Un enfant de 2 ans comprend la gravité après avoir jeté sa cuillère trois fois par terre. Un LLM a besoin d’ingérer l’intégralité d’internet pour tenir une conversation sur la physique — sans jamais vraiment la comprendre. C’est le paradoxe de Moravec, et c’est la thèse centrale de Yann LeCun, l’un des pères fondateurs du deep learning : l’IA qu’on construit depuis dix ans est peut-être une impasse. Il vient de lever 1 milliard de dollars pour en faire la démonstration.
Au programme :
🔥 LeCun vs les LLM — pourquoi “réciter le monde” ne suffit pas, et ce que le World Model change concrètement
DESIGN.md : Google open-source le “robots.txt” de tes règles de design
La France remplace Windows par Linux dans toute son administration — ce que ça ouvre pour les builders
→ News en vrac
L’IA ne calcule pas la chute de la tasse. Elle récite le script de la chute.
Yann LeCun vient de lever 1 milliard de dollars pour prouver que les LLM ne comprendront jamais vraiment le monde — et qu’il existe une meilleure architecture.
Pose cette question à ChatGPT : “une tasse est en équilibre sur le bord d’une table — que se passe-t-il ?” Il te répondra avec brio en citant Newton. Mais l’IA ne calcule pas la chute. Elle récite le script de la chute. C’est la distinction que Yann LeCun — prix Turing, ex-chef de la recherche IA chez Meta, 40 ans à essayer de reproduire informatiquement le cerveau biologique — défend depuis des années. Depuis mars 2026, ce n’est plus seulement une thèse académique : sa startup parisienne vient de lever plus d’un milliard de dollars sur une valorisation de 3,5 milliards.
Le problème des LLM est structural, pas de performance. ChatGPT, Claude, Gemini sont tous des modèles autorégressifs : ils prédisent le prochain token de manière probabiliste. En restant à la surface des mots, ils ne touchent jamais la structure du monde. Pour eux, “pomme” n’est qu’un vecteur mathématique entouré d’autres vecteurs — “rouge”, “fruit”, “Newton”. Ils n’ont aucune idée de sa masse, de sa texture, de la façon dont elle rebondit sur le sol. C’est pour ça qu’ils hallucinent : sans modèle interne de la réalité, ils ne peuvent pas vérifier leurs propres affirmations.
La réponse de la Silicon Valley a été simple : more is different — plus de données, plus de GPU, plus de paramètres. LeCun pense que c’est une impasse. On ne peut pas apprendre à conduire en lisant le livre de l’auto-école à l’infini. Un certain Elon Musk veut mettre des gigawatts en orbite pour alimenter ses data centers — LeCun dit que ça ne marchera pas éternellement.
Son alternative s’appelle JEPA — Joint Embedding Predictive Architecture. L’idée : arrêter de prédire des mots ou des pixels, et apprendre les règles derrière les événements. Un ballon tombe, rebondit, ralentit — plutôt que de reconstruire chaque image, le modèle intègre la trajectoire dans un espace latent, une représentation abstraite du monde. On ne dessine pas la balle qui tombe, on calcule sa trajectoire.
Ce que ça donne en pratique : le World Model s’entraîne sur des vidéos brutes, sans labels, sans textes annotés. Il observe, prédit l’état suivant dans cet espace latent, se trompe, ajuste. En quelques heures d’entraînement, il déduit des lois de la physique par l’observation — sans qu’on les lui ait jamais expliquées. Il comprend qu’un objet ne traverse pas un mur, qu’une balle rebondit, que la gravité est une constante.
Les chiffres font réfléchir : 15 millions de paramètres, un seul GPU, 200 fois moins de tokens, 48 fois plus rapide pour planifier une action physique que les architectures génératives actuelles. Pour comparer : GPT-4 dépasse les 170 milliards de paramètres.
La levée de 1 milliard ne sert pas à rester aussi petit — elle sert à passer à l’échelle tout en conservant l’architecture. Et LeCun publie le code de son mécanisme central (le CSGR, qui empêche le modèle de “tricher” en représentant tous les objets de la même façon) pour que le secteur entier l’adopte. Stratégie de standard classique : si tout le monde repart de JEPA, il reste dans la course.
