Cohérence, modèles du monde et intelligence incarnable

De la perception du monde à une action qui demeure cohérente avec lui

Les clés ZEON 288 à 293 décrivent une traversée complète : comprendre l’écosystème, délimiter la situation, discerner les relations, construire un modèle cohérent, faire émerger une décision, puis transduire cette compréhension en architecture et en action. Cette séquence présente une proximité remarquable avec le programme de Yann LeCun pour l’intelligence machine autonome : perception, modèle du monde, objectifs, estimation de coût, planification et action.

La proximité ne doit pourtant pas masquer une différence de finalité. Chez LeCun, la cohérence est d’abord fonctionnelle : un modèle interne doit permettre de prédire, d’évaluer et de planifier. Dans ZEON, la cohérence est plus large : elle relie la représentation, l’action, les conséquences, les valeurs, les limites du système et le monde vivant dans lequel toute décision s’inscrit.

Sommaire détaillé

1. Résumé exécutif et thèse centrale
2. La cohérence comme relation maintenue
3. Vocabulaire : monde, situation, modèle, décision, action
4. Vitto et les travaux d’Adel Amri
5. Description générale des clés 288 à 293
6. La dynamique complète 288 → 293 → 288
7. Le programme de Yann LeCun
8. JEPA, I‑JEPA, V‑JEPA, V‑JEPA 2 et LeWorldModel
9. Comparaison point par point
10. Écarts de finalité et de portée
11. Architecture de référence à double boucle
12. Spécification fonctionnelle minimale
13. Cas d’usage
14. Programme de recherche expérimental
15. Limites et statut épistémique
16. Références primaires et chronologie

Vocabulaire de la traversée

La comparaison devient confuse si les mêmes mots désignent tour à tour le réel, les données, la représentation interne et l’action. Le vocabulaire ci-dessous fixe les distinctions utilisées dans ce Working Paper.

Dans ce texte, « WorldNet » n’est pas présenté comme un terme employé par Yann LeCun. Il s’agit d’une notion ZEON utilisée pour distinguer le réseau relationnel explicite du modèle latent et prédictif du monde.

La cohérence n’est pas l’absence de contradiction

Dans son sens faible, la cohérence désigne la compatibilité logique entre plusieurs propositions. Un système est cohérent lorsque ses affirmations ne se détruisent pas mutuellement. Cette définition est nécessaire, mais insuffisante dès que l’on quitte le domaine abstrait pour entrer dans le monde réel.

Une décision peut être logiquement cohérente et néanmoins écologiquement destructrice. Une architecture peut atteindre son objectif local tout en fragilisant le système qui la rend possible. Un agent peut optimiser exactement la métrique qui lui a été assignée et produire un résultat contraire à l’intention humaine.

La cohérence véritable est la capacité d’une forme, d’une décision ou d’une architecture à demeurer reliée au champ qui la rend possible, aux limites qui la contiennent et aux conséquences qu’elle engendre.

Pourquoi la clé 291 occupe le centre

La clé 291 — Cohérence / World Model — est centrale non parce qu’elle commanderait seule les autres clés, mais parce qu’elle constitue le lieu de condensation de la traversée. Elle reçoit un monde partiellement observé, limité par une membrane contextuelle et organisé en relations. Elle doit en produire une représentation assez stable pour permettre un choix, mais assez ouverte pour être corrigée par le réel.

Une représentation cohérente n’est donc pas une représentation totale. Elle est une construction provisoire, située, révisable et orientée vers une action dont elle doit aussi anticiper les effets.

Les sept axes d’une cohérence opératoire

Pour devenir testable, la cohérence ne peut rester un mot général. Elle doit être décomposée en axes distincts, susceptibles d’être évalués séparément puis mis en tension.

La cohérence comme tension, non comme état figé

Ces axes peuvent entrer en conflit. Une décision très efficace à court terme peut être incohérente à long terme. Une règle générale peut être juridiquement cohérente mais inadaptée à une situation singulière. Une représentation très compacte peut favoriser la planification tout en effaçant des parties prenantes vulnérables.

