Science appliquée : le CWM achève des cycles scientifiques en santé publique et climat — face à des références établies

Un modèle du monde ne mérite ce nom que lorsqu'il affronte le monde réel — avec ses données incomplètes, ses longues séries et ses questions sans réponse élégante. La version v0.10.6 conduit le scientifique du monde du Camile World Model, jusqu'ici consacré au climat et à la finance, vers deux nouveaux territoires réels : la surveillance épidémiologique de cinq capitales brésiliennes (dengue, 873 semaines de données publiques par ville) et les foyers d'incendie au Brésil entre 1998 et 2026.

À chaque cycle, le modèle a suivi le parcours scientifique complet : il a formulé la question, risqué des prévisions pas à pas — toujours sans voir l'avenir — et accepté la réfutation lorsque les données ne soutenaient pas l'hypothèse. Il a également mesuré ses prévisions face à des méthodes établies de prévision de séries temporelles, dans des conditions identiques de walk-forward, avec les chiffres publiés.

Le cycle scientifique du CWM — question, prédiction, falsification — s'exécute désormais aussi sur l'épidémiologie et les données d'incendie, généralisant la capacité au-delà de ses domaines d'origine.

Le modèle a acquis une mémoire des croyances entre jeux de données : une hypothèse réfutée dans une ville parvient aux suivantes en portant déjà l'apprentissage — ce qui est tombé ne renaît pas comme si rien ne s'était passé.

Une comparaison en arène ouverte a été publiée face à des méthodes de prévision établies (classes de modèles saisonniers largement utilisés dans l'industrie), dans les mêmes conditions de test pour tous.

Les organisations qui traitent des séries de santé publique, de climat ou de risque environnemental disposent d'un instrument qui ne se contente pas de prévoir — il sait consigner comment il a formé et corrigé ses croyances, et où ses prévisions sont (et ne sont pas) meilleures que les méthodes conventionnelles.

Les chercheurs et les équipes de données peuvent reproduire les cycles complets : chaque résultat est accompagné de ses enregistrements de vérification.

Le marché de l'IA regorge de promesses et manque de science ouverte. Cette version choisit le chemin le plus difficile : des questions réelles, des données publiques auditables, une comparaison honnête avec ce qui existe déjà et la publication des résultats — y compris de ceux qui ne confirment pas les attentes. C'est ainsi que l'intelligence du monde devient une infrastructure fiable pour les décisions qui touchent les personnes : avec une méthode visible, des limites déclarées et une vérification à la portée de tous.

En pratique, une agence de santé peut demander au modèle de lire une série municipale et recevoir non seulement la projection, mais aussi l'historique du nombre de fois où ce type de question a été testé, ce qui a été confirmé et ce qui a été réfuté. Un centre de surveillance environnementale peut comparer la performance du modèle à la méthode qu'il utilise déjà — sur ses propres données — avant de l'adopter.

Les cycles mesurent la prévision et la réfutation sur des données observationnelles — une association statistique n'est pas une causalité, et le modèle lui-même consigne lorsqu'une question exige un laboratoire que les données ne peuvent offrir. Les résultats sont spécifiques aux données et aux fenêtres testées ; ce ne sont pas des promesses pour n'importe quel contexte.

Toute question n'a pas la réponse attendue — toute question a un enregistrement honnête. La v0.10.6 est le CWM qui prouve, sur un terrain réel et face à des rivaux établis, qu'il sait deux choses : prévoir et reconnaître ses propres limites.