Odyssey transforme la vidéo en mondes interactifs, entre film et jeu vidéo

Une vidéo que l’on ne se contente plus de regarder, mais dans laquelle on peut avancer, modifier son point de vue et influencer ce qui se produit : c’est la promesse explorée par Odyssey. Le laboratoire d’intelligence artificielle basé à Londres a dévoilé, en mai 2025, un système de vidéo générative conçu pour réagir aux actions de son utilisateur. Il ne s’agit pas, à ce stade, d’un jeu vidéo prêt à commercialiser ni d’un film interactif parfaitement maîtrisé. C’est un prototype de recherche qui donne un aperçu concret d’un possible nouveau médium.

Dans les démonstrations évoquées par Odyssey, le résultat peut sembler étrange, parfois instable, comme l’exploration d’un rêve dont les décors se recomposent à mesure que l’on s’y déplace. Cette étrangeté est aussi ce qui rend l’expérience significative : l’image n’est pas préfabriquée de bout en bout. Elle est fabriquée au moment où l’utilisateur agit.

Une vidéo qui réagit au lieu de suivre un déroulé fixe

La vidéo traditionnelle repose sur une succession d’images enregistrées à l’avance. Même lorsqu’un service propose plusieurs embranchements narratifs, les séquences possibles sont généralement produites, montées et stockées avant la lecture. Odyssey propose une autre logique : le système génère la suite visuelle à la demande, selon ce qui est affiché et selon l’action effectuée.

L’utilisateur peut interagir au moyen d’un clavier, d’un téléphone ou d’une manette. À terme, Odyssey envisage aussi des interactions vocales. Une pression de touche ou une commande ne déclenche donc pas simplement une animation déjà prévue : elle devient une information transmise au modèle, qui doit imaginer l’image suivante de manière cohérente avec la scène en cours.

L’ambition première porte sur la création de modèles de monde utiles au cinéma et au développement de jeux. Mais le laboratoire y voit potentiellement davantage qu’un outil de production. Si l’approche gagne en fiabilité et en qualité, elle pourrait faire émerger des contenus situés entre le film, l’expérience immersive et le jeu vidéo.

L’analogie avancée par les développeurs est celle d’une première version du Holodeck, cet espace fictif de science-fiction où un environnement simulé se transforme en fonction de ses visiteurs. La comparaison décrit une direction technologique, non un niveau de maturité atteint : l’expérience reste encore brute.

Comment le modèle de monde d’Odyssey crée-t-il l’image suivante ?

Le terme de modèle de monde désigne ici un système qui tente de prévoir ce qui devrait se passer dans un environnement après une action. Son objectif n’est pas seulement de produire une belle image isolée. Il doit maintenir l’impression que l’utilisateur se trouve dans un lieu doté d’une continuité : un déplacement doit modifier la perspective, un changement de direction doit faire apparaître un nouvel angle, et le décor doit conserver autant que possible ses éléments importants.

Odyssey procède image par image. Pour créer le prochain cadre vidéo, son modèle prend en compte trois éléments :

• l’état visuel actuel du monde ;
• l’action demandée par l’utilisateur ;
• l’historique des événements précédents.

Cette mécanique peut rappeler le fonctionnement d’un grand modèle de langage. Un modèle de langage prédit le mot ou le fragment de texte le plus plausible à la suite d’une séquence. Un modèle de monde vidéo doit, lui, prédire la prochaine image en tenant compte de mouvements, de volumes, de perspectives, d’objets et de la logique apparente de la scène. La difficulté augmente considérablement avec des images de haute résolution et l’exigence d’une réponse immédiate.

Odyssey annonce produire une image réaliste à chaque cycle de 40 millisecondes. Cela correspond, en théorie, à environ 25 images par seconde, une cadence proche de celle employée dans certains contenus audiovisuels. Pour l’utilisateur, l’enjeu est décisif : si le délai entre une action et la réaction visuelle est trop long, l’illusion d’explorer un monde s’effondre.

La cohérence dans le temps, le principal obstacle technique

Générer une seule image convaincante est déjà un défi. Générer des milliers d’images qui semblent appartenir au même lieu et qui réagissent logiquement à des actions successives est une difficulté d’un autre ordre. C’est le problème de la stabilité temporelle.

À chaque cycle, le système s’appuie en partie sur ce qu’il a généré juste avant. Une erreur minime peut alors se propager. Un élément du décor peut changer de forme, un objet disparaître, une direction devenir confuse ou une scène s’éloigner progressivement de son apparence initiale. Ce phénomène d’accumulation est souvent décrit comme une dérive.

Odyssey indique tenter de limiter ce risque avec un modèle de distribution étroite. L’idée consiste à préentraîner le système sur des séquences vidéo générales, puis à l’ajuster sur des environnements plus restreints. En limitant l’éventail des situations qu’il doit représenter, le modèle a davantage de chances de conserver les repères essentiels d’un même univers.

Cette stratégie éclaire aussi l’état actuel de la technologie. Plus le monde est ouvert, varié et imprévisible, plus il devient difficile de préserver une cohérence visuelle durable. Les premières expériences peuvent donc fasciner par leur capacité d’adaptation tout en révélant des incohérences. Elles montrent un principe en fonctionnement, pas encore une simulation parfaitement stable.

