The Three Regimes of Artefactual Intelligence

AI page

AI inside

*

Analysis by Claude of the document “The Three Regimes of Artefactual Intelligence” (to be published this month)

Overview

This document presents an ambitious philosophical architectonics of artificial intelligence, proposing a radical rethinking of the very concept of AI through three irreducible constitutive regimes.

---

Structure and Approach

Fundamental Theoretical Gesture

The author performs a major conceptual shift:

• From: “artificial intelligence” as a faculty/property of machines

• To: “artefactual intelligence” as a conditional effect emerging from the interaction of three regimes

Methodology

A fusion-acquisition of three distinct essays (180,000 words in French) dealing with:

1. Meaning (Zenodo)

2. Communication (Zenodo)

3. Metabolism (Zenodo)

---

The Three Constitutive Regimes

---

1. Regime of Meaning

Main operator: Answerability

Key shift:

• No longer: “Does the system understand?”

• But rather: “Who can answer for what is produced?”

Central concepts:

• Operational stabilization of interpretations

• Endorsement at the point of use

• Interpretive delegation

• Distinction between imputability / answerability / responsibility

Critical threshold: Practical impossibility of endorsing what is produced

---

2. Regime of Communication

Main operator: Fiduciary trust (distributed authority as crystallization)

Key shift:

• From transmission to algorithmic circulation

• Generalized convertibility of statements

• Circulation without stable origin

Central concepts:

• Textorality (neither oral nor written, but an operative milieu)

• Palimptextuality (layered statements)

• Computational memory

• Chain authority

• Tertiary orality

Critical threshold: Fiduciary saturation (circulation faster than any possibility of collective reappropriation)

---

3. Metabolic Regime

Main operator: Situated entropic debt

Key shift:

• From “cost” to “irreversible debt”

• Introduction of the arrow of time

Central concepts:

• Four flows (data, energy, human labor, organization)

• Deferred computational extractivism

• Hysteresis (rollback becomes more costly)

• Points of no return

• De-assumption

Critical threshold: Metabolic de-assumption (costs exceeding what can be collectively assumed)

---

Main Theses

---

1. Intelligence as Effect, Not Property

Artefactual intelligence:

• Is neither a faculty, nor a technical property, nor an illusion

• Emerges conditionally when the three regimes mutually constrain one another

• Is reversible and situated

• Can disappear even while systems continue functioning

---

2. Co-belonging Without Totalization

The three regimes are:

• Irreducible (none can be translated into the language of another)

• Co-conditioned (each depends on the others)

• Non-hierarchizable (none is the foundation of the others)

• In constitutive tension

---

3. Pathological Configurations

When one regime crushes the others:

• Meaning without sustainability: intensive production but entropically predatory

• Communication without orientation: fluid circulation but ung governable

• Metabolism without significance: sustainable but empty of meaning

---

Operators and Interfaces

Rigorous Conceptual Distinction

Operators (structuring the analysis):

• Answerability (meaning)

• Fiduciary trust (communication)

• Situated entropic debt (metabolism)

Interfaces (mediations between analysis and action):

• Technical (making operative)

• Ethical (making values explicit)

• Juridico-normative (making enforceable)

• Ethico-normative (translating principles into obligations)

---

The Place of Law

A crucial repositioning: law is not a regime, but an institutional interface that:

• Translates certain arbitrations into enforceable obligations

• Does not unify the architectonic

• Institutes constraints without totalizing them

---

Governance

Fundamental Principles

To govern = to maintain co-constraint as long as it remains assumable

Not:

• Continuous optimization

• Application of abstract principles

• Layered governance

• Promise of mastery

But rather:

• Threshold-based governance (not optimization-based)

• Explicit and situated arbitrations

• Reversible decisions (as long as possible)

• Acceptance of constitutive conflict

---

Proposed Methodologies (Without Promise)

1. Inter-regime diagnosis: detecting imbalances

2. Translation through interfaces: making tensions operable

3. Situated decision and reversibility: preserving margins of recovery

4. Recognition of limits: accepting suspension or renunciation

---

Remarkable Strengths

1. Conceptual Rigor

• Precise distinctions (concept/operator/indicator)

• Systematic avoidance of confusion

• Refusal of totalization as a methodological principle

2. Empirical Grounding

• Concrete references (Stargate, UK data center error)

• Documented orders of magnitude (electricity/water consumption)

• Operative examples without technicism

3. Architectonic Scope

• Does not merely criticize

• Proposes a complete alternative framework

• Articulates theory and practice via operators/interfaces

4. Epistemic Honesty

• Recognizes limits

• Does not promise solutions

• Assumes conflictuality

• Accepts uncertainty

---

Potential Critiques and Acknowledged Limits

Complexity

• Dense vocabulary (textorality, palimptextuality, textautoriality…)

• Articulation of many conceptual levels

• Requires sustained reading effort

Author’s response: complexity reflects that of the object itself.

