Google DeepMind avance une idée simple. Les intelligences artificielles qui fabriquent des vidéos auraient déjà appris, sans qu'on le leur demande, comment le monde est fait en trois dimensions. Dans des travaux publiés le 19 juillet 2026, ses chercheurs montrent qu'un générateur vidéo peut résoudre des tâches de vision par ordinateur réservées jusqu'ici à des systèmes spécialisés.

Recycler un générateur de vidéo

La méthode, baptisée GenCeption, part d'un générateur vidéo déjà entraîné, le modèle open source Wan2.1 d'Alibaba. Plutôt que de créer de nouvelles images, les chercheurs le détournent pour lui faire estimer la profondeur d'une scène, découper les objets ou reconstituer la posture d'un corps en 3D, le tout en une seule passe de calcul, en six à dix secondes selon la taille du modèle.

Autant de précision, une fraction des données

GenCeption égale ou dépasse des références du domaine comme DepthAnything 3 et SAM 3. Surtout, il y parvient avec 7 à 500 fois moins de données d'entraînement, 7 500 vidéos de synthèse là où les autres méthodes en réclament des millions.

  • Entraîné uniquement sur des vidéos de synthèse représentant des humains, il fonctionne aussi sur des images réelles.
  • Il reconnaît des catégories jamais vues pendant l'entraînement, comme des animaux ou des robots.
  • Une seule et même base sert à plusieurs tâches de vision, sans réglage spécifique à chacune.

Un pari encore discuté

Pour l'équipe, la conclusion est nette : les générateurs de vidéo contiennent déjà le modèle du monde qui manquait à la vision par ordinateur, et pourraient devenir des modèles de fondation pour l'image, comme les modèles de langage le sont devenus pour le texte. L'affirmation ne fait pas l'unanimité. Une partie de la communauté de recherche appelle à la prudence tant que d'autres équipes n'ont pas reproduit ces résultats.

Ce que ça change

Si le pari se confirme, apprendre à une machine à voir coûterait beaucoup moins cher, puisqu'on réutiliserait des modèles vidéo existants au lieu de tout reconstruire. Pour la robotique, la conduite autonome ou l'imagerie médicale, cela pourrait accélérer l'arrivée de systèmes capables de comprendre une scène à partir de très peu d'exemples.