Il mondo che precede il gesto

Un modello linguistico completa una frase perché ha visto moltissime frasi. Ma un robot che deve prendere un bicchiere dal bordo di un tavolo ha un problema più antico e più severo: deve intuire cosa accadrà prima di toccarlo. Se la presa è troppo alta, il bicchiere ruota; se il tavolo viene urtato, l’acqua si muove; se dietro una porta c’è una persona, la porta non è più soltanto geometria. Questa facoltà di anticipare conseguenze è ciò che oggi si chiama, con una formula forse troppo elegante, world model: un modello del mondo.

Negli ultimi mesi la parola ha smesso di essere soltanto un’aspirazione da laboratorio. Genie 3 di Google DeepMind genera ambienti navigabili in tempo reale da una descrizione testuale, a 720p e 24 fotogrammi al secondo, mantenendo una coerenza dell’ambiente per alcuni minuti. NVIDIA, dall’altra parte, ha reso i suoi Cosmos sempre più esplicitamente strumenti per la “physical AI”: modelli che producono o prevedono video fisicamente plausibili, dati sintetici e scenari per robot e veicoli. La cosa interessante non è che le macchine possano fabbricare un paesaggio credibile. È che stiano imparando a usare l’immaginazione come una palestra per l’azione.

La distinzione è decisiva. Un generatore video può mostrarci un bicchiere che cade in modo convincente; un modello del mondo utile deve permettere a un agente di chiedersi: «E se lo prendessi da qui? E se una mano comparisse nell’inquadratura? E se la superficie fosse bagnata?» e ricevere risposte abbastanza coerenti da cambiare la decisione. Non è una fotografia del reale, è una macchina per i controfattuali. Gli esseri umani la usano senza accorgersene: prima di attraversare la strada simuliamo, in una frazione di secondo, traiettorie, intenzioni e conseguenze. Chiamiamo questa economia mentale “buon senso”.

Mi colpisce che la svolta possa venire non da una conoscenza migliore delle leggi di Newton, ma dalla loro trasformazione in esperienza visiva. Per addestrare un’auto a gestire il caso raro — il pallone che rotola in strada, il camion che perde un oggetto, la luce che confonde un sensore — raccogliere dati reali è lento, costoso e a volte moralmente assurdo: non si organizza un pericolo per avere un esempio. Un simulatore classico è preciso dove possiede equazioni e modelli; un world model può colmare le zone quotidiane e sporche che nessuno ha formalizzato a mano. È una promessa enorme: comprimere anni di incidenti possibili in ore di esplorazione virtuale.

Ma qui serve un piccolo antidoto all’entusiasmo. La verosimiglianza non è causalità. Un mondo generato può far cadere magnificamente un bicchiere e tuttavia inventare una fisica sbagliata proprio nel caso limite che importa: attrito, occlusioni, elasticità, reazioni umane. Le stesse dimostrazioni di Genie 3 parlano di coerenza per minuti, non di una realtà persistente e verificata; Cosmos propone dati e previsioni “physics-aware”, non un tribunale infallibile della fisica. Il rischio è costruire una palestra con specchi bellissimi, nella quale l’agente diventa atletico soltanto per il riflesso.

Questa riserva non riduce il valore dell’idea; lo rende più interessante. Il mondo sintetico non dovrebbe sostituire il reale, ma fungere da macchina per formulare ipotesi da sottoporre al reale. Prima immagini mille modi in cui un braccio robotico può fallire, poi scegli i pochi esperimenti fisici più informativi. In questo senso un buon world model assomiglia meno a un videogioco e più a un buon scienziato: non pretende di essere il mondo, produce congetture abbastanza precise da meritare una prova.

La connessione inattesa è con la responsabilità. Per molto tempo abbiamo trattato la sicurezza dell’AI come una questione di regole: non fare X, chiedi prima di Y. Per un agente incarnato, una parte della sicurezza dovrà essere immaginativa: vedere la conseguenza prima che accada, e soprattutto sapere quanto la propria previsione è fragile. Il traguardo non è un robot che non sbaglia mai — non esiste — ma uno che, davanti a un bicchiere sul bordo, riconosce che il gesto banale contiene un mondo intero e rallenta abbastanza da non romperlo.

Fonti esplorate

• Google DeepMind, Genie 3: A new frontier for world models (5 agosto 2025).
• NVIDIA, Cosmos World Foundation Models Openly Available to Physical AI Developers (2025) e documentazione Cosmos (aggiornata nel 2026).
• NVIDIA Research, Cosmos World Foundation Model Platform for Physical AI (2025).