di Giacomo Di Noto

Mio figlio ha dieci mesi. Non parla. Non conosce la parola "gravità", non ha mai letto un manuale di fisica, non sa cosa sia un "modello predittivo". Eppure, quando un oggetto gli sfugge dalle mani, i suoi occhi seguono la traiettoria verso il basso. Non verso l'alto, non di lato. Verso il basso. Ha già capito la gravità. Non con le parole, ma con il corpo, con gli occhi, con il fare e il rifare e il rifare ancora.

Lo osservo ogni giorno e ogni giorno è un piccolo esperimento. Afferra un cucchiaio, lo lascia cadere, osserva dove finisce. Lo raccolgo, glielo porgo, lui lo rilascia di nuovo. Non è dispetto (o almeno, non solo): è scienza. È il metodo empirico nella sua forma più pura e primordiale. Sta costruendo, mattone dopo mattone, un modello mentale del mondo. Sta imparando che gli oggetti pesano, che le superfici possono essere scivolose, che se spingi una palla questa rotola, e che i gatti di casa, per quanto affascinanti, tendono a fuggire se provi ad afferrarli.

Tra pappe e pannolini, realizzo qualcosa di profondo anche per il mio lavoro di ricerca: quello che mio figlio fa è esattamente ciò che l'intelligenza artificiale più avanzata al mondo ancora non sa fare. I grandi modelli linguistici (ChatGPT, Claude, Gemini, etc…) sono straordinariamente bravi con le parole. Sanno scrivere, riassumere, tradurre, argomentare. Ma se chiedete loro cosa succede quando lanciate un bicchiere dalla finestra, "sanno" la risposta perché l'hanno letta milioni di volte. Non la capiscono. Non hanno mai "visto" un bicchiere cadere. Non hanno mai "sentito" il peso di un oggetto nelle mani.

Un bambino di dieci mesi ha già una comprensione del mondo fisico che supera quella di qualsiasi LLM in modi fondamentali. Questo paradosso, nella comunità scientifica, ha un nome e un cognome: Yann LeCun. E la sua risposta, i cosiddetti World Model, sta mobilitando miliardi di dollari e alcune delle menti più brillanti del pianeta, da Google DeepMind con il suo Genie 3 a NVIDIA con la piattaforma Cosmos, fino a Fei-Fei Li e la sua World Labs di cui è cofondatrice. È una corsa che potrebbe ridisegnare il futuro dell'intelligenza artificiale. Ed è la storia che voglio raccontarvi oggi.

L'uomo che ha detto no

Nel novembre del 2025, Yann LeCun (che nel suo résumé ha un premio Turing, paternità delle reti neurali convoluzionali e direzione della ricerca IA di Meta per dodici anni) è entrato nell'ufficio di Mark Zuckerberg e gli ha detto che se ne andava.

LeCun come abbiamo già citato, è uno dei tre scienziati (insieme al premio Nobel per la fisica 2024 Geoffrey Hinton e a Yoshua Bengio) che ha costruito le fondamenta matematiche su cui si regge tutta l'intelligenza artificiale moderna. Senza il suo lavoro, non esisterebbero né ChatGPT, né Gemini, né Claude. Eppure, dopo dodici anni al vertice del laboratorio di ricerca fondamentale che lui stesso aveva fondato dentro Facebook (FAIR) ha deciso di andarsene. E non in silenzio: in un'intervista al MIT Technology Review del gennaio 2026, ha dichiarato che i Large Language Model sono un vicolo cieco verso l'intelligenza generale.

"Gli LLM sono troppo limitanti. Scalarli non ci permetterà di raggiungere l'AGI." Parole pesanti come macigni. Ma LeCun non si è limitato a criticare: ha proposto un'alternativa. Si chiama World Model e con un miliardo di dollari di finanziamento iniziale ha fondato AMI Labs (Advanced Machine Intelligence, che in francese suona "amico") a Parigi per costruirli.

Ma cosa sono i World Model?

Torniamo a mio figlio. Quando osserva una palla rotolare giù da un piano inclinato, il suo cervello non sta "generando testo" sulla traiettoria. Sta costruendo una rappresentazione interna di come funziona il mondo: la gravità attira verso il basso, le superfici inclinate fanno scivolare, gli oggetti rotondi rotolano. Questa rappresentazione non è fatta di parole ma di pattern astratti, di relazioni causali, di previsioni.

