Architectures intelligence artificielle prédictive — résumé exécutif

Constat initial

Les grands modèles de langage (Large Language Models, LLM) constituent une avancée majeure de l’intelligence artificielle. Ils montrent qu’un apprentissage massif sur le langage permet de générer des textes cohérents, d’assister la programmation, de répondre à des questions, de synthétiser des documents et d’orchestrer des outils externes.

Mais cette réussite ne doit pas être confondue avec une intelligence générale complète. Le langage est une trace du monde ; il n’est pas le monde. Une intelligence humaine ou animale apprend à partir d’une expérience continue : perception, action, mémoire, correction d’erreur, interaction sociale, causalité et abstraction.

Les LLM peuvent apprendre certaines représentations internes utiles, y compris des structures spatiales et temporelles. Ces représentations restent toutefois souvent fragiles, dépendantes du format, et insuffisantes pour une compréhension incarnée, robuste et planificatrice. Voir Gurnee & Tegmark, Berglund et al. et Bender et al..

Cadre d’analyse proposé

Ce mémoire défend désormais un axe principal plus général : les architectures d’intelligence artificielle prédictive. Il ne prend pas les modèles du monde comme doctrine exclusive, mais comme une famille majeure de solutions au sein d’un cadre plus vaste.

L’objectif est d’analyser comment une IA peut mémoriser, abstraire, prédire, raisonner causalement, planifier, agir et rester gouvernable.

Les représentations prédictives peuvent prendre plusieurs formes : modèles du monde explicites, modèles causaux, mémoires expérientielles, planificateurs symboliques, agents outillés, systèmes d’inférence active, architectures neuro-symboliques ou boucles de contrôle cyber-physiques.

Le débat décisif n’est donc pas simplement : « modèle du monde ou non ? » Il est plutôt : quelle architecture prédictive, à quel niveau d’abstraction, avec quelle mémoire, quelle causalité, quelle capacité d’action et quel contrôle de sécurité ?

Place des modèles du monde

Le terme « modèle du monde » reste une référence importante. Il s’inscrit dans une tradition issue des modèles mentaux de Craik, des modèles causaux en sciences cognitives, du model-based reinforcement learning décrit par Sutton & Barto, des World Models de Ha & Schmidhuber, puis des architectures JEPA / V-JEPA associées à LeCun, Bardes et al. et Assran et al..

Dans ce mémoire, le modèle du monde devient un pilier parmi d’autres, et non l’unique centre d’interprétation.

La conclusion générale est que la voie la plus crédible sera probablement hybride : langage, perception, mémoire, causalité, raisonnement symbolique, outils externes, modèles prédictifs, planification, action, cybersécurité, identité et gouvernance de confiance.

Positionnement Freemindtronic

La trajectoire génome cryptographique, EviDNA et ADN Digital (industrialisation CryptPeer/EviSKMS) est documentée dans un mémoire complémentaire distinct.

La démarche assume une posture d’inventeur-chercheur issue de l’observation appliquée : lecture continue de l’état de l’art, identification de signaux faibles et forts, analyse de vecteurs d’attaque matériels et logiciels, conception de solutions de contre-espionnage numérique, de chiffrement, d’authentification et de confiance souveraine.

Cette expérience de terrain ne se substitue pas à l’évaluation scientifique ; elle fournit le point de départ empirique d’une vision à formaliser, protéger, comparer et tester.

Le mémoire complémentaire ADN/EviDNA documente l’industrialisation observable d’EviSKMS-CryptPeer à partir d’éléments vérifiables : runtime de confiance, Runtime Integrity, continuité DRT, RSCC, politiques fail-closed, anti-rejeu, journaux chaînés, gouvernance cryptographique, passwordless souverain, DDNA Gen1, campagne de tests sécurité et artefacts de déploiement.

Cette annexe ne divulgue ni code source, ni pseudo-code, ni formats internes, ni règles de transition, afin de préserver les protections de propriété intellectuelle en cours ou à venir.

La trajectoire industrielle s’appuie par ailleurs sur un socle breveté internationalement : le Système d’authentification à clé segmentée (FR3063365 B1, famille WO/2018/154258 et extensions EP, US, CN, JP, KR).

Ce titre délivré autorise une divulgation publique partielle des principes de segmentation cryptographique, de proximité physique et de reconstitution conditionnelle de confiance, sans exposer les extensions génomiques Gen2, le moteur DRT complet ni les mécanismes EviSKMS postérieurs au brevet fondateur.

Tripartition brevet / industrialisation / confidentiel (registre A). Le brevet WO/2018/154258 constitue un document public d’antériorité et de fondement technologique ; l’industrialisation CryptPeer/EviSKMS relève d’observations déclaratives et de preuves non sensibles (registre A) ; les extensions génomiques, mécanismes internes et savoir-faire non publiés relèvent du registre C.

Une chaîne de divulgations publiques horodatées (2018–2026) est recensée dans le mémoire complémentaire.

Pour la publication publique de référence, le présent mémoire intègre une section sur les limites, la falsifiabilité et le périmètre de validité, ainsi qu’une version courte.

Le détail cryptographique et les comparaisons CNRS/EviDNA relèvent du mémoire complémentaire. Ces ajouts visent à distinguer ce qui est démontré, ce qui est industrialisé, ce qui relève de recherche appliquée et ce qui reste ouvert à validation indépendante.

Architectures intelligence artificielle prédictive — Thèse fondatrice du mémoire

Ce mémoire propose la formulation suivante comme base scientifique :

Cette thèse déplace volontairement l’axe du mémoire. Le sujet principal n’est plus de défendre un courant particulier, ni d’opposer les LLM aux modèles du monde. Le sujet devient plus général : identifier les fonctions nécessaires à une architecture d’intelligence prédictive robuste.

Ces fonctions sont : comprendre le langage, percevoir ou intégrer un contexte, mémoriser l’expérience, abstraire les variables pertinentes, anticiper les évolutions possibles, raisonner causalement, planifier, agir et rester contrôlable.

Un LLM peut être excellent pour le langage. Le moteur symbolique apporte une force particulière dans la logique formelle. Le modèle causal éclaire l’intervention et le contrefactuel. Le modèle du monde aide à prédire l’évolution d’un environnement, tandis que l’inférence active cherche à réduire l’incertitude par l’action.

Aucune de ces approches, prise isolément, ne suffit aujourd’hui à constituer une intelligence générale robuste.

Le sujet de recherche devient donc : comment composer ces capacités dans une architecture cohérente, vérifiable, sûre et capable d’apprendre durablement ?

Note méthodologique : posture d’inventeur-chercheur et observation appliquée

La présente réflexion ne s’inscrit pas uniquement dans une démarche académique classique. Elle repose également sur une expérience longue d’inventeur-chercheur, construite depuis plus de quinze ans par l’observation continue des menaces numériques, l’analyse de signaux faibles et forts, l’étude de vecteurs d’attaque matériels et logiciels, ainsi que la conception de solutions de contre-espionnage numérique, de chiffrement, d’authentification et de confiance souveraine.

Cette position d’observation appliquée a progressivement fondé une conviction : la sécurité numérique ne peut plus être réduite à des mécanismes ponctuels de protection, d’identification ou de conformité. Elle doit être pensée comme une continuité de confiance capable de relier identité, contexte, preuve, mémoire, gouvernance, environnement matériel, runtime logiciel et évolution des menaces dans le temps.

Le mémoire assume donc une double nature. Il dialogue avec l’état de l’art scientifique tout en portant une vision issue de l’invention, de l’industrialisation et de l’analyse opérationnelle des surfaces d’attaque. Cette articulation entre recherche documentaire, observation terrain et conception technique constitue le socle de la trajectoire Freemindtronic autour d’EviSKMS, de CryptPeer comme matérialisation industrialisée de cette approche, et du génome cryptographique comme formalisation conceptuelle et prospective.

Cette posture ne prétend pas remplacer la validation scientifique par l’expérience individuelle. Elle précise l’origine de la démarche : une hypothèse d’architecture née de l’observation prolongée des menaces, renforcée par l’industrialisation de solutions, puis formulée comme un cadre de recherche destiné à être comparé, évalué et discuté.

Trajectoire Eurosatory 2022–2026 — de l’ADN humain au génome cryptographique

Cette posture d’inventeur-chercheur s’est construite par étapes publiques successives. Les présentations réalisées à Eurosatory entre 2022 et 2026 permettent de comprendre l’évolution de la réflexion, depuis un ancrage cyber initial vers une architecture de confiance fondée sur l’ADN humain, puis vers le génome cryptographique comme réponse au facteur temps.

En 2024, cette trajectoire franchit un jalon industriel avec DataShielder Defense NFC HSM. Le produit ne répond pas seulement au partage hautement sécurisé de clés cryptographiques associées à l’ADN. Il introduit aussi une première continuité d’identité opérationnelle. Celui qui crée la clé sait à qui il la transmet, le destinataire détient un dispositif NFC de confiance, et l’import de la clé dans ce dispositif établit une relation contrôlée entre identité, possession matérielle, clé cryptographique et usage chiffré/signé.

