L’ultimo decennio dell’intelligenza artificiale è stato dominato da sistemi capaci di riconoscere schemi e prevedere testi con una precisione sorprendente. Tuttavia, la frontiera tecnologica si sta spostando verso una nuova categoria di architetture: i world models.
Se i Large language model (LLM) ci hanno abituato a macchine che conversano fluentemente, i nuovi ‘modelli del mondo’ promettono sistemi in grado di comprendere come funziona la realtà, simulare scenari e ragionare sulle conseguenze delle proprie azioni prima ancora di compierle.
Per il mondo del business, “questo non è solo un avanzamento tecnico, ma un cambiamento di paradigma nel modo in cui le macchine supportano le decisioni aziendali”, come rileva la nuova analisi del Goldman Sachs Global Institute, dal titolo ‘When AI Learns How the World Works’.
Indice degli argomenti:
Il limite dei modelli linguistici nel contesto operativo
Negli ultimi anni, gli LLM hanno dimostrato capacità trasformative nel redigere documenti, tradurre testi e scrivere codice. Tuttavia, queste macchine mancano di un senso interno del mondo che descrivono; sono potenti nel completare pattern statistici, ma faticano a muoversi in ambienti dove gli errori hanno costi reali.
“Quando un’AI viene chiamata a gestire catene di approvvigionamento complesse o a coordinare robot in un magazzino, la sola correlazione statistica si rivela insufficiente”, rileva Dan Keyserling, direttore del Goldman Sachs Global Institute.
Che spiega: “l’intelligenza, in contesti ad alto valore, richiede una comprensione dei legami di causalità e un modello interno della realtà che permetta di navigare anche l’imprevedibile o l’inaspettato”.
Lo sviluppo della Machine Foresight
Al centro di questi ‘modelli del mondo’ c’è una domanda semplice ma potente che il sistema pone continuamente: “Se faccio questo, cosa succede dopo?”.
È quello che gli esseri umani chiamano istinto, intuizione, capacità di previsione. Fino a oggi, le macchine non erano in grado di farlo bene. Insegnare a un robot a riconoscere un oggetto è semplice, ma insegnargli a maneggiarlo senza romperlo in un ambiente non strutturato richiede la comprensione di gravità, attrito e forza.
I world models creano simulatori interni che permettono alle macchine di eseguire milioni di ‘esperimenti mentali’ in pochi istanti, imparando dai fallimenti in un ambiente digitale dove il costo dell’errore è nullo. Così, quando l’AI agisce nel mondo reale, lo fa seguendo un piano basato sulla previsione delle conseguenze.
Modelli fisici e sociali: due pilastri per l’impresa
La ricerca attuale, guidata da figure come Yann LeCun (Meta e AMI Labs) e Fei-Fei Li (Stanford University e World Labs), si sta dividendo su due fronti complementari. Da un lato, “i modelli del mondo fisico assorbono le leggi della termodinamica e della meccanica, rendendo possibile una robotica finalmente autonoma in spazi affollati e dinamici, come porti e centri logistici”, sottolinea Keyserling.
Dall’altro – fa notare il manager del Goldman Sachs Global Institute – “emergono i modelli del mondo virtuale o sociale, dove le forze in gioco non sono la gravità, ma gli incentivi economici, le norme e il potere”.
Questi sistemi popolano ambienti digitali con agenti AI che simulano il comportamento di gruppi umani. Per un’azienda, questo significa poter testare una strategia di mercato o una struttura di governance contro componenti adattive prima che, ad esempio, una crisi colpisca realmente.
Dalla previsione statistica alla simulazione strategica
Esiste una distinzione cruciale tra la previsione classica e la simulazione offerta dai world models. “Mentre il forecasting tradizionale cerca di individuare un singolo esito corretto, i modelli del mondo rivelano intervalli di possibilità, percorsi alternativi e cicli di feedback”, spiega George Lee, co-responsabile del Goldman Sachs Global Institute.
Questi nuovi modelli mostrano come un sistema si comporta sotto pressione. Per un leader aziendale, questa consapevolezza situazionale è molto più preziosa di una stima statica.
“Immaginiamo una catena di approvvigionamento del futuro”, suggerisce Lee: “mentre i modelli fisici guidano i robot nei magazzini, i modelli virtuali simulano contemporaneamente shock della domanda o interruzioni geopolitiche, rendendo la pianificazione un processo continuo e non più episodico”.
L’impatto sugli investimenti in infrastrutture tecnologiche
Questa evoluzione “solleva anche interrogativi sulla reale entità degli investimenti necessari in AI”, fa notare l’analisi di scenario: “le attuali previsioni su chip, energia e calcolo sono tarate principalmente sulla scalabilità degli LLM. Tuttavia, i world models richiedono pipeline di dati specifiche, generatori di dati sintetici e motori fisici che vanno ben oltre le funzioni degli LLM”.
E “sebbene nel breve termine l’investimento in questi modelli rimarrà una frazione della spesa totale, la loro traiettoria suggerisce che il fabbisogno di calcolo aggregato potrebbe superare le stime attuali”.
In settori dove gli errori sono costosi, il valore generato dalla simulazione e dalla lungimiranza della macchina supererà rapidamente i costi infrastrutturali.
Verso un’AI dotata di consapevolezza situazionale
Il futuro dell’intelligenza artificiale non vedrà probabilmente la vittoria di un paradigma sull’altro, ma l’integrazione di entrambi.
“Proprio come il cervello umano coordina regioni specializzate per il linguaggio, la visione e il movimento, le architetture avanzate combineranno gli LLM come interfaccia comunicativa e i world models come motori di pianificazione”, prevede Lee.
Il vantaggio competitivo per le organizzazioni non dipenderà più solo da chi possiede il modello più grande, ma da chi sarà in grado di costruire le simulazioni più fedeli della propria realtà operativa.
Passare dal riconoscimento di schemi alla comprensione dei sistemi è quindi la sfida che attende le imprese nei prossimi anni: l’AI non produrrà solo risposte, ma diventerà una guida consapevole per navigare la complessità del mondo reale.