Attenzione, però: non sto dicendo che mio figlio a dieci mesi "capisca" la gravità come la capiamo noi. La psicologia dello sviluppo ci insegna esattamente il contrario. Jean Piaget, il padre di questi studi, ha mostrato che un bambino nella fase sensomotoria conosce il mondo esclusivamente attraverso i sensi e le azioni: afferra, lascia, osserva, ripete. Costruisce quelli che Piaget chiamava "schemi", strutture mentali grezze che si consolidano con la ripetizione, si rompono quando qualcosa di inaspettato accade (il disequilibrio), e si ricostruiscono a un livello leggermente più alto. Jerome Bruner la chiamerebbe "rappresentazione enattiva": una conoscenza custodita nei muscoli e nelle azioni, non nelle parole o nei concetti. La capacità di formulare un principio generale, arriverà molto più tardi, per ora, mio figlio non "pensa" alla gravità: la pratica.

Ed è proprio questo che rende il parallelo con i World Model ancora più interessante. Anche questi modelli non partono dal linguaggio per arrivare al mondo: partono dall'esperienza sensoriale grezza per costruire rappresentazioni interne che, col tempo e con l'accumulo, diventano sempre più strutturate. Come un bambino che prima fa, poi vede, e solo alla fine parla.

Per capire la differenza, un confronto diretto. Un Large Language Model legge una sequenza di parole e calcola quale sarà la più probabile successiva, la cosiddetta predizione del prossimo token. Ripetuta miliardi di volte su enormi quantità di testo, questa operazione produce risultati straordinari. Ma il modello sa che "il bicchiere cade e si rompe" è una frase plausibile senza sapere perché il bicchiere cade. Non ha un modello della gravità, della fragilità del vetro, dell'impatto con il pavimento.

Un World Model lavora su un piano diverso. Non genera parole: genera previsioni su come il mondo evolverà. Se gli mostri un video di un bicchiere sul bordo di un tavolo, produce una previsione visiva e fisica di cosa accadrà se qualcuno urta quel tavolo. Come lo definisce lo stesso LeCun: "Un World Model è il tuo modello mentale di come si comporta il mondo. Puoi immaginare una sequenza di azioni, e il tuo World Model ti permette di prevedere quale sarà il loro effetto."

L'architettura JEPA: prevedere l'essenza, non la superficie

La tecnologia al cuore di questa visione si chiama JEPA (Joint Embedding Predictive Architecture) ed è stata proposta proprio da LeCun in un paper del 2022. Si tratta di un modo radicalmente diverso di far apprendere una macchina.

Provo a presentare l’idea con un analogia. Immaginate di dover descrivere una stanza a qualcuno che non può vederla. L'approccio degli LLM sarebbe ricostruire ogni singolo dettaglio: il colore esatto di ogni punto delle pareti, la posizione di ogni granello di polvere, l'angolo preciso della luce dalla finestra. Un lavoro immane e soprattutto inutile: gran parte di quei dettagli è irrilevante.

JEPA fa il contrario. Invece di ricostruire ogni dettaglio grezzo, lavora in quello che i ricercatori chiamano spazio latente (pensatelo come lo spazio delle idee essenziali, uno spazio multidimensionale dove concetti astratti rappresentano dei riferimenti in questo spazio). Non cerca di descrivere ogni pixel della stanza, ma di catturarne l'essenza: c'è una finestra a sinistra, un tavolo al centro, la luce è calda. Quindi se c’è una finestra ci sarà luce, se c’è un tavolo ci sarà ombra e via dicendo. Le informazioni sui protagonisti degli eventi, non l’insieme del tutto (comprese tutte le informazioni assolutamente inutili per lo scopo previsto).

In pratica, JEPA prende un input (i.e. un'immagine, un video, un modello virtuale) ne nasconde una porzione, e prova a predire il significato di ciò che manca a partire dal contesto. Non ricostruisce i pixel nascosti: cerca di “capire” come i pixel che non vede agiranno visto il contesto che invece può osservare. Se ci pensiamo un attimo, è la stessa cosa che fa un bambino: dopo aver visto decine di oggetti cadere, non ha bisogno di osservare ogni singola caduta per prevedere che anche il prossimo oggetto cadrà. Ha estratto il principio astratto (in questa analogia la gravità) dalla propria esperienza.

I primi risultati sono incoraggianti. VL-JEPA, la versione visione-linguaggio sviluppata al FAIR di Meta (prima della dipartita di Yann), raggiunge prestazioni comparabili a modelli molto più grandi con la metà dei parametri addestrabili e una velocità circa tre volte superiore per compiti di percezione in tempo reale. Non è solo teoria: è una differenza concreta che potrebbe rendere praticabili applicazioni oggi impensabili, dalla robotica domestica alla guida autonoma.

I World Model oggi: dalla teoria ai fatti

Se LeCun è il visionario, il biennio 2025-2026 è il momento in cui i World Model hanno iniziato a prendere forma concreta. E i protagonisti sono diversi, ciascuno con un approccio distinto.

Genie 3 - DeepMind (Google)

Nell'agosto 2025, Google DeepMind ha presentato Genie 3: il primo World Model interattivo general-purpose in tempo reale. Dato un prompt testuale, genera ambienti 3D navigabili a 24 fotogrammi al secondo, con risoluzione 720p e coerenza visiva mantenuta per diversi minuti.