Cette continuité reste toutefois liée à un périmètre matériel et transactionnel comprenant le dispositif NFC, le terminal compatible, la validité des clés, la gouvernance des supports et la maîtrise du cycle de partage. Elle apporte donc une réponse partielle à la confiance dans le temps, sans couvrir entièrement la problématique d’une identité durable, réévaluable et gouvernable dans un contexte où l’IA actuelle, puis les architectures d’IA prédictive, peuvent modifier les modèles de reconnaissance, d’authentification, de décision et de confiance.

Ce déplacement conduit, en 2026, à la démonstration d’ADN Digital et du générateur de génome cryptographique. L’ADN du vivant reste mobilisable, mais il devient l’un des éléments possibles d’une structure plus large destinée à organiser la continuité de preuve, les critères de confiance, la segmentation, la traçabilité, la gouvernance et l’évolution de l’identité dans le temps. Ce passage ne constitue donc pas une rupture. DataShielder Defense NFC HSM apporte une continuité d’identité opérationnelle, tandis qu’ADN Digital et le génome cryptographique prolongent cette approche vers une identité durable, contextualisée, réévaluable et gouvernable. Cette évolution constitue l’un des cas d’application cyber-identitaire du présent mémoire sur les architectures d’intelligence artificielle prédictive.

Définitions strictes

Pour éviter les ambiguïtés, ce mémoire utilise les définitions suivantes.

Intelligence artificielle générale. Capacité d’un système à apprendre, raisonner, planifier et agir dans des domaines variés, y compris dans des situations nouvelles, avec une robustesse et une adaptabilité supérieures à une simple mémorisation de motifs.

Modèle du monde. Représentation interne, explicite ou implicite, permettant à un système de prédire l’évolution d’un environnement, notamment sous l’effet d’actions possibles. Voir Craik, Ha & Schmidhuber et World Model for Robot Learning Survey.

Représentation prédictive. Structure interne qui ne sert pas seulement à reconnaître une situation, mais à anticiper ses transformations futures.

Causalité. Capacité à distinguer une corrélation d’un mécanisme producteur, et à raisonner sur ce qui se passerait en cas d’intervention. Voir Pearl et Schölkopf et al..

Planification. Capacité à évaluer plusieurs séquences d’actions possibles, à simuler leurs conséquences et à choisir une trajectoire adaptée à un objectif.

Mémoire expérientielle. Mémoire qui ne stocke pas seulement des documents ou des faits, mais des épisodes, des erreurs, des stratégies, des abstractions et des retours d’expérience utilisables pour l’action future. Voir Du.

Ancrage. Relation entre symboles, langage, perception, action et environnement. Le problème de l’ancrage symbolique est discuté par Harnad.

Architectures intelligence artificielle prédictive — Introduction

L’intelligence artificielle contemporaine connaît une accélération spectaculaire, portée par les grands modèles de langage. Ces systèmes produisent du texte, répondent à des questions, résument des documents, traduisent, génèrent du code et assistent des utilisateurs dans de nombreuses tâches intellectuelles.

Leur performance donne parfois l’impression qu’ils se rapprochent d’une intelligence générale. Pourtant, cette impression doit être examinée avec prudence. Les modèles de langage sont entraînés principalement sur des volumes massifs de données textuelles. Ils apprennent à prédire la suite probable d’un texte à partir de régularités statistiques observées dans leurs données d’entraînement.

Cette capacité est remarquable, mais elle ne suffit pas nécessairement à produire une compréhension profonde du monde. Le langage décrit des objets, des événements, des intentions, des relations et des causes, mais il ne remplace ni la perception, ni l’action, ni le retour sensoriel, ni l’expérience corporelle.

Un être humain, dès ses premières années, apprend par la vision, le mouvement, le toucher, l’interaction avec les objets, les conséquences de ses actions, les relations sociales et l’expérience continue du monde physique. Il construit des abstractions, oublie les détails inutiles et conserve les structures qui permettent de prévoir et d’agir.

La question centrale devient donc : peut-on atteindre une intelligence robuste uniquement par l’apprentissage sur du texte ? Ou faut-il développer une nouvelle génération d’architectures capables de relier langage, mémoire, abstraction, causalité, prédiction, action et gouvernance ?

Ce mémoire adopte une position générale : les modèles de langage sont indispensables, mais probablement insuffisants seuls. Les modèles du monde constituent une voie importante, mais non exclusive. La prochaine étape de l’IA devrait plutôt être pensée comme une convergence d’architectures d’intelligence artificielle prédictive combinant modèles du monde, IA neuro-symbolique, causalité, inférence active, agents outillés, mémoire persistante, planification, cybersécurité et contrôle de confiance.

1. Les grands modèles de langage : puissance et limites

Les grands modèles de langage sont entraînés sur des quantités considérables de texte. Les données utilisées peuvent représenter une partie importante du contenu public disponible sur Internet, complétée par d’autres sources : livres, articles, pages web, bases documentaires, code informatique ou conversations annotées.

Le modèle transforme cette masse de données en paramètres internes. On peut considérer qu’il produit une forme de compression statistique du langage humain. Il ne mémorise pas simplement chaque phrase ; il apprend des structures, des associations, des styles, des régularités grammaticales, des connaissances factuelles et des schémas de raisonnement fréquemment présents dans ses données.

Cette approche permet des performances impressionnantes. Les LLM peuvent expliquer des concepts, résoudre certains problèmes, reformuler des idées, générer des textes cohérents et orchestrer des outils externes. Cependant, leur fonctionnement reste fortement lié à la prédiction de la suite probable d’un texte.

Cette limite explique plusieurs problèmes connus : hallucinations, absence native de mémoire persistante, fragilité de certaines généralisations, difficulté à planifier sur des horizons longs et absence d’ancrage physique direct. Les critiques de Bender et al. rappellent que le langage seul ne garantit pas la compréhension située.

La position robuste n’est pas de dire que les LLM ne raisonnent jamais. Elle est plus précise : les LLM peuvent produire des raisonnements utiles et apprendre certains fragments de représentations du monde, mais ces représentations ne sont pas encore suffisamment stables, causales, incarnées et vérifiables pour constituer une intelligence générale complète.

Architectures IA prédictive — 2. Ce que les LLM savent déjà faire

Un mémoire sérieux ne doit pas caricaturer les LLM. Ils ne sont pas de simples dictionnaires statistiques. Ils peuvent apprendre des régularités abstraites, produire des raisonnements en langage naturel, générer du code, manipuler des représentations mathématiques, appeler des outils et parfois déduire des informations non explicitement présentes dans une question.

Des travaux comme Gurnee & Tegmark suggèrent que certains modèles de langage représentent des dimensions spatiales et temporelles sous forme de structures internes exploitables. Cela montre que l’apprentissage sur texte peut induire des représentations latentes du monde.

Cependant, ces représentations ne doivent pas être confondues avec un modèle du monde robuste. La Reversal Curse, par exemple, montre qu’un modèle peut apprendre une relation dans un sens sans généraliser correctement la relation inverse. Cette fragilité indique que certaines capacités apparaissent dépendantes de la distribution d’entraînement et de la formulation du problème.

La question scientifique n’est donc pas : « les LLM comprennent-ils ou non ? » Elle est : quelles représentations internes construisent-ils, dans quelles conditions, avec quelle robustesse, et jusqu’où peuvent-elles soutenir la causalité, la mémoire, la planification et l’action ?

3. Le coût réel de l’IA actuelle

Les investissements massifs dans l’IA répondent principalement à deux besoins : l’infrastructure de calcul et le post-entraînement.

Le premier concerne la puissance nécessaire pour entraîner et exécuter les modèles. L’entraînement mobilise des processeurs spécialisés, de la mémoire, des réseaux, de l’énergie et des centres de données. L’inférence à grande échelle est elle aussi coûteuse : chaque requête consomme du calcul et impose des contraintes de latence, disponibilité et sécurité.

Le second concerne le post-training. Un modèle brut n’est pas automatiquement fiable, utile ou sûr. Il doit être ajusté par apprentissage supervisé, retour humain, alignement, filtrage, instruction tuning, intégration d’outils, recherche documentaire et politiques de sécurité.

Cette réalité montre que le modèle brut ne suffit pas. L’intelligence artificielle moderne repose déjà sur un écosystème : modèle, données, mémoire externe, outils, garde-fous, interfaces, politiques d’usage, infrastructure et supervision.

Ce constat renforce la thèse hybride : l’IA avancée ne sera probablement pas un modèle unique isolé, mais une architecture composée.

Architectures IA prédictive — 4. L’apprentissage humain : expérience sensorielle, action et abstraction

Comparer un LLM à un enfant permet de saisir la différence entre apprentissage textuel et apprentissage incarné.

Un enfant de quatre ans a déjà vécu des milliers d’heures d’éveil. Pendant ce temps, il a reçu des flux visuels, auditifs, tactiles et moteurs continus. La rétine ne transmet pas une image brute au cerveau ; elle transforme, filtre et compresse l’information avant de l’envoyer par le nerf optique. Les estimations varient, mais la littérature sur le codage rétinien indique que le flux d’information transmis reste considérable. Voir Koch et al..