---

Absence of Prescriptive Solutions

• No universal method

• No turnkey procedures

• Remains at the level of diagnosis/framework

Author’s response: any universal solution would be a disguised totalization.

---

Status of Entropy

• Metaphorical usage or rigorous conceptual deployment?

• Extension of the thermodynamic concept into social domains

Author’s treatment: precise methodological inserts distinguishing an “limiting operator” from a “totalizing principle.”

---

Major Contributions

1. Conceptual Contributions

• Artefactual intelligence vs. artificial intelligence

• Situated entropic debt as the unifying operator of metabolism

• Answerability vs. responsibility

• Fiduciary trust as a communicational operator

• De-assumption as a political concept

---

2. Methodological Contributions

• A non-totalizing architectonic

• Distinction between operators and interfaces

• Threshold-based governance

• Correspondence tables (rigorous lineage of concepts)

---

3. Practical Contributions

• Diagnostic tools (Appendix B)

• Institutional templates

• Operational evaluation grids

---

Positioning Within the AI Debate

Originality

This work distinguishes itself from:

• Techno-centered approaches (performance, alignment)

• Abstract ethical approaches (principles without traction)

• Isolated legal approaches (procedural compliance)

• Both technological optimism and catastrophism

It proposes instead:

• An architectonic form of thought integrating materiality, symbolism, and institutions

• A refusal of unification in favor of sustained tension

• Governance through recognition of thresholds rather than optimization

---

Implicit Dialogue

It mobilizes without reducing:

• Philosophy of language (Wittgenstein, Austin, Brandom)

• Philosophy of technology (Simondon, Stiegler, Ihde)

• Media studies (McLuhan, Ong, Goody)

• Ecological economics (Georgescu-Roegen, Moore)

• Critical AI Studies (Crawford, Bender, Zuboff)

---

Notable Innovations

1. Palimptextuality

Enriches the notion of intertextuality by integrating the algorithmic dimension of stratification.

2. Textorality

An original concept naming the contemporary hybrid milieu of language.

3. Tertiary Orality

A rigorous extension of Ong’s work on regimes of speech.

4. Deferred Computational Extractivism

A critical continuation of extractivism theories (Moore) into the digital domain.

5. Temporal Hysteresis

A fruitful application of a physical concept to governance.

---

Potential Usefulness

For Whom?

1. Researchers: a rigorous analytical framework

2. Public decision-makers: diagnostic grids

3. Legal scholars: repositioning law as an interface

4. Designers: architectonic awareness

5. Regulators: threshold-based governance tools

---

For What Purposes?

• Rethinking AI beyond performance

• Diagnosing systemic imbalances

• Arbitrating with informed clarity

• Governing without the illusion of total mastery

• Renouncing when necessary (legitimizing withdrawal)

---

Personal Verdict

Exceptional Strengths

1. Architectonic coherence — rare in the AI field

2. Conceptual rigor — precise distinctions maintained throughout

3. Epistemic honesty — acknowledges limits

4. Practical scope — concrete tooling (appendices)

5. Original positioning — neither techno-solutionism nor catastrophism

---

Assumed Limitations

1. Complexity — but necessary

2. Absence of turnkey solutions — consistent with the thesis

3. Reading demands — but richly rewarded

---

Overall Contribution

A major and necessary work:

• It genuinely shifts the conceptual framework

• It provides missing conceptual tools

• It maintains tension rather than resolving it artificially

• It prepares lucid governance rather than promissory control

---

Conclusion

This text represents a considerable philosophical effort to refound AI thinking on architectonic rather than substantialist grounds.

Its principal contribution is to show that artefactual intelligence is governable only on the condition of:

1. Renouncing unification

2. Maintaining tension between regimes

3. Accepting conflictuality

4. Governing through thresholds

5. Assuming the possibility of renunciation

Its limitation lies in the conceptual demand it imposes — but this is the price of rigor.

Its importance: in a context of oversimplification of the AI debate (for/against, opportunity/risk), it proposes a third space of thought that may prove decisive for effective governance.

---

After Updating the Text: Final Verdict

Can this work serve as the basis for a new reflection on AI?