La cohérence ne doit donc pas être réduite à un score unique. Elle est un espace de tensions dont la décision doit conserver la trace. La clé 291 condense ; la clé 292 met en dialogue ce que cette condensation ne doit pas écraser.

Échec type : le modèle localement exact, globalement faux

Un système peut prévoir correctement le comportement immédiat d’un objet, d’un marché ou d’un utilisateur tout en se trompant sur l’écosystème auquel il appartient. Cette forme d’échec est particulièrement importante pour les architectures autonomes : l’exactitude locale ne garantit ni la pertinence de la frontière, ni la légitimité de l’objectif, ni l’acceptabilité des effets.

De l’agent qui répond au système qui organise les conditions d’une réponse

Dans les échanges et matériaux de travail à l’origine de ce document, Vitto est présenté comme un projet porté par Adel Amri autour de systèmes d’IA autonomes et responsables, associé à une logique de plan de contrôle (« C-plane »). Cette section ne constitue pas une documentation officielle du système : elle formule la lecture conceptuelle que ZEON peut en proposer à partir des éléments partagés par ses auteurs.

La question décisive n’est plus seulement : quel modèle produit la meilleure réponse ? Elle devient : quelle architecture permet d’établir le contexte, distribuer les responsabilités, choisir les modèles, vérifier les règles, conserver la traçabilité et interrompre l’action lorsqu’une condition de légitimité n’est plus remplie ?

Cette distinction est essentielle. Une IA autonome ne devient pas responsable parce que son modèle est plus puissant. Elle devient gouvernable lorsque l’architecture sait distinguer ce qui peut être calculé, ce qui doit être autorisé, ce qui demande une vérification, ce qui relève d’un humain et ce qui ne doit pas être exécuté.

Vitto lu à travers les clés 288 à 293

Description générale des clés 288 à 293

La série ne décrit pas six composants isolés. Elle décrit six transformations successives par lesquelles un système passe du monde à l’action, puis retourne au monde pour éprouver les effets de cette action.

Les clés forment une boucle, non une chaîne linéaire

Une première lecture présente six étapes successives. Une lecture plus profonde montre trois mouvements : ouverture du champ, condensation de la compréhension, puis incarnation et retour du réel.

Les six transformations

La triple mémoire nécessaire

Construire des machines capables d’apprendre le monde, de prévoir et de planifier

Dans A Path Towards Autonomous Machine Intelligence (2022), Yann LeCun propose une architecture générale destinée à dépasser plusieurs limites des systèmes d’apprentissage contemporains. L’objectif n’est pas simplement de produire du texte ou de reconnaître des formes, mais de construire des agents capables d’apprendre des modèles du monde, de maintenir une mémoire, de poursuivre des objectifs, de prédire les effets de leurs actions et de planifier sous incertitude.

1. Une architecture modulaire de l’intelligence autonome

Le schéma de LeCun distingue notamment un module de perception, un world model, une mémoire à court terme, un acteur, un module de coût intrinsèque et un configurateur. Le world model prédit des états plausibles du monde ; l’acteur recherche des séquences d’actions ; les modules de coût évaluent les états ou trajectoires ; le configurateur règle l’ensemble selon la tâche et le contexte.

Cette architecture est pensée comme un système fermé par l’action : l’agent ne se contente pas d’observer. Il agit, reçoit de nouvelles observations et corrige son modèle. Le modèle du monde devient ainsi un médiateur entre perception et planification.

2. JEPA : prédire dans l’espace des représentations

La Joint-Embedding Predictive Architecture (JEPA) cherche à prédire la représentation d’une partie ou d’un état à partir d’une autre représentation, plutôt qu’à reconstruire tous les pixels ou tous les détails du signal. L’idée est de conserver les structures pertinentes et d’ignorer une part des détails imprévisibles.