Ce que ça change pour toi :
🟢 Maintenant : cette distinction — LLM génératif vs architecture prédictive — change la façon dont tu évalues les outils IA. Un LLM excellent pour du texte reste fondamentalement limité pour raisonner sur des situations physiques ou causales complexes. Calibre tes usages en conséquence, et regarde la vidéo de vulgarisation sur le sujet — c’est 15 minutes bien investies.
🟡 À surveiller : les premiers produits construits sur JEPA ou des architectures similaires. La robotique et les voitures autonomes sont les cas d’usage immédiats — mais les implications pour les agents IA qui agissent dans des interfaces réelles (computer use, navigation web, automatisation physique) sont directes.
⚪ Pas encore : abandonner les LLM pour autre chose. La thèse de LeCun est convaincante sur le plan théorique, mais le World Model en est encore au stade de preuve de concept. Les LLM ont dix ans d’avance en production.
DESIGN.md : le fichier qui explique ton design system à n’importe quel outil IA
Google Stitch open-source un standard pour exporter et importer tes règles de design entre plateformes. La fin de “ré-expliquer ses couleurs à chaque nouveau projet”.
Tu connais robots.txt — le fichier qui dit aux moteurs de recherche quoi indexer. Tu connais llms.txt — le fichier qui dit aux agents IA quelles parties de ton site ils peuvent utiliser. Google Stitch vient de proposer DESIGN.md : le fichier qui dit à n’importe quel outil de design IA quelles sont tes règles.
La spec est simple, et c’est sa force. DESIGN.md centralise ta palette de couleurs, ta typographie, tes règles de composants, ton token system. Tu le places à la racine de ton projet, et Lovable, Cursor, Claude, Stitch — n’importe quel outil compatible — le lit automatiquement avant de générer quoi que ce soit. Fini de ré-expliquer ton design system à chaque conversation, chaque nouveau projet, chaque collaborateur IA.
C’est la même logique que CLAUDE.md pour les instructions de dev — mais pour le design. Et la spec est déjà open-source, publiée pour que n’importe quelle plateforme l’adopte. Google pousse activement pour en faire un standard cross-outil.
À retenir : Si tu construis plusieurs projets avec des outils IA, crée ton DESIGN.md cette semaine — c’est 30 minutes de travail qui t’en économisent des dizaines. La spec et les exemples sont disponibles sur stitch.withgoogle.com.
La France remplace Windows par Linux — ce que ça ouvre vraiment
DINUM en tête, tous les ministères ont jusqu’à l’automne pour rendre leur plan de migration. 80 000 agents de la Sécurité sociale déjà sur outils souverains.
C’est officiel : la France remplace Windows par Linux dans toute son administration. La DINUM coordonne, les ministères doivent rendre leur plan d’ici l’automne. 80 000 agents de la Sécu migrent déjà vers des outils souverains — Tchap à la place de Teams, suites open source à la place d’Office.
La décision est politique, mais les implications sont économiques. Une migration de cette ampleur ne se décrète pas — elle se construit. Formation des agents, adaptation des workflows, migration des données, compatibilité des outils métier : c’est une demande massive pour des prestataires capables d’accompagner la transition. Et Linux n’implique pas moins d’IA — au contraire, il ouvre la voie à des outils IA souverains, hébergés en France, construits sur des modèles open source. Les appels d’offres qui vont suivre seront une opportunité concrète pour qui se positionne maintenant.
À retenir : Si tu travailles avec des clients du secteur public ou des grandes entreprises qui vont suivre le mouvement, c’est le bon moment pour affiner ton positionnement autour de la souveraineté tech et des outils open source. Le marché vient de s’ouvrir officiellement.
→ En vrac cette semaine
→ [HeyGen Hyperframes] HeyGen open-source Hyperframes, un moteur de rendu vidéo programmatique concurrent direct de Remotion — tu génères des vidéos depuis du code, sans After Effects ni timeline. Même direction que Claude Design : l’IA comme couche de génération, le code comme couche de contrôle — github.com/heygen-com/hyperframes
Si cela t’a plu, n’hésite pas à m’ajouter sur Linkedin, m’écrire un petit message en répondant à cette newsletter ou encore partager pour m’encourager à continuer 😎
Si, à l’inverse, un ami vous a transféré cette newsletter et que vous l’avez apprécié, vous pouvez vous abonner. 👇
Comments
Nothing yet. Say the first thing.
Sign in to join the conversation.