Les World Models sont des modèles qui apprennent à représenter et à prédire la dynamique d'un environnement : comment l'état du monde évolue en réponse aux actions d'un agent. Contrairement à un modèle de langage, qui prédit le mot suivant, un modèle du monde prédit la prochaine situation (par exemple, les images d'une scène ou l'état physique d'un système), en construisant une représentation interne qui capture les relations causales et temporelles.
Leur importance réside dans le fait qu'ils permettent à un agent de planifier et d'imaginer les conséquences avant d'agir, réduisant ainsi le besoin d'essais et d'erreurs dans l'environnement réel. C'est un élément clé dans :
- La robotique, pour anticiper le résultat d'un mouvement.
- La conduite autonome, en simulant des trajectoires possibles.
- L'apprentissage par renforcement, en s'entraînant au sein du modèle lui-même plutôt que dans le monde physique.
Une nuance pratique : la qualité des prédictions dépend de la cohérence du modèle à long terme. De nombreux systèmes accumulent des erreurs au fil du temps, générant des simulations qui deviennent irréalistes après plusieurs étapes, ce qui limite la profondeur de la planification.