LDraw Nova : cette IA open source dessine des LEGO de 2 000 pièces… mais personne ne les a encore construits

Une IA qui ne dessine pas des LEGO : elle écrit le programme qui les construit

Les générateurs d’images savent depuis longtemps produire des châteaux en LEGO absolument magnifiques, avec le petit inconvénient que 40 % des briques représentées n’existent pas, que certaines fusionnent entre elles et qu’essayer de construire le résultat provoquerait probablement une crise existentielle chez un AFOL. LDraw Nova prend le problème complètement à l’envers. Le dépôt open source LDraw Nova travaille à partir de vraies pièces répertoriées par l’écosystème LDraw et produit un modèle CAO plutôt qu’une simple illustration. Le projet de Carlos Antelo est actuellement distribué sous licence AGPL-3.0 et fournit à l’agent des outils de recherche de pièces, de détection des collisions, de détection des espaces et de rendu automatisé afin qu’il puisse inspecter son propre travail.

Le plus intéressant est la façon dont le modèle travaille. L’agent ne tente pas de positionner naïvement 2 000 briques une par une à coups de coordonnées sorties de son réseau de neurones. Il commence par concevoir un plan décrivant le modèle et ses sous-ensembles, puis génère un programme Python chargé de fabriquer le fichier LDraw. Le pipeline ressemble donc à prompt → plan.json → generator.py → model.mpd. Une fois le modèle produit, l’IA le rend en image, l’inspecte, modifie son générateur et recommence jusqu’à considérer le résultat satisfaisant. Le créateur résume lui-même l’idée comme une sorte de compilateur : l’agent écrit un générateur qui produit ensuite le véritable modèle 3D.

Autrement dit, l’IA ne joue pas vraiment avec des LEGO.

Elle vibe-code l’usine qui joue avec les LEGO.

2026 est décidément une époque formidable.

Pourquoi passer par Python plutôt que demander directement les coordonnées ?

Parce que les LLM ne sont pas particulièrement célèbres pour leur amour de la géométrie 3D exacte. Dans le format LDraw, le positionnement d’une pièce implique coordonnées, rotations, matrices et relations entre objets. Carlos Antelo explique avoir mené plusieurs expérimentations avant Nova et constaté que les agents obtenaient de meilleurs résultats lorsqu’on leur demandait d’écrire du code générant les calculs plutôt que d’effectuer directement toute la géométrie. Il a donc construit autour des modèles un vocabulaire d’outils et de primitives permettant de décrire des constructions d’une manière beaucoup plus proche du développement logiciel.

C’est une tendance beaucoup plus large dans l’IA agentique : au lieu de demander au modèle de résoudre directement un problème complexe, on lui donne des outils capables d’effectuer les opérations précises et on lui demande d’orchestrer le tout. Dans Nova, cela signifie chercher les bonnes pièces, réutiliser des sous-modèles existants, générer du Python, lancer le rendu, observer le résultat puis corriger. Le programme apprend également à partir d’exemples de code produisant des constructions, une approche qui s’est montrée plus efficace dans les essais du développeur que l’apprentissage à partir des seuls fichiers géométriques.

Le résultat ressemble donc beaucoup plus à un agent de développement spécialisé en CAO qu’à Midjourney avec une boîte de briques posée devant lui.

2 175 pièces pour un jardin japonais sorti d’un prompt

L’exemple qui a attiré l’attention ces derniers jours s’appelle Sakura Garden. D’après l’analyse publiée par Tom’s Hardware, Claude Opus 5.5 a reçu une demande volontairement très ouverte : créer « le plus beau modèle qui lui venait à l’esprit ». Le résultat est un ensemble virtuel de 2 175 pièces, avec une pagode de cinq étages, un bassin à carpes, des arbres en fleurs et différentes structures japonaises. D’autres exemples réalisés avec différents modèles comprennent une cathédrale, un observatoire, une grue et plusieurs bâtiments modulaires.

