La prochaine bataille de l’IA ne se jouera pas sur les modèles de langage. Elle se jouera sur les données capables d’apprendre aux machines à interagir avec le monde physique. Et cette ressource se trouve, en partie, dans les jeux vidéo. Frenchweb a mis le doigt sur une tendance que je surveille depuis quelques mois : les moteurs de jeu sont en train de devenir une infrastructure critique de l’IA physique.
Pourquoi les LLM ne suffisent plus
Les grands modèles de langage ont appris à partir du web. Des milliards de pages, de livres, de lignes de code. Cette approche a produit des résultats impressionnants pour générer du texte ou du code.
Mais dès qu’on veut qu’une machine agisse dans le monde réel, ça coince. Reconnaître un marteau sur une photo, c’est une chose. Savoir le saisir, adapter la prise à son poids, anticiper la trajectoire d’un objet en mouvement, c’en est une autre.
Les futurs robots, véhicules autonomes ou agents industriels ont besoin de raisonner en termes de causalité : si je pousse cette porte, que se passe-t-il ? Si je freine sur une chaussée humide, comment mon environnement évolue-t-il ?
C’est l’ambition des world models. Contrairement aux modèles génératifs classiques qui prédisent le contenu le plus probable, ils cherchent à anticiper l’évolution d’un environnement à partir d’une action donnée. Simuler mentalement les conséquences d’une décision.
Ce que les jeux vidéo apportent que le web n’a pas
Le problème avec une vidéo d’une voiture qui tourne à gauche : elle ne dit pas l’angle de braquage, l’adhérence des pneus, la vitesse exacte, les forces qui s’exercent.
Un moteur de jeu vidéo, lui, connaît chaque variable. Il calcule la gravité, les collisions, les masses, les trajectoires, les contraintes mécaniques. Chaque action d’un joueur est enregistrée avec son contexte et ses conséquences.
Unreal Engine (Epic Games) et Unity ne produisent pas seulement des images. Ils génèrent des environnements entièrement simulés dont chaque état est connu et mesurable.
Pour un labo qui travaille sur la robotique, c’est une source de données d’une richesse que le web ne peut tout simplement pas offrir.
Worldmodeldata : 8 M€ pour structurer ce marché
C’est dans ce contexte que la startup britannique Worldmodeldata vient de lever 8 millions d’euros. Son positionnement est intéressant : elle ne développe ni modèle, ni robot, ni puce. Elle construit une bibliothèque de données d’entraînement extraites des jeux vidéo pour alimenter les world models.
Le modèle économique repose sur des accords de licence avec les studios et les créateurs, pas sur de la collecte massive façon Common Crawl. Ce point est important : ça ouvre la possibilité d’une rémunération directe des détenteurs de contenus.
L’objectif affiché : constituer plus d’un million d’heures de données d’ici fin 2026, contre environ 40 000 heures pour les plus grands ensembles disponibles aujourd’hui. Si ce chiffre est atteint, c’est un actif difficile à reproduire rapidement.
À mon avis, c’est le type de pari sur les données qui ressemble beaucoup à ce qu’ont fait les agrégateurs de contenus avant l’essor du streaming. Celui qui structure la chaîne de valeur en premier a un avantage structurel.
Les grands acteurs sont déjà là
Worldmodeldata arrive dans un ecosystème qui s’est déjà mis en mouvement.
NVIDIA a élargi Omniverse bien au-delà des jumeaux numériques industriels. Isaac Sim est maintenant utilisé pour entraîner des robots dans des environnements qui reproduisent fidèlement les lois de la physique, sur le même principe qu’un moteur de jeu.
Microsoft a développé AirSim, basé sur Unreal Engine, pour entraîner des drones et des voitures autonomes. Le projet CARLA, également sur Unreal, est devenu une référence dans la recherche sur les véhicules autonomes.
Google DeepMind travaille sur Genie et Genie 2, capables de générer des mondes interactifs à partir d’images. Meta développe Habitat pour entraîner des agents incarnés dans des environnements virtuels.
Sur le terrain des world models, d’autres acteurs structurent l’écosystème : World Labs (fondée par Fei-Fei Li), Physical Intelligence, Skild AI, Stanhope AI. Ces entreprises ne construisent pas directement des robots. Elles bâtissent l’infrastructure logicielle et les données qui permettront à d’autres de le faire.
L’argument économique est fort : former un robot dans une usine coûte cher, immobilise du matériel, comporte des risques. Former simultanément des milliers de robots dans un univers virtuel ne nécessite que des ressources de calcul.
Ce n’est pas sans rappeler les enjeux que j’avais notés dans l’article sur la pénurie de mémoire DRAM : la contrainte hardware va peser de plus en plus fort sur qui peut réellement s’offrir ces pipelines d’entraînement à grande échelle.
Un second modèle économique pour les éditeurs de jeux
Ce qui est potentiellement transformateur pour l’industrie vidéoludique, c’est que les studios pourraient monétiser leurs univers d’une façon qu’ils n’avaient pas anticipée.
Jusqu’ici, la valeur d’un jeu reposait sur les ventes, les abonnements, les microtransactions. Demain, les univers virtuels pourraient devenir des actifs stratégiques pour les labos d’IA.
Les studios disposent déjà de tout ce que cherchent les chercheurs : des villes, des routes, des bâtiments, des comportements humains, des interactions physiques, des millions d’heures de gameplay.