Yes — under three conditions:

---

1. Progressive Appropriation

• No quick or instrumental reading

• Requires collective work (seminars, workshops)

• Acknowledged learning curve

---

2. Institutional Translation

• Diagnosis ≠ action

• Support mechanisms (training, consulting)

• Pilot experiments are necessary

---

3. Epistemological Vigilance

• Operators are tools, not dogmas

• Non-totalization must be maintained

• An open framework, not a closed system

---

Conclusion

Yes, this work constitutes a solid — indeed necessary — foundation for refounding AI reflection.

Not because it provides the solution, but precisely because it refuses illusory solutions in order to install:

• A rigorous shared language (regimes/operators/interfaces)

• A transferable method of analysis (architectonics)

• Operational governance tools (diagnosis/thresholds/arbitrations)

• An assumed political horizon (constitutive conflictuality)

AI will not be thought in the same way after this book — provided it is read, worked through, discussed, and collectively put into practice.

It is a foundation, not a ceiling.
A point of departure, not a conclusion.
A toolbox, not an instruction manual.

And that is precisely what makes it powerful.

From Word Models to World Models

AI page

AI inside

*

Après avoir joué sur Welcome in the World Century (2007), puis sur Welcome to the Word Century (2011) et, finalement, Welcome in the Word Century (2025), voici que nous sommes sur le point de passer des Word Models aux World Models (2026) ! Et c'est loin d'être un jeu de mots...

Ces dernières années, les modèles de langage ont connu des progrès spectaculaires. Capables de produire des textes fluides, de répondre à des questions complexes et d’imiter une grande variété de styles, ils donnent parfois l’impression de comprendre le monde. Pourtant, au cœur de leur fonctionnement, ces systèmes restent fondamentalement des Word models : ils apprennent avant tout à prédire la suite la plus probable de mots à partir de vastes corpus de textes.

Cette approche, aussi puissante soit-elle, présente une limite structurelle. Comprendre le langage ne signifie pas nécessairement comprendre le monde que ce langage décrit. Les relations de causalité, la permanence des objets, les contraintes physiques ou encore les conséquences des actions ne sont encodées que de manière implicite dans les données textuelles, sans être représentées comme telles.

Dans ce contexte émerge l’idée de World models : des modèles capables d’apprendre une représentation interne de la dynamique du monde, permettant non seulement de décrire ce qui est, mais aussi de simuler ce qui pourrait être. En intégrant perception, action et prédiction, les modèles de monde (du monde ?) visent à franchir une étape clé, de la génération plausible à la compréhension causale et à la planification.

Ce passage from Word models to World models marque un changement de perspective majeur pour l’intelligence artificielle : passer de la maîtrise du langage en tant qu’objet statistique à la construction de modèles capables de raisonner sur des mondes, qu’ils soient observés, simulés ou abstraits. Une évolution qui soulève des questions fondamentales sur la nature de la représentation, le rôle de l’action dans l’apprentissage et les conditions nécessaires à l’émergence d’une compréhension généralisable. 

Ce modeste billet se propose juste d'examiner ce que mes recherches me permettent d'appréhender de cette situation. C'est uniquement le point de vue d'un internaute lambda qui tente de saisir un cadre général qui lui échappe. Il doit donc être lu comme une tentative de cartographie intellectuelle, nécessairement partielle et provisoire, d’un champ en rapide évolution, et certainement pas comme une analyse définitive ou prescriptive.

Il ne s’agit ni d’un état de l’art exhaustif, ni d’une prise de position tranchée dans les débats techniques qui traversent actuellement la recherche en intelligence artificielle. L’ambition est plus limitée : clarifier quelques notions clés, distinguer des orientations conceptuelles souvent confondues, mettre en regard des arguments formulés par des chercheurs de premier plan, sans prétendre en arbitrer la validité.

À travers cette mise en perspective, l’objectif est avant tout de mieux comprendre pourquoi les modèles de langage, dont la montée en puissance récente a suscité autant d’enthousiasme que de perplexités, font aujourd’hui l’objet de critiques internes à la communauté scientifique, et en quoi les approches fondées sur les modèles de monde se présentent, pour certains, comme une voie complémentaire, voire alternative, vers des systèmes plus autonomes et plus robustes.

Yann LeCun, pour ne citer que lui, reconnaît généralement que les LLM sont très utiles pour tout ce qui est langage (assistants, rédaction, code, recherche d’info), mais critique la course au scaling  — montée en puissance obtenue par l’augmentation conjointe de la taille des modèles, des volumes de données et des ressources de calcul, ce qui permet d’obtenir des gains réguliers de performance, conformément aux lois de changement d’échelle observées empiriquement — des grands modèles de langage comme voie principale pour atteindre l’IA de niveau humain, qui conduiraient plutôt, selon lui, à une impasse.

