A metà gennaio 2026, in un'intervista al podcast The Tech Download della CNBC, Demis Hassabis ha detto una cosa che, se la prendete sul serio, mette in discussione buona parte di come si stanno spendendo i soldi nell'AI: i modelli linguistici, per quanto bravi, non capiscono la fisica, la causalità, lo spazio e le conseguenze delle azioni nel tempo. E senza quello, ha argomentato, all'intelligenza di livello umano non ci si arriva. La proposta ha un nome: world model.
Detto da chi guida il laboratorio che ha vinto un Nobel con AlphaFold e che produce Gemini, non è una boutade da convegno. Ma prima di discutere se abbia ragione conviene capire, senza gergo, di cosa sta parlando — perché "world model" è diventato in pochi mesi un termine di marketing, e sotto la parola ci sono cose molto diverse.
Cosa fa, meccanicamente, un LLM
Un modello linguistico è addestrato a fare una cosa sola: dato un pezzo di testo, assegnare una probabilità al pezzo successivo. Il testo viene spezzato in token (frammenti di parola), e il modello impara, su una quantità enorme di documenti, quale token è plausibile dopo una certa sequenza. Tutto il resto — rispondere, riassumere, scrivere codice, ragionare passo passo — è una conseguenza di quell'unico obiettivo, raffinata poi con l'addestramento su istruzioni e feedback umani.
Ci sono tre proprietà di questo impianto che contano per il discorso di Hassabis.
La previsione vive nello spazio dei token. Il modello non predice lo stato del mondo: predice il prossimo simbolo di una descrizione del mondo. Sono cose diverse, e la differenza si vede quando la descrizione è ambigua, incompleta o assente. Buona parte di quello che sappiamo sulla realtà fisica non è mai stata scritta da nessuno, perché è ovvia: nessuno pubblica un testo che spiega che se lasci il bicchiere a mezz'aria quello cade.
Non c'è uno stato esplicito che persiste. Un LLM ricostruisce il contesto a ogni passaggio leggendo tutta la finestra. Non ha una variabile "posizione degli oggetti nella stanza" che aggiorna quando succede qualcosa: ha una rappresentazione interna che si riforma ogni volta a partire dal testo. Funziona benissimo finché il testo contiene tutto quello che serve, meno bene quando la coerenza va mantenuta su tempi lunghi.
Non ci sono azioni. L'input è testo, l'output è testo. Un LLM non è addestrato sulla domanda "se faccio questo, cosa succede?", che è la forma di previsione su cui si basa qualunque decisione. Gli agenti attuali questa cosa la simulano al livello del linguaggio — provo, leggo il risultato, riprovo — che è un ciclo lento e costoso rispetto al pensarci prima.
Cosa fa, invece, un world model
Un world model è addestrato su un obiettivo diverso: dato lo stato attuale dell'ambiente e un'azione, predire lo stato successivo. Tre ingredienti che nell'LLM non ci sono in forma esplicita: uno stato, un'azione, una dinamica che li lega.
La conseguenza pratica è che un modello così si può far girare in avanti. Si parte dalla situazione com'è, si ipotizza una sequenza di mosse, si guarda dove si finisce, e si sceglie prima di agire. È esattamente ciò che faceva AlphaGo: un modello della dinamica del gioco più una ricerca sopra. Nel mondo reale il gioco ha regole ignote e uno spazio degli stati enormemente più grande, ed è per questo che il problema è aperto — ma la forma è quella.
C'è poi una differenza tecnica che vale la pena avere in testa, perché separa due scuole che spesso vengono confuse.
- Predizione in pixel. Modelli generativi video — Veo, Genie, Cosmos — che predicono i fotogrammi futuri. Hassabis ci tiene, e il suo argomento è che per generare un video fisicamente credibile il modello è costretto a interiorizzare qualcosa di simile alla fisica: come scorrono i liquidi, come si comportano i riflessi sul vetro, dove cadono le ombre. Chiama questa cosa "reverse engineering della fisica intuitiva".
- Predizione in spazio latente. L'approccio di Yann LeCun con le architetture JEPA: non predire i pixel, che sono in larga parte imprevedibili e irrilevanti (il pattern esatto delle foglie mosse dal vento), ma predire una rappresentazione astratta dello stato futuro, buttando via ciò che non è predicibile. Meno spettacolare da mostrare, concettualmente più pulito.
La prima scuola produce demo che si vedono e prodotti che si vendono. La seconda produce paper. Vale la pena tenerne conto quando si valuta chi sta dicendo cosa.
La differenza in una riga
Un LLM impara cosa si dice normalmente dopo una certa cosa. Un world model impara cosa succede normalmente dopo una certa cosa. Il primo è un modello del discorso sul mondo; il secondo prova a essere un modello del mondo. Il salto — se c'è — sta tutto lì.
