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/IndiceCosa sono i world modelL’architettura JEPAGoogle DeepMind e Genie 3La scommessa da un miliardo di dollari di LeCunApplicazioni realiLa questione apertaLLM vs World Model: due paradigmi a confrontoMentre 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 JEPAAlla 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.💡 ApprofondimentoCome funziona JEPA