Negli ultimi anni, abbiamo tutti ricevuto un corso accelerato su ciò che le aziende chiamano intelligenza artificiale, che per lo più si è tradotto in grandi modelli linguistici (LLM). Ma gli LLM non sono più l'unica categoria di IA ad attrarre finanziamenti massicci e hype senza fiato. Entrano in scena i "modelli mondiali", che mirano a simulare il mondo fisico, o almeno un'utile approssimazione. Invece di chiacchierare e basta, questi sistemi vogliono farti esplorare un ambiente 3D come se fosse un videogioco, ma con più matematica e meno loot box.

Per capire cosa rende diversi i modelli mondiali, Ars ha parlato con tre esperti: Vincent Sitzmann del MIT, Anastasis Germanidis di Runway e Ben Mildenhall di World Labs. Il loro consenso: mentre gli LLM sono partiti con un'interfaccia chat e poi hanno cercato un caso d'uso, i modelli mondiali partono da applicazioni specifiche - robotica, ricerca, generazione di asset - e non hanno ancora capito bene come dovrebbe essere l'interfaccia. Pensatelo come un'IA che lavora al contrario, il che è in linea con il marchio.

Non tutti sono convinti che gli LLM siano la strada verso l'intelligenza generale. L'ex capo scienziato IA di Meta, Yann LeCun, ha detto a Wired che l'idea che gli LLM raggiungano l'intelligenza umana è "una totale sciocchezza". Fei-Fei Li, pioniera della visione artificiale e co-fondatrice di World Labs, ha scritto che gli LLM sono "parolai al buio; eloquenti ma inesperti, sapienti ma senza radici". Persino il CEO di Hugging Face, Clem Delangue, pensa che siamo in una "bolla LLM" che potrebbe scoppiare l'anno prossimo. Quindi i modelli mondiali sono la nuova novità, almeno finché non arriva qualcosa di ancora più caldo.

I modelli mondiali hanno già attratto finanziamenti da capogiro: World Labs e AMI avrebbero raccolto circa 1 miliardo di dollari ciascuno a febbraio e marzo, e Runway ha raccolto 315 milioni a febbraio. Sono un sacco di soldi per un termine che, come ammette Sitzmann, è "decisamente sovraccarico". La sua definizione: qualsiasi modello che prende un'interazione e simula cosa succede dopo. La definizione di Runway aggiunge che costruisce una rappresentazione interna di un ambiente. Mildenhall dice che la differenza chiave dagli LLM è l'interazione continua in tempo reale - non lo scambio testuale a turni di "A poi B poi A poi B". Fei-Fei Li offre tre criteri: consistenza percettiva, geometrica e fisica; multimodalità; e capacità di produrre stati successivi basati su azioni in input.

Ma "modello mondiale" sta anche diventando un termine di branding. Le aziende lo appiccicano su qualsiasi cosa, dalla generazione video condizionata da azioni alla creazione di asset 3D alla valutazione di politiche robotiche. Per ora, dice Sitzmann, "quello che la maggior parte delle persone intende quando dice 'modello mondiale' è generare pixel" - cioè video realistici condizionati da azioni. È un'estensione naturale dei modelli di generazione video, che Runway già fa. Come ha detto Germanidis, quando hanno aggiunto i controlli della fotocamera ai loro strumenti video, "ha iniziato a sembrare quasi un videogioco".

La sfida tecnica: la maggior parte dei modelli di diffusione video genera tutti i fotogrammi in una volta, denoising dell'intera sequenza in un colpo solo. Ottimo per la coerenza, ma terribile per l'interattività - non puoi intervenire a metà generazione. La soluzione per i modelli mondiali è la diffusione autoregressiva, che denoisa i fotogrammi in sequenza. Gli utenti possono fornire azioni che influenzano i fotogrammi successivi in tempo reale. Lo svantaggio: è costoso dal punto di vista computazionale, e la simulazione tende a deviare, dimenticando i dettagli precedenti. Germanidis spera che la coerenza 3D "emerga dalla scala", un cenno a quella che lo scienziato informatico Richard Sutton ha chiamato "la lezione amara": la conoscenza umana esplicita spesso intralcia. Quindi stanno scommettendo grosso sulla forza bruta.

In breve, i modelli mondiali sono dove l'IA va per simulare la realtà, un costoso passo di denoising alla volta. Se manterranno la promessa o produrranno solo deepfake molto eleganti, resta da vedere - ma i round di finanziamento suggeriscono che gli investitori sono disposti a scoprirlo.