I world model stanno emergendo come uno dei filoni più dinamici dell’Intelligenza Artificiale applicata al mondo fisico. L’interesse della ricerca e dell’industria si concentra su modelli capaci di apprendere da video, simulazioni, videogiochi e sequenze di interazione, così da fornire ai robot una rappresentazione più efficace delle dinamiche dell’ambiente in cui operano.
Per agire nel mondo reale, infatti, non basta riconoscere un oggetto o comprendere un’istruzione come “prendi la tazza”. Una macchina deve anche stimare come cambierà la scena quando muoverà il braccio, quali traiettorie siano praticabili e quali conseguenze possa produrre ciascuna azione.
È in questo spazio che si collocano i world model. Nella robotica vengono generalmente intesi come rappresentazioni predittive che consentono di stimare l’evoluzione di un ambiente, spesso tenendo conto delle azioni dell’agente. A partire dallo stato presente, il modello può valutare stati futuri possibili e contribuire alla pianificazione prima che il robot intervenga realmente. Non si tratta necessariamente di riprodurre un motore fisico tradizionale, ma di apprendere dai dati regolarità sufficienti a prevedere come il mondo potrebbe cambiare.
Indice degli argomenti
World model per la robotica: cosa sono e perché contano
L’etichetta comprende approcci differenti. Alcuni modelli generano direttamente immagini o sequenze video che rappresentano possibili evoluzioni della scena. Altri operano in spazi latenti, cioè rappresentazioni più compatte nelle quali vengono codificate le informazioni considerate rilevanti per previsione e controllo. Una terza direzione integra sempre più strettamente la previsione del futuro con la produzione delle azioni che il robot dovrà eseguire.
La distinzione è fondamentale. Un video visivamente credibile non garantisce che il modello abbia appreso dinamiche fisiche sufficientemente accurate. Può contenere errori nei contatti tra oggetti, nelle traiettorie, nella geometria della scena o nella risposta a un’azione pur apparendo realistico all’occhio umano. Nella robotica la coerenza delle dinamiche fisiche è più importante della sola qualità fotorealistica, perché una previsione errata può trasformarsi in una presa fallita, una collisione o un movimento incompatibile con l’ambiente.
La letteratura più recente riflette questa evoluzione. Accanto ai world model predittivi stanno acquistando visibilità i World Action Model, architetture nelle quali la rappresentazione dell’evoluzione dell’ambiente viene collegata direttamente alle azioni. Il problema si sposta così dalla capacità di immaginare un futuro plausibile alla possibilità di utilizzare quella previsione per migliorare una policy robotica.
V-JEPA 2 e i world model per robot di Meta
Uno degli esempi più significativi è V-JEPA 2 di Meta. Presentato nel giugno 2025, il modello è stato preaddestrato in modalità self-supervised utilizzando oltre un milione di ore di video. A differenza di sistemi progettati per ricostruire il futuro pixel per pixel, V-JEPA 2 cerca di prevedere rappresentazioni astratte dell’evoluzione della scena.
La variante action-conditioned V-JEPA 2-AC è stata successivamente addestrata con meno di 62 ore di dati robotici provenienti dal dataset DROID. Il modello può valutare le conseguenze di diverse azioni candidate e utilizzare queste previsioni nella pianificazione. Meta lo ha sperimentato su bracci robotici in ambienti e con oggetti non utilizzati nello specifico addestramento del sistema, riportando percentuali di successo tra il 65 e l’80 per cento in compiti di pick-and-place.
Le grandezze fisiche nelle rappresentazioni interne
Un ulteriore lavoro pubblicato nel 2026 ha cercato di comprendere quali informazioni fisiche emergano internamente nei video world model. L’analisi mostra che grandezze legate al movimento, tra cui velocità, accelerazione e direzione, possono diventare accessibili nelle rappresentazioni interne senza assumere la struttura compatta delle variabili di un motore fisico classico. Queste informazioni risultano distribuite tra numerose dimensioni del modello. Il risultato suggerisce che prevedere alcune dinamiche del mondo e rappresentarle attraverso variabili fisiche esplicite sono due proprietà differenti.