I‑JEPA applique cette logique aux images : à partir d’un bloc de contexte, le modèle prédit les représentations de blocs cibles masqués. V‑JEPA l’étend à la vidéo en apprenant par prédiction de caractéristiques spatio-temporelles dans l’espace latent, sans reconstruire explicitement chaque pixel.

3. H‑JEPA et la planification hiérarchique

LeCun envisage une hiérarchie de représentations et de prédictions opérant à différentes échelles temporelles et niveaux d’abstraction. Une tâche complexe peut être décomposée en sous-objectifs, eux-mêmes convertis en actions de plus bas niveau. La planification devient une recherche de trajectoires dans l’espace latent : l’agent imagine des suites d’états, estime leurs coûts et choisit une trajectoire.

4. V‑JEPA 2 : comprendre, prédire, planifier

Présenté par Meta en juin 2025, V‑JEPA 2 est décrit comme un world model vidéo destiné à comprendre la réalité physique, anticiper des résultats et planifier. Une variante conditionnée par l’action, V‑JEPA 2‑AC, est post-entraînée avec une quantité limitée de trajectoires robotiques afin de réaliser des tâches de planification et de contrôle dans des environnements nouveaux.

Ce résultat est important pour notre comparaison : il ne s’agit plus seulement d’une analogie théorique entre world model et action. Une chaîne perception → prédiction latente → planification → contrôle a commencé à être testée expérimentalement sur des systèmes physiques.

5. Ce que le programme ne prétend pas encore résoudre

Un modèle latent capable de prédire des états physiquement plausibles ne possède pas, par ce seul fait, une compréhension exhaustive du contexte social, moral, juridique ou écologique. De même, une fonction de coût peut orienter un comportement sans établir la légitimité humaine de l’objectif. Le programme de LeCun constitue une proposition d’architecture cognitive et d’apprentissage ; il ne suffit pas, à lui seul, à résoudre la gouvernance des finalités.

Évolution du programme : représentation, vidéo, action et planification hiérarchique

JEPA : apprendre dans l’espace latent

Une Joint-Embedding Predictive Architecture apprend à prédire une représentation cible à partir d’une représentation de contexte. L’objectif n’est pas de régénérer chaque détail de l’entrée, mais d’apprendre des variables latentes suffisamment informatives pour les tâches futures. Cette orientation vise une abstraction sélective : conserver ce qui est stable et pertinent, laisser de côté une part de l’imprévisible.

I‑JEPA : l’image comme premier terrain

I‑JEPA prédit les représentations de régions masquées d’une image à partir d’un bloc de contexte. Le modèle n’essaie pas de reconstruire tous les pixels et apprend des représentations sémantiques sans dépendre d’une supervision textuelle.

V‑JEPA : apprendre des régularités spatio-temporelles

V‑JEPA transpose la prédiction de caractéristiques à la vidéo. L’apprentissage se déroule dans l’espace des représentations spatio-temporelles, ce qui rapproche le système d’une compréhension des changements, des mouvements et des régularités physiques observables.

V‑JEPA 2 : de l’observation à la planification physique

V‑JEPA 2 combine l’apprentissage auto-supervisé sur de grandes collections vidéo avec une quantité plus limitée de trajectoires robotiques. Sa variante conditionnée par l’action permet d’évaluer des séquences de commandes dans l’espace latent et de sélectionner celles qui rapprochent l’état prédit d’un objectif.

Cette étape correspond très directement au passage 291 → 292 → 293 : représentation du monde, exploration de futurs conditionnés par l’action, puis contrôle physique. Elle ne couvre toutefois pas à elle seule la membrane de gouvernance, le dialogue normatif ou la transduction organisationnelle au sens large.

