Amilabs (anciennement Hylé Labs) a levé 1,2 milliard de dollars en seed — le plus gros tour de ce type en Europe — mais, selon le fondateur et CEO Alexandre LeBrun, le principal prix à payer n’est pas la dilution du capital : ce sont les attentes élevées générées par l’annonce. LeBrun affirme que si une startup encaisse un milliard et ne montre rien de tangible pendant deux ans, elle devient quasiment impossible à sauver.
## Amilabs fait le pari de la construction méthodique
La somme récoltée par Amilabs devait d’abord servir à acheter des GPU pour entraîner des modèles fondamentaux. Plutôt que de céder à l’urgence médiatique, l’équipe a choisi une approche itérative et discrète afin d’éviter le « poids mort » de l’hype initiale. Pour LeBrun, la pression des attentes est la variable la plus dangereuse d’un financement massif : elle impose des livrables visibles et rapides, parfois au détriment d’un travail d’ingénierie de fond.
## LLM versus world models : un clivage architectural
LeBrun oppose nettement les grands modèles de langage (LLM) aux « world models ». Selon lui, le débat sur l’usage des LLM comme voie vers une intelligence générale est largement fermé : « il y a un an, quand nous disions que les LLM n’étaient pas de l’AGI, la plupart des gens n’étaient pas d’accord. Aujourd’hui, je pense que la plupart des gens reconnaissent que les LLM n’aboutissent pas à l’intelligence générale. »
Il illustre la différence par une métaphore : un LLM serait comme « quelqu’un qui n’a jamais quitté la pièce où il est né, mais qui a lu tous les livres pendant des siècles » — compétent en théorie, mais dépourvu d’expérience sensorielle directe. Les world models, eux, s’appuient sur des données sensorielles (vidéo, audio, toucher via robotique) et