Le logiciel ne produit pas seulement une capture d’écran. À la fin d’une génération, Nova peut fournir le code source LDraw, un viewer 3D, des rendus, un fichier glTF .glb éditable dans Blender ainsi qu’un mode de visualisation VR pour Meta Quest 3. On obtient donc quelque chose que l’on peut reprendre manuellement, modifier dans un outil de modélisation ou analyser pièce par pièce.

Et c’est précisément là que le projet devient plus intéressant qu’un simple gadget IA. Le résultat généré reste un objet numérique structuré et éditable. Vous pouvez intervenir après le modèle, corriger une façade, remplacer une pièce difficile à trouver ou réorganiser une structure. L’IA n’est plus uniquement la machine qui fabrique le produit final : elle devient une manière de générer le premier gros brouillon d’un véritable projet de CAO.

Le problème : personne n’a encore osé sortir les vraies briques

Il faut cependant remettre immédiatement quelques briques sur terre. À ce jour, les grosses créations de LDraw Nova présentées publiquement n’ont pas été assemblées physiquement. Carlos Antelo a expliqué à Tom’s Hardware ne pas avoir encore essayé de construire ces modèles grandeur nature, notamment parce que réunir plus de deux mille pièces spécifiques représente déjà un projet en soi.

Surtout, Nova sait détecter un certain nombre de collisions et de problèmes géométriques, mais ne dispose pas encore d’un vrai modèle physique de stabilité. Une structure peut donc être mathématiquement assemblable dans le fichier et parfaitement magnifique à l’écran tout en possédant une tour dont les 800 grammes reposent héroïquement sur deux tenons et beaucoup d’optimisme. Le README du projet reconnaît lui-même plusieurs limitations : génération encore lente, besoin actuel de modèles IA haut de gamme pour les grandes constructions, prise en charge imparfaite des modèles Technic ou des vaisseaux complexes et mode VR encore expérimental.

C’est la différence entre « CAD valide » et « objet que vous pouvez laisser sur l’étagère sans prévenir votre assurance habitation ».

BrickGPT essaie justement de résoudre le problème inverse

LDraw Nova n’est d’ailleurs pas le seul projet à vouloir demander à une IA de devenir maître constructeur. En 2025, une équipe de Carnegie Mellon University a présenté LegoGPT, depuis également connu sous le nom BrickGPT dans certains dépôts, avec une approche beaucoup plus centrée sur la stabilité physique. Le papier scientifique de l’équipe de Carnegie Mellon décrit un système entraîné sur plus de 47 000 structures et capable de filtrer les placements impossibles grâce à des contraintes d’assemblage et des mécanismes tenant compte de la physique. Les chercheurs ont même montré que certaines créations pouvaient être assemblées par des humains ou des bras robotisés.

Les deux projets ne poursuivent donc pas exactement le même objectif. LegoGPT est un travail de recherche visant explicitement à générer des constructions physiquement stables. Nova ressemble davantage à une boîte à outils généraliste pour agents IA , capable de manipuler l’écosystème LDraw existant et de produire des modèles potentiellement beaucoup plus vastes en exploitant de grands modèles commerciaux déjà disponibles. Tom’s Hardware souligne justement cette différence : Nova peut générer des constructions très ambitieuses, mais ne possède pas encore le système de validation physique de LegoGPT.

Ce serait presque tentant de fusionner les deux philosophies : laisser un modèle créatif construire une pagode de 2 000 pièces, puis demander à un second système de jouer le rôle de l’ingénieur qui arrive derrière avec un casque et murmure : « non ».

