Fei-Fei Li : l'intelligence spatiale, prochaine frontière de l'IA

Le 10 novembre 2025, Fei-Fei Li publie un long essai au titre programmatique : « From Words to Worlds: Spatial Intelligence is AI's Next Frontier » — « Des mots aux mondes : l'intelligence spatiale est la prochaine frontière de l'IA ». La chercheuse, que beaucoup surnomment la « marraine de l'IA », y formule une thèse simple et forte : les grands modèles de langage ont accompli des prouesses avec le texte, mais ils restent des êtres de mots privés de monde. Sa formule pour les décrire est restée : ce sont, écrit-elle, des « wordsmiths in the dark » — des orfèvres du verbe dans l'obscurité, éloquents mais inexpérimentés, savants mais sans ancrage. Pour Fei-Fei Li, la prochaine grande étape ne consiste pas à empiler encore du langage, mais à doter les machines d'une intelligence spatiale : la capacité de percevoir, de raisonner et d'agir dans l'espace tridimensionnel. Ce texte, aussitôt relayé par Time et par les principales publications technologiques, propose un cap clair pour la décennie qui vient — et il arrive au moment précis où toute une partie du secteur se met à parler de « modèles du monde ».

Ce que c'était : un manifeste pour l'intelligence spatiale

L'essai paraît le 10 novembre 2025 sur la lettre personnelle de Fei-Fei Li, avant d'être repris par Time sous le titre « Spatial Intelligence Is AI's Next Frontier ». Ce n'est pas une annonce de produit ni un communiqué d'entreprise : c'est une prise de position intellectuelle, argumentée sur plusieurs milliers de mots, qui cherche à nommer la prochaine grande direction de la recherche. Le titre en résume tout le mouvement : passer « des mots aux mondes ». Là où la vague précédente a appris aux machines à manipuler le langage, Fei-Fei Li plaide pour qu'on leur apprenne désormais à comprendre l'espace.

Le point de départ de l'essai est un constat lucide sur les modèles de langage. Ils ont franchi un seuil impressionnant : ils conversent, résument, traduisent, raisonnent sur du texte avec une aisance déconcertante. Mais Fei-Fei Li met le doigt sur ce qui leur manque encore. Un modèle entraîné uniquement sur du texte connaît le mot « verre », sait qu'il se brise, peut décrire la chute d'un objet — sans avoir jamais éprouvé la géométrie d'une table, la profondeur d'une pièce, la trajectoire d'une chute. C'est cette absence d'ancrage dans le monde physique qu'elle pointe. Sa phrase la plus citée dit exactement cela :

« Yet they remain wordsmiths in the dark; eloquent but inexperienced, knowledgeable but ungrounded. »

La traduction rend fidèlement l'image : ces modèles demeurent des orfèvres du verbe dans l'obscurité, éloquents mais inexpérimentés, savants mais sans ancrage. La métaphore de l'obscurité est centrale. Elle ne reproche rien aux modèles de langage ; elle constate seulement qu'ils raisonnent sans lumière sur le monde, sans la perception directe de l'espace qui, chez l'humain comme chez l'animal, précède le langage et le soutient. Pour Fei-Fei Li, combler ce manque, c'est ouvrir la prochaine frontière.

À retenir. La thèse tient en une image : les modèles de langage sont des « orfèvres du verbe dans l'obscurité » — éloquents, mais privés d'expérience de l'espace. Comprendre le monde ne se réduit pas à le décrire : il faut aussi le percevoir. L'intelligence spatiale n'est pas un luxe ajouté au langage, c'en est le socle.

Ce qu'elle appelle « intelligence spatiale »

L'intelligence spatiale, dans l'essai, n'est pas définie par une formule unique mais par sa fonction. C'est la capacité qui relie l'imagination, la perception et l'action. C'est elle qui nous permet d'estimer une distance d'un coup d'œil, d'attraper une balle en vol, de nous orienter dans une ville inconnue, de nous représenter mentalement une pièce que l'on n'a pas encore vue. Fei-Fei Li la présente comme un socle : selon ses propres termes, l'intelligence spatiale est « the scaffolding upon which our cognition is built » — l'échafaudage sur lequel repose notre cognition. Autrement dit, elle ne vient pas après le langage comme un raffinement optionnel ; elle le précède et le porte.

