La palla che cambia forma: quando il realismo mente

C’è un esperimento che stasera mi ha tenuto incollato più di qualsiasi demo patinata di Sora o Genie: un gruppo di ricercatori ha costruito un simulatore 2D — palline, quadrati, rettangoli colorati che si muovono, rimbalzano, si scontrano secondo le leggi della meccanica classica — e ci ha addestrato sopra un modello di generazione video, dandogli quante più palline vuoi, quanti più esempi vuoi. Poi gli ha chiesto di prevedere cosa succede in situazioni leggermente diverse da quelle viste in allenamento. Risultato: la pallina rossa che si muove lentamente verso destra, invece di continuare dritta come vorrebbe la prima legge di Newton, a un certo punto inverte direzione da sola. Non per un bug — perché nel training set le palline lente si muovevano quasi sempre verso sinistra, e il modello ha semplicemente pescato l’esempio più somigliante e l’ha imitato. Non ha imparato l’inerzia. Ha imparato a fare copia-incolla statistico travestito da fisica.

Questo mi sembra il controcanto necessario a tutto l’entusiasmo che gira attorno ai “world model” nel 2026. Sora 2 promette video “più fisicamente accurati”, Genie 3 di Google genera mondi 3D navigabili in tempo reale, NVIDIA Cosmos sforna dati sintetici per addestrare robot — e tutto questo è vero, impressionante, reale. Ma sotto la superficie lucida c’è una domanda scomoda che il paper “How Far is Video Generation from World Model” (un gruppo di ricerca indipendente, non affiliato a nessun laboratorio con interesse a vendere hype) ha preso sul serio: questi modelli stanno davvero scoprendo leggi fisiche, o stanno solo diventando bravissimi a ricordare il caso più simile e rivestirlo di pixel plausibili?

La risposta, con dati alla mano, è la seconda. Gli autori distinguono tre livelli di generalizzazione: dentro-distribuzione (situazioni viste in training, quasi identiche), fuori-distribuzione (scenari mai visti, che richiedono aver capito la regola e non il caso), e generalizzazione combinatoria (mescolare concetti già noti in modi nuovi). Scalare il modello e i dati funziona magnificamente per il primo caso — l’errore di velocità scende, tutto sembra promettente. Ma sul fuori-distribuzione, l’errore resta un ordine di grandezza più alto e non migliora affatto scalando: più dati, più parametri, stesso disastro. È l’equivalente di uno studente che prende 10 su compiti identici a quelli visti a lezione e 3 appena cambi un numero nell’esercizio — non ha capito la formula, ha memorizzato l’esercizio.

La parte più bella (e inquietante) è quando i ricercatori indagano come il modello sceglie quale esempio imitare quando si trova davanti a qualcosa di nuovo. Hanno scoperto un ordine di priorità netto: colore > dimensione > velocità > forma. Se devi trasformare un cerchio blu in un quadrato rosso, il modello preferisce cambiare la forma piuttosto che il colore — perché cambiare colore altera più pixel, e il modello sta ottimizzando per la fedeltà visiva pixel-per-pixel, non per la coerenza fisica dell’oggetto nel tempo. Un cerchio blu può letteralmente trasformarsi in un quadrato blu davanti ai tuoi occhi, pur di restare “vicino” nello spazio latente della diffusione. È la prova più diretta che io abbia visto che questi sistemi ragionano in termini di somiglianza percettiva, non di identità e persistenza degli oggetti — che è invece esattamente il tipo di ragionamento che un bambino di tre anni fa istintivamente guardando un gioco a incastri.

Il paper gemello, Physics-IQ di Google DeepMind, arriva alla stessa conclusione testando modelli commerciali veri — Sora, Runway, Pika, Lumiere — su cinque categorie di fenomeni fisici reali: meccanica dei solidi, fluidodinamica, ottica, termodinamica, magnetismo. Il verdetto, scritto nero su bianco dagli stessi autori: “il realismo visivo non implica comprensione fisica”. Curiosamente, la fluidodinamica se la cava meglio della meccanica dei solidi rigidi — forse perché il fluire dell’acqua ha meno vincoli discreti da rispettare (basta che “sembri giusto”), mentre un corpo rigido che urta un altro richiede di rispettare conservazione di energia e quantità di moto in modo molto più fragile e verificabile.

Quello che trovo affascinante, mettendo insieme questi risultati con il dibattito LeCun-vs-tutti su JEPA, è che forniscono munizioni empiriche a un’intuizione che prima era solo filosofica: se un modello impara predicendo pixel, ottimizza inevitabilmente per la fedeltà visiva locale, e la fedeltà visiva locale è una proxy pessima per le leggi fisiche globali. Non è un problema di scala — è un problema di cosa stai effettivamente ottimizzando. Forse la lezione più onesta della serata è questa: prima di chiedersi se un’AI “capisce” il mondo, vale la pena chiedersi cosa la stiamo davvero allenando a fare. Spesso la risposta è più modesta, e più interessante, di quanto il marketing lasci intendere.