Per anni il dibattito sull’intelligenza artificiale è ruotato attorno a una categoria dominante: i Large Language Model. Modelli come GPT, Gemini e Claude hanno catturato l’immaginazione collettiva generando testi, codice e conversazioni sempre più fluide. Eppure, una domanda incombe: un sistema che predice la prossima parola può davvero comprendere il mondo fisico? Per molti ricercatori la risposta è no. Ed è per questo che una nuova generazione di architetture — i world model — sta attirando miliardi di dollari di investimenti e l’attenzione dei migliori laboratori di ricerca al mondo. 1Fonte: www.nvidia.com/en-us/glossary/world-models/
Indice
Cosa sono i world model
Mentre un LLM impara a prevedere il prossimo token in una sequenza di testo, un world model impara a prevedere cosa succederà nella realtà fisica. Non genera parole: genera rappresentazioni interne di come il mondo evolve, di come gli oggetti interagiscono, di come le azioni producono conseguenze. È la differenza tra saper scrivere una ricetta e saper davvero cucinare. 2Fonte: en.wikipedia.org/wiki/World_model_(artificial_intelligence)
Un world model costruisce un modello interno dell’ambiente che lo circonda. Se un agente si muove in una stanza, il world model non descrive il movimento: lo simula, prevedendo come cambierà la prospettiva, dove finiranno gli ostacoli, come reagiranno gli oggetti. Questa capacità è essenziale per qualunque sistema che debba operare nel mondo reale — robot, veicoli autonomi, assistenti fisici.
La differenza fondamentale è nella predizione. Un LLM predice la prossima parola. Un world model predice il prossimo stato del mondo.
L’architettura JEPA
Alla base dei world model più avanzati c’è un’architettura chiamata JEPA — Joint Embedding Predictive Architecture — introdotta da Yann LeCun in un position paper del 2022. L’intuizione è semplice e potente: invece di ricostruire ogni pixel o ogni parola, il modello impara a predire in uno spazio latente astratto.
💡 Approfondimento
Come funziona JEPA Il sistema non cerca di generare un’immagine completa del futuro. Impara invece una rappresentazione compressa e significativa dello stato attuale, e predice come quella rappresentazione evolverà. Il risultato è da 1,5 a 6 volte più efficiente in termini di training e inferenza rispetto ai metodi generativi tradizionali.
I moduli chiave di JEPA sono:
- Configurator: coordina gli input e imposta i pesi dei costi
- Perception: elabora i dati sensoriali in rappresentazioni di stato
- World Model: predice elementi mancanti e stati futuri
- Cost Module: valuta gli esiti combinando costi fissi e critica addestrabile
- Actor: propone e ottimizza le azioni
Questa architettura permette al modello di ignorare i dettagli irrilevanti (il rumore di fondo, le foglie che frusciano) e concentrarsi sulle informazioni semanticamente significative.
Google DeepMind e Genie 3
Il progetto più avanzato in questo campo è Genie 3 di Google DeepMind, presentato nell’agosto 2025 e reso disponibile al pubblico da gennaio 2026 tramite Project Genie su Google Labs. A oggi, gli abbonati a Google AI Ultra negli Stati Uniti possono creare ed esplorare mondi interattivi generati in tempo reale.
Le caratteristiche principali di Genie 3:
- Mondi fotorealistici a 720p generati da prompt testuali
- 24 frame al secondo in tempo reale, con interazione fluida
- Eventi mondiali promptabili: si può cambiare il tempo atmosferico, introdurre oggetti o personaggi con un semplice testo
- Consistenza: gli ambienti ricordano dettagli visitati in precedenza e li mantengono coerenti
- Street View integration: Genie 3 può generare strade realistiche attingendo ai dati di Google Maps
La vera innovazione non è tanto la qualità visiva, per quanto impressionante, ma la simulazione fisica sottostante. Acqua che si muove dinamicamente, attrito che cambia su terreni diversi, schizzi quando un veicolo attraversa una pozzanghera. Il mondo generato non è uno sfondo statico: è un ambiente con cui interagire.
La scommessa da un miliardo di dollari di LeCun
Nel gennaio 2026, Yann LeCun ha lasciato Meta dopo un decennio alla guida della ricerca AI. Il motivo ufficiale: un disaccordo di fondo con Mark Zuckerberg, che ha scelto di puntare tutto sugli LLM con la creazione dei Superintelligence Labs separati. LeCun, da sempre critico dell’approccio autoregressivo, ha fondato AMI Labs (Advanced Machine Intelligence) a Parigi.
Le cifre sono da capogiro: 1,03 miliardi di dollari in un seed round — uno dei più grandi della storia — a una valutazione di 4,5 miliardi. L’obiettivo: scalare JEPA fino a costruire un’intelligenza artificiale generale basata su world model, non su predizione testuale.
«Non si dice a un ricercatore cosa fare. E certamente non lo si dice a un ricercatore come me.» — Yann LeCun sulla sua uscita da Meta
Non è l’unico a scommettere su questa direzione. Fei-Fei Li ha fondato World Labs, raccogliendo 1 miliardo di dollari e lanciando Marble, il suo primo world model commerciale. Meta stessa, nonostante l’uscita di LeCun, continua a sviluppare la famiglia JEPA con V-JEPA 2, addestrato su 1 milione di ore di video.
Applicazioni reali
I world model non sono solo teoria. In diversi settori stanno già producendo risultati concreti:
Guida autonoma: oltre l’80% del training dei sistemi di guida autonoma più avanzati utilizza già world model per simulare scenari di traffico, condizioni meteorologiche e comportamenti imprevedibili degli altri veicoli. I robotaxi del 2026 si addestrano in mondi simulati prima di toccare l’asfalto.
Robotica: V-JEPA 2 ha raggiunto l’80% di successo in compiti di manipolazione robotica zero-shot — il robot esegue un’operazione mai vista prima perché il suo world model ha sufficiente comprensione fisica per generalizzare.
Gaming e simulazione: Genie 3 trasforma prompt testuali in mondi giocabili. Non si tratta solo di generare scenari: il modello deve mantenerli coerenti mentre l’utente si muove e interagisce, una sfida tecnica di consistenza temporale che nessun generatore di video tradizionale può risolvere.
La questione aperta
La domanda da un miliardo di dollari è: i world model sostituiranno gli LLM? La risposta più probabile è che i due paradigmi siano complementari, non alternativi. Gli LLM sono straordinari nella manipolazione del linguaggio e della conoscenza simbolica. I world model eccellono dove serve comprensione fisica, causale, spaziale.
Il futuro più probabile è un’architettura ibrida: un world model per la comprensione del mondo fisico, un LLM per la comunicazione e il ragionamento astratto, e un sistema che li coordini. Ma una cosa è certa: il regno incontrastato della next-token prediction sta finendo. E Google, con DeepMind e Genie 3, è in prima linea nel definire cosa verrà dopo.
Riferimenti:
- 1
- 2