Il prossimo salto dell’intelligenza artificiale potrebbe non arrivare da un chatbot più bravo a scrivere email. Mentre i modelli linguistici continuano a crescere, prende quota un’idea diversa: insegnare alle macchine a costruirsi modelli predittivi del mondo, per capire cosa succede quando compiono un’azione. È la strada battuta da Meta con la famiglia di architetture JEPA.

Segui TuttoTech.net su Google Discover

Pubblicità-37%roborock F25 Steam
Amazon
roborock F25 Steam
379€599€
Vai all'offerta

Dalla conversazione alla previsione

Un robot a cui si chiede di afferrare una tazza su un tavolo ingombro, senza urtare gli oggetti intorno, non può limitarsi a riconoscere la tazza. Deve stimarne la posizione, prevederne i movimenti, immaginare cosa accadrà quando la pinza entra in contatto e tenere conto di ciò che trova sulla traiettoria: deve anticipare le conseguenze prima di agire.

I modelli linguistici di oggi sono potenti perché hanno imparato a riconoscere schemi in enormi quantità di dati e a produrre la risposta successiva più plausibile. Sanno ragionare su problemi complessi, interpretare immagini, usare strumenti esterni e portare a termine compiti in più passaggi, ma descrivere ciò che dovrebbe accadere non equivale a prevedere in modo affidabile ciò che accadrà davvero. Un assistente che sbaglia una frase è fastidioso; un agente che manda il contratto alla persona sbagliata, un braccio robotico che lascia cadere un dispositivo costoso o un sistema autonomo che valuta male un ostacolo in movimento causano invece problemi concreti.

Qui si inserisce l’approccio JEPA. Invece di indovinare il token successivo o ricostruire ogni dettaglio di un’immagine, un modello di questo tipo apprende rappresentazioni dei dati e prova a prevedere la rappresentazione di un’altra osservazione. L’obiettivo è catturare la struttura utile senza replicare pixel, texture e riflessi irrilevanti per il compito: per il robot che afferra la tazza conta la relazione tra l’oggetto e la pinza, non ogni variazione di luce sulla superficie. Se il modello prevede questi cambiamenti con sufficiente precisione, un pianificatore può valutare le mosse possibili prima di eseguirle.

I numeri di V-JEPA 2 e H-JEPA

Meta ha mostrato cosa può significare tutto questo con V-JEPA 2, un world model da 1,2 miliardi di parametri addestrato soprattutto su video. Il percorso avviene in due fasi: prima l’apprendimento auto-supervisionato da oltre un milione di ore di video e un milione di immagini, poi una fase condizionata dalle azioni, con circa 62 ore di dati di controllo robotico. Il modello risultante, V-JEPA 2-AC, ha completato tra il 65% e l’80% dei compiti di presa e posizionamento con oggetti e ambienti non familiari. Gli esperimenti si sono svolti in laboratori controllati e il modello era già stato adattato con video di robot, quindi non partiva da zero. Resta il fatto che la conoscenza appresa dai video ha aiutato il sistema ad affrontare compiti per cui non era stato addestrato specificamente.

Con una messa a punto minima, V-JEPA 2-AC ha funzionato in modalità zero-shot su bracci robotici Franka in due laboratori diversi, senza raccogliere dati in quegli ambienti e senza addestramento dedicato al compito. Sempre in questa configurazione, il modello è risultato fino a trenta volte più veloce di Cosmos di NVIDIA, anche grazie a un diverso spazio di lavoro: V-JEPA 2 non insegue il colore esatto di ogni pixel futuro, ma lavora su caratteristiche astratte e di alto livello, come posizione e traiettoria di un oggetto.

Altri ricercatori stanno provando a spingere la pianificazione più lontano nel tempo. Lo studio H-JEPA, firmato da Wancong Zhang, Basile Terver, Michael Rabbat, Yann LeCun e Randall Balestriero e presentato su arXiv il 5 ottobre 2026, propone una gerarchia di JEPA condizionati dall’azione. Ogni livello prevede più avanti nel tempo nel proprio spazio latente, e la pianificazione procede dall’alto verso il basso: il livello superiore punta all’obiettivo, le sue previsioni diventano sotto-obiettivi per il livello inferiore. Su Visual AntMaze, un ambiente simulato di navigazione, una gerarchia a tre livelli ha portato il tasso di successo dal 18% al 73%, con meno risorse di calcolo per il pianificatore, e il vantaggio è apparso netto anche rispetto al modello concorrente HWM, con quasi il doppio dei successi. Un labirinto simulato, però, è ancora lontano da una casa reale o da un assistente indossabile che guida in bicicletta.

Agenti, telefoni e wearable

I world model sembrano materia da laboratorio robotico, ma le conseguenze a lungo termine possono arrivare molto più vicino. Gli assistenti sul telefono sono sempre più chiamati a capire cosa c’è sullo schermo, interpretare foto, muoversi tra le app, ricordare il contesto e completare compiti in più passaggi senza perdere il filo. Si pensi a chi chiede di organizzare un fine settimana fuori: occorre confrontare i tempi di viaggio, controllare gli hotel, incastrare le attività negli orari di apertura e rivedere il programma se una prenotazione salta.

Un modello linguistico può già fare molto: interpretare le preferenze, generare un itinerario, usare la ricerca, ragionare sui vincoli. Un agente deve però anche seguire il cambiamento dello stato del compito. Se un treno ritarda o un museo è chiuso, deve capire quali altre parti del programma ne risentono e decidere come adattarle. Un modello predittivo può aiutarlo a valutare le conseguenze delle alternative, per esempio stimare come uno spostamento dell’orario di partenza influisce sulle attività successive. Per un robot significa prevedere se un certo movimento farà cadere un oggetto; per un assistente indossabile, ricevere informazioni in tempo reale su ostacoli e pericoli.

Non ogni applicazione ha bisogno di JEPA, e per molti compiti un algoritmo tradizionale resta più adatto. L’ipotesi più interessante è però quella di sistemi ibridi, in cui un modello linguistico interpreta l’istruzione, chiarisce l’obiettivo e lo scompone in passaggi, mentre un world model prevede le conseguenze delle azioni candidate; un pianificatore confronta gli esiti, e il software convenzionale esegue la mossa scelta. La corsa è già cominciata e non riguarda solo Meta: AMI Labs di Yann LeCun ha raccolto un round da 1,03 miliardi di dollari per scalare JEPA, Google DeepMind lavora su Genie 2 e DMPC, e le varianti della famiglia si sono estese al movimento, alle nuvole di punti, al LiDAR e all’audio. Il punto non è scegliere tra un modello che parla e uno che prevede il mondo, ma farli collaborare, così che un sistema sappia non solo cosa dovrebbe fare, ma anche cosa rischia di succedere quando lo fa.