Cosa dice Hassabis, esattamente
Vale la pena essere precisi, perché la posizione di Hassabis è più moderata di come viene riportata e più interessante proprio per quello.
Alla CNBC ha detto che vuole costruire "un modello che capisca davvero la fisica del mondo", e che i sistemi attuali "non capiscono la fisica, la causalità o come le azioni influenzano i risultati nel tempo". A Davos, sul palco con Dario Amodei, ha stimato attorno al 50% la probabilità di arrivare all'AGI entro il 2030, precisando che servono ancora una o due scoperte in tre aree: ragionamento, pianificazione gerarchica e memoria a lungo termine — con i world model come infrastruttura che le regge. Il suo orizzonte pubblico resta cinque-dieci anni, e la sua frase su dove siamo oggi è "nowhere near".
Quello che Hassabis non dice è che gli LLM siano un vicolo cieco. È una lettura che gli è stata cucita addosso — Gary Marcus l'ha arruolato immediatamente nella sua tesi storica — ma è una forzatura. La versione radicale è quella di LeCun, che sostiene da anni che dal testo non ci si arriva mai e che serve un'architettura del tutto diversa, e che a Davos ha definito l'industria "LLM-pilled". Hassabis dice una cosa più stretta e più difficile da liquidare: gli LLM sono un pezzo necessario ma non sufficiente, restano l'interfaccia e il livello simbolico, e vanno affiancati da un modello della dinamica del mondo, da memoria persistente e da apprendimento continuo. La differenza fra "sbagliato" e "incompleto" non è retorica: cambia cosa si costruisce domani mattina.
Il contro-argomento serio (che raramente viene citato)
C'è una replica robusta alla tesi "i modelli linguistici non hanno un modello del mondo", e non arriva dal marketing: arriva dalla letteratura di interpretabilità.
L'esperimento canonico è Othello-GPT. Si addestra un transformer a predire la mossa successiva in partite di Othello, dandogli solo sequenze di mosse: nessuna scacchiera, nessuna regola, nessuna nozione di cosa sia il gioco. Poi si va a guardare dentro le attivazioni — e si trova che il modello si è costruito una rappresentazione dello stato della scacchiera, casella per casella, senza che nessuno gliel'abbia chiesto. Il lavoro successivo di Neel Nanda ha mostrato che quella rappresentazione è perfino lineare (ogni casella codificata come "mia / tua / vuota" rispetto al giocatore di turno), al punto che si può manipolare il comportamento del modello facendo aritmetica sui vettori del suo modello interno.
È un risultato scomodo per la tesi forte. Suggerisce che "predire il token successivo" non sia un obiettivo povero, ma un obiettivo che costringe il modello a costruirsi le rappresentazioni necessarie a essere bravo — e che quindi la differenza fra LLM e world model sia di grado, non di natura. C'è ormai un filone di ricerca che formalizza esattamente questo, trattando gli LLM come un caso particolare di modelli del mondo: uno in cui lo stato è discreto, l'osservazione coincide con il simbolo e l'orizzonte è corto. Il "continuous path beyond" di cui parlano quei lavori è un continuum di architetture — predizione multi-token, predizione del riassunto futuro, predizione del latente successivo — che sta fra l'LLM classico e JEPA, non dall'altra parte di un fossato.
Va detto anche il limite opposto: Othello ha una dinamica deterministica, completamente osservabile e con poche migliaia di stati raggiungibili. Che il trucco scali dalla scacchiera a una cucina è precisamente l'ipotesi in discussione, e nessuno l'ha dimostrata. Ma chi sostiene che gli LLM "non modellano niente" deve spiegare Othello-GPT, e di solito non lo fa.
Chi ci guadagna a dire cosa
Nessuna di queste posizioni è disinteressata, e il modo più rapido per orientarsi è guardare cosa ha in mano chi parla.
Google DeepMind ha l'insieme di asset che vale di più se la scommessa world model è giusta: Veo per il video, Genie 3 — che genera mondi 3D navigabili in tempo reale, 720p a 24 fotogrammi al secondo, coerenti per qualche minuto, da un prompt testuale — e SIMA 2, l'agente basato su Gemini che DeepMind ha messo a giocare dentro i mondi generati da Genie, cioè un agente addestrato in un simulatore prodotto da un altro modello. A Google I/O di maggio hanno aggiunto il pezzo che rende la cosa meno giocattolo: la possibilità di ancorare un mondo di Genie a un luogo reale attingendo all'archivio Street View, 280 miliardi di immagini raccolte in 110 paesi dal 2007. In più c'è YouTube, che è il più grande corpus video del pianeta e appartiene alla stessa azienda. Se il carburante dei world model è il video con continuità temporale, Google ha il giacimento.
Yann LeCun ha lasciato Meta dopo dodici anni per fondare AMI Labs, raccogliendo circa 500 milioni di euro su una valutazione da 3 miliardi. La sua tesi e la sua raccolta fondi sono lo stesso oggetto: se gli LLM bastassero, non ci sarebbe motivo di finanziare un laboratorio che non ne fa.
