Il prossimo salto dell'intelligenza artificiale potrebbe non arrivare da un chatbot più abile a scrivere email. Mentre i modelli linguistici continuano a crescere, si fa strada 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, pensata per anticipare le conseguenze prima di agire.
Dalla parola alla previsione del mondo
Un robot che deve afferrare una tazza su un tavolo ingombro non può limitarsi a riconoscerla: deve stimarne la posizione, prevederne i movimenti e immaginare cosa accadrà quando la pinza entra in contatto con l'oggetto. I modelli linguistici sanno ragionare su problemi complessi, 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 braccio robotico che lascia cadere un dispositivo costoso o un sistema autonomo che valuta male un ostacolo causano problemi concreti.
Qui entra in gioco l'approccio JEPA: invece di indovinare il token successivo o ricostruire ogni dettaglio di un'immagine, il modello 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 oggetto e pinza, non ogni variazione di luce sulla superficie.
V-JEPA 2 e i test sui robot Franka
Meta ha mostrato il potenziale di 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.
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, grazie a uno spazio di lavoro diverso: non insegue il colore esatto di ogni pixel futuro, ma lavora su caratteristiche astratte di alto livello come posizione e traiettoria.
La ricerca non si ferma a Meta. Lo studio H-JEPA, firmato tra gli altri da Yann LeCun e presentato su arXiv, propone una gerarchia di JEPA condizionati dall'azione: su Visual AntMaze il tasso di successo è salito dal 18% al 73%, con meno risorse di calcolo per il pianificatore. Intanto AMI Labs di LeCun ha raccolto un round da 1,03 miliardi di dollari per scalare JEPA, mentre Google DeepMind lavora su Genie 2 e DMPC. 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.
