Yann LeCun n’est pas venu à VivaTech pour enterrer les grands modèles de langage. Il les utilise, les trouve utiles, reconnaît leur efficacité en traduction, en génération de code ou en manipulation symbolique. Mais il refuse l’idée devenue dominante dans une partie de la Silicon Valley : il suffirait d’agrandir les LLM pour atteindre une intelligence de niveau humain.
Pour le chercheur français, prix Turing 2018 et figure majeure de l’apprentissage profond, cette croyance relève d’une forme de monoculture. Les modèles de langage savent manipuler des symboles. Ils excellent dans les domaines où le raisonnement peut être formulé comme une suite de symboles, notamment les mathématiques et le code. Mais comprendre le monde physique, anticiper les conséquences d’une action, planifier dans un environnement incertain : tout cela demande autre chose.
C’est le cœur du projet d’AMI Labs, Advanced Machine Intelligence Labs, la société fondée après son départ de Meta. Reuters a confirmé que LeCun quittait Meta fin 2025 pour lancer une entreprise consacrée à cette approche, après douze ans passés au sein du groupe et un rôle central dans la création de FAIR, le laboratoire de recherche IA de Meta.
L’intuition de LeCun tient en une expression : les world models, ou modèles du monde.
Un système véritablement intelligent ne devrait pas seulement prédire le mot suivant. Il devrait pouvoir construire une représentation abstraite de son environnement, imaginer une action, puis anticiper ce qui se produira ensuite. C’est ce que font les humains lorsqu’ils évitent un obstacle, préparent un geste, conduisent, bricolent, cuisinent ou planifient une séquence complexe. Nous n’avons pas besoin de reconstruire chaque pixel du réel. Nous en retenons les structures utiles.
LeCun travaille depuis des années sur ces architectures dites JEPA, pour Joint Embedding Predictive Architecture. Leur principe n’est pas de générer intégralement une image ou une vidéo, mais d’apprendre une représentation abstraite permettant de prédire l’évolution d’une situation. Le point est décisif : l’intelligence ne consiste pas à tout reproduire, mais à savoir ce qui mérite d’être retenu.
Cette critique vise directement l’époque actuelle. Les LLM produisent une impression de maîtrise parce qu’ils parlent bien. Ils donnent une forme linguistique à la connaissance humaine disponible. Mais pour LeCun, ils restent essentiellement des machines de diffusion du savoir, non des systèmes capables de générer une compréhension profonde du réel.
La rupture est autant scientifique que culturelle.
Pendant plus d’une décennie, Meta a incarné une certaine idée de l’IA ouverte, notamment avec Llama 2, dont l’ouverture a permis à de nombreux acteurs de bâtir des applications et des entreprises. LeCun rappelle avoir défendu ce choix en interne. Aujourd’hui, il regrette le resserrement d’une partie de l’industrie autour de modèles propriétaires, de cycles courts et d’une compétition où chacun travaille sur la même trajectoire.
Sa défense de l’open source n’est pas seulement technique. Elle est politique.
À ses yeux, l’intelligence artificielle devient un médium culturel comparable à l’imprimerie. Restreindre l’accès aux modèles sous prétexte de danger reviendrait, selon lui, à rejouer les réflexes de contrôle des institutions face aux technologies de diffusion du savoir. Le parallèle est volontairement abrupt. La circulation des connaissances comporte des risques, mais elle demeure une condition de progrès scientifique, démocratique et culturel.
C’est également le sens de son engagement dans Project Tapestry, initiative portée par l’AI Alliance, qui réunit plus de 200 organisations. Le projet vise à construire une plateforme open source de développement fédéré de modèles d’IA, permettant à des institutions, pays, universités ou entreprises de contribuer à l’entraînement de modèles ouverts tout en conservant le contrôle de leurs données. LeCun y intervient comme Chief Science Advisor.
L’enjeu est clair : la souveraineté ne consiste pas seulement à disposer d’un modèle national. Elle suppose de pouvoir participer à la fabrication même des infrastructures cognitives de demain. Aujourd’hui, beaucoup d’acteurs téléchargent des modèles. Peu contribuent à leur pré-entraînement, à leurs choix d’architecture, à leurs biais, à leur direction.
Project Tapestry cherche à déplacer cette ligne. Les données restent locales. Les contributions se font par apprentissage fédéré. Le modèle commun peut ensuite donner naissance à des déclinaisons souveraines, adaptées à des langues, des cultures, des cadres juridiques ou des priorités industrielles spécifiques.
Ce point rejoint une inquiétude plus large. Si demain nos assistants IA organisent notre accès à l’information, ils deviendront les nouveaux intermédiaires de la culture. Si ces assistants sont contrôlés par quelques entreprises américaines ou chinoises, la diversité des points de vue, des langues et des références pourrait s’appauvrir.
LeCun ne promet pas une intelligence humaine en 2027. Il récuse même l’idée d’une arrivée imminente de « génies dans un data center ». Sa position est plus lente, plus exigeante : il faut changer d’architecture, construire des systèmes capables d’anticipation et de planification, et préserver une pluralité d’acteurs dans la fabrication de l’IA.
À l’heure où l’industrie confond parfois puissance de calcul et intelligence, cette prise de distance a quelque chose de salutaire.
Le futur de l’IA ne se jouera peut-être pas dans le modèle qui parle le mieux, mais dans celui qui comprend enfin ce que parler veut dire.
Cette publication est également disponible en :