Planification hiérarchique à plusieurs échelles temporelles

Les travaux publiés en 2026 sur la planification hiérarchique avec des modèles du monde latents répondent à deux difficultés des horizons longs : l’accumulation des erreurs de prédiction et l’explosion de l’espace de recherche. Des modèles opérant à plusieurs échelles temporelles peuvent proposer des sous-objectifs plus abstraits, puis déléguer leur réalisation à des contrôleurs de plus bas niveau.

Cette structure résonne avec la clé 293 : une intention globale ne devient incarnable qu’en étant transduite en niveaux d’architecture, de temporalité et de responsabilité compatibles entre eux.

LeWorldModel et la stabilisation de l’apprentissage

En 2026, LeWorldModel a proposé un apprentissage JEPA stable de bout en bout depuis les pixels, avec un modèle relativement compact et une planification rapide dans plusieurs tâches de contrôle. L’intérêt pour ZEON est moins le nom que le déplacement qu’il manifeste : le World Model devient progressivement un composant technique directement entraînable, testable et utilisable pour l’action.

Identifiabilité des variables du monde

Des résultats théoriques publiés en 2026 étudient les conditions dans lesquelles une architecture JEPA peut récupérer, à transformation linéaire près, les degrés de liberté latents d’un monde. Cette question est fondamentale : un espace latent utile à la prédiction n’est pas automatiquement un espace qui préserve la structure causale ou composable du réel.

Une chronologie synthétique

Perception → World Model → Planning → Action et 288 → 293

La clé 291 comme centre, mais non comme souverain

Chez LeCun comme dans ZEON, le modèle du monde est le pivot de la chaîne. Toutefois, il ne peut être souverain. Sa qualité dépend du champ observé (288), de la membrane qui sélectionne le contexte (289), des relations qu’il est capable de discerner (290), des critères qui orientent la décision (292) et de la confrontation de l’action avec le monde réel (293).

Cette lecture évite une erreur fréquente : croire qu’un world model plus riche produira mécaniquement de meilleures décisions. Un modèle peut être prédictivement puissant tout en étant construit sur une frontière inadéquate, un objectif illégitime ou une représentation amputée des acteurs affectés.

Une convergence d’architecture ne signifie pas une identité de projet

Une architecture de référence fondée sur la double boucle

La convergence entre Vitto, le programme de LeCun et les clés 288 à 293 suggère une architecture à deux boucles complémentaires : une boucle cognitive qui apprend et planifie ; une boucle de cohérence qui délimite, autorise, contrôle et réévalue.

La double boucle

Conditions minimales d’une première implémentation

Un format minimal pour implémenter les clés 288 à 293

Une architecture inspirée de cette série doit rendre visibles les transitions entre les clés. Le schéma suivant n’est pas un SDK complet ; il définit les objets minimaux qui permettront ensuite de construire API, interfaces, tests et implémentations de référence.

{
  "zeon_cycle": {
    "id": "cycle-288-293",
    "version": "0.2",
    "ecosystem_288": {
      "actors": [],
      "systems": [],
      "resources": [],
      "rules": [],
      "risks": [],
      "living_conditions": [],
      "sources": []
    },
    "membrane_289": {
      "question": "",
      "scope_in": [],
      "scope_out": [],
      "identities": [],
      "permissions": [],
      "data_policies": [],
      "reopen_conditions": []
    },
    "worldnet_290": {
      "entities": [],
      "relations": [],
      "hypotheses": [],
      "contradictions": [],
      "causal_claims": [],
      "uncertainties": [],
      "action_possibilities": []
    },
    "world_model_291": {
      "current_state": {},
      "latent_state_ref": null,
      "alternative_models": [],
      "predicted_futures": [],
      "confidence": {},
      "blind_spots": [],
      "revision_triggers": []
    },
    "dialogue_292": {
      "objectives": [],
      "stakeholders": [],
      "constraints": [],
      "options": [],
      "non_action_option": {},
      "evaluations": [],
      "objections": [],
      "human_decisions": [],
      "selected_path": null
    },
    "transduction_293": {
      "architecture": [],
      "responsibilities": [],
      "interfaces": [],
      "controls": [],
      "tests": [],
      "rollback": {},
      "execution_log": [],
      "observed_effects": [],
      "return_to_288": []
    }
  }
}

Contrats de passage

Tests canoniques

La même grammaire pour une IA, une organisation ou un territoire

Cas A — Agent logiciel autonome

L’agent reçoit une demande, détermine les systèmes concernés, construit un contexte autorisé, cartographie les dépendances, simule plusieurs plans, demande une validation lorsque nécessaire, exécute via des outils limités et compare les effets aux attentes.