La comparaison avec la musique est pertinente. Comme les plateformes musicales ont appris à monétiser leurs catalogues auprès des services de streaming, les studios pourraient valoriser leurs univers auprès des développeurs de systèmes autonomes.
C’est un changement de paradigme structurel, qui s’apparente à ce qu’on observe dans d’autres secteurs où les données deviennent l’actif principal. Sur mon hub principal je couvre régulièrement ces mutations de modèles économiques liées aux données et à l’IA.
Cette logique de valorisation des données rappelle aussi ce qu’on voyait dans le dossier Walmart/Vibe.co : la vraie guerre, c’est celle des données, pas celle des interfaces.
Le sim-to-real gap : le problème qui ne disparaîtra pas
Il faut être honnête sur les limites. L’idée qu’un robot pourrait apprendre uniquement dans des jeux vidéo reste excessive.
La robotique fait face depuis longtemps au sim-to-real gap : un système performant en simulation peut échouer à son premier déploiement réel. Les matériaux vieillissent, les capteurs dérivent, les comportements humains sont imprévisibles, les environnements industriels sont rarement aussi propres que leurs équivalents numériques.
Les jeux vidéo introduisent aussi leurs propres biais. Les joueurs prennent des risques qu’aucun conducteur réel n’accepterait. Les moteurs physiques privilégient parfois la fluidité de l’expérience sur la fidélité scientifique. Et les événements rares, pourtant critiques pour entraîner des systèmes de sécurité, restent difficiles à reproduire.
La simulation ne remplacera pas les données terrain. Elle permettra en revanche de réduire considérablement le coût et la durée des phases d’apprentissage avant validation en conditions réelles.
Ce que ça change concrètement pour toi
Si tu travailles dans le SaaS ou le marketing digital, cette tendance peut sembler lointaine. Elle ne l’est pas.
Plusieurs signaux méritent d’être suivis de près.
D’abord, les plateformes d’annotation et de gestion de données comme Encord, Scale AI ou Labelbox se positionnent déjà sur ce segment. C’est un marché de services B2B qui va grossir.
Ensuite, les éditeurs de moteurs de jeu, Epic et Unity en tête, ont maintenant une deuxième carte à jouer face à la concurrence : leurs outils ne sont plus seulement des environnements de développement de jeux, mais potentiellement des infrastructures d’IA. Ça change leur pricing power et leur argumentaire commercial.
Enfin, si tu construis des outils sur des APIs d’IA ou des workflows d’automation avec Make ou n8n, tu vas de plus en plus interagir avec des modèles capables d’agir sur le monde physique, pas seulement de générer du texte. Les intégrations à penser changent de nature.
La même logique s’applique aux questions de souveraineté numérique, que j’avais abordées dans l’article sur l’IA et Washington : qui contrôle les données d’entraînement contrôle les modèles, et donc les robots.
Mon avis
Je pense que Worldmodeldata a identifié quelque chose de réel. La donnée physique structurée est le prochain goulot d’étranglement de l’IA, exactement comme la donnée textuelle l’était avant Common Crawl. Le fait de passer par des accords de licence plutôt que par du scraping massif est aussi un choix stratégique intelligent, vu la direction que prend la réglementation sur les droits d’auteur et les données d’entraînement. La question reste de savoir si le sim-to-real gap peut être réduit suffisamment pour que les données issues des jeux soient vraiment utiles à grande échelle dans des contextes industriels critiques. Là, le jury délibère encore.
FAQ
Qu’est-ce qu’un world model et en quoi est-ce différent d’un LLM ?
Un LLM (grand modèle de langage) prédit le token suivant dans une séquence. Un world model cherche à simuler comment un environnement évolue en réponse à une action. Le premier génère du texte, le second modélise des conséquences physiques. Ce sont des objectifs fondamentalement différents, et les données nécessaires pour les entraîner le sont tout autant.
Pourquoi les données issues des jeux vidéo sont-elles meilleures que des vidéos du monde réel pour la robotique ?
Une vidéo montre ce qui se passe, pas pourquoi ni avec quelles variables physiques. Un moteur de jeu, lui, enregistre chaque variable : gravité, masse, vitesse, trajectoire, collision. C’est cette granularité qui intéresse les chercheurs en robotique et véhicules autonomes.
Worldmodeldata est-elle la seule startup sur ce créneau ?
Non. L’écosystème inclut World Labs (Fei-Fei Li), Physical Intelligence, Skild AI, Stanhope AI, BeyondMath côté world models. Sur la gestion et l’annotation des données, Encord, Scale AI et Labelbox sont déjà actifs. Worldmodeldata se distingue par son focus explicite sur les données issues du jeu vidéo avec un modèle basé sur des licences.
Qu’est-ce que le sim-to-real gap et est-ce un problème résolu ?
Le sim-to-real gap, c’est l’écart de performance entre un robot entraîné en simulation et ce même robot déployé dans le monde réel. Non, ce n’est pas résolu. Les matériaux vieillissent, les capteurs dérivent, les environnements réels sont imprévisibles. La simulation réduit le coût d’apprentissage mais ne remplace pas les données terrain pour la validation finale.
Les éditeurs de jeux vont-ils vraiment monétiser leurs données auprès des labos d’IA ?
C’est probable à terme, mais pas encore structuré à grande échelle. Worldmodeldata tente précisément d’organiser cette chaîne de valeur via des accords de licence. Si le marché se structure, les studios qui ont des univers riches en interactions physiques (simulation de conduite, jeux de construction, moteurs de physique avancés) auront un avantage évident.
