Les modèles d'IA vidéo échouent à comprendre le monde réel : une nouvelle étude révèle des lacunes criantes en raisonnement physique

Les modèles d’images et de vidéos générées par l’intelligence artificielle d’aujourd’hui peinent à reproduire fidèlement le fonctionnement du monde réel, selon une nouvelle étude. Bien qu’ils soient capables de produire des séquences visuelles impressionnantes et souvent convaincantes, leurs performances sur des tâches nécessitant une compréhension fondamentale de la physique restent très inconstantes. Les chercheurs ont soumis divers modèles d’IA vidéo — notamment des systèmes comme Sora, Pika ou Stable Video Diffusion — à une série de tests conçus pour évaluer leur capacité à raisonner sur des phénomènes physiques simples : la chute des objets, les collisions, la conservation de la quantité de mouvement, ou encore la stabilité des structures. Les résultats révèlent des erreurs fréquentes et parfois fondamentales. Par exemple, certains modèles montrent des objets qui flottent dans les airs sans raison, des objets qui rebondissent de manière impossible ou des constructions qui s’effondrent sans que la force ou la gravité n’interviennent. Ces failles s’expliquent par le fait que les modèles d’IA s’appuient principalement sur des motifs statistiques extraits de vastes bases de données d’images et de vidéos, plutôt que sur une compréhension profonde des lois physiques. Ils apprennent à « imiter » ce qu’ils ont vu, mais sans intégrer de représentation interne du monde réel. Ainsi, lorsqu’un scénario sort du cadre des exemples courants, leur capacité à raisonner se dégrade rapidement. Cette incohérence soulève des préoccupations importantes, surtout dans des domaines où la fiabilité est cruciale : la simulation de scénarios réalistes pour la formation, la conception de robots, ou même la création de contenus pour l’éducation. Si ces modèles sont utilisés sans surveillance, ils risquent de diffuser des représentations erronées du monde physique, renforçant des idées fausses. En somme, bien que les avancées récentes soient impressionnantes, les modèles d’IA vidéo actuels ne possèdent pas une compréhension intrinsèque du monde physique. Ils sont des experts en imitation, pas en raisonnement. Pour qu’ils deviennent des outils fiables dans des applications réelles, il faudra intégrer des connaissances physiques explicites dans leurs architectures ou les entraîner sur des données qui les forcent à respecter les lois de la nature. Jusqu’alors, leur représentation du réel restera une illusion bien construite, mais fragile.