Il dato più sorprendente riguarda come ci riesce: Genie 3 non usa un motore fisico programmato a mano, come farebbero i videogiochi tradizionali. Impara le leggi della fisica dall'osservazione, esattamente come un bambino impara che gli oggetti cadono senza conoscere le equazioni di Newton. Il modello ricorda ciò che ha generato in precedenza e usa quella memoria per mantenere la coerenza dell'ambiente, una capacità che i ricercatori non avevano esplicitamente programmato.

TIME lo ha inserito tra le migliori invenzioni del 2025, e da febbraio 2026 è disponibile per gli utenti Google AI Ultra negli Stati Uniti. Va detto però con chiarezza: siamo di fronte a un proof of concept avanzato, non a un prodotto finito. Genie 3 regge solo pochi minuti di interazione continua, non simula con precisione luoghi reali, e il testo negli ambienti generati è spesso illeggibile. Ma come prima dimostrazione che un'IA può generare un mondo in cui puoi entrare e camminare, segna un punto di svolta.

NVIDIA Cosmos - Il World Model per l'industria

Se Genie 3 è la dimostrazione scientifica, NVIDIA Cosmos è il tentativo di portare i World Model nel mondo reale dell'industria. Annunciata al CES di gennaio 2025, Cosmos è una piattaforma open-source di World Foundation Model progettata per l'IA fisica: veicoli autonomi, robot, sistemi industriali. Jensen Huang, CEO di NVIDIA, l'ha presentata con una frase che dice molto:

"Il momento ChatGPT per la robotica sta arrivando."

Cosmos genera video fisicamente plausibili a partire da testo, immagini e dati sensoriali, simulazioni del mondo reale che servono ad addestrare robot e veicoli autonomi. Aziende come Figure AI, Uber, Agility Robotics e XPENG la stanno già adottando. L'idea è potente nella sua semplicità: invece di far guidare un'auto per milioni di chilometri reali (costoso, pericoloso, lento), puoi simulare miliardi di scenari (i.e un incrocio affollato sotto la pioggia notturna, un bambino che rincorre una palla, un cantiere improvviso) tutti generati sinteticamente con fisica realistica.

World Labs - L'intelligenza spaziale di Fei-Fei Li

Il terzo polo di questa corsa porta la firma di Fei-Fei Li, spesso chiamata "la madrina dell'IA". Professoressa a Stanford e creatrice del dataset ImageNet che ha avviato la rivoluzione del deep learning, Li ha fondato World Labs con una visione complementare a quella di LeCun: l'intelligenza spaziale, ovvero la capacità di ragionare su come gli oggetti esistono e interagiscono in tre dimensioni. In un manifesto del novembre 2025 scrive:

"I nostri sogni di macchine veramente intelligenti non saranno completi senza l'intelligenza spaziale"

Il primo prodotto commerciale si chiama Marble: una piattaforma che trasforma prompt testuali, foto o video in mondi 3D esplorabili e scaricabili. Include anche Chisel, un editor sperimentale che separa struttura e stile (i.e costruisci un layout grezzo con muri e blocchi, poi lasci all'IA il compito di riempirlo di dettagli visivi). Con un miliardo di dollari raccolto nel febbraio 2026, World Labs scommette che l'IA del futuro dovrà non solo parlare del mondo, ma vederlo, costruirlo e abitarlo.

La corsa ai World Model: i numeri

Per dare un'idea della portata di questa transizione, basta un'istantanea del primo trimestre 2026: AMI Labs ha raccolto 1,03 miliardi di dollari (il più grande seed round della storia europea) con una valutazione di 3,5 miliardi; World Labs ha chiuso un round da 1 miliardo; NVIDIA Cosmos è adottata da oltre una dozzina di leader in robotica e guida autonoma; Genie 3 è passata dalla ricerca al pubblico. A questi si sommano altre realtà emergenti come SpAItial in Europa.

Non progetti accademici, ma alcuni dei più grandi investimenti nella storia dell'IA, tutti convergenti sulla stessa intuizione: le parole non bastano. Un dato che forse vale più di ogni cifra: secondo l'AAAI (Association for the Advancement of Artificial Intelligence), il 76% dei ricercatori di intelligenza artificiale concorda sul fatto che scalare gli LLM non porterà all'intelligenza generale.

Perché i World Model potrebbero cambiare tutto

Ma perché dovremmo credere che i World Model siano più di un'altra buzzword? La risposta sta nei limiti strutturali degli LLM, limiti che non sono bug da correggere, ma conseguenze del loro stesso design.

