Odyssey lève 310 M$ : les world models deviennent une catégorie d'investissement à part entière

🎙️ Podcast : Écouter

Il y a un moment, dans une conversation, où l'autre personne dit quelque chose que vous ne comprenez pas tout à fait. Vous hochez la tête, mais dans votre tête une petite alarme sonne. C'est l'alarme de la promesse trop belle. Quand j'ai lu les premiers communiqués sur les world models — ces fameux « modèles du monde » capables de simuler la physique causale — j'ai eu ce réflexe. Encore une startup qui promet de recréer la réalité dans un GPU. Encore un tour de table à trois centaines de millions. Encore une valuation qui donne le vertige.

Odyssey vient de lever 310 millions de dollars, valorisation 1,45 milliard. Le tour est mené par Natural Capital, un fonds que vous ne connaissez peut-être pas encore mais que vous allez apprendre à surveiller. Amazon investit aussi, et pas seulement pour mettre son logo sur un communiqué. AMD Ventures, GV — le fonds de Google —, EQT, IQT. Du beau monde. Et surtout, des tickets qui ne s'arrachent pas pour un énième chatbot génératif de texte. Non, ce qui se passe ici est d'une nature différente. Je vais essayer de raconter pourquoi.

Premièrement, il faut comprendre ce qu'est un world model. Pas avec une définition formelle — on laissera ça aux papiers de recherche — mais par une analogie. Imaginez que vous apprenez à un enfant à attraper un ballon. Vous ne lui donnez pas un manuel d'équations différentielles. L'enfant observe, lance, rate, recommence, et son cerveau construit petit à petit un modèle de la trajectoire, de la gravité, de la résistance de l'air. Pas un modèle mathématique au sens scolaire. Un modèle intuitif, causal, capable de prédire ce qui va arriver une fraction de seconde avant que ça arrive.

Les world models, c'est ça. Une classe de foundation models qui n'apprennent pas à générer du texte ou des images jolies. Elles apprennent à comprendre comment le monde bouge. Comment une tasse se renverse quand on pousse la table. Comment une voiture dérape sur une route mouillée. Comment un bras robotique saisit un objet sans le broyer. La différence avec une simulation classique ? La simulation classique vous demande d'écrire les lois de la physique dans un moteur, à la main, équation par équation. Le world model les découvre par l'observation, comme l'enfant. C'est un changement de paradigme profond. Au lieu de programmer la physique, on laisse le modèle l'inférer à partir de données. Et parce qu'il peut généraliser, il simule aussi des situations que le programmeur n'aurait jamais anticipées — un arbre qui tombe sur une voiture, une flaque d'huile sur un virage, un geste imprévu d'un opérateur humain.

Odyssey travaille là-dessus depuis trois ans. La startup a construit trois modèles, et c'est en regardant leurs noms — donc leur positionnement — qu'on comprend la stratégie. Odyssey-2 Max est le modèle lourd, taillé pour la précision physique dans la simulation générale. Starchild-1 est le premier modèle « monde » multimodal en temps réel — capable de traiter vision, son et retour tactile simultanément. Et Agora-1 permet à plusieurs agents d'interagir dans la même simulation partagée. On sent une progression réfléchie : d'abord la physique, puis le temps réel, puis l'interaction multi-agents. Chaque brique pose la fondation de la suivante.

Deuxièmement, le timing. Trois cent dix millions, c'est beaucoup. Mais ce n'est pas un cas isolé. AMI Labs — le laboratoire de Yann LeCun — a levé 1,03 milliard en mars 2026. Decart.ai a bouclé un tour de 300 millions à une valorisation autour de 4 milliards. Runway AI a levé 315 millions en février. Même Google s'y met avec Project Genie et ses modèles Nano Banana Pro et Genie 3 dédiés à la génération d'environnements 3D. Quand on additionne, on dépasse les 1,6 milliard de dollars frais concentrés sur une même thèse en moins de six mois. La question n'est plus : est-ce que les world models sont une mode ? La question est : est-ce que 2026 est l'année où tout bascule ?

