Bonjour ! Je suis votre journaliste financier et ami économiste. Aujourd'hui, nous allons parler non pas de codes froids, mais d'une “nouvelle espèce” qui change tranquillement notre façon de vivre à l'avenir : le Modèle du Monde.
Récemment, le terme “Modèle du Monde” est devenu très populaire dans le cercle technologique. Li Feifei, ByteDance, Tencent, Alibaba, Ant Group... les géants se sont tous lancés dans ce domaine. Mais les gens se demandent probablement : Qu'est-ce que c'est exactement ? Quel rapport cela a-t-il avec moi ? Peut-on déjà l'utiliser ?
Pour comprendre cela, j'ai analysé en détail cet article d'expérimentation approfondie publié par “Xi Xiaoyao Technology Talk”. Cet article n'accumule pas de termes obscurs ; au contraire, il teste personnellement cinq des principaux produits de modèles du monde en Chine, comme on jouerait à un jeu vidéo.
Voici maintenant, en langage simple, une analyse de cet article technique en cinq dimensiones clés, pour vous aider à comprendre à quel stade en est la création de “mondes générés”.
---
I. Définition : Le modèle du monde, ce n'est pas un “vidéo”, c'est un “univers parallèle interactif”
Tout d'abord, il faut corriger une grande méprise : le modèle du monde ≠ le modèle de génération de vidéos.
- Les modèles de vidéos (comme Sora) : C'est comme regarder un film. Vous ne pouvez rien faire, vous ne pouvez que regarder. Le réalisateur filme ce qu'il veut, et vous voyez ce qu'il filme. C'est linéaire et fixe.
- Les modèles du monde : C'est comme jouer à “The Legend of Zelda” ou “Minecraft”. Vous pouvez interagir en temps réel.
- Vous pouvez avancer, reculer, tourner.
- Vous pouvez donner des instructions au monde : “Faites pleuvoir”, “Ouvrez la porte”, “Faites de ce chat un super-héros”.
- Logique fondamentale : L'image suivante est calculée et générée en temps réel en fonction de vos actions et de vos instructions.
Pour illustrer :
Si un modèle de vidéo vous montre une bande vidéo d’un monde sous-marin, un modèle du monde, c’est comme si vous étiez plongé dans ce monde vivant. Si vous voulez nager vers la gauche, les poissons s’éparpillent ; si vous lancez une pierre, des éclaboussures se produisent. C’est un système en continu avec des réactions immédiates.
Actuellement, cinq entreprises en Chine ont ouvert leurs produits à l’expérimentation :
1. Ant Group LingBot-World 2.0
2. Loopit Zing-0.5
3. Alibaba HappyOyster 1.0
4. Aishi R1
5. Tencent Hunyuan HY-World 2.1
Les fonctionnalités de ces produits se divisent en trois catégories :
- Les navigateurs : Vous marchez, et le monde change avec vous (Tencent, certaines fonctionnalités d’Alibaba).
- Les réalisateurs : Vous donnez des instructions, et le monde vous montre ce qui se passe (Aishi, certaines fonctionnalités d’Alibaba).
- Les contrôles combinés (le plus proche d’un jeu) : Vous marchez tout en modifiant le monde (Ant Group, Loopit).
---
II. Comparaison des capacités de base : Peut-il “se souvenir” de qui vous êtes ?
Dans un jeu, ce qui est le plus frustrant, ce sont les problèmes de décalage entre l’action et l’image (par exemple, vous êtes le personnage principal, puis vous vous retrouvez soudainement en tant que passant) ou la disparition de choses (par exemple, une maison derrière vous disparaît après quelques pas).
L’article révèle le niveau réel de chaque produit en matière de consistance à travers deux tests clés :
1. Restitution des données d’entrée (l’ouverture est-elle stable ?)
- Test : Donnez une image d’une “caravane dans le désert” et voyez qui peut générer correctement l’ouverture du jeu.
- Résultat : Zing, HappyOyster, LingBot se sont les mieux comportés, reproduisant presque fidèlement l’image d’origine.
- Exemples de problèmes :
- Aishi R1 : Si vous donnez une image de dos, le personnage se tourne face à l’objectif, changeant complètement l’ambiance.
- Tencent HY-World : Refuse les images de personnes, ne reconnaissant que les paysages. Cela indique qu’il est principalement axé sur la génération de scènes, et non sur l’interaction avec les personnages.