NVIDIA, Cosmos 3 e i World Action Model
La convergenza tra previsione e controllo è evidente anche in Cosmos 3, presentato da NVIDIA il 31 maggio 2026. La piattaforma riunisce ragionamento visivo, generazione di mondi e previsione delle azioni in una famiglia di foundation model progettati per la physical AI. L’architettura opera attraverso diverse modalità, tra cui testo, immagini, video, audio e azioni, con applicazioni che vanno dalla robotica alla guida autonoma.
NVIDIA sta inoltre spingendo esplicitamente il paradigma dei World Action Model. L’idea è utilizzare un video world model come base di una policy, in modo che il sistema non apprenda soltanto una relazione tra osservazione e comando, ma disponga già di una rappresentazione delle dinamiche con cui la scena può evolvere. In agosto l’azienda ha descritto procedure di post-training nelle quali il modello viene adattato a prevedere congiuntamente stati futuri e azioni robotiche.
La scala dei dati segnala quanto questa strategia dipenda dalla combinazione di fonti differenti. NVIDIA dichiara per Cosmos 3 un insieme di training che comprende circa 767 milioni di immagini, 348 milioni di video e 8 milioni di campioni d’azione provenienti da domini quali manipolazione robotica, guida autonoma, movimento della camera e video egocentrici. Simulazione e dati sintetici diventano così strumenti per ampliare esperienze che nel mondo fisico sarebbero molto più lente e costose da raccogliere.
World model tra videogiochi e simulazioni
Un percorso complementare arriva dai videogiochi. General Intuition utilizza dati di gameplay associati alle azioni dei giocatori per studiare modelli che apprendano la relazione tra intenzione, movimento e conseguenza. Rispetto a gran parte dei video disponibili online, un ambiente interattivo offre un’informazione particolarmente utile: permette di collegare ciò che un agente fa con ciò che accade immediatamente dopo.
Nel 2026 General Intuition e Kyutai, in collaborazione con Epic Games, hanno presentato MIRA, un world model multiplayer addestrato su 10.000 ore di dati di Rocket League. Il sistema simula partite con quattro giocatori e funziona interattivamente in tempo reale. Il progetto rende evidente anche la distinzione tra due componenti. Un action model sceglie quale azione compiere, mentre un world model cerca di prevederne gli effetti.
I mondi virtuali permettono di sperimentare un numero molto elevato di situazioni senza sottoporre continuamente robot reali a usura, rischi di danneggiamento o costose sessioni di raccolta dati. Rimane tuttavia il problema del trasferimento dalla simulazione alla realtà. Attrito, deformazioni, superfici irregolari, oggetti fragili, illuminazione variabile e comportamento umano introducono livelli di complessità che gli ambienti sintetici non riproducono integralmente.
World model e VLA: due strade per la robotica
Parallelamente prosegue lo sviluppo dei Vision-Language-Action model. Questi sistemi combinano informazioni visive e istruzioni linguistiche, spesso insieme allo stato del robot, per generare azioni eseguibili. Non sono equivalenti ai world model, perché non devono necessariamente simulare in modo esplicito l’evoluzione della scena prima di produrre un comando.
Gemini Robotics 2 e il controllo degli umanoidi
Google DeepMind ha esteso questa linea di ricerca con Gemini Robotics 2, presentato il 30 luglio 2026. Il VLA può controllare robot bi-arm e interi umanoidi, coordinando locomozione e manipolazione. La stessa famiglia comprende Gemini Robotics ER 2, dedicato al ragionamento embodied e alla pianificazione di compiti articolati, e Gemini Robotics On-Device 2, progettato per funzionare localmente sui robot e adattarsi a nuovi embodiment con poche ore di dati.
Il quadro che emerge non suggerisce la sostituzione di una tecnologia con un’altra. I VLA collegano efficacemente comprensione semantica e azione, mentre i world model introducono una capacità predittiva che può supportare pianificazione, simulazione e valutazione delle conseguenze. I World Action Model rappresentano uno dei tentativi più recenti di integrare queste funzioni all’interno di una policy più sensibile alle dinamiche del mondo fisico.
