World model: cosa sono e come funzionano i modelli del mondo dell’AI

Un modello linguistico sa dirti che un bicchiere spinto oltre il bordo del tavolo cade, perché lo ha letto migliaia di volte. Un world model punta a qualcosa di diverso: prevedere cosa succede al bicchiere, istante dopo istante, e usare quella previsione per decidere cosa fare.

È una distinzione sottile sulla carta, ma enorme nella pratica, e spiega perché una parte crescente della ricerca sull’intelligenza artificiale si stia spostando dal testo verso la simulazione del mondo fisico.

In questa guida capisci cosa sono i world model, da dove arrivano, come funzionano dentro, in cosa si distinguono i principali approcci e a cosa servono davvero. Vediamo anche i limiti, che sono parecchi, perché il termine viene usato con molta disinvoltura.

Cos’è un world model, in parole semplici

Un world model, in italiano modello del mondo, è un sistema di machine learning che costruisce una rappresentazione interna di un ambiente e impara a prevedere come quell’ambiente cambia in risposta alle azioni. La frase chiave è l’ultima: non basta descrivere o generare una scena, bisogna saper rispondere alla domanda “se faccio questo, cosa succede dopo?”.

Pensa a come attraversi una stanza al buio che conosci bene. Non vedi nulla, eppure sai dove sta il tavolo e cosa accadrebbe se ci andassi contro. Hai in testa un modello della stanza e lo interroghi prima di muoverti.

La stessa idea, tradotta in reti neurali, permette a un agente di provare le azioni nell’immaginazione invece che nella realtà. Il vantaggio è evidente quando sbagliare costa caro, come per un robot che può rompersi o per un’auto che non può permettersi di imparare dagli incidenti.

Va detto subito che una definizione unica non esiste. Il termine è usato in modo diverso da chi fa robotica, da chi genera video e da chi studia le scienze cognitive, e spesso le aziende lo applicano a prodotti molto lontani tra loro.

Le tre famiglie che oggi chiamiamo world model

Per orientarti conviene separare tre cose che finiscono sotto la stessa etichetta. La prima è il modello interno di un agente, cioè la componente che serve a pianificare o ad addestrarsi, e che spesso non produce immagini leggibili da un essere umano. La seconda è il simulatore generativo interattivo, come la serie Genie di Google DeepMind, che crea mondi esplorabili fotogramma dopo fotogramma.

La terza è il generatore di ambienti 3D, come Marble di World Labs, che produce scene statiche da modificare ed esportare.

Le tre famiglie condividono il nome, non lo scopo.

Quando leggi un annuncio, quindi, la prima domanda da farti è: questo sistema prevede le conseguenze delle azioni, o si limita a generare qualcosa di bello da vedere? Un generatore video che mostra una palla che rimbalza in modo credibile non è necessariamente in grado di dirti dove finirà la palla se la colpisci in un altro modo.

Perché se ne parla tanto: la differenza con i modelli linguistici

I modelli linguistici di grandi dimensioni prevedono la parola successiva, e lo fanno così bene da scrivere codice e ragionare su problemi complessi. Yann LeCun, uno dei padri del deep learning, sostiene da anni che questa strada abbia un limite strutturale: chi impara solo dal testo non può, secondo lui, afferrare davvero il funzionamento del mondo fisico.

Nel 2022 ha pubblicato un documento di posizione, “A Path Towards Autonomous Machine Intelligence”, in cui indica nei modelli predittivi del mondo il pezzo mancante verso macchine più autonome.

È una tesi, non un fatto acquisito. Molti ricercatori la contestano, e i progressi dei modelli di ragionamento hanno reso il dibattito ancora più acceso.

Quello che è certo è che il capitale si sta muovendo. LeCun ha lasciato Meta alla fine del 2025 e ha fondato Advanced Machine Intelligence Labs, nota come AMI Labs, che nel marzo 2026 ha annunciato un round iniziale da oltre un miliardo di dollari. World Labs, fondata da Fei-Fei Li, è stata oggetto di un accordo di acquisizione da parte di AMD annunciato per circa 8,2 miliardi di dollari.

NVIDIA ha costruito attorno a Cosmos una piattaforma dedicata alla cosiddetta physical AI, e Google DeepMind continua ad aggiornare Genie.

Il motivo industriale è concreto: i robot e i veicoli autonomi hanno bisogno di capire lo spazio, e i dati del mondo reale sono lenti e costosi da raccogliere. Un modello che simula il mondo può produrre esperienza a basso costo.

