Le domaine de la robotique connaît un tournant majeur avec l’émergence des World-Action Models (WAM). Cette nouvelle approche, qui gagne rapidement en popularité auprès des chercheurs et des entreprises, propose d’utiliser des arrière-plans de modèles vidéo préentraînés comme base pour apprendre des politiques robotiques, plutôt que de s’appuyer exclusivement sur des modèles vision-langage comme le faisaient les systèmes VLA traditionnels. Cette évolution répond à une limite bien connue des architectures actuelles : le fossé d’ancrage, qui rend difficile la traduction fiable d’instructions textuelles en actions physiques à partir de données robotiques limitées. Les WAM fonctionnent sur un principe différent. Au lieu de mapper directement un langage vers des commandes motrices, ils s’appuient sur des modèles vidéo capables de prédire l’évolution d’une scène dans le temps. En conditionnant cette prédiction visuelle par des instructions textuelles, le système apprend indirectement quels mouvements générer. Plusieurs architectures émergent autour de ce concept. Certaines adoptent une approche inverse, générant d’abord un futur visuel puis en déduisant les actions nécessaires. D’autres privilégient la prédiction conjointe, où le modèle génère simultanément les images futures et les séquences de commande. Des méthodes plus récentes explorent également l’usage de plans latents pour accélérer l’exécution et réduire la dépendance à la génération vidéo en temps réel. Sur le plan pratique, plusieurs projets majeurs illustrent ce déplacement de paradigme. DreamZero utilise un arrière-plan vidéo de grande taille adapté au contrôle robotique en prédisant conjointement images et actions. Des initiatives comme LingBot-VA ou Being-H0.7 combinent des transformers à experts multiples avec des prédicteurs de futurs visuels ou des plans latents appris à partir de vastes corpus vidéo. Dans les évaluations récentes, ces modèles ont montré des performances solides, notamment sur des benchmarks réalistes, où certains surpassent désormais les bases de référence VLA traditionnelles. Cette avancée n’est pas sans défis. L’entraînement des WAM reste nettement plus coûteux que celui des VLA, car les séquences vidéo génèrent un volume de données bien plus élevé, nécessitant des infrastructures GPU puissantes et des pipelines complexes. La vitesse d’inférence souffre également, certaines implémentations étant trois à quatre fois plus lentes que les politiques standard en raison des étapes de débruitage ou de génération visuelle. Pour contourner ces limites, la recherche se tourne vers l’optimisation du pré-entraînement, l’usage de modèles de monde latents plus légers, ou la suppression de la génération visuelle lors de l’exécution. À moyen terme, la frontière entre les deux approches semble appelée à s’estomper. Les équipes intègrent déjà des modules de prédiction visuelle au sein de politiques VLA, tandis que les WAM récupèrent les architectures modulaires et les techniques de tokenisation discrète développées pour le langage. Un modèle hybride, combinant la compréhension sémantique, la planification visuelle et des experts d’action spécialisés, apparaît comme la voie la plus prometteuse. Bien que balayé par des contraintes de calcul et de disponibilité des données, l’adoption des World-Action Models marque indéniablement une nouvelle étape dans le développement de robots autonomes et adaptatifs.