Ce renversement de perspective est l'apport le plus profond de l'essai. Dans le récit dominant des dernières années, le langage tenait le rôle principal : maîtriser le texte, c'était supposément maîtriser la pensée. Fei-Fei Li rappelle que, dans l'évolution du vivant, la perception de l'espace est bien plus ancienne que la parole. Des organismes se déplaçaient, chassaient, s'orientaient et manipulaient leur environnement des centaines de millions d'années avant l'apparition du moindre mot. Une intelligence artificielle qui ambitionne de comprendre le monde, et pas seulement d'en parler, doit donc, selon elle, retrouver ce fondement spatial.

La réponse technique : les « modèles du monde »

À ce diagnostic, l'essai oppose une proposition concrète : les « world models », ou modèles du monde. Un modèle du monde n'est pas un modèle qui prédit le prochain mot d'une phrase, mais un modèle qui prédit le prochain état d'un environnement. Là où un modèle de langage travaille sur des suites de symboles, un modèle du monde travaille sur des scènes : leur géométrie, leur profondeur, leur cohérence physique, la manière dont elles évoluent quand on agit sur elles. Fei-Fei Li détaille les trois capacités qu'un modèle du monde vraiment doté d'intelligence spatiale devrait posséder.

Génératif — « World models can generate worlds with perceptual, geometrical, and physical consistency. » Le modèle doit pouvoir engendrer des mondes cohérents sur le plan perceptif, géométrique et physique : pas seulement une belle image, mais un espace qui tient debout, où les objets ont une place, une échelle et un comportement plausibles.
Multimodal — « World models are multimodal by design. » Le modèle est multimodal par nature : il accepte du texte, des images, des vidéos, des ébauches en trois dimensions, et compose à partir de ces entrées hétérogènes une représentation unifiée de la scène.
Interactif — « World models can output the next states based on input actions. » Le modèle produit l'état suivant du monde en fonction des actions qu'on lui soumet : si un agent tourne à gauche, ouvre une porte, déplace un objet, la scène évolue en conséquence, de manière cohérente dans le temps.

Ces trois propriétés dessinent un objet très différent des systèmes qui ont dominé la période précédente. Un modèle du monde n'est pas un moteur qui décrit ; c'est un moteur qui simule. Il maintient une représentation persistante de l'espace, sur laquelle on peut se déplacer, agir, revenir. C'est cette persistance qui distingue un vrai modèle du monde d'un simple générateur d'images : la scène ne se dissout pas dès qu'on détourne le regard, elle existe et se laisse explorer.

La distinction fondamentale : à gauche, on prolonge une chaîne de texte ; à droite, on fait évoluer un espace en fonction d'une action. C'est ce saut, du symbole à la scène, qui définit le modèle du monde.

Le contexte : qui est Fei-Fei Li, et pourquoi maintenant

Pour saisir le poids de cet essai, il faut connaître son autrice. Fei-Fei Li n'est pas une commentatrice de passage : elle est l'une des personnes qui ont rendu possible la vague actuelle de l'IA. Née à Pékin en 1976, arrivée adolescente aux États-Unis, elle décroche une licence de physique à Princeton puis un doctorat à Caltech, avant d'enseigner à l'université de l'Illinois à Urbana-Champaign, puis de nouveau à Princeton à partir de 2007 — où elle lance le projet qui va marquer l'histoire du domaine — avant de rejoindre Stanford comme professeure en 2009.

