World Models: il primo passo verso una mente artificiale?

Nel 1854, il matematico George Boole pubblicò An Investigation of the Laws of Thought, il libro in cui dimostrava che il ragionamento logico poteva essere ridotto a operazioni algebriche su simboli. Novant’anni dopo, Claude Shannon usò quella stessa algebra per progettare i circuiti elettronici dei calcolatori. Cent’anni dopo Boole, quegli stessi calcolatori imparavano a generare testo. Oggi, a settant’anni di distanza da Shannon, stiamo assistendo a qualcosa di diverso: i sistemi di intelligenza artificiale non si limitano più a manipolare simboli o a predire sequenze di parole, ma cominciano a costruire rappresentazioni interne di come funziona il mondo fisico e a usarle per anticipare ciò che accadrà. È un passaggio che ha la stessa portata concettuale dei precedenti, e come tutti i passaggi di quella portata, è più facile da nominare che da comprendere davvero.

La differenza tra descrivere il mondo e simularlo

I modelli linguistici di larga scala operano su una logica probabilistica: generano testo coerente e contestualmente plausibile perché hanno appreso le distribuzioni statistiche del linguaggio umano su scale enormi. Questa capacità è straordinaria, ma ha un limite strutturale che Yann LeCun, nel suo paper A Path Towards Autonomous Machine Intelligence del 2022, ha articolato con precisione: un sistema addestrato a predire la parola successiva non costruisce una rappresentazione del mondo, costruisce una rappresentazione del linguaggio sul mondo. Sa che dopo “la pietra cade” viene spesso “sul pavimento”, non perché abbia un modello della gravità, ma perché ha letto quella sequenza milioni di volte.

I world models mirano a qualcosa di qualitativamente diverso: costruire rappresentazioni interne dei sistemi fisici, simulare relazioni causali, prevedere l’evoluzione di stati futuri sulla base di azioni e condizioni iniziali. Non si limitano a descrivere il mondo, tentano di riprodurne il funzionamento. L’architettura JEPA, sviluppata da Meta AI proprio a partire dal lavoro di LeCun, impara a prevedere non i pixel mancanti di un’immagine o i token mancanti di un testo, ma le rappresentazioni astratte di quello che dovrebbe esserci: impara le regole, non i dettagli. È una differenza sottile da spiegare e radicale nelle conseguenze.

Dove la simulazione cambia le decisioni

Le implicazioni pratiche di questa transizione sono già visibili in diversi settori. Nei sistemi energetici, modelli capaci di simulare domanda e offerta in tempo reale vengono utilizzati per ottimizzare la distribuzione e prevenire criticità prima che si manifestino. Nella logistica, la simulazione di scenari consente di anticipare colli di bottiglia e ridefinire le catene di approvvigionamento in modo dinamico. Nei sistemi di mobilità autonoma, l’evoluzione dei modelli di guida si basa sempre più sulla capacità di costruire una rappresentazione coerente dell’ambiente circostante e di prevedere il comportamento degli altri agenti. In tutti questi casi l’elemento chiave non è la generazione di testo, ma la capacità di costruire una rappresentazione operativa del contesto e agire su di essa.

Questo spostamento cambia anche la struttura dei processi decisionali nelle organizzazioni. Un sistema AI che genera contenuti è uno strumento a valle: lo si interroga, produce un output, qualcuno decide cosa farne. Un sistema che simula scenari e suggerisce azioni è una componente a monte: partecipa alla definizione delle opzioni disponibili prima che la decisione venga presa. È una differenza che non riguarda solo la tecnologia, ma la distribuzione delle responsabilità e l’architettura del pensiero organizzativo.

Simulare il mondo non significa comprenderlo

C’è una tentazione ricorrente nel dibattito sui world models: quella di confondere la capacità di simulazione con una forma di comprensione. È una tentazione comprensibile, perché un sistema che prevede correttamente le conseguenze di un’azione sembra, dall’esterno, capire come funziona il mondo. Ma la comprensione, nel senso in cui la intende un essere umano, porta con sé qualcosa che nessun modello possiede: l’esperienza vissuta, l’intenzionalità, la capacità di attribuire significato a partire da una posizione nel mondo. I world models simulano il mondo, ma non lo abitano. E questa distinzione, apparentemente sottile, è in realtà il confine che separa uno strumento potente da un agente autonomo.

Il rischio principale non è quindi quello di un utilizzo improprio della tecnologia, ma quello di una sua comprensione superficiale. Delegare decisioni critiche a un sistema di simulazione senza presidio umano qualificato non è efficienza: è abdicazione. Al contrario, integrare questi sistemi con la consapevolezza di cosa sanno fare e di cosa non possono fare consente di estrarne il valore reale, che è considerevole: esplorare scenari che nessuna mente umana potrebbe costruire in tempi utili, testare ipotesi a costo marginale quasi nullo, supportare decisioni complesse con una quantità di informazione strutturata che sarebbe altrimenti inaccessibile.

Il quadro normativo e la questione della fiducia

Il Regolamento (UE) 2024/1689, l’AI Act entrato in vigore nell’agosto 2024, affronta esplicitamente il tema dei sistemi AI ad alto rischio: quelli che operano in settori come la gestione delle infrastrutture critiche, i trasporti, la sanità, la finanza. Per questi sistemi il regolamento richiede trasparenza, tracciabilità, documentazione tecnica e supervisione umana effettiva. È precisamente la categoria in cui cadono le applicazioni più avanzate dei world models. La fiducia in questi sistemi non può essere cieca: deve essere costruita attraverso processi di validazione, monitoraggio continuativo e meccanismi di responsabilizzazione che rendano possibile, in ogni momento, capire perché il sistema ha suggerito quella cosa e non un’altra.

Per le organizzazioni questo si traduce in una necessità concreta: investire non solo nella tecnologia, ma nelle competenze e nelle strutture di governance che consentono di utilizzarla responsabilmente. Le funzioni dedicate alla validazione dei modelli, alla gestione del rischio algoritmico e all’interpretazione degli output non sono un overhead burocratico imposto dalla norma: sono la condizione perché i world models producano valore invece di produrre danni ben documentati e difficilmente reversibili.

Un cambio di paradigma, non un aggiornamento di strumenti

Il passaggio dagli LLM ai world models è spesso presentato come un avanzamento tecnologico, il passo successivo in una progressione lineare. È invece un cambio di paradigma nel senso preciso del termine: cambia il tipo di domande che i sistemi sono progettati per rispondere, cambia il rapporto tra AI e processi decisionali, cambiano le competenze necessarie per integrarli e le responsabilità che ne derivano. Le imprese e le istituzioni che tratteranno questo passaggio come un aggiornamento di strumenti rischiano di applicare i criteri sbagliati alle domande sbagliate.

Boole non sapeva che stava scrivendo il fondamento teorico dei calcolatori. Shannon non sapeva che stava costruendo l’infrastruttura di internet. Chi lavora oggi sui world models sa invece, con una chiarezza insolita nella storia della tecnologia, dove sta andando. La domanda che rimane aperta non è tecnica: è se le organizzazioni che utilizzeranno questi sistemi sapranno sviluppare la stessa chiarezza. Perché in un contesto in cui l’AI contribuisce a definire le condizioni delle decisioni, la differenza non sarà tra chi adotta o meno queste tecnologie, ma tra chi è in grado di governarle e chi ne subisce gli effetti senza capire da dove vengono.

© Riproduzione riservata

Redazione