Découper, encoder ou maintenir : trois manières très différentes de transformer une image en représentation exploitable par une intelligence artificielle

Michel Tran — Vimberia Research
Septembre 2026 — Article de positionnement

Un patch organise l’image pour le calcul. Un token visuel encode l’information. Un Vimber cherche à rendre explicites et persistantes certaines structures du monde perçu.

---

Résumé

Lorsqu’une intelligence artificielle reçoit une image, elle ne raisonne pas nécessairement directement sur chacun de ses pixels.

Les architectures modernes cherchent à transformer l’image en unités plus utiles pour le calcul.

Parmi ces unités, les patchs et les tokens visuels sont devenus particulièrement importants avec l’essor des Vision Transformers.

Vimberia explore une autre approche.

Au lieu de partir d’un découpage régulier de l’image, la chaîne perceptive considérée est plutôt :$$\boxed{ \text{Pixels} \rightarrow \text{Régions homogènes} \rightarrow \text{Vimbers} }$$

Le Vimber n’est donc pas un token visuel supplémentaire.

Il appartient à une autre logique de représentation.

Le patch répond principalement à une question de partition du signal.

Le token répond à une question d’encodage de l’information.

Le Vimber cherche à répondre à une question différente :

quelles structures perceptives doivent devenir explicites et être maintenues au cours du temps ?

Ces trois approches ne sont pas nécessairement concurrentes. Elles correspondent à des niveaux et à des objectifs différents de la représentation visuelle.

---

1. Une image n’est pas encore une représentation du monde

Une caméra fournit une matrice de mesures :$$I(x,y)$$

et, dans le cas d’une vidéo :$$I(x,y,t)$$

Chaque pixel correspond à une mesure locale produite par le capteur.

Cette organisation est idéale pour l’acquisition.

Mais une intelligence artificielle doit ensuite transformer plusieurs millions de valeurs en une représentation plus exploitable.

C’est ici qu’apparaît un problème fondamental :

Sous quelle forme faut-il organiser l’information visuelle pour pouvoir raisonner efficacement dessus ?

Plusieurs réponses sont possibles.

Le patch en est une.

Le token visuel en est une autre.

Le Vimber en propose une troisième.

---

2. Le patch : découper l’image pour rendre le calcul tractable

Un patch est généralement une portion régulière de l’image.

Par exemple :$$16\times16$$

pixels.

Une image peut alors être découpée en :$$P_1,P_2,\ldots,P_n$$

Au lieu de travailler directement sur chacun des pixels, l’architecture traite un ensemble beaucoup plus réduit de blocs.

Cette organisation est particulièrement adaptée aux architectures Transformer.

L’idée est simple et extrêmement efficace :

regrouper spatialement l’information avant de la faire entrer dans le modèle.

Le patch constitue donc avant tout une unité de découpage computationnel.

---

3. Le patch ne prétend pas représenter une structure naturelle du monde

Un point important doit être clarifié.

Le patch n’a pas besoin de correspondre à un objet ou à une région physiquement cohérente.

Une frontière peut traverser un patch.

Un patch peut contenir :

• une partie d’un visage ;
• une partie du fond ;
• une ombre ;
• plusieurs textures ;
• plusieurs profondeurs.

Inversement, une même structure réelle peut être répartie sur de nombreux patchs.

Cela n’empêche pas les architectures Transformer de fonctionner.

Le modèle apprend ensuite à reconstruire les dépendances utiles entre ces différentes portions.

Le patch répond donc principalement à :

Comment diviser l’image en unités régulières que le système pourra traiter efficacement ?

Il ne répond pas nécessairement à :

Quelles sont les unités naturelles de la scène ?

---

4. Le token visuel : passer du morceau d’image à une représentation abstraite

Le patch brut est généralement projeté dans un espace vectoriel.

On peut écrire :$$P_i\rightarrow z_i$$

où $z_i$ constitue un token visuel.

Le token contient alors une représentation numérique apprise du contenu correspondant.

L’image devient :$$I \rightarrow \{z_1,z_2,\ldots,z_n\}$$

Cette transformation est fondamentale.

Le système ne manipule plus seulement des valeurs de pixels.

Il manipule des vecteurs capables d’encoder des caractéristiques plus abstraites.

---

5. L’attention permet aux tokens d’interagir

Il serait incorrect de dire que les Transformers ne comprennent pas ou ne représentent pas de relations.

Au contraire, le mécanisme d’attention est précisément conçu pour permettre aux tokens d’interagir.