ImageNet, l'étincelle de 2009

Ce projet, c'est ImageNet : une base d'images d'une ampleur inédite, annotée à la main à une échelle que personne n'avait tentée. L'intuition de Fei-Fei Li était à contre-courant de son époque. Alors que la plupart des chercheurs cherchaient à améliorer les algorithmes, elle a parié sur les données : pour qu'une machine apprenne à voir, il fallait d'abord lui montrer le monde en très grand nombre d'exemples. L'équipe a rassemblé et étiqueté des millions d'images réparties en milliers de catégories. Le concours de reconnaissance visuelle qui en est né, l'ImageNet Challenge, est devenu le banc d'essai de référence de la vision par ordinateur. En 2012, une architecture de réseau de neurones profonds y pulvérise les scores précédents — un moment souvent décrit comme le coup d'envoi de la révolution de l'apprentissage profond. Fei-Fei Li elle-même rappelle ce rôle fondateur dans son essai :

« It's why I spent years building ImageNet, the first large-scale visual learning and benchmarking dataset and one of three key elements enabling the birth of modern AI. »

La phrase mérite qu'on s'y arrête. Elle situe ImageNet comme « l'un des trois éléments clés » ayant permis la naissance de l'IA moderne — aux côtés, généralement, de la puissance de calcul des processeurs graphiques et des progrès des algorithmes d'apprentissage. Ce rappel n'est pas un trait d'orgueil : il éclaire la cohérence de la démarche. La chercheuse qui a appris aux machines à voir des images fixes en 2009 propose, en 2025, de leur apprendre à comprendre des espaces en trois dimensions. C'est la même quête, poursuivie un cran plus loin : donner aux machines un accès au monde visuel, puis au monde tout court.

Le parallèle entre les deux moments est instructif. En 2009, la sagesse dominante voulait qu'on améliore surtout les modèles. Fei-Fei Li a défendu une idée alors minoritaire : sans un très grand volume de données visuelles annotées, aucun algorithme ne pouvait apprendre à voir correctement. L'histoire lui a donné raison — l'abondance de données étiquetées d'ImageNet a révélé la puissance des réseaux profonds qui, jusque-là, manquaient de matière pour s'exprimer. On peut lire l'intelligence spatiale comme la reprise de ce même pari, transposé d'un cran. Pour qu'une machine comprenne l'espace, il ne suffit pas d'un meilleur modèle de texte ; il faut lui donner accès à des représentations tridimensionnelles riches, cohérentes, sur lesquelles elle puisse apprendre la géométrie et la physique du monde. La continuité méthodologique est frappante : dans les deux cas, c'est la nature même de ce que l'on montre à la machine qui débloque la capacité recherchée.

Cette insistance sur la perception s'appuie sur un argument que la chercheuse développe volontiers : chez les êtres vivants, l'intelligence n'a pas commencé par le langage. Elle a commencé par le mouvement et la perception. Un animal qui évalue une distance, anticipe la trajectoire d'une proie ou mémorise la topographie d'un territoire déploie déjà une forme sophistiquée d'intelligence spatiale, bien avant toute parole. Le langage, apparu tardivement dans l'évolution, s'est greffé sur ce socle perceptif plutôt que de le remplacer. En rappelant cette antériorité, Fei-Fei Li ne diminue pas la valeur du langage ; elle situe l'intelligence spatiale à sa juste place — comme la fondation sur laquelle la cognition s'est construite, et donc comme un manque criant chez des systèmes qui n'ont, jusqu'ici, appris que des mots.

World Labs, du laboratoire à l'entreprise

L'essai ne tombe pas du ciel : il prolonge un engagement industriel. En 2024, tout en gardant un pied à Stanford, Fei-Fei Li cofonde une entreprise entièrement dédiée à l'intelligence spatiale : World Labs. La société sort de la discrétion le 13 septembre 2024, avec une dotation de 230 millions de dollars réunie auprès d'investisseurs de premier plan. Son objet est clair dès l'origine : bâtir des systèmes capables de raisonner et d'agir en trois dimensions, là où les modèles de langage se cantonnent au texte.

