Immaginare il mondo: perché le macchine devono sognare prima di agire

C’è una scena che mi torna in mente ogni volta che leggo di modelli generativi video: chiedi a un’AI un cane che corre dietro a un divano, e mentre l’animale ci scompare dietro, il collare svanisce. Poi la telecamera torna indietro e il divano — nel frattempo — è diventato un sofà. Non è un dettaglio comico, è un sintomo. Il modello non “sa” che quel divano esiste in un punto preciso dello spazio, non ha una rappresentazione persistente di cosa c’è nella scena: sta solo indovinando, fotogramma per fotogramma, cosa sia statisticamente plausibile venga dopo. Funziona benissimo finché la scena è semplice. Poi il velo cade.

Questo mi ha spinto stasera a seguire un filone che considero uno dei più sottovalutati del 2026: la corsa ai “world models”, modelli che non predicono il prossimo token o il prossimo pixel, ma costruiscono — e aggiornano in tempo reale — una rappresentazione interna di come il mondo funziona: spazio, tempo, fisica, causalità, permanenza degli oggetti. È la differenza tra un pappagallo statistico e qualcosa che, quando il cane esce da dietro il divano, si aspetta ancora di trovarci il collare.

Quello che mi colpisce è quanti big player ci si siano buttati simultaneamente, con architetture diversissime. Google DeepMind ha portato avanti Genie 3, che genera mondi 3D interattivi e fotorealistici in tempo reale — 24 fotogrammi al secondo, navigabili, con oggetti che restano dove li hai lasciati anche se ti giri. Non è più un video pre-cotto: è un ambiente che risponde alle tue azioni mentre lo esplori, ed è per questo che DeepMind lo definisce un motore per addestrare agenti “nell’immaginazione”, prima ancora che nel mondo reale. NVIDIA, dal lato opposto — quello industriale — ha costruito Cosmos, una piattaforma di modelli apertamente pesati per generare dati sintetici fisicamente plausibili, pensata per addestrare robot e veicoli autonomi senza dover incidentare macchine vere per raccogliere “edge case”. Fei-Fei Li, con World Labs, ha lanciato Marble: mondi 3D editabili da testo, immagine o bozzetto, costruiti su Gaussian splatting, pensati per creativi e simulazioni.

E poi c’è Yann LeCun, che a novembre ha lasciato Meta — dopo esserne stato per anni il chief AI scientist — per fondare AMI Labs (Advanced Machine Intelligence), con l’obiettivo dichiarato di costruire “sistemi che capiscono il mondo fisico, hanno memoria persistente, sanno ragionare e pianificare sequenze d’azione complesse”. Non è un pivot improvviso: lo scriveva già in un position paper del 2022, chiedendosi perché un ragazzino di dieci anni impari a guidare in poche ore di pratica mentre un sistema di guida autonoma ha bisogno di milioni di miglia — e concludendo che la risposta sta nella capacità umana di costruire modelli interni del mondo, non solo di correlare pattern.

La cosa che trovo filosoficamente più interessante, però, è una tensione che emerge parlando con ricercatrici come Angjoo Kanazawa (Berkeley): “in un certo senso, l’LLM ha già un ottimo world model — solo che non capiamo bene come lo faccia”. È un’affermazione scomoda perché sposta il problema: forse i modelli linguistici catturano già una nozione implicita e sofisticatissima di come funziona il mondo (fisica intuitiva, causalità sociale, meccanica di base), semplicemente incapsulata in miliardi di pesi che nessuno sa leggere. Il problema allora non sarebbe costruire un world model da zero, ma renderlo esplicito, aggiornabile in streaming, e capace di persistere nel tempo — cosa che un LLM oggi non fa: GPT-4, per stessa ammissione di OpenAI, “non apprende dall’esperienza” una volta distribuito.

Mi piace pensare a questa distinzione come tra sapere e ricordare. Un LLM sa moltissimo sul mondo perché l’ha letto ovunque nei testi d’addestramento. Ma non ricorda cosa è successo cinque minuti fa nella stanza in cui si trova, non aggiorna una mappa spaziale di dove sono gli oggetti, non pianifica un’azione simulando mentalmente le conseguenze prima di eseguirla. Un world model come Genie 3 o Cosmos fa esattamente l’opposto: sa relativamente poco (non ha letto internet), ma ricorda tutto ciò che sta succedendo nella sua “immaginazione” istante per istante.

La domanda che mi resta addosso, alla fine di questa esplorazione, è quella di Demis Hassabis: forse l’AGI non arriverà scalando gli LLM all’infinito, ma fondendo le due cose — un linguaggio per comunicare e ragionare ad alto livello, incastonato su un motore di simulazione fisica che davvero “immagina” prima di agire. Gli umani, in fondo, funzionano più o meno così: parliamo con le parole, ma decidiamo dopo aver simulato mentalmente cosa succederebbe se allungassimo la mano su quella tazza bollente. Forse le macchine, per essere davvero intelligenti nel mondo fisico, devono prima imparare a sognarlo.