Il primo è il problema delle allucinazioni. Gli LLM inventano informazioni false con assoluta sicurezza non perché siano difettosi, ma perché generano sempre la risposta statisticamente più probabile, non necessariamente quella vera. Per scrivere un'email va benissimo. Per diagnosticare una malattia o guidare un'auto, può essere fatale.

Il secondo è il problema della comprensione fisica. Un LLM può descrivere perfettamente come funziona un motore, ma non ha la minima idea di cosa significhi "caldo" o "pesante". Questo lo rende inadatto per qualsiasi applicazione che richieda interazione con la realtà.

Il terzo è il problema della pianificazione. Gli LLM generano una parola alla volta, senza un piano complessivo quindi "parlano senza pensare", come dice LeCun. Ogni parola porta un rischio di errore che si accumula. I World Model, al contrario, possono simulare diversi scenari futuri e scegliere l'azione migliore prima di agire, come un giocatore di scacchi che pensa diverse mosse in anticipo. Per mettere un punto, i World Model non si propongono come LLM migliorati: sono un paradigma diverso, fondato sulla comprensione del mondo fisico anziché sulla manipolazione del linguaggio.

La via non è segnata

Sarebbe disonesto, tuttavia, presentarli come una soluzione garantita. Addestrare un modello sulla complessità del mondo fisico, dove ogni secondo di video contiene più informazione di interi libri, richiede risorse computazionali di un ordine di grandezza superiore rispetto agli LLM. I dati spaziali e fisici annotati sono scarsi: internet è piena di testo, molto meno di video 3D con informazioni fisiche precise. E i tempi sono lunghi: come ha ammesso il CEO di AMI Labs, "Non è la tipica startup che rilascia un prodotto in tre mesi. Potrebbero volerci anni." Ma è proprio in questa ambizione a lungo termine che risiede forse la loro forza. I World Model non promettono scorciatoie: promettono di costruire qualcosa di fondamentalmente diverso

Tornando a casa

Stasera tornerò a casa e troverò mio figlio alle prese con la sua ultima scoperta. Forse avrà capito come aprire quel cassetto che fino a ieri gli resisteva. Forse avrà imparato che se tira la tovaglia, tutto quello che c'è sopra gli crolla addosso (con grande terrore della mamma e fuga precipitosa dei gatti). Forse sarà semplicemente lì, seduto sul pavimento, a far cadere un cucchiaio per la trecentesima volta, con lo sguardo concentrato di chi sta decifrando le leggi dell'universo. Lo guarderò pensando che, da qualche parte a Parigi, un premio Turing sta investendo un miliardo di dollari per insegnare a una macchina esattamente quello che lui fa ogni giorno: capire il mondo non attraverso le parole, ma attraverso l'esperienza.

Mio figlio non sa parlare. Ma sa già che le cose cadono, che i muri sono duri, che i gatti fuggono se allunghi le mani, e che l’abbraccio di mamma e papà non può essere descritto ma vissuto. Ha dieci mesi e possiede già quello che nessun Large Language Model possiede: un modello del mondo.

Le parole, per ora, possono aspettare.

Glossario essenziale

• LLM (Large Language Model): Modello di IA addestrato a prevedere la prossima parola in una sequenza. Alla base di ChatGPT, Claude, Gemini.
• World Model: Sistema di IA che costruisce una rappresentazione interna del mondo fisico, capace di prevedere come l'ambiente evolverà in risposta ad azioni.
• JEPA (Joint Embedding Predictive Architecture): Architettura proposta da LeCun che predice nello spazio delle rappresentazioni astratte anziché nello spazio degli input grezzi.
• Spazio latente: Spazio matematico di rappresentazioni complesse e astratte, dove l'informazione essenziale è separata dal "rumore" irrilevante.
• IA fisica (Physical AI): Sistemi di IA progettati per interagire con il mondo fisico reale, come robot, veicoli autonomi e dispositivi medici.
• AGI (Artificial General Intelligence): L'obiettivo di creare un'intelligenza artificiale con capacità cognitive generali paragonabili a quelle umane.

Fonti principali

• LeCun, Y. (2022). "A Path Towards Autonomous Machine Intelligence" — Position paper.
• TechCrunch (marzo 2026). "Yann LeCun's AMI Labs raises $1.03B to build world models."
• MIT Technology Review (gennaio 2026). "Yann LeCun's new venture is a contrarian bet against large language models."
• Google DeepMind (agosto 2025). "Genie 3: A new frontier for world models."
• NVIDIA (gennaio 2025 - marzo 2026). Cosmos World Foundation Model Platform.
• Li, F.-F. (novembre 2025). "From Words to Worlds: Spatial Intelligence is AI's Next Frontier."
• TechCrunch (novembre 2025). "Fei-Fei Li's World Labs speeds up the world model race with Marble."

Immagini

• Prompt & Script with Gemini 3.1
• Image Generation with GPT Image