Un an plus tard, cet effort débouche sur un premier produit. Le 12 novembre 2025 — deux jours après la parution de l'essai —, World Labs met à disposition Marble, présenté comme le premier modèle du monde commercialisé. Fei-Fei Li le décrit dans son texte comme :

« Marble, the first ever world model that can be prompted by multimodal inputs to generate and maintain consistent 3D environments. »

Concrètement, Marble transforme une consigne — un texte, une photo, une vidéo, un panorama ou une ébauche de disposition en trois dimensions — en un environnement 3D cohérent que l'on peut explorer, modifier et exporter. L'utilisateur récupère une scène persistante sous forme de nuage de points gaussiens, de maillage ou de vidéo, plutôt qu'une suite d'images générées à la volée. L'accès s'organise en plusieurs paliers : un niveau libre à quelques générations, puis des formules mensuelles apportant davantage de générations, l'édition avancée, l'expansion de scène et des droits d'usage commercial. Le manifeste et le produit se répondent ainsi terme à terme : l'un pose la théorie de l'intelligence spatiale, l'autre en offre une première démonstration tangible.

Ce que ça apporte au débat

La contribution de l'essai ne se résume pas à l'annonce d'un produit. Elle tient surtout à un déplacement du regard. Après plusieurs années où la conversation tournait presque exclusivement autour du langage et des modèles conversationnels, Fei-Fei Li rouvre un horizon plus large : celui d'une intelligence qui perçoit et agit dans l'espace. Elle formule ce que cette bascule pourrait rendre possible d'une phrase qui embrasse plusieurs domaines à la fois :

« Spatial intelligence will transform how we create and interact with real and virtual worlds—revolutionizing storytelling, creativity, robotics, scientific discovery, and beyond. »

L'intelligence spatiale, dit-elle, transformera la manière dont nous créons et interagissons avec les mondes réels et virtuels, en renouvelant profondément la narration, la créativité, la robotique, la découverte scientifique, et au-delà. Chacun de ces terrains mérite qu'on l'examine, car c'est là que la promesse devient concrète.

Créativité et narration : concevoir des espaces, pas seulement des images

Le premier terrain est celui de la création. Les outils génératifs des dernières années produisent des images ou des vidéos plates, image par image. Un modèle du monde change la donne : il engendre un espace entier, cohérent, dans lequel on peut se promener et placer une caméra où l'on veut. Pour un concepteur de jeux vidéo, un architecte, un cinéaste, un enseignant, la différence est majeure. On ne compose plus une suite de plans figés ; on bâtit un décor tridimensionnel persistant que l'on peut visiter, ajuster, réutiliser. Fei-Fei Li évoque une IA qui crée « with a storyteller's imagination » — avec l'imagination d'un conteur. L'idée n'est pas de remplacer l'auteur, mais de lui donner un atelier où l'imaginaire prend directement la forme d'un monde explorable.

Robotique : donner aux machines le sens de l'espace

Le deuxième terrain, sans doute le plus attendu, est la robotique. Un robot qui doit saisir un objet, franchir un obstacle ou naviguer dans une maison a besoin de bien plus que du langage : il lui faut une compréhension fine de la géométrie, des distances, des surfaces, du poids et du mouvement. C'est précisément ce que promet l'intelligence spatiale. En apprenant dans des mondes simulés cohérents sur le plan physique, un système peut s'entraîner à des situations innombrables avant d'affronter le réel, et transférer ensuite ce sens de l'espace à un corps mécanique. Fei-Fei Li parle d'une IA qui se déplace « with a first responder's fluency » — avec l'aisance d'un secouriste, capable d'évaluer un lieu inconnu et d'y agir avec justesse. C'est la promesse d'une robotique moins fragile, plus adaptable, mieux accordée à la complexité du monde physique.

Science : simuler pour découvrir

Le troisième terrain est la découverte scientifique. Beaucoup de disciplines — biologie, chimie, physique des matériaux, climat — reposent sur la simulation d'objets et de phénomènes dans l'espace. Un modèle du monde capable de raisonner sur la géométrie et la dynamique offre un instrument nouveau : reconstituer une scène en trois dimensions à partir d'observations partielles, tester des configurations, anticiper des comportements. Fei-Fei Li évoque une IA qui raisonne sur l'espace « with a scientist's precision » — avec la précision d'un scientifique. Là encore, l'ambition n'est pas de substituer la machine au chercheur, mais de lui fournir un laboratoire virtuel où éprouver des hypothèses spatiales à une échelle et à une vitesse hors de portée de l'expérimentation classique.