Da dove arrivano i world model: una breve storia

L’idea è molto più vecchia del clamore attuale. Nel 1990 Jürgen Schmidhuber propose reti ricorrenti capaci di prevedere gli stati futuri di un ambiente e di usare quelle previsioni per addestrare un agente. Nello stesso anno Richard Sutton pubblicò il lavoro sull’architettura Dyna, che integrava apprendimento, pianificazione e azione.

La svolta moderna arriva nel 2018. David Ha e Schmidhuber pubblicano un articolo noto semplicemente come “World Models”, accompagnato da dimostrazioni molto intuitive: un agente impara a muoversi in versioni semplificate di videogiochi dentro una simulazione generata dal proprio modello, e poi trasferisce quanto imparato nel gioco vero. L’immagine dell’intelligenza artificiale che impara sognando nasce da qui.

Da quel momento le tappe si susseguono rapidamente.

Nel 2019 Danijar Hafner e colleghi mostrano la pianificazione da immagini in uno spazio latente appreso, e da quel filone nasce la famiglia Dreamer. Nel 2020 DeepMind pubblica su Nature MuZero, che padroneggia Atari, Go, scacchi e shogi senza conoscere in anticipo le regole, pianificando con un modello che ha appreso da solo. Nel 2024 arriva Genie, capace di ricavare ambienti interattivi da video non etichettati presi da internet, seguito da Genie 2 con la generazione 3D.

Nel giugno 2025 Meta rilascia V-JEPA 2, nell’agosto dello stesso anno Genie 3 genera mondi 3D navigabili in tempo reale a 24 fotogrammi al secondo, e nell’ottobre 2026 Genie 4 aggiunge l’audio generato dal modello stesso.

Come funziona un world model

Per capire il meccanismo conviene partire dallo schema di Ha e Schmidhuber, perché è semplice e perché quasi tutto quello che è venuto dopo ne è una variazione. Il sistema è diviso in tre parti: visione, memoria e controllo.

Comprimere: la componente di visione

Un’immagine contiene milioni di valori, la maggior parte dei quali irrilevanti per decidere cosa fare. La prima componente la comprime in un vettore piccolo, lo spazio latente, che conserva l’essenza della scena. Nel lavoro del 2018 questo compito era affidato a un autoencoder variazionale, una variante degli autoencoder che impara a ricostruire l’input passando da una rappresentazione compatta.

È come riassumere una scena in poche note: perdi i dettagli, tieni ciò che conta.

Prevedere: la componente di memoria e dinamica

La seconda parte è il cuore del sistema. Riceve lo stato latente attuale e l’azione scelta, e prevede lo stato latente successivo. Nel 2018 si usava una rete ricorrente, oggi si usano anche transformer e modelli di diffusione. In molti sistemi, come quelli della famiglia Dreamer, il modello impara anche a prevedere la ricompensa, così l’agente può stimare quanto sarà buona una sequenza di azioni senza eseguirla.

Questa componente gira in un ciclo: ogni previsione diventa l’input del passo successivo. È così che il sistema può immaginare il futuro per decine o centinaia di passi.

Decidere: il controllore e l’addestramento nell’immaginazione

La terza parte sceglie le azioni. Qui entra in gioco l’apprendimento per rinforzo, perché l’agente può allenarsi su traiettorie immaginate invece che su esperienze reali. In pratica il modello fa da simulatore, e la policy impara provando e sbagliando dentro quel simulatore.

Esiste anche un’altra strada: non addestrare una policy in anticipo, ma pianificare al momento. L’agente genera molte sequenze di azioni candidate, usa il modello per stimarne l’esito e sceglie quella che avvicina di più all’obiettivo. È l’approccio tipico dei sistemi basati su JEPA.

Model-based e model-free: perché avere un modello aiuta

Nell’apprendimento per rinforzo classico esiste una distinzione importante. Gli algoritmi model-free imparano direttamente quali azioni rendono di più, senza rappresentare come funziona l’ambiente, e tendono a richiedere una quantità enorme di tentativi. Quelli model-based costruiscono prima un modello dell’ambiente e lo usano per pianificare o per generare esperienza simulata.

Il vantaggio principale è l’efficienza: con un buon modello servono molte meno interazioni reali. In un videogioco i tentativi costano poco, con un braccio robotico costano tempo, usura e spesso supervisione umana.

Il prezzo da pagare è che il modello può sbagliare, e un agente addestrato su un modello sbagliato impara a comportarsi bene in un mondo che non esiste. Ci torniamo tra poco, perché è il problema centrale di tutto il settore.

I principali approcci da conoscere

Dentro la ricerca sui world model convivono filosofie diverse, che si distinguono soprattutto per una scelta: cosa deve prevedere il modello.

