Résoudre une fois : Transformez le travail répétitif d'expert en une compétence que votre agent peut exécuter.

Applied Frontier #2 : Modèles du Monde Cessez de prédire des tokens, commencez à simuler des mondes Applied Frontier est un rassemblement technique intime pour les bâtisseurs, chercheurs, fondateurs et ingénieurs travaillant à la pointe des systèmes d'IA. La deuxième édition se penche sur les Modèles du Monde, le passage des systèmes d'IA qui prédisent le prochain token à ceux qui apprennent un modèle interne de la réalité, puis utilisent ce modèle pour prédire, planifier et agir. Au cours des trois dernières années, la frontière a été dominée par le langage. Les modèles ont appris le monde à travers le texte, les images, la vidéo et la description humaine. Ils pouvaient décrire un verre qui tombe, mais ils ne comprenaient pas vraiment ce qui se passe lorsqu'il bascule au-delà de son centre de masse. Ils pouvaient générer une pièce, mais ils ne pouvaient pas simuler de manière fiable les changements lorsque un agent y déplace. Ce fossé devient maintenant l'événement principal. Fei-Fei Li a qualifié l'intelligence spatiale de l'une des prochaines frontières de l'IA. Yann LeCun a soutenu que la prédiction du prochain token seule n'est pas suffisante, et que le élément manquant est un modèle du monde qui peut être utilisé pour soutenir la planification. À travers le domaine, la question devient plus précise : Pouvons-nous construire des modèles qui ne décrivent pas seulement la réalité, mais la simulent ? Un modèle du monde est un simulateur appris. Donnez-lui un état et une action, et il prédit ce qui se passe ensuite. Certains modèles du monde créent des environnements interactifs que vous pouvez parcourir. Certains aident les robots à raisonner sur les conséquences physiques. Certains génèrent des mondes synthétiques pour la formation et l'évaluation. Certains prédisent des états futurs abstraits au lieu de rendre chaque pixel. La question fondamentale n'est pas de savoir si ces systèmes semblent impressionnants. La question est de savoir s'ils sont utiles lorsqu'un agent doit agir. Ce que nous allons discuter Les quatre paris sur une frontière Nous comparerons les grandes directions émergentes dans les modèles du monde : simulation interactive, intelligence spatiale, apprentissage de représentation prédictive, et infrastructure physique d'IA. Cela inclut des systèmes comme Genie 3 de DeepMind, les modèles du monde en temps réel de Decart, Marble de World Labs, V-JEPA de Meta, et Cosmos de NVIDIA. Chacun fait un pari différent sur ce que signifie modéliser le monde, ce qui doit être généré, ce qui doit être prédit, et ce qui est réellement utile pour les agents. Modèles du monde génératifs vs. prédictifs Un camp génère l'avenir en pixels et parie que le réalisme mènera à la compréhension. Un autre prédit des états latents abstraits, arguant que la plupart des détails de pixels sont sans rapport pour la planification et le contrôle. Ce choix change tout en aval : données d'entraînement, évaluation, calcul, mémoire, conditionnement d'action, cohérence, et si le modèle peut réellement soutenir la prise de décision. Du visionnage à l'action Un modèle du monde porte son nom lorsqu'un agent peut planifier contre lui. Nous discuterons de ce qu'il faut pour passer de la génération vidéo passive à la simulation conditionnée à l'action, de déploiements magnifiques à des contrefactuels utiles, et de “cela ressemble à du réel” à “cela aide un agent à choisir la bonne action.” Des mondes comme infrastructure Les modèles du monde deviennent une infrastructure pour la robotique, les véhicules autonomes, les agents incarnés, les jeux, les données synthétiques et les tests en boucle fermée. Nous parlerons de la génération de scénarios, de la couverture, des événements de longue traîne, des jumeaux numériques, de la formation des robots, de l'évaluation basée sur la simulation, et du fossé stubborn sim-to-real qui casse encore les meilleures démos. Où les modèles du monde échouent Les modèles du monde échouent souvent de manière subtile. La physique peut sembler correcte tout en étant fausse. La permanence des objets peut dériver. La cohérence sur le long terme peut s'effondrer. Les agents peuvent exploiter les erreurs de simulateur. Le réalisme visuel peut masquer des absurdités causales. La question plus profonde reste ouverte : Ces systèmes apprennent-ils la structure du monde, ou prédisent-ils suffisamment bien les pixels pour nous tromper ? Pour qui c'est destiné Cela s'adresse à un groupe limité de personnes profondément techniques construisant activement, recherchant ou explorant sérieusement les modèles du monde et l'IA physique. Vous devriez venir si vous travaillez dans l'ingénierie de l'IA, la génération vidéo, la robotique, l'apprentissage par renforcement, la simulation, le 3D, les graphiques, les agents incarnés, les données synthétiques, les systèmes autonomes ou l'infrastructure pour évaluer l'IA dans des environnements en boucle fermée. Venez avec quelque chose de réel : un modèle que vous construisez, un échec sim-to-real, un problème d'évaluation, une histoire de robotique, un pipeline de données synthétiques, une question de recherche difficile, ou une opinion forte sur où le domaine a tort. Comment cela fonctionne Ceci n'est pas un meetup de réseautage. Applied Frontier est conçu comme une discussion technique à fort signal avec un petit groupe de bâtisseurs sérieux. L'objectif est de raisonner ensemble, de remettre en question les hypothèses, de comparer les architectures et de faire ressortir les problèmes qui ne se manifestent pas dans des démos polies. Attendez-vous à une salle concentrée, une conversation technique et une discussion directe autour de ce qui fonctionne, ce qui se casse, et ce qui doit exister ensuite. Pourquoi cela importe Les modèles de langage ont appris le monde par procuration, à travers ce que les humains ont écrit, étiqueté, enregistré et téléchargé. Les modèles du monde essaient de l'apprendre plus directement, à travers l'observation, l'interaction, la prédiction et la simulation. Ce changement importe car la prochaine génération de systèmes d'IA ne se contentera pas de répondre à des questions. Ils se déplaceront dans des environnements, opéreront des machines, contrôleront des logiciels, conduiront des robots, testeront des décisions et planifieront dans l'incertitude. Deux modèles peuvent être entraînés sur les mêmes séquences et paraître également impressionnants dans une démo. L'un peut apprendre suffisamment de structure pour soutenir la planification. L'autre peut seulement apprendre à rendre des images plausibles. La démo peut ne pas connaître la différence. L'ingénieur oui. Détails de l'événement Date : Jeudi 30 juillet 2026 Heure : 18h00 à 21h00 Lieu : 111 Maiden Ln #540, San Francisco, CA 94108 Format : Discussion technique et échange de petits groupes de bâtisseurs Capacité : Limitée Accès : Inscription à l'avance requise. Les participants doivent apporter une pièce d'identité photo physique valide pour l'enregistrement.