Yann LeCun, de l’Université de New York, et des chercheurs de l’Université Brown ont proposé une méthode permettant aux robots de prédire le comportement des objets face à des actions jamais observées pendant leur entraînement. Cette approche mesure l’écart entre les prévisions du modèle et les événements réels, puis soustrait cet écart afin de faire ressortir des facteurs causalités cachés. Les essais en simulation ont atteint des taux de réussite de 35 à 69 % dès la première tentative, contre 14 à 23 % pour les méthodes de référence, puis de 51 à 97 % après plusieurs tentatives. La méthode, publiée dans une prépublication le 9 novembre 2026, peut être intégrée avec peu de modifications aux architectures JEPA et à des encodeurs disponibles tels que DINOv2 et MAE, mais ses résultats n’ont encore été validés ni en conditions réelles ni par une évaluation par les pairs.
Source: Lire l’article original