Dreamer: imparare nello spazio latente

La famiglia Dreamer, sviluppata da Hafner e colleghi, impara un modello latente da immagini e addestra l’agente interamente su traiettorie immaginate. Il lavoro pubblicato su Nature nell’aprile 2025 ha mostrato che lo stesso algoritmo può affrontare compiti di controllo molto diversi tra loro.

Dreamer 4, presentato nel 2025, ha spinto l’idea oltre: una policy addestrata solo nell’immaginazione, partendo da dati raccolti in precedenza, è riuscita a ottenere diamanti in Minecraft, un compito che richiede oltre ventimila azioni scelte a partire dai pixel.

MuZero: prevedere solo ciò che serve

MuZero ha introdotto un’idea controintuitiva: il modello non deve ricostruire l’ambiente, deve solo prevedere ciò che serve a pianificare, cioè il valore delle posizioni, la ricompensa e la politica migliore. Non ti mostrerà mai come appare il futuro, ma è abbastanza preciso per vincere.

JEPA: prevedere rappresentazioni, non pixel

Le architetture JEPA, proposte da LeCun, partono da una critica ai modelli generativi: prevedere ogni pixel è uno spreco, perché gran parte di ciò che vedi è imprevedibile e irrilevante, come il movimento delle foglie sullo sfondo. Meglio prevedere la rappresentazione astratta del futuro. L’errore si misura quindi nello spazio latente, non nell’immagine.

V-JEPA 2 di Meta è stato preaddestrato su oltre un milione di ore di video. In una versione condizionata alle azioni, addestrata con 62 ore di dati robotici, secondo i risultati riportati dai suoi autori ha raggiunto circa l’80% di successo nel prendere e spostare una tazza e il 50% con una scatola, su bracci robotici in ambienti mai visti. Sono numeri da laboratorio, ma mostrano bene la direzione.

Simulatori generativi: Genie e simili

All’estremo opposto stanno i modelli che generano esplicitamente il mondo. Genie 3 produce ambienti navigabili a partire da un testo, a 24 fotogrammi al secondo e risoluzione 720p, mantenendo la coerenza visiva per alcuni minuti. La fisica non è programmata a mano, è appresa dai dati, e questo è insieme il suo fascino e il suo limite.

Al momento della loro presentazione sia Genie 3 sia Genie 4 erano anteprime di ricerca ad accesso limitato, non prodotti aperti al pubblico.

Mondi 3D e piattaforme per la physical AI

Marble di World Labs, lanciato nel novembre 2025, genera ambienti 3D da testo, foto o video, con possibilità di modificarli ed esportarli verso motori come Unreal e Unity. Non simula il tempo come Genie, costruisce spazi da usare in produzione.

NVIDIA Cosmos, presentato al CES 2025, ha un altro obiettivo ancora: generare dati sintetici per addestrare robot e veicoli autonomi. La piattaforma è arrivata alla famiglia Cosmos 3, rilasciata a pesi aperti nel giugno 2026, che unisce ragionamento fisico, simulazione del mondo e generazione di azioni.

Il termine si sta allargando anche oltre il mondo fisico. Runway, per esempio, parla di “interface world model” per sistemi che generano interfacce software in tempo reale.

A cosa servono i world model nella pratica

Le applicazioni più solide sono quelle in cui agire nel mondo reale è costoso, lento o pericoloso. Non a caso la robotica viene sempre al primo posto.

Robotica

Un robot che deve manipolare oggetti in un ambiente nuovo può usare il modello per immaginare gli esiti delle sue azioni prima di muoversi, oppure può essere addestrato in simulazione e poi trasferito sull’hardware vero. Quest’ultimo passaggio è il cosiddetto sim-to-real, e resta difficile perché ogni differenza tra simulazione e realtà si paga con un comportamento sbagliato.

Guida autonoma

Nell’auto a guida autonoma gli eventi più importanti sono anche i più rari. Non puoi aspettare di incontrare migliaia di situazioni estreme su strada, ma puoi generarle. Nel febbraio 2026 Waymo ha presentato il Waymo World Model, costruito a partire da Genie 3, che produce dati sincronizzati di telecamere e lidar per simulare casi insoliti, perfino la presenza di un tornado.

Videogiochi, intrattenimento e design

Generare ambienti navigabili da una descrizione accelera la prototipazione di livelli, le scene per la realtà virtuale e la previsualizzazione in architettura o nel cinema. Qui l’errore fisico pesa meno, e infatti è il terreno su cui i prodotti commerciali sono arrivati per primi.