La comparaison avec les tokens des LLM doit rester prudente. Il ne faut pas présenter une égalité exacte entre données visuelles humaines et données textuelles. L’idée pertinente est qualitative : l’enfant apprend à partir d’un flux sensoriel continu, actif, multimodal et relié aux conséquences de ses actions.

L’enfant observe les objets, agit sur eux, voit les conséquences, corrige ses attentes, mémorise des régularités et construit des abstractions. Il apprend que certains objets tombent, roulent, se cassent, résistent, disparaissent derrière d’autres ou reviennent. Il apprend aussi les intentions, les signaux sociaux, les émotions et les règles implicites.

L’intelligence humaine ne se construit donc pas seulement par accumulation d’informations. Elle se construit par expérience, interaction, abstraction, prédiction et correction d’erreur. Cette idée rejoint les travaux de Lake et al., qui soulignent l’importance des modèles causaux, de la physique intuitive, de la psychologie intuitive et de la généralisation rapide.

5. Pourquoi le texte seul ne suffit probablement pas

Le texte est une représentation secondaire du monde. Il décrit des objets, des événements, des émotions, des intentions et des relations. Mais il n’est pas le monde lui-même.

Un modèle entraîné uniquement sur du texte apprend les régularités du langage sur le monde, mais pas nécessairement les régularités du monde lui-même. Il peut savoir que l’on écrit souvent « un verre tombe et se casse », mais cette connaissance reste médiatisée par les textes. Elle n’est pas issue d’une expérience directe de la gravité, de la fragilité, du bruit, de la trajectoire et de la conséquence d’un geste.

Cette distinction rejoint le problème de l’ancrage symbolique discuté par Harnad. Un symbole n’est pas pleinement compris s’il n’est relié qu’à d’autres symboles. Il doit, au moins en partie, être ancré dans la perception, l’action ou l’expérience.

Cela ne signifie pas que le texte est inutile. Le langage est un outil extrêmement puissant d’abstraction, de transmission culturelle et de raisonnement. Mais il semble insuffisant, seul, pour produire une intelligence incarnée et robuste.

La formulation la plus scientifique est donc : le texte seul peut produire des représentations internes riches, mais il ne semble pas suffire à construire une intelligence générale capable de perception, causalité, mémoire expérientielle, planification et action dans le monde physique.

Architectures IA prédictive — 6. Les modèles du monde comme famille d’architectures prédictives : origine du terme

Dans ce mémoire, les modèles du monde ne sont plus l’axe exclusif du raisonnement. Ils sont étudiés comme une famille majeure d’architectures prédictives, parce qu’ils formalisent clairement une fonction essentielle : anticiper l’évolution d’un environnement à partir d’un état courant et d’actions possibles.

Le terme « modèle du monde » n’est pas une invention récente. Il prolonge une tradition scientifique ancienne.

Craik défendait déjà l’idée que l’esprit construit des modèles internes à petite échelle de la réalité, permettant de simuler mentalement des actions avant de les exécuter. Cette intuition est fondamentale : penser, c’est en partie essayer dans sa tête avant d’agir dans le monde.

Johnson-Laird a développé la théorie des modèles mentaux, selon laquelle le raisonnement humain repose sur des représentations internes de situations possibles.

En intelligence artificielle, l’idée apparaît dans l’apprentissage par renforcement avec modèle : un agent utilise un modèle des dynamiques de l’environnement pour simuler les conséquences d’actions. Voir Sutton & Barto.

Le terme World Models devient explicite dans les travaux de Ha & Schmidhuber, qui apprennent une représentation compressée d’un environnement et l’utilisent pour entraîner un agent. Les architectures JEPA / V-JEPA de LeCun, Bardes et al. et Assran et al. prolongent cette idée en cherchant à prédire dans des espaces latents abstraits plutôt que pixel par pixel.

Le terme n’est donc pas nouveau. Ce qui est nouveau, c’est son retour au centre du débat sur l’avenir de l’intelligence artificielle.

7. Les modèles du monde comme représentations prédictives : définition rigoureuse

Un modèle du monde est une forme particulière de représentation prédictive : une représentation interne permettant à un système de prédire l’évolution d’un environnement.

Dans l’axe général du mémoire, il n’est pas traité comme l’unique solution, mais comme un cas central d’architecture capable de relier état, action, futur et décision.

Formellement, si un système observe un état du monde à l’instant t, noté x_t, il construit une représentation abstraite s_t. Si une action possible a_t est envisagée, le modèle doit prédire un état futur s_{t+1} ou une distribution d’états futurs possibles.

Observation x_t
      ↓
Encodeur E
      ↓
État abstrait s_t
      ↓ + action a_t
Prédicteur P
      ↓
État futur prédit ŝ_{t+1}

L’intérêt d’un modèle du monde n’est pas seulement de reconnaître ce qui est présent, mais de prédire ce qui pourrait arriver.

Un système doté d’un modèle du monde peut répondre à la question : que se passerait-il si j’effectuais cette action ? Cette question est au cœur de la planification, de la causalité pratique et de l’intelligence autonome.

Architectures IA prédictive — 8. Abstraction et hiérarchie des représentations

Il est impossible de représenter entièrement l’état du monde dans ses détails physiques ultimes. Décrire une pièce au niveau de la théorie quantique des champs serait impraticable : on ne peut pas mesurer la fonction d’onde complète d’un système macroscopique, et aucun calcul réaliste ne permettrait d’en prédire toutes les évolutions utiles.

Les humains ne procèdent pas ainsi. Ils construisent des abstractions : objets, surfaces, agents, intentions, obstacles, trajectoires, règles, outils, risques. Chaque niveau d’abstraction oublie une partie des détails inférieurs et conserve les informations utiles pour prédire à une certaine échelle.

Cette hiérarchie correspond aux sciences elles-mêmes : physique des particules, physique nucléaire, chimie, biochimie, biologie moléculaire, biologie, psychologie, sociologie, écologie. Chaque discipline retient un niveau pertinent d’organisation du monde.

Un modèle du monde efficace doit donc apprendre des représentations hiérarchiques. Les niveaux bas peuvent encoder formes, textures, mouvements. Les niveaux intermédiaires peuvent encoder objets, relations et scènes. Les niveaux supérieurs peuvent encoder intentions, contraintes, objectifs, normes et causalités abstraites.

L’intelligence ne consiste pas à conserver tous les détails, mais à construire le bon niveau d’abstraction pour agir.

9. Apprendre à prédire : encodeur, prédicteur, erreur

Un système peut apprendre un modèle du monde par prédiction auto-supervisée.

1. Il observe le monde à l’instant t, sous forme de données x_t.
2. Un encodeur transforme x_t en représentation abstraite s_t.
3. Un prédicteur estime l’état futur ŝ_{t+1}.
4. Le système observe ensuite x_{t+1}.
5. Le même encodeur produit la représentation réelle s_{t+1}.
6. Le système réduit l’écart entre ŝ_{t+1} et s_{t+1}.

L’enjeu est de prédire dans un espace abstrait pertinent, et non nécessairement de prédire chaque pixel. C’est précisément l’intuition des architectures de type JEPA : apprendre à prédire les représentations utiles plutôt que reconstruire tous les détails. Voir LeCun et Bardes et al..

Ce mécanisme transforme l’apprentissage : le système n’apprend plus seulement à reconnaître le monde ; il apprend à anticiper son évolution.

Architectures IA prédictive — 10. De la prédiction à la planification

La planification exige la capacité de simuler plusieurs futurs possibles.

Pour choisir une action, un agent doit imaginer plusieurs trajectoires :

État actuel
   ├── action A → futur possible A
   ├── action B → futur possible B
   └── action C → futur possible C

Il compare ensuite ces futurs en fonction d’un objectif, d’une contrainte, d’un coût ou d’un risque.

Cette capacité est présente dans le model-based reinforcement learning, où un modèle interne permet de simuler des conséquences avant d’agir. Voir Sutton & Barto.

La planification peut aussi être externalisée dans des moteurs symboliques, des solveurs, des arbres de recherche ou des outils de vérification. Mais même dans ces cas, il faut représenter des états, des actions et des transitions. Autrement dit, la planification réintroduit souvent une forme de modèle du monde.

11. Les modèles du monde parmi les architectures prédictives : promesses et limites

Cette section conserve les modèles du monde comme référence scientifique forte, mais les replace dans une architecture plus générale. Leur valeur ne réside pas dans une appartenance à une école de pensée, mais dans la fonction qu’ils incarnent : apprendre des représentations utiles pour prévoir, planifier et agir.

11.1. World Models génératifs

Les World Models de Ha & Schmidhuber apprennent une représentation compressée de l’environnement, puis utilisent cette représentation pour entraîner un agent. Cette approche montre qu’un agent peut apprendre à agir non seulement dans le monde réel ou simulé, mais dans un modèle interne appris.

