Qu'est-ce que JEPA ?

JEPA n’est ni un chatbot, ni un générateur d’images. C’est un cadre de conception de modèles, proposé par Yann LeCun et ses coauteurs, qui part d’un pari différent de celui des grands modèles de langage (LLM) : plutôt que de prédire le mot suivant ou le pixel suivant, un modèle devrait apprendre à prédire une représentation abstraite de ce qui va se passer, en ignorant volontairement les détails qui ne comptent pas. Ce pari reste, pour l’instant, financé à hauteur de plus d’un milliard de dollars et sans produit commercial déployé à grande échelle.

Ce que JEPA change par rapport à un LLM

Ce que les données établissent. Un LLM génère du texte token par token. Un modèle génératif d’image classique, lui, cherche à reconstituer une image pixel par pixel. JEPA (Joint Embedding Predictive Architecture, ou « architecture prédictive à embarquement conjoint ») fait autre chose : un premier bloc, l’encodeur, transforme ce qui est observé, une image ou une séquence vidéo, en une représentation abstraite qu’on appelle un embedding. Un second bloc, le prédicteur, essaie ensuite de deviner l’embedding de l’état futur, dans ce même espace abstrait, sans jamais chercher à reconstituer les pixels exacts de ce qui va suivre. L’idée sous-jacente : une bonne partie du monde est prévisible dans ses grandes lignes (un objet qui tombe, une porte qui s’ouvre) mais imprévisible dans ses détails exacts (la texture précise de chaque pixel), et un modèle qui s’épargne cette prédiction pixel par pixel devrait apprendre plus vite ce qui compte réellement.

I-JEPA, V-JEPA 2 : ce qui a été publié

Ce que les données établissent. Cette idée a d’abord été testée sur des images fixes avec I-JEPA (2023), puis étendue à la vidéo avec V-JEPA 2 (2025), publié par Meta AI puis repris sous la bannière d’AMI Labs. V-JEPA 2 compte 1,2 milliard de paramètres, entraîné sur plus d’un million d’heures de vidéo et un million d’images. Le résultat le plus concret mis en avant par les auteurs porte sur la robotique : après ce pré-entraînement massif sur de la vidéo générale, seulement 62 heures de données robot ont suffi pour la phase de contrôle. Le modèle qui en résulte, V-JEPA 2-AC, permet à un bras robotisé de planifier la saisie d’un objet qu’il n’a jamais vu auparavant, en anticipant dans l’espace latent ce que différents mouvements produiraient, plutôt qu’en générant une image de chaque scénario possible.

Mon interprétation. C’est ce chiffre de 62 heures qui rend la démonstration intéressante : l’essentiel de l’apprentissage vient de vidéos génériques, pas de données robotiques coûteuses à collecter. Les auteurs indiquent par ailleurs qu’une stratégie d’entraînement à résolution progressive, qui augmente la résolution des vidéos au fil de l’entraînement plutôt que de l’imposer dès le départ, a réduit le temps de calcul GPU utilisé d’un facteur 8,4. C’est un gain d’efficacité d’entraînement réel et chiffré par les auteurs eux-mêmes, mais qui ne dit rien sur la consommation d’énergie absolue du modèle, comme on le détaille plus bas.

Un pari financé à plus d’un milliard de dollars

Ce que les données établissent. Yann LeCun a quitté Meta le 19 novembre 2025, après douze ans à la tête de son laboratoire de recherche (FAIR), pour fonder AMI Labs. En mars 2026, cette structure a levé 1,03 milliard de dollars, la plus grosse levée d’amorçage jamais réalisée par une entreprise européenne, avec au tour de table Nvidia, Samsung, Bezos Expeditions, Temasek et Eric Schmidt. Le premier partenaire commercial annoncé d’AMI Labs se situe dans la santé, avec Nabla ; d’autres cas d’usage cités concernent la robotique et la vision industrielle.

Mon interprétation. JEPA n’est pas un pari isolé. Il occupe une catégorie plus large, celle des « world models » (modèles du monde), aux côtés de World Labs (Fei-Fei Li, 1,23 milliard de dollars levés) et de Genie 3 chez Google DeepMind. Plusieurs équipes bien financées explorent en parallèle une même intuition : qu’un modèle qui comprend et anticipe le monde physique vaut la peine d’un investissement massif, avant même qu’un produit ne le prouve.

Ce qui manque encore

Ce que les données établissent. Malgré ce financement, aucun produit commercial à grande échelle ne démontre à ce jour la promesse initiale de JEPA. Le partenariat avec Nabla est annoncé, pas encore documenté par un résultat opérationnel public. La robotique et la vision industrielle restent, pour l’instant, des cas d’usage cités plutôt que des déploiements mesurés.

Mon interprétation. Ce décalage entre financement et preuve ne rend pas la thèse de JEPA fausse : il change simplement son statut. On est face à un pari assumé par des investisseurs reconnus, pas à un résultat démontré par un produit sur le marché. Les deux se ressemblent dans le discours médiatique, mais ne se valent pas comme niveau de preuve.

Mes réserves

• Aucun produit commercial à grande échelle ne démontre à ce jour la promesse initiale de JEPA, malgré plus d’un milliard de dollars levés : le financement précède la preuve, ce qui invite à distinguer une conviction d’investisseurs d’un résultat vérifié.
• Plusieurs investisseurs du tour de table d’AMI Labs, notamment Nvidia et Samsung, ont un intérêt commercial direct à l’infrastructure que ce paradigme consommerait s’il se généralisait, indépendamment de la validité de la thèse JEPA elle-même. Ce conflit d’intérêt ne prouve rien contre JEPA, mais mérite d’être nommé avant de lire un tour de table comme une validation technique.
• Je n’ai trouvé aucune donnée de consommation énergétique publique sur JEPA équivalente aux études indépendantes qui existent sur les LLM. Le gain d’efficacité d’entraînement de 8,4x annoncé par les auteurs de V-JEPA 2 porte sur un ratio, pas sur une valeur absolue : impossible d’en déduire un coût énergétique réel.

Retour au dossier « Comprendre les modèles post-LLM ». Voir aussi les fiches sœurs : Qu’est-ce que le TRM ? et Qu’est-ce que Mamba ?.

→ Voir l’analyse complète : après les LLM, ce que TRM, Mamba et JEPA prouvent vraiment