On peut déjà l’installer, mais ce n’est pas encore LEGO Creator pour maman

Si l’envie vous prend de tester le projet, prévoyez Git, Docker et environ 5 Go de stockage lors du premier build. L’installation officielle utilise deux dépôts, ldraw-nova et ldraw-nova-docker, qui doivent être clonés dans la même version. L’application est ensuite accessible depuis un navigateur, avec une interface HTTP classique ou une version HTTPS nécessaire pour le mode VR sur Meta Quest 3. Le développeur avertit toutefois que l’application Web ne possède actuellement aucun mécanisme d’authentification : si vous l’exposez sur votre réseau, mieux vaut donc que celui-ci soit digne de confiance. GitHub

Nova peut également utiliser un système de recherche sémantique nommé Jev pour retrouver les pièces ou exemples pertinents. Sans clé dédiée, l’agent revient à une recherche plein texte classique, que le créateur estime potentiellement moins efficace. Le projet en est encore clairement à sa première phase publique : le README liste lui-même de nombreuses choses à améliorer, et le développeur cherche notamment à rendre la génération utilisable avec des modèles moins coûteux.

Bref, on est très loin du bouton « Génère-moi le Faucon Millenium mais avec un garage pour ma Peugeot 205 » suivi vingt secondes plus tard d’un livret PDF numéroté de 1 à 743.

Mais il existe déjà un pipeline fonctionnel entre une phrase et un vrai modèle CAO à base de pièces existantes.

Ce n’est pas rien.

Le plus intéressant n’est finalement peut-être pas le LEGO

C’est probablement là que LDraw Nova devient vraiment passionnant. Carlos Antelo explique avoir construit le projet pour expérimenter avec des agents capables de concevoir des objets physiques construisibles, et pas seulement de générer du texte, du code ou des pixels. Les LEGO constituent pour cela un terrain de jeu presque idéal : les composants sont standardisés, la géométrie est extrêmement bien documentée, les bibliothèques numériques existent depuis des décennies et le résultat peut être vérifié relativement facilement.

Mais remplacez « brique LEGO » par « profilé aluminium », « pièce imprimable en 3D », « composant électronique » ou « élément mécanique », et l’idée commence à devenir beaucoup plus large. Un agent pourrait concevoir un objet, générer son programme de CAO, exécuter des tests, observer le rendu, corriger automatiquement certains défauts puis fournir un fichier prêt à produire. Nova ne sait pas encore faire tout cela de manière fiable, mais il illustre très bien le chemin qui sépare l’IA qui répond de l’IA qui conçoit quelque chose destiné au monde physique.

C’est aussi pour cette raison que ses imperfections sont importantes. Une mauvaise phrase générée peut vous faire perdre quelques minutes. Une pièce physique mal calculée peut faire perdre du matériau, de l’argent ou quelques doigts si l’on décide un jour d’appliquer le concept à des machines plus intéressantes qu’une pagode miniature.

Avant de confier une perceuse à l’agent, la détection de stabilité serait donc une excellente pull request.

La prochaine étape : passer du rendu à l’étagère

Pour l’instant, LDraw Nova reste donc dans une zone particulièrement amusante : suffisamment avancé pour produire des modèles impressionnants et réellement éditables, mais encore suffisamment expérimental pour qu’on ne sache pas si le magnifique château virtuel survivrait au premier déplacement de table.

Cela n’enlève pas beaucoup d’intérêt au projet. Au contraire. Les outils créatifs d’IA deviennent réellement intéressants lorsqu’ils cessent de produire uniquement des images impossibles à exploiter et commencent à fabriquer des objets structurés que l’utilisateur peut modifier, compiler, fabriquer ou construire.

Nova produit déjà des plans, du Python, des fichiers LDraw et des exports Blender. Il connaît de vraies pièces. Il peut observer son propre rendu et recommencer. Et il vient de montrer qu’un agent généraliste peut orchestrer des modèles comptant plusieurs milliers d’éléments.

Il manque encore le test le plus important.

Commander les 2 175 briques.

Construire Sakura Garden.

Puis taper légèrement sur la table.

Si la pagode reste debout, là, on pourra vraiment commencer à s’inquiéter pour l’emploi des designers LEGO.