Schématiquement, chaque token peut produire :$$Q_i,\ K_i,\ V_i$$

et l’attention estime les interactions entre différentes unités.

Une représentation simplifiée est :$$A_{ij} = \operatorname{softmax} \left( \frac{Q_iK_j^T}{\sqrt d} \right)$$

Le token $i$ peut ainsi intégrer de l’information provenant du token $j$.

Un Transformer peut donc apprendre qu’un élément situé dans une zone de l’image est fortement lié à une information située très loin spatialement.

C’est précisément l’une des grandes forces de ces architectures.

---

6. Les relations des Transformers sont apprises dans la représentation

Cette capacité relationnelle est cependant généralement intégrée à l’intérieur du calcul du réseau.

Les interactions existent sous forme de poids d’attention, de caractéristiques latentes ou de transformations successives des tokens.

On pourrait dire :$$\text{relation} \rightarrow \text{calcul interne du modèle}$$

Vimberia explore une possibilité complémentaire :$$\text{relation} \rightarrow \text{structure explicite du monde interne}$$

La distinction est subtile mais importante.

Il ne s’agit pas de dire :

« le Transformer n’a pas de relations ».

Il s’agit de demander :

Certaines relations devraient-elles exister comme des éléments persistants et explicitement accessibles en dehors du calcul transitoire d’un réseau ?

---

7. Une autre voie : de la région homogène au Vimber

Vimberia ne part pas d’un découpage arbitraire en patchs.

La trajectoire conceptuelle est plutôt :$$\boxed{ \text{Pixel} \rightarrow \text{Région homogène} \rightarrow \text{Vimber} }$$

La première étape consiste à faire émerger des structures perceptivement cohérentes dans l’observation.

On obtient :$$R_1,R_2,\ldots,R_m$$

où chaque région correspond à une portion structurée de l’image.

Ces régions ne sont pas nécessairement carrées.

Leur forme et leur taille peuvent dépendre de ce qui est effectivement observé.

---

8. Région et patch ne remplissent donc pas le même rôle

Nous pouvons résumer :$$\boxed{ \text{Patch}=\text{partition imposée par l’architecture} }$$

alors que :$$\boxed{ \text{Région homogène}=\text{partition issue de la structure perceptive} }$$

Le patch est généralement régulier.

La région peut être irrégulière.

Le patch a une taille prédéterminée.

La région peut s’adapter à la scène.

Le patch facilite principalement le calcul.

La région cherche à rendre explicite une première structure de l’observation.

---

9. Pourtant, une région n’est toujours pas un Vimber

Une région homogène appartient à une image donnée :$$R_i^{(t)}$$

À l’image suivante, le système obtient :$$R_j^{(t+1)}$$

Ces régions peuvent changer de position, d’étendue ou d’apparence.

Le Vimber introduit la notion supplémentaire de persistance.

Plusieurs observations successives peuvent contribuer à une même unité interne :$$R_i^{(t)} \rightarrow V_k$$$$R_j^{(t+1)} \rightarrow V_k$$$$R_m^{(t+2)} \rightarrow V_k$$

Le Vimber n’est donc plus attaché exclusivement à une frame.

Il devient une unité du monde perceptif maintenu par le système.

---

10. Le Vimber cherche à rendre certaines structures explicites

On peut représenter conceptuellement un Vimber par :$$V_i= ( ID_i, S_i, H_i, \mathcal R_i )$$

où :

• $ID_i$ désigne son identité ;
• $S_i$ son état ;
• $H_i$ son historique ;
• $\mathcal R_i$ ses relations avec d’autres Vimbers.

Cette formulation permet de voir la différence avec un token.

Le token est principalement une représentation vectorielle destinée au calcul.

Le Vimber est envisagé comme une entité explicitement maintenue.

---

11. Token visuel et Vimber : une différence de statut

Nous pouvons simplifier la distinction ainsi.

Un token visuel peut être décrit comme :$$T_i=f(P_i)$$

ou comme une unité issue d’une représentation apprise plus complexe.

Le modèle exploite ensuite :$$T_1,T_2,\ldots,T_n$$

Un Vimber, lui, s’inscrit plutôt dans :$$V_i(t) \rightarrow V_i(t+1)$$

Son identité doit pouvoir continuer d’exister au travers des observations.

La différence fondamentale est donc moins :

« token contre région »

que :

représentation calculée pour une observation contre entité maintenue dans un état perceptif persistant.