Cas B — Robot intervenant dans un environnement inconnu

Le robot observe l’environnement, sélectionne les objets et obstacles pertinents, apprend ou mobilise une représentation latente de la dynamique, planifie une trajectoire, agit, puis corrige son modèle selon le retour sensoriel. La gouvernance ajoute zones interdites, seuils de force, priorité humaine et arrêt sûr.

Cas C — Décision organisationnelle

Une organisation envisage une transformation. La clé 288 cartographie l’écosystème ; 289 définit le chantier ; 290 relie parties prenantes, contraintes et flux ; 291 construit plusieurs modèles de transformation ; 292 organise la délibération ; 293 produit gouvernance, feuille de route, budgets, pilotes et dispositifs d’évaluation.

Cas D — Politique territoriale

Un territoire ne peut être réduit à un problème technique. Les clés imposent de relier infrastructures, habitants, économie, histoire, biodiversité, droit, paysage, temporalités et asymétries de bénéfices. La décision devient une architecture de compromis explicite et révisable.

Cas E — Vitto comme C-plane responsable

Vitto pourrait utiliser la série comme protocole de contrôle : reconnaître le domaine, construire les membranes, maintenir un graphe explicite des règles et dépendances, associer un modèle du monde aux agents spécialisés, organiser le dialogue des contraintes, puis compiler une action autorisée et auditable.

Transformer une convergence conceptuelle en hypothèses testables

Question 1 — Une membrane explicite améliore-t-elle la fiabilité ?

Comparer un agent utilisant un contexte implicite à un agent dont les frontières, droits, sources et règles de passage sont représentés explicitement. Mesurer erreurs de périmètre, fuites de données, conflits de règles et qualité de l’escalade humaine.

Question 2 — WorldNet peut-il rendre le world model plus auditable ?

Coupler une représentation latente à un graphe explicite de faits, relations, provenance et hypothèses. Tester si cette couche améliore la détection des contradictions, l’explication des plans et la correction après erreur.

Question 3 — Le dialogue produit-il de meilleures décisions que l’optimisation unique ?

Comparer une fonction de coût unique à une délibération multi-critères intégrant objectifs, contraintes, parties prenantes, risques, réversibilité et possibilité de refus.

Question 4 — La clé 293 peut-elle devenir un protocole de compilation architecturale ?

Définir une transformation contrôlée entre un modèle de situation et une architecture exécutable : composants, contrats d’interface, tests, responsabilités, séquence de déploiement et mécanismes de retour.

Question 5 — Comment mesurer la cohérence au-delà de la performance locale ?

Construire une grille combinant exactitude prédictive, robustesse, respect des frontières, explicabilité, réversibilité, impact sur l’écosystème et capacité à reconnaître l’insuffisance du modèle.

Le world model n’est pas la fin de l’intelligence ; il est le centre d’une traversée

LeCun cherche à construire des systèmes qui apprennent la structure du monde par observation, anticipent les conséquences et planifient des actions. Les clés 288 à 293 décrivent une traversée presque homologue, mais l’inscrivent dans une conception plus vaste de la cohérence.

La convergence devient particulièrement féconde lorsqu’on introduit Vitto et le travail d’Adel sur des architectures autonomes responsables. Le world model apporte une capacité de représentation et de prédiction ; le plan de contrôle apporte règles, autorisations et supervision ; les clés ZEON apportent une grammaire continue reliant l’écosystème, la situation, le discernement, la cohérence, la décision et l’incarnation.