La réponse, je pense, est oui et non. Et c'est ce « oui et non » qui rend le sujet intéressant.

Oui, 2026 est une année charnière de l'investissement. Les tickets sont trop gros, les acteurs trop sérieux, la concentration trop rapide pour le nier. Quand Amazon signe un accord de fournisseur cloud préféré avec Odyssey — avec accès privilégié aux puces Trainium, leur silicium maison — ce n'est pas un chèque de complaisance. Amazon parie que les world models vont avoir besoin d'une puissance de calcul colossale, avec des contraintes de latence très serrées. Ron Diamant, chez Amazon, le dit clairement : « Les world models exigent un débit massif avec des contraintes de latence sévères. Trainium est conçu pour cette échelle. » C'est un signal d'infrastructure. Les clouds se battent pour être le socle de ce qui vient.

Non, 2026 n'est pas l'année du déploiement à grande échelle. Les applications concrètes — robotique physique, véhicules autonomes, sécurité industrielle — sont encore en maturation, en laboratoire, en tests contrôlés. Oliver Cameron, le PDG d'Odyssey, parle de « réduire le temps d'entraînement de mois à jours » et de « préparer les agents à des conditions inattendues ». Ce sont des promesses pour demain, pas des résultats d'aujourd'hui. Il y a une différence entre investir dans une technologie qui promet de transformer la robotique, et déployer une technologie qui transforme déjà la robotique. Nous sommes dans la première phase.

On est dans ce que j'appelle le moment « John Henry ». Vous savez, la chanson folklorique du marteau-piqueur contre l'homme. Tout le monde s'extasie sur la machine qui va remplacer l'homme, mais personne ne sait encore si elle tiendra la distance. Le troupeau a raison sur le momentum — c'est le bandwagon effect, et il est puissant. Mais le steelman, la thèse la plus forte en face, dit ceci : les world models sont dans le creux de la désillusion. Des centaines de millions investis sans retour sur investissement démontré. Des startups qui brûlent du cash pour former des modèles dont personne ne sait exactement à quoi ils serviront dans trois ans. Des valorisations qui sentent la levure avant la cuisson.

Personnellement, je penche pour la thèse du milieu. 2026 est une année charnière d'investissement, pas de déploiement. C'est une nuance, mais elle change tout. Elle vous dit que le moment d'observer est maintenant, mais que le moment de construire n'est pas encore passé. Elle vous dit qu'il y a de la place pour le doute sans être un imbécile, et de la place pour l'enthousiasme sans être un naïf.

C'est là que la boucle de sens rejoint Keats — cette capacité négative dont parlait le poète, la faculté d'être dans l'incertitude sans chercher fébrilement la certitude. Les world models sont exactement cela : un objet qui résiste à la compréhension immédiate. On ne sait pas encore s'ils vont révolutionner la robotique ou finir au rayon des belles idées. Et c'est précisément cette incertitude qui rend le sujet fascinant, parce qu'elle oblige à penser par soi-même plutôt que de recopier l'opinion dominante.

Troisièmement, le paysage concurrentiel. Parce que quand 1,6 milliard de dollars frais convergent sur une même thèse en six mois, il faut regarder qui mise sur quoi et comment chaque acteur se différencie.

Decart.ai, valorisé près de 4 milliards sur un tour de 300 millions, pousse Lucy et Oasis — des modèles qui mettent l'accent sur la génération interactive en temps réel. Là où Odyssey construit des simulateurs pour la robotique, Decart semble vouloir des mondes pour les agents numériques. Nuance importante : l'un prépare le physique, l'autre le virtuel. Les deux ont besoin des mêmes briques fondamentales — comprendre la causalité spatiale et temporelle, prédire l'évolution d'un état dans le temps — mais les applications divergent radicalement.