Architectures IA prédictive : 11.2. JEPA, V-JEPA et prédiction en espace latent

Les architectures JEPA / V-JEPA visent à prédire des représentations abstraites plutôt que des pixels. L’objectif est de capturer ce qui est pertinent pour la compréhension et l’action, sans dépenser l’apprentissage sur des détails visuels secondaires. Voir LeCun, Bardes et al. et Assran et al..

11.3. Modèles du monde en robotique

Les modèles du monde sont devenus un axe majeur en robotique, car ils permettent de prédire les dynamiques d’un environnement, de simuler des actions, de planifier et d’améliorer la généralisation hors distribution. Voir World Model for Robot Learning Survey.

11.4. Robotique incarnée et simulateurs

Les simulateurs et jumeaux numériques permettent de générer des scénarios rares ou dangereux. Ils sont utiles pour conduite autonome, robotique industrielle ou agents physiques. Mais une simulation n’est jamais le monde réel complet : elle doit être validée contre l’environnement réel.

Architectures IA prédictive : 11.5. Limites des modèles du monde

Les modèles du monde ne sont pas une solution magique. Ils rencontrent plusieurs difficultés :

• apprendre des abstractions stables ;
• gérer l’incertitude et plusieurs futurs possibles ;
• distinguer les variables causales des corrélations ;
• éviter de prédire des détails inutiles ;
• généraliser hors distribution ;
• intégrer langage, action et mémoire ;
• évaluer objectivement leur qualité ;
• garantir la sécurité en cas d’action réelle.

Un modèle du monde faux peut être dangereux s’il donne une impression de cohérence. L’évaluation et la gouvernance sont donc centrales.

Architectures IA prédictive — 12. Approches concurrentes et complémentaires

Cette section cartographie les principales voies qui visent le même objectif final : raisonnement, généralisation, planification, mémoire, réduction des hallucinations et action robuste.

12.1. IA neuro-symbolique

L’IA neuro-symbolique combine réseaux de neurones et raisonnement symbolique : règles, logique, graphes de connaissances, solveurs, contraintes, moteurs d’inférence.

Elle est particulièrement prometteuse pour les domaines où l’explicabilité, la vérification et la conformité sont essentielles : droit, cybersécurité, mathématiques, preuve formelle, diagnostic, gouvernance et systèmes critiques. Voir Garcez & Lamb, Colelough & Regli et Yang et al..

Force principale : raisonnement explicable et contrôlable. Limite principale : difficulté d’ancrage dans la perception et le monde physique. Relation au modèle du monde : un système symbolique peut planifier sur des états abstraits, donc il réintroduit souvent un modèle du monde discret ou logique.

12.2. Agents LLM outillés, RAG, mémoire et planificateurs

Une voie industrielle majeure consiste à utiliser les LLM comme orchestrateurs : ils appellent des outils, recherchent de l’information, exécutent du code, consultent des bases documentaires, utilisent une mémoire externe et délèguent certaines tâches à des modules spécialisés.

Le RAG (Retrieval-Augmented Generation) améliore la factualité en reliant le modèle à des sources externes. Voir Lewis et al.. Les agents LLM ajoutent planification, réflexion, outils et mémoire. Voir Yao et al., Huang et al. et Du.

Force principale : efficacité opérationnelle immédiate. Limite principale : recherche documentaire et outils ne remplacent pas une compréhension causale. Relation au modèle du monde : l’agent peut construire un modèle externe de la tâche : états, sous-objectifs, contraintes, outils, mémoire.

Architectures IA prédictive : 12.3. Apprentissage par renforcement avec modèle

Le model-based reinforcement learning apprend ou utilise un modèle des dynamiques de l’environnement. L’agent peut simuler les conséquences de ses actions avant d’agir. Voir Sutton & Barto et Moerland et al..

Force principale : efficacité pour la planification et l’anticipation. Limite principale : difficulté d’apprendre un modèle fiable dans des environnements complexes. Relation au modèle du monde : c’est l’une des formes les plus explicites de modèle du monde.

12.4. Apprentissage par renforcement sans modèle

Le model-free reinforcement learning apprend directement une politique d’action sans modèle explicite de l’environnement. Il a produit de grands succès dans les jeux et certains environnements simulés. Voir Mnih et al. et Schulman et al..

Force principale : puissance dans des environnements bien définis avec récompense claire. Limite principale : coût d’apprentissage, faible efficacité en données, fragilité hors distribution. Relation au modèle du monde : il peut éviter un modèle explicite, mais il peine à produire planification longue et généralisation sans structure prédictive.

12.5. Apprentissage par imitation et démonstration

L’apprentissage par imitation entraîne un système à reproduire des comportements observés. Il est important en robotique, conduite autonome et agents logiciels.

Force principale : apprentissage rapide à partir d’exemples humains. Limite principale : reproduction sans compréhension complète ; risque d’échec hors distribution. Relation au modèle du monde : l’imitation peut fournir des trajectoires, mais l’agent doit souvent construire un modèle prédictif pour s’adapter à des situations nouvelles.

Architectures IA prédictive : 12.6. Inférence active et principe d’énergie libre

L’inférence active, associée à Friston, propose qu’un agent agit pour réduire l’incertitude et l’écart entre ses prédictions et ses perceptions. Les politiques sont choisies selon leur capacité à réduire l’énergie libre attendue, c’est-à-dire à combiner valeur et gain d’information. Voir Friston et al. et de Vries.

Force principale : cadre unifié perception-action-incertitude. Limite principale : complexité théorique et passage industriel difficile. Relation au modèle du monde : l’inférence active repose sur des modèles génératifs internes ; elle est donc cousine des modèles du monde plutôt qu’opposée.

12.7. Modèles causaux et raisonnement probabiliste

Les modèles causaux cherchent à distinguer corrélation et causalité, et permettent le raisonnement contrefactuel : que se passerait-il si une variable était modifiée ? Voir Pearl et Schölkopf et al..

Force principale : robustesse conceptuelle et capacité d’intervention. Limite principale : difficulté à apprendre automatiquement les structures causales à grande échelle. Relation au modèle du monde : un modèle causal est souvent un modèle du monde abstrait centré sur les mécanismes.

12.8. Architectures neuromorphiques et inspirées du cerveau

Les architectures neuromorphiques explorent des réseaux à impulsions, une plasticité continue, des mémoires locales et une faible consommation énergétique.

Force principale : inspiration biologique, efficacité énergétique potentielle. Limite principale : maturité plus faible face aux architectures deep learning dominantes. Relation au modèle du monde : elles ne garantissent pas un modèle du monde, mais peuvent fournir un substrat d’apprentissage continu.

Architectures IA prédictive : 12.9. Planification par recherche, MCTS, programmes et vérification

La planification peut être effectuée par recherche explicite : arbres de décision, Monte Carlo Tree Search, solveurs, systèmes de preuve, vérification formelle. Voir Kocsis & Szepesvári et Silver et al..

Force principale : exploration systématique de scénarios. Limite principale : explosion combinatoire et dépendance à une représentation formelle des états. Relation au modèle du monde : un arbre de recherche suppose des états et des transitions ; il repose donc sur une forme de modèle.

12.10. IA évolutive et open-endedness

L’IA évolutive cherche à produire des comportements complexes par variation, sélection et environnements ouverts. L’objectif n’est pas seulement d’optimiser une tâche fixe, mais de favoriser l’apparition de compétences nouvelles.

Force principale : exploration ouverte de comportements. Limite principale : coût, imprévisibilité, difficulté de contrôle. Relation au modèle du monde : un agent évolué peut développer des représentations internes, mais celles-ci sont souvent difficiles à interpréter.

12.11. Architectures méta-cognitives

Les architectures méta-cognitives ajoutent au système une capacité d’auto-évaluation : détecter ses erreurs, estimer son incertitude, choisir quand demander de l’aide, vérifier une hypothèse ou changer de stratégie.

Force principale : robustesse, auto-correction, sécurité. Limite principale : difficulté de mesurer la qualité réelle de l’auto-évaluation. Relation au modèle du monde : la méta-cognition peut contrôler l’usage du modèle du monde, mais ne le remplace pas.

13. Taxonomie proposée des architectures d’intelligence artificielle prédictive

Cette taxonomie propose sept axes pour comparer les architectures candidates à une intelligence générale robuste.

1. Langage : manipuler symboles, texte, instructions et dialogue.
2. Perception : apprendre depuis image, vidéo, audio, capteurs ou environnement.
3. Mémoire : conserver, organiser, abstraire et réutiliser l’expérience.
4. Causalité : distinguer corrélation, intervention et conséquence.
5. Action : agir dans un environnement réel, simulé ou logiciel.
6. Prédiction : anticiper les états futurs et plusieurs scénarios possibles.
7. Planification : choisir une séquence d’actions vers un objectif.

Cette taxonomie évite de classer les approches par mode ou par technologie. Elle les classe par fonctions cognitives nécessaires.

La question devient : quelle architecture couvre le mieux les sept axes, avec robustesse, sécurité et vérifiabilité ?