---

12. Les Vimbers peuvent également avoir des relations explicites

Supposons :$$V_A,\ V_B,\ V_C$$

Le système peut maintenir des relations :$$R_{AB},R_{AC},R_{BC}$$

L’état perceptif peut alors devenir :$$G_t=(V_t,E_t)$$

avec :$$V_t=\{V_1,V_2,\ldots,V_n\}$$

et :$$E_t=\{R_{ij}\}$$

Cela signifie qu’une relation peut devenir une information consultable indépendamment de l’apparence instantanée des unités.

Elle peut elle-même posséder une histoire.

Par exemple :$$R_{AB}(t) \rightarrow R_{AB}(t+1)$$

Cette relation peut persister alors que l’image évolue fortement.

---

13. Attention implicite et relation explicite ne s’excluent pas

C’est probablement la distinction la plus importante de cet article.

Un Transformer peut apprendre :

le token $T_A$ doit fortement tenir compte de $T_B$.

Vimberia peut, parallèlement, maintenir :$$R(V_A,V_B)$$

comme propriété explicite de son état interne.

Ces deux mécanismes pourraient parfaitement coexister.

Une relation explicite pourrait même devenir une entrée d’un Transformer.

Inversement, un Transformer pourrait servir à enrichir ou interpréter des relations Vimber.

Il ne s’agit donc pas d’opposer :$$\text{attention} \quad\text{et}\quad \text{graphe}$$

mais de distinguer :$$\boxed{\text{relation calculée}}$$

et :$$\boxed{\text{relation maintenue}}$$

---

14. Pourquoi rendre une relation persistante ?

Prenons un système observant une personne tenant un objet.

À un instant donné :$$R(V_{\text{main}},V_{\text{objet}})$$

peut représenter une relation structurale ou fonctionnelle.

À l’image suivante, la perspective change.

Les pixels changent.

Les régions évoluent.

Mais la relation peut continuer d’exister.

La représentation persistante permet alors au système de conserver :

« ces deux éléments restent liés »

sans nécessairement devoir redécouvrir entièrement cette relation à chaque observation.

La relation devient une forme de mémoire.

---

15. Le raisonnement de haut niveau arrive ensuite

L’un des objectifs conceptuels de Vimberia est justement de déplacer une partie de la structuration avant le raisonnement sémantique de haut niveau.

Le système pourrait disposer d’abord de :$$V_1,V_2,\ldots,V_n$$

et de :$$R_{ij}$$

avant même de savoir que :$$V_1=\text{roue}$$

ou :$$V_2=\text{voiture}$$

Autrement dit, certaines propriétés pourraient être établies au niveau :$$\text{structure}$$

avant :$$\text{sémantique}$$

puis :$$\text{raisonnement}$$

Ce qui donne :$$\boxed{ \text{Perception} \rightarrow \text{Structure explicite} \rightarrow \text{Sémantique} \rightarrow \text{Raisonnement} }$$

---

16. Une intelligence peut savoir que deux choses sont liées avant de savoir ce qu’elles sont

Cette idée mérite d’être soulignée.

Considérons deux structures inconnues :$$V_A \qquad V_B$$

Le système peut éventuellement observer que leur relation est stable :$$R(V_A,V_B)$$

sans disposer encore de mots pour les nommer.

Il pourrait savoir :

« A et B se déplacent ensemble »

avant de savoir :

« A est une roue et B une automobile ».

C’est une forme de connaissance pré-sémantique.

Elle peut devenir particulièrement intéressante pour les systèmes qui doivent découvrir leur environnement directement à partir de leurs capteurs.

---

17. Trois unités, trois questions

Nous pouvons maintenant résumer les trois concepts par les questions auxquelles ils répondent.

Le patch

Comment découper l’image en blocs efficaces à traiter ?

Le token visuel

Comment encoder ces informations dans une représentation que le modèle peut exploiter et mettre en relation ?

Le Vimber

Quelles structures perceptives doivent posséder une identité, des relations et une continuité dans le temps ?

Cette différence est plus importante que leur apparence informatique.