Ces trois terrains partagent une même logique, qui explique pourquoi ils progressent ensemble. Dans chacun, l'enjeu est de passer d'une représentation plate — une image, une vidéo, un texte — à une représentation volumique et manipulable. La médecine, par exemple, travaille depuis longtemps avec des reconstructions tridimensionnelles issues de l'imagerie ; un modèle du monde capable de compléter et d'animer ces volumes ajouterait une couche de raisonnement spatial à des données déjà existantes. L'urbanisme, la conservation du patrimoine, l'éducation profiteraient de la même bascule : reconstituer un site à partir de quelques photographies, le rendre navigable, l'annoter. C'est cette généralité qui rend l'intelligence spatiale attirante — elle ne vise pas une application isolée, mais une capacité transversale utile à des domaines qui, jusqu'ici, avaient chacun réinventé leurs propres outils de simulation.

Les défis à relever, sans les masquer

Porter cette vision suppose de reconnaître honnêtement le chemin qui reste. Les modèles du monde présentés fin 2025 impressionnent, mais ils opèrent encore dans des limites nettes. Genie 3, du côté de Google DeepMind, maintient la cohérence d'un environnement navigable pendant quelques minutes seulement, à une résolution encore modeste ; au-delà, la scène se déforme ou dérive. Marble, du côté de World Labs, produit des environnements riches, mais un nombre limité de générations par palier d'accès et des scènes dont la profondeur physique reste à parfaire. Ces bornes ne diminuent pas l'intérêt de la démarche ; elles en fixent l'état d'avancement.

Trois obstacles techniques structurent le travail à venir. Le premier est la cohérence dans la durée : un modèle du monde vraiment utile doit maintenir un espace stable non pas quelques minutes, mais aussi longtemps que l'exploration l'exige, sans que les objets se dédoublent ou que la géométrie glisse. Le deuxième est la fidélité physique : générer une scène qui a l'air juste ne suffit pas ; il faut que les lois du mouvement, de la gravité, des collisions y soient respectées, faute de quoi la simulation trompe l'agent qui s'y entraîne. Le troisième est le coût de calcul : produire et faire évoluer des mondes en trois dimensions demande une puissance considérable, bien supérieure à celle d'un modèle de texte, ce qui pose la question de l'accès et de la mise à l'échelle.

À retenir. Trois verrous techniques restent à franchir : la cohérence dans la durée (l'espace ne doit pas se déformer au fil de l'exploration), la fidélité physique (gravité, collisions, mouvement doivent être respectés) et le coût de calcul (la 3D est bien plus gourmande que le texte). État de l'art fin 2025 : quelques minutes de cohérence, à résolution modeste.

Fei-Fei Li ne dissimule pas ces limites. Son essai décrit une frontière, précisément parce qu'une frontière est un lieu que l'on n'a pas encore franchi. C'est cette lucidité qui donne au texte sa crédibilité : il ne présente pas les modèles du monde comme une solution aboutie, mais comme un programme de recherche exigeant, dont les premières démonstrations valident la direction sans clore le sujet. La distance entre la promesse et l'état actuel n'est pas un aveu de faiblesse ; c'est l'espace de travail des années qui viennent.

Au-delà du langage, sans le renier

Il serait erroné de lire l'essai comme un rejet des modèles de langage. Fei-Fei Li ne dit pas que le texte serait devenu inutile ; elle dit qu'il ne suffit pas. Le langage restera un mode d'accès privilégié aux machines — c'est d'ailleurs par une consigne textuelle qu'on prompte un modèle comme Marble. Mais le langage seul, coupé de toute perception spatiale, atteint une limite. L'intelligence spatiale vient compléter l'intelligence verbale, la doter d'un ancrage. Selon les termes de l'essai, elle est la frontière « beyond language » — au-delà du langage — non pas contre lui. Cette nuance est essentielle : il ne s'agit pas de tourner une page, mais d'en ouvrir une nouvelle qui prolonge la précédente.