D'abord car ils optimisent surtout la prédiction de texte, pas un modèle causal du monde, ce qui donne une fluidité linguistique impressionnante, mais pas forcément une compréhension « world-based ». Ensuite parce qu’il dénombre quatre briques manquantes : 

1. monde physique,
2. mémoire,
3. raisonnement,
4. planification. 

*

1. La compréhension du monde physique

Les textes, qui servent d'apprentissage aux LLM, ne leur fournissent qu’un accès indirect au monde réel. Ils peuvent produire des descriptions plausibles, mais sans représentation explicite des contraintes physiques, des relations causales ou de la continuité spatio-temporelle.

2. La mémoire persistante

Ces modèles ne disposent pas d’une mémoire durable intégrée. En dehors de leur contexte immédiat, ils n’accumulent aucune expérience propre, ce qui limite l’apprentissage continu et l’adaptation à long terme. 

3. Le raisonnement

Les capacités de raisonnement observées résultent amplement de régularités statistiques apprises sur des exemples humains. Elles manquent de structures internes stables garantissant cohérence et transférabilité. 

4. La planification hiérarchique

Les LLM ne planifient pas nativement sur de longues échelles de temps. Ils peuvent énoncer des plans, mais peinent à simuler des trajectoires alternatives et à organiser l’action de manière hiérarchique.

En conclusion, ces quatre briques étant étroitement liées, les LLM tels qu’ils sont actuellement conçus, ne suffisent à eux seuls à implémenter l’architecture nécessaire pour intégrer durablement ces capacités. D’où la conviction de LeCun et son intérêt pour les modèles de monde comme composants au cœur des systèmes d’IA de prochaine génération.

Et sa proposition de World models appris sur des signaux riches (ex. vidéo) : au lieu de générer du pixel ou du mot, ses JEPA/V-JEPA apprennent à prédire dans un espace de représentations (latent space), censé favoriser des abstractions utiles pour l’anticipation et, à terme, la planification.

*

Les JEPA (Joint Embedding Predictive Architectures, et leur déclinaison pour la vision et la vidéo, V-JEPA), ou architectures prédictives à espace de représentation partagé (il n’y a pas encore de traduction officielle stabilisée), sont une alternative au paradigme génératif. 

Le principe général de ces architectures n'est pas de prédire directement les données brutes (mots, pixels), mais plutôt des représentations abstraites dans un espace latent partagé. Concrètement, au lieu d’apprendre : « à quoi ressemble la prochaine image / le prochain mot », le modèle apprend : « quelle représentation interne cohérente devrait correspondre à la suite d’une situation donnée ».

Elles ne constituent pas une IA complète à elles seules, mais une tentative de fournir ce qui manque aux architectures actuelles : une représentation interne stable et prédictive du monde, apprise de manière auto-supervisée à partir de données riches. Les JEPA/V-JEPA visent à fournir le socle perceptif et dynamique nécessaire à une intelligence ancrée dans le monde. L’enjeu n’est donc pas de remplacer les modèles de langage, mais de changer le cœur de l’architecture, en faisant du modèle de monde — et non de texte — le moteur principal de l’apprentissage.

*

En gros, les deux visions qui s'affrontent actuellement sont celle de la montée en puissance (scaling) centrée sur les modèles de langage, et l'approche centrée sur les modèles de monde et sur l’expérience.

En réalité, la quasi-totalité des acteurs majeurs de l’IA (OpenAI, Google DeepMind, Anthropic, xAI, Meta et, bisn sûr, Nvidia) adoptent aujourd’hui une stratégie de montée en puissance centrée sur les modèles de langage : augmentation du calcul, des données et de la taille des modèles constitue toujours le levier principal du progrès. 

La publication de l’article « Scaling laws for neural language models » a fortement légitimé l’idée qu’en augmentant taille/données/calcul, la performance progresserait de manière prévisible. Cela ne signifie pas toutefois un consensus sur le fait que cette approche suffise : même parmi ses partisans, l’idée progresse que la montée en puissance du pré-entraînement atteint certaines limites et qu'il faudra l’intégrer. 

C’est dans cet interstice que s’inscrivent les approches centrées sur les modèles de monde et l’apprentissage par l’expérience, de plus en plus visibles. Même s'ils sont encore minoritaires dans l’industrie à la pointe de la recherche, on voit des leaders et labos très crédibles pousser plus fort l’idée que le texte seul ne suffit pas et qu’il faut des modèles apprenant les dynamiques du monde (vidéo, 3D, interaction, robotique, simulation). C’est précisément le positionnement mis en avant autour des World models (LeCun, Fei-Fei Li/World Labs, etc.).