Une intelligence ne devient pas cohérente parce qu’elle sait prévoir. Elle le devient lorsqu’elle sait reconnaître le monde dont elle dépend, les limites de sa représentation, la légitimité de son action et les effets par lesquels le réel lui répond.

Ce que cette comparaison établit — et ce qu’elle n’établit pas

Limite du mot « compréhension »

Dans la recherche en IA, le terme peut désigner la capacité d’une représentation à soutenir des prédictions et des tâches. Dans ZEON, il peut inclure une relation plus large au sens, au contexte et aux conséquences. Le document maintient cette différence au lieu de la résoudre par simple équivalence.

Limite de la projection anthropomorphique

Un système qui simule des futurs n’entretient pas nécessairement avec eux une expérience subjective, une responsabilité morale ou une compréhension humaine. Les termes dialogue, discernement et cohérence décrivent ici d’abord des fonctions architecturales.

Limite des world models latents

Une représentation latente peut être performante tout en restant difficile à inspecter, fragile hors distribution ou insuffisante pour les longues chaînes causales. La couche WorldNet proposée par ZEON est une hypothèse de complément, non une solution déjà démontrée.

Sources sur le programme de Yann LeCun

1. Yann LeCun, A Path Towards Autonomous Machine Intelligence, OpenReview, 2022. Publication et PDF.
2. Anna Dawid, Yann LeCun, Introduction to Latent Variable Energy-Based Models: A Path Towards Autonomous Machine Intelligence, arXiv, 2023. arXiv:2306.02572.
3. Meta AI, Yann LeCun on a vision to make AI systems learn and reason like animals and humans, 23 février 2022. Article officiel.
4. Mido Assran et al., Self-Supervised Learning from Images with a Joint-Embedding Predictive Architecture, CVPR 2023. Publication Meta AI.
5. Adrien Bardes et al., Revisiting Feature Prediction for Learning Visual Representations from Video, 2024. Publication Meta AI.
6. Meta AI, V‑JEPA: The next step toward advanced machine intelligence, 15 février 2024. Article officiel.
7. Assran et al., V‑JEPA 2: Self-Supervised Video Models Enable Understanding, Prediction and Planning, 11 juin 2025. Publication Meta AI.
8. Meta AI, Introducing the V‑JEPA 2 world model and new benchmarks for physical reasoning, 11 juin 2025. Article officiel.
9. Basile Terver et al., What Drives Success in Physical Planning with Joint-Embedding Predictive Architectures?, OpenReview, version ICLR 2026. OpenReview.
10. Matthieu Destrade et al., Value-guided action planning with JEPA world models, arXiv, 2025. arXiv:2601.00844.
11. Wancong Zhang et al., Hierarchical Planning with Latent World Models, arXiv, avril 2026. arXiv:2604.03208.
12. Lucas Maes et al., LeWorldModel: Stable End-to-End Joint-Embedding Predictive Architecture from Pixels, arXiv, mars 2026. arXiv:2603.19312.
13. David Klindt, Yann LeCun, Randall Balestriero, When Does LeJEPA Learn a World Model?, arXiv, mai 2026. arXiv:2605.26379.
14. Basile Terver et al., A Lightweight Library for Energy-Based Joint-Embedding Predictive Architectures, arXiv, 2026. arXiv:2602.03604.

Note méthodologique

Les descriptions des travaux de Yann LeCun s’appuient sur les publications et pages officielles ci-dessus. Les sections consacrées à ZEON, Vitto et Adel Amri expriment la formalisation proposée dans le cadre du travail commun de leurs auteurs et doivent être relues ou complétées par Adel avant toute présentation comme description officielle de Vitto. Les correspondances exposées ici sont analytiques et ne constituent pas une revendication d’équivalence, de filiation ou d’antériorité.