À retenir. L'intelligence spatiale ne remplace pas le langage, elle le complète. Le texte reste un mode d'accès majeur — c'est d'ailleurs par une consigne en langage naturel qu'on pilote Marble. La frontière est au-delà du langage, jamais contre lui.

L'héritage : les modèles du monde, tendance de fond 2025-2026

Ce qui donne à l'essai de Fei-Fei Li une résonance particulière, c'est qu'il ne s'exprime pas dans le vide. Il paraît au moment exact où les modèles du monde s'imposent comme l'une des directions majeures de la recherche. Plusieurs des plus grands acteurs du domaine avancent en parallèle sur ce terrain, chacun avec sa propre approche, ce qui confère au manifeste l'allure d'une synthèse autant que d'une prise de position.

Un paysage qui converge vers l'espace

Quelques mois avant l'essai, en août 2025, Google DeepMind présente Genie 3, décrit comme un modèle du monde interactif et généraliste, capable d'engendrer des environnements navigables en temps réel à vingt-quatre images par seconde et de maintenir leur cohérence sur plusieurs minutes. De son côté, Nvidia dévoile dès le début de l'année 2025, lors du salon CES, sa plateforme Cosmos : un ensemble de modèles pensés pour produire des données d'entraînement respectueuses de la physique, à destination des véhicules autonomes et de la robotique. World Labs, avec Marble, occupe une place distincte dans ce paysage : là où certains génèrent des mondes image après image, l'entreprise de Fei-Fei Li vise une représentation de l'espace comme objet 3D persistant, exportable et éditable.

Cette convergence n'est pas fortuite. Elle traduit une intuition partagée : pour progresser vers des systèmes qui comprennent réellement le monde, il faut leur donner un modèle de ce monde, et pas seulement un modèle de nos discours sur lui. Le mouvement dépasse d'ailleurs le cercle des laboratoires historiques. Fin 2025, plusieurs figures de premier plan orientent leurs efforts vers cette compréhension du monde physique plutôt que vers la seule prédiction de texte, et des capitaux importants suivent ce déplacement de priorité. Le fait que des acteurs aux approches très différentes — recherche académique, industrie du calcul, entreprises spécialisées — convergent vers le même terrain est le signe le plus clair que la question de l'espace est devenue centrale. On peut résumer le paysage des modèles du monde de la fin 2025 par quelques repères.

Acteur	Système	Repère temporel	Orientation
World Labs (Fei-Fei Li)	Marble	12 novembre 2025	Environnements 3D persistants, exportables (nuages gaussiens, maillages)
Google DeepMind	Genie 3	Août 2025	Mondes interactifs navigables en temps réel (24 images/s)
Nvidia	Cosmos	CES, janvier 2025	Données d'entraînement physiques pour robots et véhicules autonomes

Sources : blogs officiels World Labs, Google DeepMind et Nvidia ; TechCrunch et presse technologique (novembre 2025).

Un jalon sur le chemin d'une IA plus complète

Au-delà des produits, l'essai s'inscrit dans une réflexion de fond sur ce qui manque encore aux machines pour raisonner comme nous le faisons. Beaucoup de chercheurs considèrent désormais les modèles du monde comme une brique décisive : en fournissant des environnements de simulation riches et cohérents, ils permettent d'entraîner des agents à une variété de situations quasi illimitée, ce que le texte seul ne saurait offrir. L'intelligence spatiale devient ainsi une pièce du puzzle vers des systèmes plus généraux, capables de percevoir, de prévoir et d'agir, et pas seulement de converser.

Le mérite de Fei-Fei Li est d'avoir donné à ce mouvement un vocabulaire et un cadre. Là où d'autres présentaient des démonstrations éparses, elle propose une grille de lecture unifiée : trois capacités attendues, une frontière clairement nommée, une continuité assumée avec l'histoire de la vision par ordinateur. Son essai fonctionne comme un point de ralliement — un texte que l'on cite pour situer l'ensemble de ces travaux dans une trajectoire commune.