2. Consistance après des mouvements (le monde ne “colapse-t-il” pas en marchant ?**
C’est la ligne de démarcation pour ces modèles : si vous avancez, le monde ne doit pas se déformer, disparaître ou voir des choses apparaître de nulle part.
- Consistance des personnages et des objets :
- Zing & HappyOyster : Très stables. La caravane reste la même, et le personnage aussi.
- LingBot : A quelques petits problèmes ; des pneus noirs apparaissent soudainement sous la caravane, et elle ne peut plus retrouver son état initial.
- Aishi R1 : Performance catastrophique. Le personnage qui conduit dans le désert change trois fois de visage ! Du dos à face, puis avec des lunettes de protection, et enfin à un visage féminin. Cela montre qu’il a encore du mal à maintenir la mémoire à long terme des personnages.
- Consistance de l’environnement :
- HappyOyster : Champion. Si vous regardez le ciel étoilé, puis le village, et vous regardez à nouveau, les étoiles sont toujours à leur place.
- Zing : Pas mal, mais les étoiles sont légèrement déformées.
- LingBot : Problème majeur. En revenant en arrière, une lune apparaît soudainement dans le ciel, transformant le ciel étoilé en lignes bleues.
Commentaire du journaliste :
Actuellement, Alibaba HappyOyster se distingue par sa capacité à maintenir la stabilité du monde, ce qui est idéal pour une expérience immersive ; Loopit Zing est juste derrière ; Ant Group LingBot et Aishi R1 ont tendance à “oublier” certaines choses lors d’interactions prolongées et ont besoin de beaucoup d’améliorations.
---
III. Physique et logique : Comprend-il les “lois de la réalité” ?
Un modèle du monde doit non seulement être esthétiquement attrayant, mais aussi “logique”. Par exemple, si un tsunami devait venir par le toit d’un bateau, le jeu ne serait pas jouable.
L’article a testé deux scénarios physiques :
1. L’arrivée d’un tsunami
- Instruction : “Un tsunami arrive.”
- Zing : Les vagues se lèvent de la mer et frappent le quai, conformément aux lois de la physique.
- LingBot : L’eau coule du toit du bateau comme une cascade, tandis que la mer autour reste calme. C’est comme si de l’eau tombait du plafond et vous submergeait, ce qui est très étrange.
2. Le lever du soleil
- Instruction : “Le jour se lève.”
- Zing : Le ciel et la mer s’éclairent progressivement, avec une transition naturelle des lumières, comme un vrai lever de soleil.
- LingBot : Les changements sont peu perceptibles, ce qui donne une impression de “fausseté”.
Commentaire du journaliste :
Zing est actuellement en tête en termes de logique physique. Le monde qu’il génère ressemble plus à un système fonctionnant selon des règles claires, et non à une simple accumulation d’effets visuels. C’est crucial pour l’avenir des jeux et des simulations : si la physique n’est pas correcte, les utilisateurs ne croiront pas à l’expérience.
---
IV. Le jeu principal : Est-ce pour “regarder une pièce” ou pour “jouer” ?
C’est la clé pour distinguer les “vidéos avancés” des “modèles du monde”. L’article classe les capacités en réalisation automatique par l’IA et contrôle combiné par l’utilisateur.
1. Réalisation automatique par l’IA (l’IA joue seule)
- Aishi R1 : Comme un scénariste fantasque. Les images sont impressionnantes et créatives, mais souvent absurdes. Par exemple, lorsqu’on lui demande de faire marcher un chat, il peut ajouter des ailes aux pattes du chat ou des chaînes et des plateformes de pierre, rendant l’histoire confuse.
- Alibaba HappyOyster : Comme un réalisateur professionnel. Il sait quand utiliser des gros plans et quand adopter une vue d’ensemble. Par exemple, lorsqu’il montre le chat marcher, il commence par filmer les pattes touchant le sol, puis les fleurs s’épanouissant, avant de passer à une vue d’ensemble. La narration est logique, offrant la meilleure expérience.
2. Contrôle combiné (vous jouez tout en modifiant l’environnement)
C’est la capacité la plus proche d’un jeu futur.
- Scénario : Vous contrôlez le personnage pour combattre un dragon tout en modifiant l’environnement.
- Zing : Performance excellente. Vous avancez et tirez des rayons sur le dragon, et la caméra montre clairement votre position par rapport au dragon. Il conserve les informations nécessaires à vos actions, vous indiquant ce que vous devez faire ensuite.
