+1} = \mathcal{U}(G_t,O_{t+1}) }$$

La différence semble presque triviale.

Elle ne l’est pas.

Elle déplace le centre de la vision artificielle :

de l’image vers le monde représenté ;

du recalcul vers la maintenance ;

de l’observation instantanée vers la continuité ;

de la frame vers l’état.

C’est dans cette logique que s’inscrit Vimberia.

Les pixels continuent d’acquérir le monde.

Les régions homogènes commencent à en révéler la structure.

Les Vimbers cherchent à maintenir cette structure à travers le temps.

Une caméra produit des images.

Une intelligence pourrait maintenir un monde.

---

Michel Tran
Vimberia Research
France — septembre 2026

Article de positionnement présentant le principe d’une représentation perceptive persistante dans le cadre des recherches Vimberia. Les mécanismes algorithmiques propriétaires permettant la découverte, l’association et la mise à jour des Vimbers ne sont volontairement pas décrits.