Un ingénieur a publié sa méthode pour apprendre des sujets complexes avec les LLM. Au lieu de demander à un modèle de lui expliquer quelque chose, il le fait construire une simulation visuelle interactive. Hacker News l’a voté à 560 points.

Laurentiu Raducu analyse les goulots d’étranglement des data centers et voulait comprendre la production des puces. Il a ouvert Claude Code en plan mode et lui a donné un flux en trois étapes : construire une base de connaissance sur le sujet, la réviser pour l’exactitude, puis la transformer en une animation low-poly dans le style de Rollercoaster Tycoon. Le résultat est ChipTycoon, une page web jouable où vous suivez un chariot du sable à la puce finie.

Pourquoi cela vous concerne. La plupart des gens utilisent les LLM pour apprendre comme s’il s’agissait d’un livre parlant : vous posez une question, lisez, posez une autre question. La méthode de Raducu change la perspective. Faites construire par l’IA une représentation concrète de ce que vous étudiez, et la connaissance reste parce que vous l’avez vue en mouvement, pas seulement lue.

Ce qui compte au-delà de la simulation : décider ce que vous voulez faire représenter par l’IA vous oblige à décomposer le sujet en étapes concrètes. La qualité de ce que vous obtenez dépend de combien vous savez déjà ce que vous voulez voir, le même principe dont nous parlions le 4 août : l’expertise compte plus que les astuces de prompting.

Si vous voulez essayer : le blog post de Raducu décrit le flux en détail et établit des liens vers les autres simulations qu’il a construites (moteurs de fusée, machines EUV, moteurs F1).

En détail

Raducu part d’un problème reconnaissable : le style avec lequel les LLM expliquent les choses est difficile à suivre. Trop simplifié, trop synthétique, parfois chargé d’emojis. Pour des sujets techniques complexes, l’explication standard ne reste pas en tête.

Sa méthode utilise un outil de codage (Claude Code ou OpenCode) en plan mode, une fonction où l’agent planifie avant d’exécuter. Le flux comporte trois phases. D’abord, l’agent construit une base de connaissance sur le sujet : il rassemble les concepts fondamentaux et les organise. Deuxièmement, l’agent révise sa propre base pour vérifier son exactitude. Troisièmement, l’agent transforme cette base en une simulation low-poly, une page web avec des graphismes simples dans le style de Rollercoaster Tycoon, avec des contrôles pour mettre en pause et s’adapter aux petits et grands écrans. Le tout se termine dans un référentiel GitHub avec Pages activé, donc accessible depuis le navigateur.

Le cas d’usage concret est ChipTycoon. Vous suivez un chariot visuel qui part de la collecte du sable de quartz, passe par le four, et arrive à la puce finie livrée dans un data center. Les graphismes low-poly perdent en détails, mais le flux conceptuel reste visible. Raducu a construit d’autres simulations en utilisant la même méthode : moteurs de fusée, machines EUV, moteurs F1, et le fonctionnement des LLM eux-mêmes.

Les limites. L’étape de révision d’exactitude est le point faible. L’agent se révise lui-même, et les LLM peuvent être trop sûrs de réponses erronées. Si la base de connaissance contient une erreur, la simulation la reproduit fidèlement. Le design low-poly nécessite de l’imagination pour comprendre ce qui arrive aux matériaux aux étapes intermédiaires, comme l’admet Raducu lui-même. Et la méthode nécessite un coding agent avec plan mode, pas simplement une discussion.

Pour améliorer la mémorisation, Raducu suggère d’ajouter des défis et des quiz à la simulation. Répondre à des questions sur une étape précédente du processus aide à retenir la connaissance. Il suggère également de transformer des images en objets 3D et de les mapper dans la simulation, pour obtenir une représentation plus réaliste.

Le signal pour ceux qui lisent ici : la valeur ne réside pas dans l’outil spécifique, elle réside dans la méthode. Décomposer un sujet, demander à l’IA de le représenter sous une forme concrète et interactive, puis l’utiliser comme référence visuelle est un schéma qui fonctionne même sans arriver à des simulations 3D. Même une simple page HTML avec un diagramme animé généré par un agent sert le même objectif. Le playbook apprendre un nouvel outil en un après-midi suit la même logique : utiliser l’IA comme un tuteur actif, pas comme une encyclopédie passive.