Architectures IA prédictive — 14. Matrice comparative des approches

Notation qualitative : Faible / Moyen / Fort / Très fort.

Cette matrice montre que le modèle du monde n’est pas la seule voie, mais que presque toutes les voies avancées doivent résoudre une partie du même problème : représenter, prédire, mémoriser, agir et planifier.

15. Architecture hybride proposée : LAMP-C

Statut épistémologique (registre A). Proposition d’architecture · programme de recherche · non validée expérimentalement à ce stade.

Pour transformer ce mémoire en base de recherche, nous proposons une architecture conceptuelle appelée LAMP-C :

• L — Langage : communication, instruction, raisonnement symbolique en langage naturel.
• A — Abstraction : construction de représentations hiérarchiques et compressées.
• M — Mémoire : stockage, consolidation, oubli, rappel et contradiction.
• P — Prédiction / Planification : simulation des futurs possibles et choix d’actions.
• C — Causalité / Contrôle : intervention, contrefactualité, vérification et sécurité.

Perception multimodale / données / langage
                ↓
        Encodeur d'abstraction
                ↓
        Mémoire expérientielle
                ↓
        Modèle prédictif du monde
                ↓
        Module causal et contrefactuel
                ↓
        Planificateur / moteur symbolique / outils
                ↓
        Action : robot, API, logiciel, décision
                ↓
        Retour d'expérience et correction

Cette architecture n’est pas un produit technique final ; c’est un cadre de recherche. Elle permet de comparer les approches existantes et d’identifier ce qui manque à chacune.

LAMP-C repose sur une idée : l’intelligence avancée doit être compositionnelle. Elle ne vient pas d’un seul modèle monolithique, mais d’une articulation entre langage, perception, mémoire, prédiction, causalité et contrôle.

Architectures IA prédictive — 16. Mémoire, expérience et continuité cognitive

Sans mémoire, un agent reste largement stateless. Il peut répondre à une question dans une fenêtre de contexte, mais il ne construit pas une continuité d’expérience.

Les systèmes actuels explorent plusieurs types de mémoire :

1. Mémoire contextuelle : informations présentes dans la fenêtre du modèle.
2. Mémoire documentaire : récupération de documents ou fragments via RAG.
3. Mémoire épisodique : souvenirs d’interactions, actions, erreurs et résultats.
4. Mémoire sémantique : connaissances abstraites consolidées.
5. Mémoire procédurale : stratégies, méthodes, routines, compétences.
6. Mémoire expérientielle : trajectoires d’action, retours, échecs, corrections et apprentissages.

Les agents LLM modernes étudient déjà ces mécanismes. Voir Du et Zhang et al..

La mémoire utile ne doit pas seulement accumuler. Elle doit aussi filtrer, consolider, oublier, résoudre les contradictions, gérer la confidentialité et relier les souvenirs à l’action future.

Un projet de recherche sérieux doit donc évaluer non seulement la mémoire de rappel, mais la mémoire qui améliore réellement la décision.

17. Causalité, contrefactualité et robustesse

La causalité est une frontière majeure entre corrélation et intelligence robuste.

Un modèle statistique peut apprendre que deux événements sont associés. Un modèle causal cherche à comprendre ce qui produit quoi. Il permet des questions de type :

• que se passerait-il si j’intervenais sur cette variable ?
• cette action cause-t-elle cet effet ou le révèle-t-elle seulement ?
• que se serait-il passé si l’action avait été différente ?

Pearl formalise cette distinction par le raisonnement causal et contrefactuel. Schölkopf et al. discutent l’importance de la causalité pour l’apprentissage robuste et la généralisation hors distribution.

Un modèle du monde sans causalité peut prédire des régularités superficielles. Un modèle causal sans perception peut manquer d’ancrage. Une architecture hybride doit donc combiner les deux.

Architectures IA prédictive — 18. Évaluation scientifique des architectures candidates

Pour faire de ce mémoire une base de projet de recherche, il faut des critères falsifiables.

Architectures IA prédictive : 18.1. Grille d’évaluation

Une architecture candidate doit être évaluée selon dix dimensions :

1. Prédiction : anticipe-t-elle correctement l’évolution d’un environnement ?
2. Contrefactualité : peut-elle simuler « que se passerait-il si… » ?
3. Planification : peut-elle choisir une séquence d’actions ?
4. Causalité : distingue-t-elle cause et corrélation ?
5. Robustesse hors distribution : fonctionne-t-elle dans des situations nouvelles ?
6. Mémoire longue durée : apprend-elle de ses expériences passées ?
7. Ancrage physique ou opérationnel : relie-t-elle langage, perception et action ?
8. Explicabilité : peut-on comprendre ses décisions ?
9. Sécurité : sait-elle échouer correctement ?
10. Gouvernance : peut-on contrôler ses capacités, accès et objectifs ?

18.2. Hypothèses falsifiables

Hypothèse H1. Une architecture combinant LLM, mémoire expérientielle et modèle prédictif latent planifie mieux qu’un LLM seul dans des tâches longues.

Hypothèse H2. L’ajout d’un module causal améliore la robustesse hors distribution face à des changements de contexte.

Hypothèse H3. Une mémoire expérientielle consolidée réduit la répétition d’erreurs dans des tâches multi-session.

Hypothèse H4. Une architecture neuro-symbolique réduit les hallucinations dans les tâches à contraintes formelles.

Hypothèse H5. Les modèles du monde latents prédisent mieux les conséquences d’actions physiques que des modèles purement textuels.

18.3. Protocoles expérimentaux possibles

• Environnements simulés de type robotique ou jeu physique.
• Tâches de planification multi-étapes avec contraintes cachées.
• Benchmarks de mémoire multi-session.
• Épreuves de raisonnement causal et contrefactuel.
• Scénarios hors distribution.
• Vérification formelle de plans.
• Comparaison LLM seul / LLM outillé / LLM + mémoire / LLM + modèle du monde / architecture LAMP-C.

19. Cartographie des controverses scientifiques

Un document de référence doit exposer les désaccords, pas seulement défendre une thèse.

Architectures IA prédictive : 19.1. Le texte suffit-il ?

Certains soutiennent que l’échelle, les données et les outils permettront aux LLM de construire des représentations suffisantes. D’autres estiment que le texte seul ne peut pas fournir l’ancrage nécessaire à une intelligence physique et causale.

19.2. Les LLM raisonnent-ils vraiment ?

Les LLM produisent parfois des raisonnements utiles. Mais il reste difficile de distinguer raisonnement robuste, imitation de raisonnements fréquents et recherche implicite dans l’espace des textes.

19.3. La causalité peut-elle émerger du scale ?

La causalité peut être partiellement apprise dans les données, mais l’intervention et le contrefactuel exigent souvent des structures supplémentaires.

Architectures IA prédictive : 19.4. Faut-il une incarnation physique ?

Une IA peut être utile sans robot. Mais une intelligence comparable à celle des humains ou animaux pourrait nécessiter une forme d’expérience incarnée, réelle ou simulée.

19.5. Les modèles vidéo suffisent-ils ?

Les modèles vidéo apprennent des dynamiques visuelles, mais ils peuvent manquer de causalité, d’intentions, de contraintes physiques cachées et de validation réelle.

19.6. Le neuro-symbolique est-il une étape ou une voie finale ?

Il peut être une couche de contrôle et de raisonnement, ou devenir une composante centrale des architectures hybrides.

Architectures IA prédictive : 19.7. Les agents LLM sont-ils durables ?

Ils sont déjà utiles industriellement, mais leur robustesse dépend fortement de la mémoire, des outils, de la vérification et du contrôle.

Architectures IA prédictive — 20. Programme de recherche proposé

20.1. Objectif général

Construire et évaluer une architecture hybride capable de relier langage, perception, mémoire, prédiction, causalité et planification.

20.2. Année 1 : cartographie et socle expérimental

• Finaliser la taxonomie.
• Construire la matrice comparative.
• Sélectionner des benchmarks.
• Développer un prototype LLM + mémoire + outils.
• Évaluer les limites d’un LLM seul sur tâches de planification.

Architectures IA prédictive : 20.3. Année 2 : mémoire, causalité et monde latent

• Ajouter une mémoire expérientielle.
• Ajouter un module causal ou contrefactuel.
• Tester un modèle latent prédictif sur environnement simulé.
• Comparer model-free, model-based et agent outillé.

20.4. Année 3 : architecture LAMP-C et validation

• Intégrer langage, abstraction, mémoire, prédiction et causalité.
• Tester la robustesse hors distribution.
• Mesurer la réduction d’erreurs répétées.
• Évaluer la sécurité et l’explicabilité.
• Publier le cadre, les résultats et les limites.

20.5. Livrables scientifiques

• Article de position.
• Survey comparatif francophone/anglais.
• Taxonomie LAMP-C.
• Benchmark interne de planification et mémoire.
• Prototype expérimental.
• Rapport d’évaluation.
• Bibliographie commentée maintenue.

21. Risques, gouvernance et sécurité

Les architectures avancées posent des risques spécifiques.