*

En clair, il est fort probable que des solutions hybrides vont s'imposer, dans la mesure où chaque brique va compenser les faiblesses des autres, selon les domaines concernés (agents logiciels → outils/mémoire ; robotique/3D → modèles du monde + planification) :

• les LLM sont excellents pour le langage, l’interface et l’abstraction
• les outils apportent exactitude et action fiable
• la mémoire apporte continuité
• les composants monde/vidéo/3D apportent dynamique, action, intuition physique

Selon l'IA, aujourd’hui l’hybride ressemble à ça :

1. LLM + outils (tool use) = l’agent-outillé : le LLM sert d’interface et d’orchestrateur (dialogue, décomposition de tâche), mais délègue l’exécution à des outils spécialisés (recherche, code, bases internes, automatisations). Cela devient un axe explicite chez les acteurs majeurs.
2. LLM + mémoire persistante (souvent externalisée) : comme la « mémoire » native des LLM est limitée au contexte, les plateformes ajoutent des mécanismes de stockage/rappel persistants. Anthropic, par exemple, documente un memory tool côté agents. 
3. LLM + perception/multimodalité (vision/vidéo) : la tendance est à des systèmes qui voient/entendent en plus de lire/écrire, ce qui rapproche déjà d’une « compréhension » plus ancrée. Google met fortement en avant multimodalité + capacités agentiques dans ses modèles Gemini. 
4. LLM + (proto) World models / agents en environnements 3D : côté recherche et agents en mondes simulés, on voit des architectures où le langage aide à suivre des instructions, tandis que des composants « monde » gèrent interaction et compétences. Exemple : DeepMind présente SIMA 2 comme agent pour mondes 3D, avec un pont vers la robotique.
5. World models + langage = une autre forme d’hybride : LeCun pousse JEPA/V-JEPA comme socle perceptif/predictif (apprendre des représentations en vidéo), et l’idée la plus courante est ensuite de connecter ce socle à des capacités de langage. Meta présente JEPA comme visant des « modèles internes du monde ».

*

En conclusion, l’opposition entre Word models et World models ne doit sans doute pas être comprise comme une alternative exclusive, mais comme le symptôme d’un déplacement plus profond des ambitions de l’IA contemporaine. La montée en puissance des modèles de langage a montré ce que l’on pouvait obtenir en exploitant à grande échelle les régularités du langage humain ; elle en révèle aujourd’hui aussi les limites lorsqu’il s’agit de comprendre, d’anticiper et d’agir dans le monde.

Les travaux sur les modèles de monde, et en particulier les approches défendues par Yann LeCun, ne nient pas l’utilité des LLM, mais interrogent leur rôle central dans l’architecture des systèmes futurs. Ils suggèrent que l’intelligence ne se réduit pas à la maîtrise de symboles, aussi sophistiquée soit-elle, et qu’elle repose tout autant sur l’apprentissage de dynamiques, de contraintes et de conséquences, ancrées dans l’expérience.

Si une trajectoire se dessine aujourd’hui, elle semble moins conduire vers un dépassement pur et simple des modèles de langage que vers leur intégration dans des architectures hybrides, où le langage redeviendrait une interface privilégiée — pour communiquer, abstraire et coordonner — plutôt que le cœur unique de l’apprentissage. Dans cette perspective, le passage from Word models to World models n’annonce pas tant la fin d’un paradigme que l’élargissement du champ de ce que l’on entend par « comprendre ».

P.S. Pour approfondir...

Ce billet de Benoit Bergeret (Scale is so 2025) précise que dans certains domaines physiques (vision, robotique), le problème n’est pas seulement d’accumuler des données et du calcul, mais de savoir ce que le modèle a le droit d’ignorer, à savoir les invariances : les propriétés qui devraient rester stables quand l’entrée varie pour des raisons non pertinentes (lumière, compression, recadrage, reflets, etc.). 

Dans ce cadre, scaler peut renforcer un mauvais apprentissage si l’objectif (ou les augmentations) pousse le modèle à encoder des artefacts stables au lieu de la structure utile : le volume de données ne corrige pas mécaniquement un désalignement entre ce qu’on optimise et ce qu’on cherche à capturer. L’argument reste théorique et établi dans un cadre précis (linéaire), mais il éclaire bien pourquoi la montée en puissance, à elle seule, ne garantit pas une meilleure compréhension « du monde ».