Une IA qui modélise la physique, pas le langage : le pari anti-Transformer d'Anandkumar

Presque toute l'IA générative que nous utilisons partage une obsession : prédire le mot suivant. Le Transformer, l'architecture qui fait tourner ChatGPT comme Claude, excelle à cela. Mais une pluie ne se déroule pas comme une phrase, et un flux d'air autour d'une aile d'avion n'a pas de « mot suivant ». C'est le pari de départ d'Accelerated Understanding, la société dévoilée le 25 août par Anima Anandkumar et Benedikt Jenik : construire une IA qui ne modélise pas le langage, mais la physique — et pour cela, tourner le dos au Transformer.

Le choix n'est pas anecdotique venant d'Anandkumar. Professeure à Caltech, ancienne directrice de la recherche en machine learning chez Nvidia, elle a contribué à populariser la technique même sur laquelle repose sa nouvelle entreprise : les « opérateurs neuronaux » (neural operators). Là où un modèle de langage apprend des relations entre symboles, un opérateur neuronal apprend les relations à l'intérieur d'un système physique et prédit comment ce système évolue dans l'espace et dans le temps. La différence d'objet est totale : l'un manie du sens, l'autre des équations.

Ce que change un « opérateur neuronal »

L'argument central tient dans une revendication spectaculaire — à manier avec les pincettes d'usage. Selon le profil publié par Reuters et repris par plusieurs médias, le système aurait ingéré 5 000 milliards de données au sein d'un seul prompt lors de tests, soit un ordre de grandeur sans commune mesure avec les fenêtres de contexte des modèles phares d'OpenAI, d'Anthropic ou de Google. Le chiffre est présenté comme un résultat de tests internes, sans détail public sur la méthode ni validation indépendante. On le prend donc pour ce qu'il est : une promesse, pas encore une preuve.

Mais la promesse est cohérente avec la nature des opérateurs neuronaux. Modéliser un phénomène physique — l'atmosphère, un matériau, un sous-sol — c'est manipuler des champs continus définis sur d'immenses grilles de points, là où le langage se contente de séquences de quelques milliers de jetons. Une architecture pensée pour la physique n'a pas à faire semblant de traiter cela comme du texte : elle travaille nativement sur la structure du problème.

Un choix de vie autant que de technologie

Le récit fondateur ajoute une couche politique à l'affaire. Anandkumar et Jenik ont, selon Reuters, décliné une offre pour rejoindre Project Prometheus, l'ambitieuse initiative soutenue par Jeff Bezos : un salaire de 1 à 2 millions de dollars, 35 % du capital et jusqu'à 2 milliards de financement de série A et B déjà engagés. Prometheus, qui vise l'automatisation de la fabrication de produits physiques complexes, a depuis levé une série B de 12 milliards de dollars en juin 2026. Refuser une telle offre pour bâtir une structure indépendante en dit long sur la conviction des deux chercheurs quant à leur approche.

Les applications visées ne relèvent pas de la démonstration académique : optimisation de la conception de puces, robotique, prévision météorologique, analyse géologique. Autant de domaines où la simulation physique coûte aujourd'hui des heures de supercalculateur, et où une IA capable d'approcher le résultat en une fraction du temps aurait une valeur industrielle immédiate. Pour l'Europe, l'enjeu est concret : la prévision météorologique de pointe est un savoir-faire du continent, et la modélisation de matériaux ou de sous-sols touche à des filières industrielles stratégiques.

Une bifurcation à surveiller

Il faut se garder de deux excès symétriques. Non, ce n'est pas « la fin du Transformer » : les modèles de langage restent imbattables sur le langage, le code et le raisonnement symbolique, et les agents qui en découlent progressent vite. Mais non plus, ce n'est pas un simple coup de communication : l'idée qu'une seule architecture — le Transformer — devrait tout faire, du poème à la mécanique des fluides, tient davantage de l'habitude que de la nécessité scientifique.

Ce que dessine Accelerated Understanding, c'est une hypothèse de bifurcation. D'un côté, des modèles du langage et du raisonnement. De l'autre, des modèles du monde physique, avec leurs propres architectures. Cette spécialisation ferait écho à un constat déjà dressé ailleurs : les IA généralistes butent encore sur les tâches scientifiques exigeantes précisément parce qu'elles ne « comprennent » pas les systèmes qu'elles manipulent. Reste à voir si les 5 000 milliards de données par prompt survivent à un examen extérieur. La physique, elle, ne se laisse pas convaincre par un communiqué.