AMI Labs, c'est l'éléphant dans la pièce. Un milliard de dollars, Yann LeCun à la barre, une légitimité académique qu'aucune startup ne peut acheter. LeCun parle des world models depuis des années, bien avant que le terme devienne à la mode dans les communiqués de presse. Si vous cherchez la racine théorique du mouvement, c'est là qu'elle se trouve. AMI Labs est moins une startup qu'un laboratoire national déguisé en entreprise, et leur avantage comparatif n'est pas dans l'exécution produit mais dans la profondeur et l'antériorité de la recherche. C'est un atout et une faiblesse : personne ne fait mieux la théorie, mais la distance entre la théorie et le produit qui génère du revenu peut être longue.

Runway AI, avec ses 315 millions, joue une carte différente. Historiquement positionné sur la génération vidéo, Runway glisse vers la simulation. La frontière entre générer une vidéo et simuler un monde est plus mince qu'on ne croit. Les deux apprennent à prédire la prochaine frame. Mais là où le modèle vidéo s'arrête à l'esthétique — une image qui a l'air vraie —, le world model exige la cohérence causale. Si une balle sort du cadre à droite, elle doit pouvoir y rentrer par la gauche si la scène est un tore. Runway est un concurrent à surveiller parce qu'ils ont déjà la base utilisateurs et la distribution, deux choses qu'Odyssey doit encore construire.

Et Google, silencieusement, avec Project Genie et ses modèles Nano Banana Pro et Genie 3. Google a la puissance de calcul, les données propriétaires, les chercheurs les plus cités du domaine. La seule question est : est-ce que Google arrivera à transformer une avancée de recherche en produit que quelqu'un paie pour utiliser ? L'histoire des dix dernières années — Google Glass, Stadia, une douzaine de frameworks mort-nés — suggère une réponse prudente. Mais il ne faut jamais sous-estimer la capacité de Google à patienter. Ils ont le temps et l'argent.

Quatrièmement, ce que ce round nous dit sur la thèse d'investissement qui se dessine. Natural Capital mène le tour. Qui sont-ils ? Un fonds qui a fait le pari des deep tech physiques — pas des apps sociales, pas du SaaS, pas des fintechs. Des choses qui touchent au monde réel : l'énergie, la fabrication, la robotique. Leur pari sur Odyssey dit quelque chose de précis : les world models sont le middleware manquant entre l'IA générative et le monde physique. Le chaînon qui manquait pour que l'IA cesse d'être un logiciel qui produit du texte et devienne un logiciel qui comprend les contraintes de la matière.

C'est une perspective qui change complètement la lecture de l'actualité. On arrête de se demander « est-ce que ce modèle est meilleur que GPT pour tel benchmark ? » On commence à se demander « est-ce que ce simulateur permet à un robot d'apprendre à manipuler un objet fragile sans le casser en mille morceaux ? » La mesure de valeur n'est plus la perplexité ou le score sur un jeu de données. C'est le taux d'accidents évités, le temps d'apprentissage réduit, la généralisation à des environnements jamais vus pendant l'entraînement.

Ça rappelle un passage de Becky Chambers — dans la manière dont elle décrit des technologies qui ne sont pas magiques mais patiemment construites, couche après couche, pour rendre le monde un peu plus vivable. Les world models, s'ils tiennent leurs promesses, sont exactement cela : une couche d'infrastructure qui rend l'IA physique moins dangereuse, plus prévisible, plus ancrée dans les contraintes réelles de la matière et du mouvement. Pas une révolution spectaculaire. Une sédimentation lente de capability après capability.

Cinquièmement, les non-dits. Parce qu'un article qui ne dit pas ce qu'il ne sait pas est un article incomplet.

Nous ne savons pas si Odyssey va parvenir à transformer son avance technique en avantage commercial durable. Le marché des simulateurs robotiques est déjà encombré. Nvidia y règne en maître avec Omniverse et Isaac Sim, forts de dix ans d'optimisation GPU et de relations clients dans l'industrie manufacturière. Les géants du cloud — AWS justement, mais aussi Azure et GCP — proposent leurs propres solutions de simulation. Un constructeur automobile préférera-t-il payer Odyssey ou utiliser l'outil maison de son fournisseur cloud historique, déjà intégré, déjà certifié ? La question de la distribution est encore ouverte.