---

18. Comparaison synthétique

Propriété	Patch	Token visuel	Vimber
Origine	Découpage de l’image	Encodage appris	Région perceptive puis persistance
Géométrie	Souvent régulière	Pas nécessairement spatiale après encodage	Dépend de la structure observée
Unité liée à une frame	Généralement oui	Généralement oui dans sa génération	Cherche à dépasser la frame
Représentation vectorielle	Pas obligatoirement	Oui	Pas nécessairement limitée à un vecteur
Relations	À construire par le modèle	Apprises notamment par attention	Peuvent être explicites
Identité persistante	Non intrinsèque	Non intrinsèque	Centrale
Historique propre	Non	Pas nécessairement	Peut être maintenu
Hiérarchie explicite	Pas intrinsèque	Peut être apprise	Peut être structurée explicitement
Objectif principal	Régulariser le calcul	Représenter l’information	Maintenir des unités du monde perçu

Cette table ne vise pas à établir une supériorité générale.

Elle met en évidence des fonctions différentes.

---

19. Le Transformer peut toujours intervenir dans une architecture Vimber

Il serait également incorrect de conclure :

« Si l’on utilise des Vimbers, on n’a plus besoin de Transformers. »

Ce n’est pas la proposition.

Un Transformer pourrait parfaitement prendre comme unités d’entrée :$$V_1,V_2,\ldots,V_n$$

plutôt que des patchs bruts.

Chaque Vimber pourrait produire une représentation :$$V_i\rightarrow T_i^{V}$$

et le mécanisme d’attention pourrait ensuite raisonner entre ces unités.

On obtiendrait alors :$$\text{Pixels} \rightarrow \text{Régions} \rightarrow \text{Vimbers} \rightarrow \text{Tokens Vimber} \rightarrow \text{Transformer}$$

Dans ce cas, le Vimber et le token ne seraient plus concurrents.

Le Vimber définirait ce qui doit être représenté.

Le token définirait comment cette information est présentée au réseau.

Cette distinction ouvre beaucoup de possibilités.

---

20. Le nombre d’unités pourrait également devenir variable

Dans une architecture par patchs, le nombre d’unités dépend principalement de la résolution et de la taille du patch.

Pour une image de dimensions :$$W\times H$$

avec des patchs :$$P\times P$$

le nombre d’unités est approximativement :$$N= \frac{W}{P} \times \frac{H}{P}$$

Il est donc presque fixe.

Dans une représentation Vimber, le nombre d’unités pourrait davantage dépendre de la complexité structurelle de la scène.

Une scène simple pourrait générer relativement peu d’unités.

Une scène complexe davantage.

On obtient alors une représentation potentiellement adaptative.

---

21. Toutes les régions n’ont pas nécessairement la même importance

Une grille impose également une forme d’égalité initiale.

Chaque patch possède généralement la même taille.

Mais dans le monde réel, toutes les structures n’ont pas la même importance ni la même dynamique.

Un élément pourrait être :

• stable ;
• très dynamique ;
• central pour la tâche ;
• secondaire ;
• peu fiable ;
• temporairement occulté.

Une représentation persistante peut potentiellement associer à chaque Vimber différents états de priorité ou de confiance.

Le calcul peut alors devenir plus sélectif.

---

22. Vers une architecture hybride

Plutôt que chercher un vainqueur entre patchs, tokens et Vimbers, une architecture future pourrait exploiter leurs avantages respectifs.

Par exemple :$$\text{Pixels}$$$$\downarrow$$$$\text{Régions homogènes}$$$$\downarrow$$$$\boxed{\text{Vimbers persistants}}$$$$\downarrow$$$$\text{Embeddings / Tokens}$$$$\downarrow$$$$\boxed{\text{Transformer / World Model}}$$

Le rôle de chaque niveau serait clair.

Le capteur acquiert.

La perception structure.

Le Vimber maintient.

Le token encode.

L’attention contextualise.

Le modèle prédit ou raisonne.

---

23. Pourquoi cette distinction peut être importante en embarqué

Cette architecture prend un intérêt particulier pour les systèmes embarqués.

Un robot ou un drone ne dispose pas nécessairement de la puissance permettant de retraiter constamment de grandes quantités de tokens.

S’il est possible de maintenir explicitement certaines structures stables, une partie du raisonnement pourrait être concentrée sur :$$\Delta G_t$$

c’est-à-dire sur ce qui a réellement nécessité une modification.

Le système pourrait alors distinguer :$$\text{perception continue}$$

et :$$\text{raisonnement lourd occasionnel}$$

Un Vimber stable n’aurait peut-être pas besoin d’être réinterprété intégralement à chaque cycle.

Cette possibilité doit évidemment être démontrée expérimentalement.

---

24. Le Vimber n’est pas une critique du token

Cette précision est importante pour positionner correctement Vimberia.

