← Accueil actu | Salle du marché
2026-11-04 · Source:虎嗅·中继

Sans générer d'images, il prédit le futur dans un espace abstrait ; conception hiérarchique de 2022, première implémentation reproductible quatre ans plus tard
Sur la tâche de labyrinthe Visual AntMaze, le modèle à couche unique LeWM n'atteint qu'un taux de réussite de 18 %, tandis que le H-JEPA empilé sur trois couches le porte à 73 % — il s'agit de la première implémentation complète et reproductible de la voie des modèles du monde hiérarchiques de Yann LeCun, quatre ans après avoir proposé le concept de JEPA hiérarchique dans son article de 2022 « A Path Towards Autonomous Machine Intelligence ». En quatre ans, l'attitude de l'industrie envers cette voie est passée de l'observation au scepticisme, jusqu'à cette validation, dont la signification dépasse largement un simple bond numérique : elle prouve qu'un modèle du monde peut accomplir une planification long terme sans dépendre de la génération au niveau des pixels.
JEPA signifie Joint-Embedding Predictive Architecture, soit architecture prédictive à plongement conjoint. Contrairement aux modèles génératifs vidéo actuels, il ne dessine pas l'image suivante, mais compresse l'image en un ensemble de vecteurs abstraits — les représentations latentes — puis prédit le futur dans cet espace abstrait, comme deux personnes jouant aux échecs les yeux fermés : sans disposer l'échiquier, l'une énonce « général cinq avance un », « pion un avance un », et l'autre peut dérouler mentalement la partie. Le H-JEPA empile plusieurs JEPA couche par couche, chaque couche étant dotée d'un encodeur d'observations, d'un encodeur d'actions et d'un prédicteur latent, prédisant dans son propre espace de représentation des états à différents horizons temporels : la couche la plus basse gère le plus fin et voit le plus près, et plus on monte, plus la vision est lointaine et macroscopique.
Lors de la planification, l'ordre s'inverse : la couche supérieure fournit d'abord un état objectif grossier, qui devient le sous-objectif de la couche inférieure, raffiné couche par couche jusqu'à ce que la couche la plus basse produise les actions. Cette logique hiérarchique provient du concept de LeCun « aller de New York à Paris » — pour aller de Pékin à Shanghai, le cerveau décide d'abord « prendre le train à grande vitesse », puis réfléchit à comment se rendre à la gare de Pékin-Sud, et enfin détermine quel pied avancer en premier ; la couche de réservation n'a besoin que de l'horaire, du prix et du numéro de train, tandis que la couche de la marche requiert l'équilibre, les marches et le sol. C'est précisément là que le Transformer peine le plus : prédire token par token revient à mélanger la réservation, le trajet vers la gare et la descente d'escaliers ; plus les étapes sont nombreuses, plus les erreurs s'accumulent. L'article souligne qu'un modèle plat à couche unique doit déployer de nombreuses étapes fines dans les tâches longues, les erreurs de prédiction s'accumulant constamment et l'espace de recherche d'actions gonflant en conséquence.
Le bond de 18 % à 73 % est frappant, mais la question surgit aussitôt : si trois couches sont déjà si efficaces, pourquoi ne pas en empiler cent ? Où se situe le plafond du JEPA hiérarchique ? Yann LeCun devra encore apporter la réponse.
Pour les acheteurs de puissance de calcul IA, le signal de cette avancée mérite une attention sérieuse. Les architectures de type JEPA mettent l'accent sur la prédiction dans un espace de représentations abstraites, contournant en théorie la dépendance extrême des modèles de génération vidéo à la mémoire vidéo à très haut débit et à la puissance de calcul dense ; en phase d'inférence, le calcul consiste principalement en un déroulement séquentiel de vecteurs latents, une forme de calcul plus proche de l'apprentissage de représentations que du débruitage diffusif. Si les modèles du monde hiérarchiques progressent vers l'IA embarquée, la robotique et les scénarios de décision sur longues séquences, la structure des achats de calcul pourrait évoluer d'un « cluster d'entraînement GPU pur » vers des « charges mixtes entraînement + inférence + planification » ; les acheteurs devront, en planifiant leurs clusters, réserver une part flexible de puissance d'inférence à faible latence et débit moyen, plutôt que d'empiler aveuglément des performances d'entraînement en pic.
Sur le plan des critères d'achat, trois points sont à surveiller : premièrement, la voie des modèles du monde en est encore à la phase de validation recherche, loin d'un déploiement commercial à grande échelle ; les acheteurs ne devraient pas ajuster immédiatement leurs achats matériels sur cette base, mais peuvent conserver des clauses de compatibilité architecturale dans les contrats ; deuxièmement, l'entraînement des représentations latentes de ces modèles est sensible à la bande passante mémoire et à la topologie d'interconnexion, et l'évaluation des nœuds devrait privilégier l'interconnexion de niveau NVLink et les configurations de mémoire à haut débit ; troisièmement, les environnements de simulation (comme les tâches de type Visual AntMaze) exigent eux-mêmes un investissement continu en calcul, et le budget d'achat devrait intégrer les clusters de simulation dans le total. L'approche rationnelle consiste en des projets pilotes à petite échelle, une extension par lots, et le suivi de la reproductibilité des prochains articles et des progrès d'ingénierie avant tout investissement en capital.
[Données de marché réelles] L'architecture de modèle concernée par cet article relève du domaine des articles de recherche et ne correspond à aucun modèle de calcul spécifique en vente ; aucune donnée de prix n'est actuellement disponible pour ce type de produit. Pour suivre les cotations en temps réel et les stocks des ressources de calcul associées, veuillez consulter les prochains rapports de marché de WANAN News (AIXX News).
Globalement, l'importance historique du H-JEPA réside dans la concrétisation, pour la première fois, d'une voie théoriquement élégante en une implémentation complète et reproductible. Elle ne remplacera probablement pas les modèles génératifs à court terme, mais offre une bifurcation validée face au défi de la planification long terme de « l'intelligence machine autonome ». Pour l'industrie du calcul, le véritable point d'inflexion viendra le jour où cette architecture passera des tâches de labyrinthe aux robots réels et aux scénarios de décision industrielle.
Q : Quel est le résultat précis du H-JEPA sur la tâche Visual AntMaze ?
R : Le modèle à couche unique LeWM n'atteint qu'un taux de réussite de 18 %, tandis que le H-JEPA empilé sur trois couches le porte à 73 % — il s'agit de la première implémentation complète et reproductible de la voie des modèles du monde hiérarchiques de Yann LeCun.
Q : Quelle est la différence fondamentale entre le H-JEPA et les modèles du monde génératifs vidéo ?
R : Le JEPA ne génère pas l'image suivante, mais compresse l'image en représentations latentes abstraites et prédit le futur dans un espace abstrait ; le H-JEPA va plus loin en empilant plusieurs JEPA couche par couche, prédisant de manière hiérarchique des états à différents horizons temporels pour accomplir la planification long terme.
Mots-clés: Yann LeCun · H-JEPA · JEPA · LeWM · World Model
萬安算交所 AIXX · AIXX · Bourse compute vérifiée · Accéder à la salle