Un modèle du monde permet de mieux planifier, mais une meilleure planification peut aussi augmenter la capacité d’un système à poursuivre des objectifs non souhaités. Une mémoire persistante améliore la continuité, mais pose des questions de confidentialité, de droit à l’oubli et d’erreurs consolidées. Les outils externes augmentent l’efficacité, mais créent des risques d’exécution non contrôlée.

La gouvernance doit donc être intégrée dès l’architecture :

• contrôle des capacités ;
• journalisation ;
• vérification des plans ;
• limites d’action ;
• séparation entre prédiction, décision et exécution ;
• gestion de la mémoire ;
• explicabilité ;
• audit ;
• échec sûr (fail-safe) ;
• alignement des objectifs.

Un projet de recherche sur l’intelligence prédictive doit donc être aussi un projet de sécurité.

Architectures IA prédictive — 22. Position scientifique défendable

Ce mémoire ne prétend pas démontrer que les modèles du monde constituent l’unique voie vers l’intelligence artificielle générale. Il défend une position plus robuste et plus générale : toute architecture visant une intelligence fiable, planificatrice et capable de généralisation devra posséder, explicitement ou implicitement, une capacité prédictive, mémorielle, causale et actionnable.

Cette position permet d’éviter deux excès. Le premier serait de réduire les LLM à de simples systèmes sans aucune représentation interne : des travaux comme Gurnee & Tegmark 2023 montrent qu’ils peuvent encoder certains repères spatiaux et temporels. Le second serait d’en conclure que le texte suffit à produire une intelligence incarnée robuste : des limites comme la Reversal Curse, l’absence d’ancrage sensorimoteur direct et les faiblesses de planification montrent que cette conclusion reste fragile.

La thèse défendable devient donc la suivante :

Cette formulation rend le mémoire compatible avec les approches concurrentes : neuro-symbolique, agents outillés, RAG, inférence active, causalité, robotique incarnée, apprentissage par renforcement et architectures hybrides. Elle permet aussi de défendre que les modèles du monde sont moins une doctrine qu’une instance remarquable d’une fonction cognitive plus générale : anticiper ce qui peut arriver en fonction de l’état courant et des actions possibles. Voir Craik 1943, Johnson-Laird 1983, Sutton & Barto 2018, Ha & Schmidhuber 2018 et LeCun 2022.

23. État de l’art au jour de la rédaction : recherches, industrialisation et résultats observés

État de l’art documenté jusqu’au 2026-07-07 ; domaine en évolution rapide. Cette section distingue trois niveaux :

1. recherche scientifique : articles, surveys, benchmarks, architectures expérimentales ;
2. mise en œuvre industrialisée : produits, plateformes, standards, réglementations ou usages déjà déployés ;
3. résultats observés : bénéfices mesurés, limites réelles, résultats décevants ou risques persistants.

L’objectif n’est pas de dresser une liste exhaustive de produits IA, mais de situer les architectures d’IA prédictive dans leur réalité opérationnelle : ce qui fonctionne déjà, ce qui progresse, ce qui reste fragile et ce qui doit encore être démontré.

Architectures IA prédictive : 23.1. Synthèse courte

Au jour de la rédaction, l’état de l’art montre une convergence claire : les systèmes les plus efficaces ne reposent pas sur une seule brique. Ils combinent généralement un modèle de langage, une mémoire ou récupération externe, des outils, des garde-fous, des politiques d’accès, des évaluations et parfois des modules spécialisés de vision, de planification, de cybersécurité ou de robotique.

Les LLM industrialisés sont déjà efficaces pour l’assistance rédactionnelle, la génération de code, le support utilisateur, l’analyse documentaire, la recherche augmentée et l’aide aux équipes de sécurité. Cependant, leurs limites restent documentées : hallucinations, dépendance au contexte, fragilité de planification longue, sécurité des agents, qualité variable du code généré, risques de fuite de données et besoin de supervision.

Les modèles du monde et modèles vidéo prédictifs progressent fortement en recherche, notamment avec V-JEPA 2 et les surveys 2025–2026 sur robotique et IA incarnée. Mais leur industrialisation complète reste limitée : les résultats sont prometteurs sur compréhension vidéo, prédiction, planification zéro-shot ou robotique contrôlée, mais pas encore équivalents à une intelligence générale autonome en monde ouvert.

Les approches cyber et identité sont les plus industrialisées sur le plan normatif : NIST SP 800-63-4, OWASP LLM Top 10, NIST AI RMF, NIST CSF 2.0, ETSI EN 303 645, Cyber Resilience Act et EU AI Act forment déjà un socle de référence. WebAuthn/FIDO et les Passkeys peuvent également être cités à titre de comparaison externe pour l’authentification sans mot de passe, sans constituer le socle de confiance Freemindtronic. Le résultat réel est clair : la confiance numérique évolue vers identité forte, sécurité par conception, gouvernance du risque IA et résistance au phishing. Mais l’intégration IA + identité + objets connectés + sûreté cyber-physique reste encore un champ de recherche appliquée émergent.

23.2. LLM et agents outillés : industrialisation forte, robustesse encore incomplète

Les LLM sont les briques les plus industrialisées de l’IA contemporaine. Ils sont intégrés dans les environnements bureautiques, moteurs de recherche, plateformes de développement, outils de support, assistants métiers, SOC augmentés et workflows documentaires.

Exemples de mises en œuvre déjà industrialisées

Résultat réel attendu

Le résultat réel attendu à court terme n’est pas une intelligence générale autonome, mais une augmentation significative de productivité sur des tâches encadrées : rédaction, synthèse, recherche, génération de code standard, investigation SOC, triage, assistance documentaire et exécution de workflows contrôlés.

Résultat parfois décevant

Les résultats deviennent décevants lorsque l’on attend du LLM :

• une vérité garantie sans vérification ;
• une planification fiable sur de longues chaînes d’actions ;
• une compréhension causale complète ;
• une autonomie sûre sans garde-fous ;
• une mémoire longue durée non gouvernée ;
• une sécurité intrinsèque face à l’injection indirecte ;
• une qualité de code équivalente à une revue humaine experte.

La conclusion opérationnelle est donc : les LLM industrialisés sont déjà utiles, mais leur valeur dépend de l’architecture autour du modèle : RAG, mémoire, outils, politiques, sandboxing, journalisation, vérification, gouvernance et supervision.

23.3. Modèles du monde, vidéo et robotique : recherche très active, industrialisation partielle

Les modèles du monde constituent l’un des courants majeurs de recherche pour dépasser la prédiction de tokens et aller vers la prédiction d’états, d’actions et de conséquences.

Les surveys récents sur les modèles du monde en robotique décrivent ces modèles comme des représentations prédictives de l’évolution d’un environnement sous l’effet des actions. Ils sont utilisés pour l’apprentissage de politiques, la planification, la simulation, l’évaluation, la génération de données et la robotique vidéo. Voir World Model for Robot Learning: A Comprehensive Survey.

V-JEPA 2 représente une étape importante : Meta présente ce modèle comme un modèle entraîné sur vidéo capable de compréhension, prédiction, planification zéro-shot et contrôle robotique dans de nouveaux environnements. Voir Meta AI V-JEPA 2 et blog officiel V-JEPA 2.

Mises en œuvre et niveau de maturité

Résultat réel attendu

À moyen terme, le résultat attendu est une IA capable d’améliorer la robotique, la conduite autonome, la simulation, la planification physique, les jumeaux numériques et les systèmes cyber-physiques. Mais le résultat crédible n’est pas encore un robot généraliste autonome universel.

Résultat décevant ou non démontré

Les limites actuelles sont importantes :

• erreur cumulative sur horizons longs ;
• difficulté d’évaluer la cohérence physique ;
• rareté des benchmarks unifiés ;
• coût des données robotisées ;
• passage difficile entre vidéo internet et action robotique ;
• sécurité insuffisante pour les actions physiques critiques ;
• besoin de mémoire, causalité et contrôle, au-delà de la seule prédiction vidéo.

Cette observation renforce l’axe principal du mémoire : le futur ne sera pas uniquement “modèles du monde”, mais des architectures intelligence artificielle prédictive intégrant mémoire, causalité, action et gouvernance.

Architectures IA prédictive : 23.4. RAG, mémoire et agents : succès opérationnel, risque de fausse confiance

Le RAG est déjà très répandu dans l’industrie pour relier les LLM à des bases documentaires. Son intérêt est clair : réduire certaines hallucinations, citer des sources, exploiter des documents internes, rendre l’IA utile dans un contexte métier.

Mais le RAG ne transforme pas automatiquement une réponse en vérité. Une chaîne RAG peut échouer si :

• les documents sont obsolètes ;
• l’index vectoriel récupère un fragment hors sujet ;
• une source contient une injection indirecte ;
• les permissions documentaires sont mal gérées ;
• le modèle mélange source et inférence ;
• la mémoire conserve une fausse croyance.

La mémoire agentique devient donc un sujet central. Les surveys sur la mémoire des agents LLM formalisent déjà des mécanismes d’écriture, gestion, lecture, consolidation, oubli, contradiction et rappel. Voir Zhang et al. et Du.

