In questo articolo Indice dei contenuti 2 sezioni
Il prossimo grande salto dell’intelligenza artificiale potrebbe non arrivare da un chatbot più brillante, ma da un approccio diverso chiamato JEPA, acronimo di Joint Embedding Predictive Architecture, su cui sta lavorando anche Meta. L’idea è facile da raccontare e molto meno da realizzare. Mentre i modelli come GPT imparano attraverso il linguaggio, un sistema di questo tipo impara dal mondo, costruendo una rappresentazione di ciò che lo circonda per anticipare come potrebbe cambiare.
Che piaccia o no, oggi l’IA se la cava sempre meglio nello scrivere email, riassumere un rapporto di cento pagine, spiegare la fisica quantistica o generare immagini credibili di quasi qualsiasi cosa. Con gli strumenti giusti affronta compiti complessi in più passaggi, scrive codice e arriva perfino a costruire una piccola app o un gioco partendo da indicazioni minime. ChatGPT, Claude, Gemini e i loro concorrenti mostrano capacità di ragionamento e di azione sempre più notevoli. I limiti però restano evidenti: risposte accondiscendenti, una prosa prolissa o troppo schematica e una certa fatica davanti alle sfumature dei problemi complicati. E se dentro un computer l’IA si muove con disinvoltura, farle compiere azioni affidabili nel mondo fisico è tutta un’altra faccenda.
Basta pensare a un robot che deve prendere una tazza da un tavolo ingombro senza far cadere nulla. Non gli serve solo riconoscere la tazza. Deve stimarne la posizione, prevedere come potrebbe spostarsi, capire cosa succederà quando la pinza la toccherà e tenere conto degli oggetti che si trovano sul percorso. In pratica deve immaginare le conseguenze di un gesto prima di compierlo.
JEPA: perché prevedere non è la stessa cosa che descrivere
I sistemi generativi più noti si basano su un principio solo apparentemente semplice. Imparano schemi da enormi quantità di dati e li usano per produrre una risposta adeguata. Per un modello linguistico di grandi dimensioni questo significa di solito prevedere il token successivo, cioè una parola o un pezzo di parola, a partire dal contesto. Liquidarli come un semplice completamento automatico sarebbe un errore, visto che ragionano su problemi complessi, interpretano immagini e usano strumenti esterni. Il punto è un altro. Un modello capace di descrivere cosa dovrebbe accadere non è per forza in grado di prevedere con affidabilità cosa accadrà se compie una certa azione. Una risposta leggermente sbagliata in chat è fastidiosa, un robot che lascia cadere un dispositivo costoso o un sistema autonomo che valuta male un ostacolo in movimento creano problemi veri.
Qui entra in gioco JEPA. Invece di ricostruire ogni dettaglio di un input, un modello di questo tipo apprende delle rappresentazioni dei dati e prevede la rappresentazione di un’altra osservazione partendo dalle informazioni disponibili. Al robot non serve calcolare ogni riflesso sulla superficie della tazza, gli basta sapere dove si trova, in che rapporto è con la pinza e come cambierà la scena mentre si muove. È questa la promessa dei cosiddetti modelli del mondo, che non si limitano a descrivere la realtà ma provano ad anticiparne i cambiamenti. Del resto anche gli esseri umani non ragionano sempre a parole. C’è però un limite chiaro. Prevedere ciò che succede dopo non equivale a capire la fisica e JEPA non elimina il bisogno di dati di addestramento, punta semplicemente a imparare qualcosa di diverso.
I risultati di Meta e cosa potrebbe cambiare per gli assistenti
I test di Meta danno comunque un’idea delle possibilità. La versione di JEPA dedicata al controllo delle azioni ha completato con successo tra il 65 e l’80% dei compiti di presa e posizionamento con oggetti e ambienti mai visti prima. Gli esperimenti si sono svolti in laboratorio, in condizioni controllate, e il modello era già stato adattato con video di robot. Ha però dimostrato che le conoscenze ricavate dai video possono aiutare una macchina a gestire attività per cui non era stata addestrata. Uno studio di ottobre 2026 su una variante gerarchica di JEPA ha inoltre registrato un salto dal 18% al 73% di successo in un test di navigazione all’interno di un labirinto simulato, anche se un labirinto virtuale è ben lontano da una casa vera.
Le ricadute potrebbero arrivare anche sugli smartphone. Agli assistenti si chiede sempre più spesso di organizzare, per esempio, un weekend fuori porta, confrontando orari, hotel e aperture dei musei e rivedendo il programma se salta una prenotazione. Un modello linguistico può già fare molto, ma un agente deve anche seguire lo stato del compito mentre cambia e capire quali parti del piano vengono toccate da un treno in ritardo. I futuri sistemi potrebbero così combinare un modello linguistico che interpreta le richieste, un modello del mondo che prevede le conseguenze delle possibili azioni, un sistema di pianificazione che confronta i risultati e un software tradizionale che esegue la scelta finale. Non tutte le applicazioni avranno bisogno di JEPA, e in molti casi un algoritmo classico resta più adatto. Modelli sempre più grandi continueranno a portare progressi, ma la crescita delle dimensioni non è l’unica strada percorribile.
Fonte: TecnoAndroid