Negli ultimi anni, la comprensione pubblica dell’intelligenza artificiale è stata plasmata quasi interamente dai large language model. Chatbot, generatori di testo, assistenti per la programmazione: questi sono i volti dell’IA che la maggior parte delle persone ha conosciuto. Una categoria diversa sta ora attirando seria attenzione, ingenti finanziamenti e un notevole sforzo di ricerca. Prende il nome di “world models” e capire cosa significhi realmente questo termine, e cosa invece non significhi, è più utile che limitarsi a seguire gli annunci.
Un termine che significa diverse cose contemporaneamente
La prima cosa da capire sui world model è che l’etichetta è dibattuta. Come ha spiegato chiaramente Ben Mildenhall, co-fondatore di World Labs e co-creatore della tecnica NeRF (neural radiance field): chiedete a diverse aziende cosa sia un world model e ognuna darà una risposta leggermente diversa.
Nella sua accezione più generale, un world model è un qualsiasi sistema che prende un’interazione come input e simula ciò che accadrebbe in seguito in un determinato ambiente. Runway, l’azienda di video IA, lo definisce come un sistema che costruisce una rappresentazione interna di un ambiente e la utilizza per simulare eventi futuri. Fei-Fei Li, la pioniera della computer vision che ha co-fondato World Labs, ha proposto tre criteri: il sistema genera output con coerenza percettiva, geometrica e fisica; è multimodale per progettazione; e produce stati successivi basati sulle azioni di input.
Vincent Sitzmann, assistant professor al MIT che guida lo Scene Representation Group all’interno del CSAIL, offre un’osservazione più pragmatica su dove si trovi effettivamente il settore oggi. La maggior parte delle persone che usano il termine “world model”, nota Sitzmann, stanno in realtà parlando della generazione di pixel: produrre video realistici che rispondono alle azioni. Si tratta di una capacità significativa, ma non equivale a simulare la fisica o a ragionare sullo spazio in senso profondo. Vale la pena tenere a mente il divario tra il linguaggio di marketing e la realtà tecnica.
In cosa i world model differiscono dagli LLM, e perché è importante
La distinzione tra world model e large language model non è solo tecnica. Riflette una diversa teoria su ciò che l’intelligenza richiede.
Gli LLM operano sul linguaggio. Sono, come ha scritto Fei-Fei Li, “fabbri della parola al buio”: capaci di produrre testi eloquenti ed eruditi, ma privi di un legame concreto con il mondo fisico. Yann LeCun, ex chief IA scientist di Meta, ha sostenuto che estendere gli LLM verso un’intelligenza di livello umano sia, per usare le sue parole, “un’assurdità totale”. Clem Delangue, CEO di Hugging Face, una delle principali piattaforme per l’hosting di language model, ha ipotizzato che la bolla degli LLM potrebbe essere vicina ai suoi limiti, notando al contempo che l’IA applicata a biologia, chimica, immagini, audio e video è ancora nelle sue fasi iniziali.
I world model sono progettati per colmare questo divario. Se l’interazione con un LLM è a turni — un prompt di testo seguito da una risposta di testo —, Mildenhall descrive un world model come sincrono e in tempo reale. L’utente o agente non si muove attraverso una sequenza lineare di scambi. Interagisce invece con qualcosa che si comporta come un ambiente, in cui più cose accadono in parallelo e sono possibili azioni continue. Si tratta di una modalità di ingaggio fondamentalmente diversa, più vicina alla navigazione di uno spazio che allo svolgimento di una conversazione.
Gli obiettivi pratici dei world model riflettono questa differenza. Ricercatori e aziende in questo settore si concentrano sull’addestramento e sui test dei robot, sulla generazione di asset tridimensionali per giochi e produzioni cinematografiche, e sull’esecuzione di simulazioni scientifiche. Si tratta di ambiti in cui il solo linguaggio è insufficiente e dove la capacità di modellare relazioni spaziali e dinamiche fisiche è essenziale.
Perché l’aumento dei finanziamenti segnala un cambiamento strutturale
La spinta commerciale alle spalle dei world model è concreta. Secondo quanto emerso, World Labs e AMI hanno raccolto ciascuna circa 1 miliardo di dollari rispettivamente a febbraio e marzo. Runway ha raccolto 315 milioni di dollari a febbraio. Non si tratta di scommesse speculative su un futuro lontano: riflettono la convinzione che applicazioni specifiche e a breve termine siano a portata di mano.
Questo è ciò che sfugge alla maggior parte delle analisi sui world model. A differenza dei large language model, che sono partiti da un’interfaccia general-purpose (il chatbot) per poi cercare casi d’uso, le principali iniziative nel campo dei world model stanno lavorando nella direzione opposta. Partono da problemi concreti: addestramento di robot, generazione di asset, modellazione scientifica. Le interfacce e gli strumenti che alla fine offriranno queste capacità agli utenti sono ancora in fase di definizione.
Il termine “world model” ha una storia più lunga di quanto lasci intendere l’attuale ondata di annunci. È comparso per anni nella ricerca sul reinforcement learning e sulla robotica, usato per descrivere modelli che prevedono come cambiano gli ambienti. La novità risiede nell’ambizione di scalare tale idea in sistemi generativi general-purpose addestrati su grandi volumi di dati visivi e multimodali.
In sintesi
I world model non sono un sostituto dei large language model. Rappresentano un approccio diverso a un problema diverso: come costruire sistemi IA in grado di ragionare sullo spazio, simulare dinamiche fisiche e interagire con gli ambienti in tempo reale anziché attraverso scambi di testo. Il termine è visibilmente sovraccarico di significati, usato per descrivere qualsiasi cosa, dalla generazione video alla valutazione delle policy dei robot fino alla creazione di asset 3D. La convinzione di fondo, condivisa dai ricercatori di MIT, World Labs e Runway, è che un’unica architettura di modello fondazionale dovrebbe prima o poi essere in grado di affrontare molti di questi problemi. Se tale convinzione si rivelerà corretta è ancora una questione aperta. Ciò che è già chiaro è che il settore si è trasformato da argomento di ricerca a priorità commerciale, e le applicazioni sviluppate su di esso si basano su esigenze pratiche, non su speculazioni astratte.
Basato su un articolo di Ars Technica.