Résultat réel attendu

Le RAG et la mémoire agentique sont efficaces pour l’assistance documentaire, le support, la recherche interne, la conformité, la capitalisation d’expérience, le SOC augmenté et les agents métiers.

Résultat décevant

Ils deviennent dangereux lorsqu’ils sont traités comme des mémoires fiables par défaut. Une mémoire d’agent doit être gouvernée comme un actif critique : droits d’accès, provenance, version, durée, oubli, correction, journalisation, chiffrement et révocation.

23.5. Cybersécurité et identité : industrialisation normative forte

Le domaine cyber est celui où les mises en œuvre sont les plus concrètes en matière de standards et réglementations.

Référentiels déjà structurants

Résultat réel attendu

Le résultat réel est déjà visible :

• déploiement accéléré de passkeys et authentification résistante au phishing ;
• passage d’une logique périmétrique à une logique Zero Trust ;
• montée de la sécurité par conception ;
• obligation de gouvernance des risques IA et cyber ;
• normalisation de la cybersécurité des objets connectés ;
• attention accrue à la sécurité des LLM, RAG et agents.

Résultat décevant ou insuffisant

Malgré ces standards, plusieurs difficultés persistent :

• adoption inégale des passkeys ;
• dépendance aux plateformes et questions de portabilité ;
• biométrie encore vulnérable aux attaques de présentation si mal conçue ;
• IoT souvent faible en mise à jour, fin de vie et inventaire ;
• réglementation complexe pour les PME ;
• sécurité IA encore jeune face aux attaques d’agents outillés ;
• manque de référentiels intégrant ensemble IA, identité, mémoire, action et sûreté cyber-physique.

C’est précisément dans cet espace que se positionne le volet appliqué du mémoire.

23.6. Cybersécurité de l’IA : un champ désormais distinct

L’industrialisation de l’IA révèle une distinction fondamentale :

• IA pour la cybersécurité : utiliser l’IA pour défendre ;
• cybersécurité de l’IA : sécuriser les modèles, données, prompts, outils, agents, mémoires et chaînes d’approvisionnement IA.

L’OWASP LLM Top 10 2025 montre que les vulnérabilités GenAI ne concernent pas seulement les prompts : elles touchent aussi les sorties, données d’entraînement, chaînes d’approvisionnement, divulgations, agents trop autonomes et vols de modèles. Voir OWASP GenAI Security Project.

Le NIST AI RMF fournit un cadre plus général pour gouverner les risques liés aux systèmes IA. Voir NIST AI RMF.

Résultat réel attendu

À court terme, les organisations vont devoir intégrer la sécurité IA dans leurs pratiques existantes : gouvernance, threat modeling, red teaming, supply chain, sécurité logicielle, IAM, journalisation, politiques d’outils, supervision humaine et tests adversariaux.

Résultat décevant

La sécurité IA reste souvent appliquée après coup. Beaucoup d’organisations déploient des assistants, RAG ou agents avant d’avoir défini :

• qui peut appeler quels outils ;
• quelles données peuvent entrer dans le contexte ;
• quelle mémoire est autorisée ;
• comment révoquer une croyance ou une instruction mémorisée ;
• comment auditer une chaîne d’actions ;
• comment refuser en cas d’incertitude critique.

Architectures IA prédictive : 23.7. Synthèse des résultats réels : utiles, mais dépendants de l’architecture

23.8. Conclusion de l’état de l’art

L’état de l’art au 6 juillet 2026 confirme la thèse du mémoire : l’IA avancée ne se résume ni à un LLM plus grand, ni à un modèle du monde isolé. Les résultats réels les plus solides apparaissent lorsque les systèmes sont architecturés : données vérifiées, mémoire gouvernée, outils limités, identité forte, journalisation, évaluation, sécurité et supervision.

Le résultat industriel le plus convaincant à court terme est l’augmentation humaine encadrée : développeurs, analystes SOC, juristes, chercheurs, support, ingénieurs, responsables conformité. Le résultat le plus décevant apparaît quand l’IA est présentée comme autonome, fiable et causale sans architecture de contrôle.

La contribution du mémoire est donc de proposer un cadre général : les architectures d’intelligence artificielle prédictive, où les modèles du monde, les LLM, la mémoire, la causalité, l’identité, la cybersécurité et la sûreté cyber-physique sont articulés dans une même grille d’analyse.

Architectures IA prédictive — 24. Benchmarks et protocoles d’évaluation

Un mémoire de référence doit proposer non seulement des concepts, mais aussi des critères de test. Une architecture candidate à l’intelligence prédictive doit être évaluée par des protocoles qui mesurent la capacité à prédire, planifier, mémoriser, agir, expliquer et échouer correctement.

24.1. Évaluation de la prédiction

Questions clés :

• Le système prédit-il correctement l’évolution d’un environnement ?
• Peut-il représenter plusieurs futurs possibles ?
• Distingue-t-il l’incertitude épistémique de l’incertitude aléatoire ?
• Prédit-il en pixels, en tokens, ou dans un espace latent abstrait ?

Références utiles : Ha & Schmidhuber 2018, Moerland et al. 2023, Bardes et al. 2024, Assran et al. 2025.

Architectures IA prédictive : 24.2. Évaluation de la planification

Questions clés :

• Le système peut-il décomposer une tâche ?
• Peut-il comparer plusieurs plans ?
• Peut-il corriger un plan après échec ?
• Peut-il planifier sous contrainte temporelle, énergétique ou réglementaire ?

Références utiles : Kocsis & Szepesvári 2006, Silver et al. 2018, Huang et al. 2024, ReAct.

24.3. Évaluation de la mémoire

Questions clés :

• Le système se souvient-il d’épisodes pertinents ?
• Peut-il consolider une expérience en règle abstraite ?
• Peut-il oublier ce qui est inutile ou dangereux ?
• Peut-il gérer contradictions, corrections et droit à l’oubli ?

Références utiles : Zhang et al. 2024, Du 2026, Lewis et al. 2020.

24.4. Évaluation de la causalité et du contrefactuel

Questions clés :

• Le système distingue-t-il corrélation et causalité ?
• Peut-il répondre à « que se passerait-il si… » ?
• Peut-il identifier les variables pertinentes d’intervention ?
• Résiste-t-il aux changements de distribution ?

Références utiles : Pearl 2009, Schölkopf et al. 2021, Lake et al. 2017.

Architectures IA prédictive : 24.5. Évaluation de la robustesse hors distribution

Questions clés :

• Le système généralise-t-il à des scènes, objets ou règles jamais observés ?
• Détecte-t-il ses propres limites ?
• Sait-il suspendre une action plutôt que produire une réponse plausible mais fausse ?

Références utiles : Berglund et al. 2023, Bender et al. 2021, World Model for Robot Learning 2026.

24.6. Évaluation de la gouvernance

Questions clés :

• Les plans sont-ils auditables ?
• La mémoire est-elle traçable ?
• Les actions sont-elles séparées des décisions ?
• Existe-t-il des garde-fous, seuils d’incertitude et modes d’échec sûrs ?

Un benchmark complet doit donc combiner : tâches de prédiction, tâches de planification, tâches de mémoire longue durée, tâches causales, tâches hors distribution, audit des décisions et tests de sûreté.

25. Mémoire agentique : le maillon oublié

La mémoire est souvent traitée comme un module secondaire. C’est une erreur. Sans mémoire, un agent ne possède pas de continuité d’expérience. Sans continuité, il ne peut pas apprendre durablement de ses actions, corriger ses erreurs répétées, gérer ses contradictions ni construire une identité fonctionnelle stable.

Un modèle du monde sans mémoire expérientielle risque de rester une capacité de prédiction locale. Pour devenir une intelligence cumulative, il doit être couplé à une mémoire capable de conserver les expériences, d’abstraire les régularités, d’oublier les détails inutiles, de gérer les contradictions et de réutiliser les apprentissages dans de nouveaux contextes.

25.1. Trois niveaux de mémoire

1. Mémoire de contexte : ce qui tient dans la fenêtre courante du modèle.
2. Mémoire externe : documents, bases vectorielles, RAG, journaux, graphes.
3. Mémoire expérientielle : épisodes, erreurs, décisions, conséquences, abstraction, consolidation et oubli.

Architectures IA prédictive : 25.2. Boucle write–manage–read

Les travaux récents formalisent la mémoire des agents comme une boucle :

Observation / action
        ↓
Écriture en mémoire
        ↓
Gestion : compression, hiérarchisation, contradiction, oubli
        ↓
Lecture sélective
        ↓
Décision / planification
        ↓
Nouvelle action

Cette boucle doit être couplée à la perception, à l’action, au contrôle d’accès et à la gouvernance des données. Voir Du 2026 et Zhang et al. 2024.

25.3. Mémoire et souveraineté opérationnelle

Une mémoire agentique introduit aussi des exigences de souveraineté : localisation des données, chiffrement, traçabilité, droit à l’oubli, contrôle humain, séparation des mémoires personnelles et professionnelles, prévention de l’empoisonnement de mémoire.