Le token est une abstraction extraordinairement puissante.

Les Transformers ont montré qu’une séquence d’unités vectorielles combinée à l’attention pouvait traiter des problèmes d’une complexité remarquable.

La question de Vimberia n’est donc pas :

« Comment remplacer les tokens ? »

Elle est :

« Quelles unités faudrait-il éventuellement construire avant de les transformer en tokens ? »

Autrement dit :$$\boxed{\text{tokenisation}}$$

et :$$\boxed{\text{structuration perceptive}}$$

ne sont pas nécessairement la même opération.

---

25. Le point philosophique : la grille vient de la machine, la structure vient-elle du monde ?

Le patch hérite indirectement de la grille du capteur.

Même lorsqu’il est extrêmement efficace, son découpage reste principalement dicté par l’architecture.

Vimberia pose une question différente :

Peut-on faire en sorte que les unités de calcul de plus haut niveau dépendent davantage de la structure effectivement observée que de la géométrie du capteur ?

Cela conduit à une progression :$$\text{grille du capteur} \rightarrow \text{structure de l’observation} \rightarrow \text{structure persistante}$$

Et c’est ce dernier passage qui définit le Vimber.

---

26. Une différence importante : explicite contre latent

Les réseaux neuronaux modernes possèdent une extraordinaire capacité à contenir implicitement de l’information.

Un embedding peut encoder des propriétés que personne n’a explicitement programmées.

Vimberia ne cherche pas à nier cette puissance.

Il pose plutôt la question suivante :

Certaines informations devraient-elles exister simultanément sous une forme explicitement manipulable ?

Par exemple :$$V_A$$

existe.$$V_B$$

existe.$$R(V_A,V_B)$$

existe.

Ces éléments pourraient être lus par plusieurs modules :

• perception ;
• navigation ;
• mémoire ;
• raisonnement ;
• planification ;
• World Model.

Cela ferait du Vimber une sorte de mémoire perceptive commune.

---

27. Trois façons différentes de représenter l’information visuelle

Nous pouvons finalement représenter les trois philosophies de manière simple.

Patch

$$\boxed{ \text{Image} \rightarrow \text{blocs réguliers} }$$

Objectif :

organiser efficacement les données.

Token visuel

$$\boxed{ \text{information visuelle} \rightarrow \text{vecteur abstrait} }$$

Objectif :

fournir au modèle une représentation exploitable et contextualisable.

Vimber

$$\boxed{ \text{région observée} \rightarrow \text{entité perceptive persistante} }$$

Objectif :

maintenir explicitement certaines structures et leurs relations dans le temps.

---

Conclusion — Trois représentations, trois niveaux d’abstraction

Patchs, tokens visuels et Vimbers ne répondent pas exactement au même problème.

Le patch découpe.

Le token encode.

Le Vimber cherche à maintenir.

Le Transformer, grâce à l’attention, est parfaitement capable d’apprendre des interactions complexes entre ses tokens.

La proposition Vimberia ne consiste donc pas à nier cette capacité.

Elle consiste à se demander si certaines structures et certaines relations devraient exister explicitement et durablement avant même le raisonnement de haut niveau.

Nous pouvons alors résumer les deux philosophies principales :$$\boxed{ \text{Pixel} \rightarrow \text{Patch} \rightarrow \text{Token} \rightarrow \text{Raisonnement} }$$

et :$$\boxed{ \text{Pixel} \rightarrow \text{Région homogène} \rightarrow \text{Vimber persistant} \rightarrow \text{Raisonnement} }$$

Elles ne sont pas nécessairement incompatibles.

Une architecture future pourrait même devenir :$$\boxed{ \text{Pixel} \rightarrow \text{Région} \rightarrow \text{Vimber} \rightarrow \text{Token} \rightarrow \text{Transformer} }$$

Le changement essentiel est ailleurs.

Au lieu de demander uniquement :

« Quelle information dois-je encoder ? »

Vimberia pose d’abord :

« Quelles structures doivent continuer d’exister dans la représentation lorsque l’image suivante arrive ? »

C’est la différence entre calculer une représentation et maintenir un monde perceptif.

---

Michel Tran
Vimberia Research
France — septembre 2026

Article de positionnement sur le concept de Vimber — Vision, Image, Élément, Répétition. Les mécanismes algorithmiques propriétaires de formation, de consolidation et de maintenance des Vimbers ne sont volontairement pas exposés dans cette publication.