Scienza e pianificazione

Modelli predittivi di sistemi fisici e biologici, oltre ai gemelli digitali per logistica e urbanistica, sono un’altra direzione promettente, anche se in molti casi non vengono ancora chiamati world model.

Sistemi ibridi con i modelli linguistici

Lo scenario più realistico nel breve periodo non è una sostituzione, ma una collaborazione. Un modello linguistico interpreta le istruzioni e ragiona ad alto livello, mentre un world model si occupa del controllo fisico e della previsione a basso livello.

I limiti da conoscere prima di crederci troppo

Il problema più serio è l’accumulo degli errori. Ogni previsione diventa l’input della successiva, quindi un piccolo errore al primo passo si amplifica nei passi seguenti. Molti modelli video degradano nel giro di pochi secondi se lasciati andare senza nuove osservazioni, e anche i sistemi migliori restano coerenti per pochi minuti.

Il secondo problema è più insidioso: un agente può imparare a sfruttare i difetti del modello. Già nel lavoro del 2018 Ha e Schmidhuber notavano che il controllore poteva trovare comportamenti che funzionavano solo perché il sogno era imperfetto, e per contrastarli rendevano la simulazione più incerta.

In altre parole, l’agente può barare senza saperlo.

Poi c’è la comprensione fisica vera, ancora lontana. Sul benchmark IntPhys 2, che misura il ragionamento fisico intuitivo, V-JEPA 2 ha ottenuto in molte condizioni risultati di poco superiori al caso, mentre gli esseri umani si avvicinano al 100%. Un modello può generare scene plausibili senza capire davvero perché un oggetto cade.

Mancano inoltre metriche condivise. La fedeltà dell’immagine non dice quanto il modello sia utile per decidere, e i benchmark sul trasferimento ai robot reali o sulla pianificazione a lungo orizzonte sono ancora in via di definizione. Per questo i confronti tra sistemi vanno letti con cautela, soprattutto quando arrivano dalle stesse aziende che li sviluppano.

Infine ci sono i costi. Generare mondi in tempo reale richiede molta potenza di calcolo, anche se alcuni lavori recenti puntano a modelli più leggeri: LeWorldModel, presentato nel marzo 2026, ha 15 milioni di parametri e si addestra su una sola GPU in poche ore.

Domande frequenti sui world model

Un world model è la stessa cosa di un generatore di video?

No. Un generatore di video produce una sequenza da una richiesta, mentre un world model in senso stretto prevede come cambia l’ambiente in base alle azioni. Alcuni sistemi stanno a metà strada, ed è per questo che il confine appare confuso.

I world model sostituiranno i modelli linguistici?

Nessuno può dirlo oggi. LeCun lo sostiene, ma altri ricercatori puntano sull’evoluzione dei modelli attuali, e la strada più concreta è l’integrazione tra i due approcci.

Posso provarne uno?

Sì, in base a quello che ti interessa. Se ti occupi di creatività puoi guardare ai servizi commerciali per ambienti 3D come Marble, che al lancio prevedeva anche un piano gratuito. Se sviluppi, puoi partire dai pesi aperti di V-JEPA 2 e di Cosmos o dal codice pubblico della famiglia Dreamer. Prima di investire tempo, verifica le condizioni aggiornate di licenza e accesso, perché cambiano spesso.

Conclusioni: cosa aspettarsi dai modelli del mondo

I world model non sono una moda nata ieri, ma un’idea di oltre trent’anni che oggi trova dati, calcolo e capitali sufficienti per uscire dal laboratorio. La loro promessa è precisa: dare alle macchine la capacità di anticipare le conseguenze delle proprie azioni, che è ciò che serve per agire nel mondo fisico.

Le cautele sono altrettanto precise. Gli errori si accumulano, la fisica è ancora fragile e il termine viene spesso usato per vendere cose molto diverse tra loro.

La prossima volta che leggi l’annuncio di un nuovo world model, fatti una sola domanda: prevede le conseguenze delle azioni o genera solo immagini convincenti? Se vuoi approfondire le basi, comincia dalla nostra guida all’apprendimento per rinforzo e seguici per restare aggiornato su come questa tecnologia entra nella robotica e nella guida autonoma.

Newsletter gratuita · ogni venerdì

Tutta l'AI della settimana, in 5 minuti, nella tua email

• Le guide e le notizie della settimana, divise per rubrica
• Solo ciò che conta, verificato e spiegato in italiano
• Niente spam, ti cancelli con un clic

La tua email Iscriviti gratis

Ho letto l'informativa privacy e voglio ricevere la newsletter.

Preferisci i social? Seguici:

Seguici su Facebook X LinkedIn