La mémoire n’est donc pas seulement un enjeu technique ; c’est un enjeu de gouvernance.

Architectures IA prédictive — 26. Grille de maturité TRL-IA

Pour transformer ce mémoire en base de projet de recherche, il faut mesurer la maturité des architectures. La grille suivante adapte l’esprit des TRL à l’intelligence artificielle prédictive.

Cette grille permet de comparer les approches sans les confondre. Un LLM peut être très haut en langage mais bas en incarnation. Un modèle du monde peut être fort en prédiction mais faible en gouvernance. Une architecture hybride doit viser une progression équilibrée.

27. Manifeste pour une IA prédictive, mémorielle et gouvernable

1. Le langage n’est pas le monde. Le texte décrit le réel, mais ne remplace pas l’expérience sensorielle, l’action et la causalité.
2. La prédiction de tokens n’est pas la prédiction des conséquences. Une intelligence qui agit doit anticiper les effets de ses actions.
3. La mémoire n’est pas une base documentaire. Elle doit devenir une continuité d’expérience, avec consolidation, oubli et contradiction contrôlée.
4. La causalité ne se réduit pas à la corrélation. Une IA robuste doit raisonner sur interventions et contrefactuels.
5. La planification exige des futurs simulables. Choisir une action suppose de comparer des trajectoires possibles.
6. L’action exige un contrôle de sûreté. Plus un système agit, plus il doit être gouverné, auditable et limité.
7. L’abstraction est une compression orientée prédiction. Il faut oublier les détails inutiles pour conserver les variables pertinentes.
8. L’intelligence générale sera probablement hybride. Langage, perception, mémoire, causalité, outils et monde latent devront coopérer.
9. L’évaluation doit être longue durée et hors distribution. Les tests courts ne suffisent pas à mesurer la robustesse.
10. Une IA puissante doit savoir échouer correctement. Refuser, suspendre, demander vérification ou limiter l’action peut être plus intelligent que produire une réponse plausible.

Ce manifeste résume l’ambition du mémoire : passer d’une IA générative centrée sur la production de texte à une IA prédictive, mémorielle, causale, actionnable et gouvernable.

Architectures IA prédictive — 28. Annexe projet de recherche doctoral / consortium

28.1. Titre possible

Vers une architecture hybride d’intelligence prédictive : mémoire, causalité, modèles du monde et agents outillés.

Architectures IA prédictive : 28.2. Problématique

Les architectures d’IA actuelles excellent dans la génération de langage, mais restent fragiles dès qu’il faut agir durablement, mémoriser l’expérience, généraliser hors distribution, raisonner causalement et planifier dans des environnements ouverts. Le projet vise à étudier si une architecture hybride combinant LLM, modèle du monde, mémoire agentique, causalité et contrôle symbolique peut améliorer la robustesse et la gouvernabilité des agents autonomes.

28.3. Hypothèses de recherche

• H1 : une mémoire expérientielle structurée réduit les erreurs répétées dans les agents LLM.
• H2 : un modèle prédictif latent améliore la planification par rapport à une planification purement textuelle.
• H3 : l’ajout d’un module causal améliore la robustesse hors distribution.
• H4 : un contrôle neuro-symbolique réduit les actions incohérentes ou interdites.
• H5 : une architecture hybride LAMP-C obtient une meilleure gouvernabilité qu’un agent LLM outillé seul.

28.4. Verrous scientifiques

• Apprendre les bonnes abstractions sans tout reconstruire.
• Coupler mémoire longue durée et confidentialité.
• Évaluer causalité et contrefactualité.
• Contrôler l’action dans des environnements ouverts.
• Prévenir l’empoisonnement de mémoire.
• Maintenir l’auditabilité malgré des modules neuronaux opaques.

Architectures IA prédictive : 28.5. Méthodologie

1. Revue bibliographique structurée.
2. Définition de benchmarks internes : mémoire, planification, causalité, sécurité.
3. Prototype agentique : LLM + RAG + mémoire + simulateur + vérificateur symbolique.
4. Ajout progressif d’un modèle prédictif latent.
5. Évaluation comparative contre LLM seul, agent RAG, agent outillé, agent avec mémoire, agent hybride.
6. Analyse des échecs : hallucination, erreur causale, plan impossible, mémoire contradictoire.
7. Publication des résultats, limites et protocoles.

28.6. Livrables sur 36 mois

28.7. Applications possibles

• Robotique et agents incarnés.
• Assistants professionnels longue durée.
• Cybersécurité et analyse d’incident.
• Systèmes critiques gouvernés.
• Agents souverains hors cloud.
• Décision assistée sous contrainte réglementaire.

Architectures IA prédictive : 28.8. Critères de succès

• Réduction mesurable des erreurs répétées.
• Amélioration de la planification sous contrainte.
• Meilleure robustesse hors distribution.
• Journalisation complète des décisions et actions.
• Contrôle explicite des capacités d’action.
• Reproductibilité des protocoles.

29. Volet appliqué : IA prédictive, cybersécurité, sûreté et continuité de confiance

Ce volet applique la thèse du mémoire au domaine de la cybersécurité, de la sûreté et de l’identité. Il montre que les architectures d’IA prédictive ne sont pas seulement un sujet de robotique, de cognition ou d’intelligence générale : elles deviennent une nécessité opérationnelle dans les environnements où humains, agents IA, logiciels, machines, objets connectés et systèmes cyber-physiques interagissent.

L’idée centrale est la suivante : l’IA transforme la cybersécurité parce qu’elle transforme l’identité, l’action et la confiance. Un attaquant peut désormais automatiser la persuasion, synthétiser une voix, générer un deepfake, produire du code malveillant, attaquer une mémoire RAG, détourner un agent outillé ou exploiter un objet connecté comme point d’entrée. Symétriquement, un défenseur peut utiliser l’IA pour corréler des signaux faibles, détecter des anomalies, reconstruire des chaînes d’attaque, vérifier des décisions d’accès et anticiper les trajectoires possibles d’une compromission.

Ce chapitre prolonge directement la thèse fondatrice, l’architecture LAMP-C, la mémoire agentique, la causalité et la gouvernance. Il s’appuie notamment sur les référentiels OWASP LLM Top 10, NIST SP 800-63-4, NIST CSF 2.0, NIST Zero Trust Architecture, NIST AI RMF, ENISA Threat Landscape 2025, NISTIR 8259A, ETSI EN 303 645, WebAuthn, FIDO Passkeys, le Cyber Resilience Act et l’EU AI Act.

29.1. Thèse appliquée : de l’intelligence prédictive à la confiance prédictive

Dans la sécurité classique, on protège un périmètre, un compte, une clé, une session ou une ressource. Dans les architectures modernes, ce périmètre devient mouvant : utilisateurs distants, appareils personnels, API, microservices, conteneurs, objets connectés, agents IA, robots, jumeaux numériques, services cloud et environnements hybrides.

La sécurité ne peut donc plus se limiter à une décision ponctuelle : autorisé ou refusé. Elle doit devenir une évaluation continue de confiance :

Cette évolution rapproche naturellement la cybersécurité des modèles du monde. Un modèle du monde cyber ne cherche pas à représenter toute la réalité physique. Il cherche à représenter un état de confiance dynamique, composé d’identités, d’actifs, de sessions, de permissions, de comportements, de dépendances, d’événements, de vulnérabilités, de preuves et de trajectoires d’attaque possibles.

Formulation proposée :

29.2. IA pour la cybersécurité et cybersécurité de l’IA

Il faut distinguer deux domaines souvent confondus.

IA pour la cybersécurité : utilisation de modèles d’IA pour défendre les systèmes numériques. Exemples : détection d’anomalies, classification de malwares, analyse de logs, résumé d’incidents, corrélation d’événements, détection de phishing, scoring de risque, assistance SOC, triage de vulnérabilités, génération de règles YARA/Sigma, simulation de scénarios d’attaque.

Cybersécurité de l’IA : protection des systèmes d’IA eux-mêmes. Exemples : prompt injection, empoisonnement de données, fuite d’informations sensibles, vol de modèle, détournement d’outils, compromission de mémoire RAG, attaque de la chaîne d’approvisionnement, sortie dangereuse, agent trop autonome, escalade de privilèges par API, exfiltration par contexte.

Le référentiel OWASP Top 10 for LLM Applications est important parce qu’il formalise des risques propres aux applications GenAI/LLM : injection de prompt, manipulation de sortie, empoisonnement, dépendances compromises, divulgation d’informations sensibles, usage excessif d’outils ou d’autonomie, etc. Le NIST AI RMF apporte un cadre plus général de gestion des risques de l’IA, tandis que le NIST CSF 2.0 offre une base de gouvernance de risque cyber applicable à toute organisation.

Cette distinction est fondamentale pour le mémoire : un agent IA peut être à la fois défenseur, cible, surface d’attaque, outil d’attaque, orchestrateur d’action et acteur à gouverner.

Matrice : IA défensive vs IA vulnérable