Le but de cet exposé est d'introduire les modèles génératifs basés sur les diffusions et de discuter de leur optimalité. On détaillera comment le processus d'Ornstein-Uhlenbeck renversé en temps permet de transporter une gaussienne source vers une distribution cible quelconque sur R^d. Ce processus renversé faisant intervenir la fonction score, on abordera ensuite la question de l'apprentissage du score via la minimisation d'un contraste empirique. Enfin, nous discuterons de la stabilité d'un telle méthode pour la distance de Wasserstein, ainsi que des vitesses d'estimation uniforme qu'elle permet d'obtenir.