I limiti dei world model nella robotica
Lo stato dell’arte non coincide ancora con robot dotati di una comprensione generale e affidabile della realtà. Le rassegne scientifiche del 2026 indicano problemi aperti nella previsione su orizzonti temporali lunghi, nella precisione fisica, nel trasferimento tra embodiment differenti, nella qualità dei dati di interazione e nei costi computazionali del controllo in tempo reale.
Anche il modo di valutare questi sistemi deve quindi evolvere. La qualità visiva di un video non basta a stabilire se un world model sia utile alla robotica. Contano la capacità di mantenere coerente la geometria della scena, prevedere gli effetti delle azioni, conservare informazioni sugli oggetti e produrre rappresentazioni che migliorino effettivamente il comportamento del robot.
Accanto ai modelli linguistici e ai sistemi multimodali capaci di interpretare immagini e video, la ricerca sta sviluppando AI in grado di modellare in modo sempre più esplicito la relazione tra stato dell’ambiente, azione e conseguenza. Il passaggio dalla percezione alla previsione e dalla previsione al controllo è oggi uno dei punti centrali della physical AI. È su questa capacità, più che sulla sola qualità delle simulazioni generate, che si misurerà il valore dei world model per la prossima generazione di sistemi robotici.
Bibliografia
Nature, Davide Castelvecchi, “World models are AI’s latest sensation: what are they and what can they do?”, 28 aprile 2026. Nature – World models are AI’s latest sensation https://www.nature.com/articles/d41586-026-00820-5
Nature Machine Intelligence, “From embodied intelligence to physical AI”, 24 aprile 2026. Nature Machine Intelligence – From embodied intelligence to physical AI https://www.nature.com/articles/s42256-026-01239-3
Meta AI, “Introducing the V-JEPA 2 world model and new benchmarks for physical reasoning”, 11 giugno 2025. Meta AI – V-JEPA 2 https://ai.meta.com/blog/v-jepa-2-world-model-benchmarks/
Meta AI, Assran M. et al., “V-JEPA 2: Self-Supervised Video Models Enable Understanding, Prediction and Planning”, 2025. Meta AI – V-JEPA 2 research paper https://ai.meta.com/research/publications/v-jepa-2-self-supervised-video-models-enable-understanding-prediction-and-planning/
Meta AI, Joseph S. et al., “Interpreting Physics in Video World Models”, ICML 2026. Meta AI – Interpreting Physics in Video World Models https://ai.meta.com/research/publications/interpreting-physics-in-video-world-models/
NVIDIA, “NVIDIA Launches Cosmos 3, the Open Frontier Foundation Model for Physical AI”, 31 maggio 2026. NVIDIA – Cosmos 3 https://nvidianews.nvidia.com/news/nvidia-launches-cosmos-3-the-open-frontier-foundation-model-for-physical-ai
NVIDIA Research, “Cosmos 3: Omnimodal World Models for Physical AI”, 2026. NVIDIA Research – Cosmos 3 https://research.nvidia.com/labs/cosmos-lab/cosmos3/
NVIDIA Developer, “Beyond VLAs: How World Action Models Reshape Robot Manipulation”, 4 agosto 2026. NVIDIA – World Action Models https://developer.nvidia.com/blog/beyond-vlas-how-world-action-models-reshape-robot-manipulation/
Google DeepMind, “Gemini Robotics 2 brings whole body intelligence to robots”, 30 luglio 2026. Google DeepMind – Gemini Robotics 2 https://deepmind.google/blog/gemini-robotics-2-brings-whole-body-intelligence-to-robots/
General Intuition, MIRA e documentazione sui world model, consultata il 24 agosto 2026. General Intuition – MIRA https://www.generalintuition.com/
Hou B. et al., “World Model for Robot Learning: A Comprehensive Survey”, 2026. arXiv – World Model for Robot Learning https://arxiv.org/abs/2605.00080
Partecipa alla community