Ni vidéo préenregistrée, ni jeu codé de manière classique

Un jeu vidéo traditionnel peut évidemment proposer une grande liberté. Mais il s’appuie généralement sur des règles, des objets, des collisions, des animations et des scénarios conçus à l’avance par des équipes de développement. Une vidéo classique, elle, impose une trajectoire préétablie. Le modèle d’Odyssey cherche une troisième voie : calculer au fil de l’expérience une réponse visuelle plausible aux initiatives de l’utilisateur.

La différence tient à la façon dont la suite est déterminée. Dans une logique de programmation conventionnelle, une règle précise peut définir qu’une action donnée entraîne un résultat donné. Dans le modèle de monde d’Odyssey, l’IA ne suit pas nécessairement un embranchement écrit à l’avance. Elle déduit l’image suivante à partir des régularités qu’elle a apprises dans les vidéos utilisées pour son entraînement.

Cette approche apporte une part d’imprévisibilité. Elle peut rendre une scène plus organique, puisqu’elle n’est pas limitée à un petit nombre de séquences préenregistrées. Mais cette liberté a un revers : un modèle génératif n’offre pas, à ce stade, la précision et la constance d’un environnement de jeu soigneusement programmé. Le résultat peut donner l’impression d’un monde vivant, mais aussi celle d’un monde qui hésite sur ses propres règles.

Pourquoi le coût de calcul reste déterminant

L’interactivité a un prix. Une plateforme vidéo classique peut diffuser à de très nombreux spectateurs le même fichier enregistré. Avec Odyssey, chaque utilisateur doit recevoir une succession d’images calculées en fonction de ses propres actions. Deux personnes qui partent dans des directions différentes n’explorent plus exactement la même expérience, ce qui demande un traitement informatique distinct.

Odyssey estime le coût de l’infrastructure entre 0,80 et 1,60 £ par utilisateur et par heure. Le système s’appuie sur des clusters de processeurs graphiques H100, répartis entre les États-Unis et l’Union européenne. Ces puces sont conçues pour exécuter les nombreux calculs parallèles requis par les modèles d’intelligence artificielle.

Ce montant est élevé si l’on compare l’expérience à la simple diffusion d’une vidéo. Il doit toutefois être mis en regard des coûts de production d’un film ou d’un jeu vidéo, qui mobilisent habituellement des équipes et des moyens importants pendant de longs mois. Pour Odyssey, l’enjeu est de réduire ce coût à mesure que les modèles et les infrastructures gagnent en efficacité.

La question économique sera centrale. Une démonstration de recherche peut accepter une puissance de calcul considérable pour quelques utilisateurs. Un service destiné à un vaste public devra, lui, préserver une bonne réactivité sans rendre chaque heure d’utilisation trop coûteuse.

Du récit interactif à la formation : quels usages imaginer ?

Odyssey inscrit son projet dans une histoire longue des formes narratives. Des peintures rupestres aux livres, de la photographie à la radio, du cinéma aux jeux vidéo, chaque support a modifié la relation entre un récit et son public. La vidéo générative interactive pourrait proposer une nouvelle variation : un contenu audiovisuel qui ne se répète jamais tout à fait à l’identique parce qu’il tient compte de la présence de celui qui le parcourt.

Dans le divertissement, cette technologie pourrait donner naissance à des fictions explorables. Plutôt que de choisir seulement entre deux options à l’écran, le spectateur pourrait se déplacer dans une scène et découvrir ce que le système génère à partir de ses décisions. Le cinéma et le jeu vidéo ne seraient pas remplacés pour autant. Ils pourraient inspirer des formes hybrides, avec des niveaux d’interaction différents selon l’histoire racontée.

L’éducation constitue un autre terrain envisagé. Une vidéo pédagogique interactive pourrait permettre à un apprenant de pratiquer activement une compétence dans un environnement simulé, au lieu de suivre une explication de façon uniquement passive. De même, une expérience de voyage pourrait proposer de découvrir virtuellement une destination en suivant son propre parcours.

La publicité est également citée parmi les domaines susceptibles d’être transformés. Ici encore, la promesse tient moins à la diffusion d’une image plus réaliste qu’à la possibilité de créer un contenu qui s’adapte à l’action de chaque personne.

Ce qu’il faudra surveiller avant une adoption à grande échelle

La démonstration d’Odyssey met en évidence une évolution importante de l’IA générative : le passage de contenus produits une fois pour toutes à des expériences qui se recalculent en continu. Mais entre un prototype impressionnant et un nouveau média largement adopté, plusieurs étapes restent nécessaires.

Il faudra d’abord observer les progrès sur la stabilité des mondes : un utilisateur doit pouvoir agir longtemps sans voir les lieux, les objets ou la logique de la scène se déformer de manière incohérente. La qualité visuelle compte, mais la continuité des actions et des conséquences comptera tout autant pour susciter une véritable impression de présence.

Le coût par heure sera le second indicateur décisif. Une baisse de la consommation de calcul rendrait possibles des usages plus fréquents, plus longs et plus accessibles. Enfin, les créateurs devront définir les codes de ce nouveau format. Un récit où le public peut agir ne s’écrit pas comme un film linéaire et ne se construit pas exactement comme un jeu vidéo traditionnel.

En mai 2025, Odyssey propose donc moins une destination finale qu’une fenêtre sur ce changement. Son modèle montre comment la génération vidéo peut devenir réactive, située et personnelle. Reste à savoir jusqu’où cette capacité pourra progresser sans perdre ce qui fait la force d’un monde crédible : sa cohérence, sa lisibilité et le sentiment que chaque action a réellement un sens.