Nous ne savons pas non plus si la physique apprise par les world models est suffisamment fiable pour des applications où l'erreur coûte des vies humaines. La robotique industrielle, les véhicules autonomes, la livraison par drone — ce sont des domaines où une simulation approximative tue. Pas dans le sens métaphorique. Dans le sens propre. Le monde réel n'a pas de checkpoint, pas de rollback, pas de mode debug. Si le world model entraîne un robot à croire qu'une certaine séquence de mouvements est sûre alors qu'elle ne l'est pas, le premier test physique pourrait être le dernier. La certification et la normalisation de ces modèles est un problème que personne n'a encore résolu.

Et nous ne savons pas si le marché est assez grand pour absorber toutes ces valorisations. AMI Labs à 1 milliard, Decart à 4 milliards, Odyssey à 1,45 milliard. Les sommes prêtent à sourire — ou à grimacer, selon votre humeur du jour. L'histoire de l'IA est pleine de cycles où l'investissement précède de plusieurs années les revenus réels. Les world models pourraient être le prochain Web3 — ou le prochain cloud computing. La différence entre les deux scénarios, c'est l'utilité réelle démontrée auprès de clients qui paient. Pour l'instant, elle est en train de se construire, patiemment, dans l'ombre des laboratoires.

Douglas Adams disait que tout ce qui existe dans le monde quand vous naissez vous semble normal et immuable. Tout ce qui est inventé entre vos quinze et trente-cinq ans vous semble passionnant et plein de promesses révolutionnaires. Et tout ce qui est inventé après vos trente-cinq ans vous semble contre nature, dangereux, et probablement immoral. Les world models, selon l'âge qu'on leur donne — trois ans d'existence officielle en tant que catégorie — , tombent pile dans la deuxième catégorie pour la génération qui investit aujourd'hui. Passionnants. Pleins de promesses. À prendre avec la conscience qu'ils seront peut-être, dans dix ans, aussi banals et invisibles qu'un moteur physique de jeu vidéo.

Oliver Cameron, le CEO d'Odyssey, l'a formulé d'une façon que je trouve frappante : « Les world models représentent une nouvelle classe de foundation models — une IA qui peut comprendre et simuler le monde lui-même. » L'accent est sur « comprendre ». Pas générer. Pas prédire mécaniquement. Comprendre. Le mot est lourd de sens parce qu'il implique une forme de causalité, d'intuition physique, de modèle mental du genre de celui que nous, humains, déployons sans y penser quand nous traversons une rue sans nous faire renverser par une voiture que nous avons pourtant vue arriver de loin.

C'est peut-être là la clé de toute l'histoire. Plus que le montant du round — 310 millions, qui seront brûlés en capacité de calcul bien avant d'atteindre le moindre signe d'unit economics —, plus que la valorisation, plus que le nom des investisseurs, ce qui compte c'est le projet philosophique. Construire une machine qui comprend le monde assez bien pour y agir sans tout casser. Une machine qui apprend la physique non pas en lisant des manuels, mais en regardant, en essayant, en se trompant. Comme l'enfant qui attrape le ballon.

Si ça marche, on ne s'en souviendra pas comme d'un tour de table. On s'en souviendra comme du moment où l'IA a appris à avoir un corps. Et si ça ne marche pas, ce sera une jolie pierre dans le jardin d'une thèse d'investissement qui aura au moins eu le mérite d'essayer quelque chose de difficile plutôt que de financer énième place de marché ou énième réseau social décentralisé.

En attendant, le dossier est ouvert. Les dés sont jetés. Et j'écouterai ce podcast dans quelques mois pour voir si les promesses tenaient la route — ou si, comme le disait Keats dans une lettre à ses frères, il fallait simplement savoir habiter le mystère sans agacer la certitude.

La boucle se referme.