World Labs di Fei-Fei Li ha chiuso a febbraio un round da circa un miliardo guidato da Autodesk, con NVIDIA, AMD e a16z dentro, e vende Marble: da un testo, una foto o un video si ottiene un ambiente 3D persistente e modificabile. Notare il lead investor — Autodesk, non un fondo generalista: il cliente naturale di un world model oggi non è chi cerca l'AGI, è chi fa CAD, effetti visivi, simulazione industriale.
NVIDIA spinge Cosmos, la sua piattaforma di dati sintetici fisicamente coerenti per robotica e guida autonoma, e ovviamente vende le GPU su cui girerebbe tutto. Nel complesso, le ricostruzioni di settore parlano di oltre due miliardi di dollari raccolti da startup di world model nel solo primo trimestre 2026: un numero da prendere con le pinze, come sempre quando la categoria è definita da chi la conta, ma l'ordine di grandezza è quello.
Chi invece ha costruito tutto sul transformer testuale — e ha un conto economico che dipende dai token venduti — ha l'incentivo opposto, ed è il motivo per cui a Davos Amodei ha tenuto la linea più continuista: i modelli attuali migliorano ancora, e gli ostacoli sono ingegneristici prima che architetturali.
Dove si vede chi ha ragione
La parte utile di questa disputa è che non è indecidibile. Ci sono almeno tre luoghi in cui, nei prossimi diciotto mesi, si vedrà qualcosa.
La robotica. È il banco di prova più onesto, perché non si può barare con la plausibilità del testo: o il braccio afferra l'oggetto o non lo afferra. Se i modelli addestrati in simulatori generati (Genie, Cosmos, Marble) trasferiscono nel mondo fisico meglio di quelli addestrati su dimostrazioni reali, la tesi dei world model ha una prova concreta. Se il trasferimento continua a rompersi sui dettagli — attrito, materiali deformabili, illuminazione — significa che i mondi generati sono visivamente convincenti e fisicamente no, che è la critica principale.
La durata della coerenza. Genie 3 tiene un mondo coerente "per qualche minuto". È il numero più informativo di tutta la faccenda, perché misura esattamente la distanza fra una demo e un simulatore. Un ambiente che dimentica dove avete lasciato un oggetto dopo tre minuti non serve ad addestrare un agente su compiti lunghi. Guardate come si muove quel numero, non le risoluzioni.
Il costo. Simulare è caro. Un LLM risponde con un passaggio in avanti; pianificare dentro un world model significa generare molte traiettorie possibili e valutarle. Se il guadagno in affidabilità non ripaga l'ordine di grandezza in più di calcolo, la tecnica resta confinata dove il valore per decisione è alto — robotica industriale, guida autonoma, progettazione — e non arriva mai nel prodotto di massa.
Cosa penso
La tesi di Hassabis, nella sua versione stretta, mi sembra giusta e poco controversa: un sistema addestrato solo su descrizioni testuali del mondo eredita i buchi di quelle descrizioni, e i buchi più grossi sono proprio le cose che nessuno scrive perché sono ovvie. Aggiungere una modalità di previsione che riguarda gli stati e le azioni invece delle parole è una direzione sensata, ed è coerente con tutta la storia di DeepMind, che ha sempre fatto agenti e ricerca ad albero prima ancora che chatbot.
La versione larga — "gli LLM sono un vicolo cieco" — non la comprerei, e soprattutto non è la sua. Othello-GPT e il filone che ne è seguito dicono che la predizione simbolica costruisce rappresentazioni molto più ricche di quanto l'obiettivo lasci pensare, e la storia recente è piena di limiti architetturali dichiarati insuperabili e poi superati aggiungendo dati e calcolo. La cosa più probabile è la meno spettacolare: i world model entrano come componente dentro sistemi che restano linguistici in superficie, esattamente come è successo con il ragionamento a catena, con la ricerca e con l'uso degli strumenti. Nessuno ha buttato via il transformer, gli hanno messo dei pezzi intorno.
Per chi guarda tutto questo dal lato dell'azienda e non del laboratorio, la traduzione pratica è breve. Primo: se una decisione dipende da cosa succede nel mondo fisico — magazzino, produzione, logistica, manutenzione — nessun LLM ve la darà, e il fatto che descriva benissimo il processo non significa che lo capisca. Secondo: la parola "world model" nei prossimi dodici mesi finirà sopra qualunque cosa generi un video o un poligono, e l'unica domanda che la separa dal marketing è se il sistema accetta un'azione in ingresso e restituisce uno stato, oppure se genera soltanto fotogrammi belli. Terzo: quando qualcuno vi spiega perché l'architettura del concorrente non porterà mai all'AGI, vale la pena guardare cosa ha in magazzino prima di guardare l'argomento.