Observer pour comprendre. Un enfant apprend ainsi, une IA aussi.
Lorsque nous sommes enfants, nous observons le monde qui nous entoure, nous examinons, entendons des sons, touchons. En exerçant toute cette palette de possibilités, nous apprenons à apprivoiser l’environnement autour de nous et à le comprendre en grandissant.
Dans le domaine de l’intelligence artificielle, la capacité des machines à comprendre et à interpréter le monde physique est cruciale pour leur développement. Pourtant, reproduire de manière dont les êtres humains apprennent en observant leur environnement reste un défi important. Les LLM façon ChatGPT ou Midjourney ont en effet une approche probabiliste qui ne s’opportune pas à tenter de comprendre un environnement physique : ce qui suit – ce bout de texte ou ces quelques pixels – a de fortes chances de bien aller avec ce qui précède, et “basta”.
Cependant, Meta a annoncé la création de V-JEPA (Vidéo – Joint Embedding Predictive Architectures), un modèle IA qui marque une étape vers la compréhension plus approfondie du monde par les machines à partir de vidéos.
Le Français Yann LeCun, vice-président et responsable scientifique de Meta pour l’intelligence artificielle, a déclaré : « Notre objectif est de construire une intelligence artificielle avancée capable d’apprendre davantage comme le font les humains, en formant des modèles internes du monde qui les entoure afin d’apprendre, de s’adapter et d’élaborer des plans de manière efficace au service de l’accomplissement de tâches complexes.”
V-JEPA représente une avancée majeure dans la numérisation de l’apprentissage humain. L’IA adoptée est capable de prédire les parties manquantes ou masquées d’une vidéo dans un espace abstrait. Contrairement aux méthodes qui consistent à combler chaque pixel manquant, V-JEPA se distingue par son efficacité d’apprentissage et d’échantillonnage. Cette approche ouvre ainsi la voie vers un apprentissage plus efficace et généralisé.