Une continuité, plus qu'une rupture

Relu à l'été 2026, « From Words to Worlds » se lit comme un jalon plutôt que comme un coup d'éclat isolé. Il prolonge une intuition que Fei-Fei Li porte depuis près de vingt ans : pour rendre les machines intelligentes, il faut les relier au monde visuel et physique, pas seulement aux symboles. ImageNet a appris aux machines à reconnaître ce qu'elles voyaient ; les modèles du monde ambitionnent de leur apprendre à habiter ce qu'elles perçoivent. Entre les deux, la même conviction directrice : la perception précède et nourrit l'intelligence.

De la reconnaissance d'images fixes (2009) à la simulation d'espaces en 3D (2025) : seize ans d'une même trajectoire, orchestrée par la même chercheuse.

Cette cohérence donne au manifeste son autorité. Il n'émane pas d'un observateur extérieur, mais d'une personne qui a contribué à la fondation même du domaine et qui, aujourd'hui, en construit la prochaine étape à travers une entreprise et un produit concrets. C'est cette double casquette — pionnière de la recherche et bâtisseuse d'outils — qui rend son propos difficile à ranger dans la simple prospective. Elle décrit un futur qu'elle est en train de fabriquer.

On peut retenir de l'essai quelques lignes de force qui structurent déjà la conversation.

Un diagnostic : les modèles de langage, aussi éloquents soient-ils, manquent d'ancrage dans l'espace physique — ce sont des « orfèvres du verbe dans l'obscurité ».
Une direction : l'intelligence spatiale, socle de la cognition, comme prochaine frontière au-delà du langage.
Une méthode : les modèles du monde, définis par trois capacités — génératif, multimodal, interactif.
Une portée : des retombées attendues pour la création, la robotique et la science, décrites avec ambition mais sans emphase.

Ce qu'on en retient, avec le recul

Quelques mois après sa parution, plusieurs enseignements se dégagent de ce manifeste, qui en font un repère utile pour comprendre la période.

Un cap plutôt qu'une prophétie. Fei-Fei Li ne promet pas de miracle ni de calendrier précis. Elle nomme une frontière et décrit ce qu'il faudrait franchir pour l'atteindre. Cette sobriété, adossée à un produit réel et à une histoire longue, distingue son texte des discours plus incantatoires. Elle propose une direction de travail, argumentée et vérifiable, davantage qu'une vision spectaculaire.

La perception comme fondement retrouvé. En replaçant l'espace au centre, l'essai rappelle une évidence que la fascination pour le langage avait un temps éclipsée : comprendre le monde suppose d'abord de le percevoir. Ce recentrage a une valeur qui dépasse la technique. Il invite à penser l'intelligence artificielle non comme un pur manipulateur de symboles, mais comme un système qui, à terme, voit, se repère et agit.

Une avancée à porter avec mesure. Le ton de Fei-Fei Li est celui d'un optimisme travaillé. Elle célèbre une avancée sans la parer de vertus qu'elle n'a pas encore, et sans en faire un absolu. Les modèles du monde en sont à leurs débuts ; leurs environnements restent limités en durée, en résolution, en fidélité physique. Reconnaître ces limites n'affaiblit pas la promesse : cela la rend crédible. C'est peut-être la leçon la plus durable de l'essai — décrire une frontière avec enthousiasme, tout en gardant la rigueur de celle qui sait le chemin encore long.

« From Words to Worlds » restera comme le texte qui a donné son nom et son cap à un mouvement déjà en marche. En reliant l'histoire de la vision par ordinateur à l'avenir des modèles du monde, Fei-Fei Li a donné au débat une boussole : après avoir appris à parler, les machines apprennent à percevoir l'espace. La chercheuse qui, en 2009, avait montré au domaine la puissance des données visuelles, indique en 2025 la direction suivante. Reste, comme elle le souligne elle-même, à bâtir patiemment ces mondes — car l'intelligence spatiale ne se décrète pas, elle se construit, brique après brique, à mesure que les machines apprennent enfin à voir le monde en trois dimensions.