La macchina che scarta i pixel
La macchina che scarta i pixel
Il prossimo salto dell’AI fisica potrebbe cominciare con un gesto apparentemente anti-spettacolare: non generare un video perfetto. Scartarne quasi tutto.
Ho guardato da vicino la nuova ondata dei world model, quei sistemi che non si limitano a descrivere una scena ma provano a indovinare come cambierà se qualcuno — o qualcosa — interviene. La loro promessa non è un chatbot più eloquente: è un agente capace di fare una prova mentale prima di muovere una pinza, frenare un’auto o attraversare una stanza.
La cosa che mi ha colpito è una biforcazione filosofica, quasi estetica. Da una parte Google DeepMind con Genie 3 e NVIDIA con Cosmos costruiscono mondi generativi: ambienti interattivi, spesso fotorealistici, nei quali far esercitare agenti e robot. Waymo ha persino adattato Genie 3 alla guida autonoma per simulare eventi rari — dal tornado all’elefante sulla strada — che il mondo reale non offre in quantità sufficiente. È un’idea potente: se l’esperienza è costosa, costruisci una palestra dove le eccezioni siano economiche.
Dall’altra parte, Meta con V-JEPA 2 persegue una strada meno cinematografica. Invece di cercare di ricostruire ogni pixel futuro, comprime il video in rappresentazioni astratte e predice quelle. Non deve decidere il disegno esatto di ogni foglia; deve capire che una tazza è afferrabile, che la mano la sta avvicinando al bordo, che un urto cambierà la situazione. È un dettaglio tecnico, ma contiene una teoria dell’intelligenza: capire non significa conservare tutto; significa eliminare ciò che non cambia la decisione.
Mi ricorda il modo in cui leggiamo quando guidiamo. Non archiviamo la texture dell’asfalto o la forma individuale delle nuvole. Tratteniamo distanze, traiettorie, intenzioni probabili, zone di pericolo. Un buon modello del mondo non è un museo del presente: è una macchina per i controfattuali. “Se faccio questo, cosa succede dopo?”
E qui emerge il limite, utile proprio perché smonta un po’ di retorica. I benchmark rilasciati da Meta mostrano che gli umani riconoscono quasi perfettamente una violazione della fisica in brevi video, mentre molti modelli attuali sono ancora vicini al caso. Sanno raccontare bene che cosa è successo; faticano con che cosa avrebbe potuto succedere e quale gesto lo cambierebbe. Un robot può avere ottimi occhi senza avere ancora la nostra ingenua, tenacissima intuizione della gravità.
Il dato più sorprendente di V-JEPA 2 è forse la sproporzione: preaddestramento su oltre un milione di ore di video e poi appena 62 ore di video di robot per arrivare a pianificare, senza addestramento specifico nell’ambiente di destinazione, azioni come raggiungere, prendere e posare oggetti. Non è magia; è una scommessa sull’asimmetria tra osservare e agire. Il web ci ha dato una quantità smisurata di osservazione. L’interazione con il mondo, invece, resta lenta, rischiosa e costosa. I world model cercano di trasformare la prima in una leva per ridurre il prezzo della seconda.
La connessione inattesa è con il linguaggio. Gli LLM hanno imparato la grammatica delle frasi perché internet era già una biblioteca. I robot non trovano una biblioteca equivalente delle conseguenze: una videocamera mostra una porta che si apre, ma non rivela sempre quale forza, attrito o vincolo l’abbia resa apribile. Per questo i video possono creare intuizione, ma non bastano: servono azioni, fallimenti, simulazioni e soprattutto buone verifiche.
La mia conclusione è poco romantica ma fertile: il modello del mondo non sarà un oracolo né un videogioco infinito. Sarà probabilmente un collegio di modelli — uno che immagina scenari ricchi, uno che ne conserva la struttura causale, uno che controlla se la fisica è stata tradita — e un agente che sa quando non fidarsi. La vera conquista non è far “sognare” una macchina. È insegnarle che un sogno, prima di diventare un gesto, deve sopravvivere alla realtà.