- LingBot : Trop d’effets visuels. Des halos bleus et des flammes violettes obscurcissent la vue, vous empêchant de voir clairement contre qui vous combattez.
Commentaire du journaliste :
- Si vous voulez voir une histoire, choisissez HappyOyster (Alibaba).
- Si vous voulez jouer et interagir, choisissez Zing (Loopit).
- LingBot (Ant Group) a de beaux effets visuels, mais ils peuvent distraire et gêner vos actions.
---
V. Mise en œuvre commerciale : Est-ce rapide ? Est-ce cher ?
Même si la technologie est bonne, si elle est lente ou trop chère, les gens ordinaires ne pourront pas l’utiliser.
1. Vitesse de réponse (réagit-elle rapidement ?**
- Zing : Réagit rapidement aux changements environnementaux (comme des nuages orageux). Dès que vous donnez une instruction, le monde change immédiatement.
- LingBot : Réagit rapidement aux mouvements des personnages.
- Aishi R1 : Est plus lent ; il faut attendre quelques secondes avant que l’image ne change.
- HappyOyster : Les mouvements sont fluides, mais vous ne pouvez pas donner d’instructions en même temps.
Conclusion : Zing offre la meilleure expérience en termes de réaction immédiate, ce qui est le plus proche de la fluidité d’un jeu réel.
2. Coût (est-ce abordable ?**
C’est la question économique la plus pratique. L’article compare le coût d’utilisation sur 10 minutes :
| Produit | Coût pour 10 minutes | Remarques |
| :--- | :--- | :--- |
| Loopit Zing | Moins de 1 yuán | C’est le coût de calcul (électricité des serveurs + puissance de calcul), pas le prix pour l’utilisateur. Si ce prix est maintenu, il sera très compétitif. |
| Ant Group LingBot | Environ 2 dollars (~15 yuán) | Prix public pour une connexion de 10 minutes. |
| Alibaba HappyOyster | Environ 10,4 dollars (~75 yuán) | Inclut le coût de création du monde + frais de conversation en temps réel. Le plus cher. |
| Tencent/Aishi | Données manquantes ou méthodes de facturation différentes | Tencent facture en fonction des résultats générés, Aishi n’a pas de données comparables. |
Commentaire du journaliste :
- Zing a un grand avantage en termes de coût. Si le coût de calcul peut être réduit à moins d’un yuán et que ce prix est maintenu, il aura un grand potentiel de diffusion.
- HappyOyster, en raison du coût élevé de création du monde, est actuellement plus adapté aux créateurs professionnels qu’aux joueurs occasionnels.
---
📝 Résumé : À quel stade en est le modèle du monde ?
Du point de vue économique, le modèle du monde est actuellement à l’ère de GPT-3.
- Ce n’est pas ChatGPT : Il n’a pas encore atteint un niveau de maturité où il est prêt à l’emploi, parfait et accessible à tous.
- C’est pourtant similaire à GPT-3 : la voie technologique est claire, et les capacités sont établies. Vous pouvez sentir que c’est la bonne direction, mais l’expérience nécessite encore des améliorations et il y a encore de nombreux problèmes.
Conseils pour le grand public :
1. Ne vous attendez pas à jouer à des jeux complexes maintenant : Les produits actuels sont encore des versions préliminaires à la recherche, avec de nombreux problèmes (décalage entre l’action et l’image, changements de visage).
2. Préférez les fonctionnalités de contrôle combiné** : C’est ce qui distingue les modèles du monde des modèles de vidéos. Celui qui parviendra à rendre les modifications en temps réel fluides et abordables gagnera.
3. Alibaba et Loopit ont de bonnes perspectives :
- Alibaba HappyOyster se distingue par sa narration et sa stabilité, idéal pour les films et les séries interactives.
- Loopit Zing se distingue par son interactivité et son faible coût, idéal pour les prototypes de jeux et les interactions en temps réel.
En conclusion :
Le modèle du monde n’est plus une simple fiction scientifique ; il devient un nouvel **outil de création*. Bien qu’il soit encore un peu aléatoire, il nous a déjà montré les bases de la création de mondes en temps réel. À l’avenir, nous ne verrons pas seulement s’il peut générer des images, mais aussi s’il nous incitera à rester dedans pour continuer à jouer.