World Model#
Un gatto di casa ha molto più senso comune e comprensione del mondo di qualunque modello di linguaggio. A ripeterlo da anni, con poche variazioni, in conferenze e interviste, non è uno scettico qualsiasi ma Yann LeCun, premio Turing 2018 e uno dei padri del deep learning. Mentre mezzo mondo si stupiva di ciò che sanno scrivere i grandi modelli di linguaggio, uno dei loro nonni intellettuali indicava un gatto. Provocazione calcolata, certo. Ma proviamo a prenderla sul serio: che cosa sa fare, un gatto? Non risolve integrali e non scrive sonetti; però salta sul mobile calibrando la traiettoria al primo colpo, prevede da che parte sbucherà il gomitolo rotolato sotto il divano, e se una mossa è finita male non la ripete tale e quale.
E prima del gatto, il bambino. A pochi mesi di vita un neonato si stupisce quando un giocattolo nascosto da uno schermo, una volta abbassato lo schermo, non c’è più; entro il primo anno si stupisce se un oggetto resta sospeso a mezz’aria invece di cadere. Lo stupore si misura da quanto a lungo guarda la scena impossibile rispetto a una possibile (è il metodo della violazione dell’aspettativa), e quello che misura è l’attesa, non la sua origine. Nessuno gli ha spiegato la permanenza degli oggetti o la gravità, e nessuno gli ha mostrato milioni di esempi etichettati; quanto di quell’attesa venga dal guardare e quanto sia già lì alla nascita, però, gli psicologi dello sviluppo lo discutono, e c’è chi sostiene che i primi sistemi con cui il bambino si rappresenta gli oggetti siano innati [SK07]. LeCun scommette sulla prima lettura: guardando, il bambino si costruisce dentro qualcosa che gli permette di aspettarsi il mondo, cioè un modello.
Secondo il metro introdotto dal dibattito sul rinforzo, ovvero la quantità di informazione del segnale, il bambino che guarda ne riceve uno ricchissimo e gratuito: a ogni istante il mondo gli dice se aveva previsto bene. Dare alle macchine qualcosa di simile, un world model (modello del mondo), vuol dire dar loro lo stesso maestro: prevedere che cosa succede dopo e, per chi deve agire, che cosa succede dopo un’azione. È un tentativo in corso, e resta aperto il dibattito su quanto sia davvero il pezzo mancante dell’intelligenza artificiale.
Un modello in scala ridotta della realtà#
L’idea è molto più vecchia del deep learning. Kenneth Craik, filosofo e psicologo scozzese, la mette nero su bianco nel 1943 in un libro breve e fulminante, The Nature of Explanation [Cra43]: se un organismo porta nella testa «un «modello in scala ridotta» della realtà esterna e delle proprie possibili azioni», scrive, allora può «provare diverse alternative, concludere quale sia la migliore e reagire alle situazioni future prima che si presentino». Craik morì due anni dopo, a trentun anni, ma quella pagina è considerata l’atto di nascita dei modelli mentali nelle scienze cognitive, ed è ancora oggi la definizione più limpida di world model: un simulatore interno che serve a prevedere («cosa succede se lascio il bicchiere?») e quindi a pianificare, senza dover provare tutto per davvero.
Su quella parola, «simulatore», bisogna intendersi, perché torna spesso. Il simulatore di volo su cui si esercitano i piloti l’hanno scritto degli ingegneri, un’equazione dell’aria alla volta, ed è anch’esso un modello del mondo nel senso di Craik. Nella letteratura che segue, però, «world model» indica un simulatore appreso: le regole le ricava dai dati, e resta sempre una copia approssimata. Serve alla stessa cosa (esercitarsi senza conseguenze), ma sbaglia per ragioni diverse: un simulatore scritto a mano sbaglia dove le sue equazioni semplificano, uno appreso dove i dati non l’hanno mai portato. Che forma prendano quegli sbagli lo racconta la sezione sui mondi in miniatura.
Lo usi già, questo simulatore. Quando giochi a scacchi, prima di toccare il pezzo ragioni così: «se sposto la torre lì, lui la mangia con l’alfiere… allora no», e la mossa cattiva muore nella tua testa, senza costarti la partita. Quando parcheggi, giri il volante e vedi già l’arco che il paraurti disegnerà: se l’auto immaginata finisce sul marciapiede, correggi prima che ci finisca quella vera.
Guarda però che cosa ti serve, per prevedere quell’arco. Del cortile ti arriva un’immagine, quella che passa dal finestrino, e di quell’immagine tieni tre cose (dove finisce il muro, quanto spazio resta, dov’è appoggiata la bici); il colore delle persiane lo butti via, che per la manovra non conta niente. E da un’occhiata sola non sapresti dire se quella bici è ferma o ti sta arrivando addosso: lo sai perché la stai seguendo da qualche secondo, e quel filo che tieni mentre guardi conta quanto l’immagine.
Il modello del mondo è questo cinema interiore in cui il futuro si prova a costo zero. Non è perfetto (la manovra immaginata a volte finisce comunque con una strisciata) ma ogni volta che la realtà ti smentisce, il cinema interiore si aggiorna e la prossima previsione è un po’ migliore.
Nel linguaggio della sezione sui processi decisionali di Markov: l’ambiente è un MDP con dinamica \(P(s' \mid s, a)\), che gli algoritmi di pianificazione (value iteration, policy iteration) assumevano nota e che Q-learning e DQN aggiravano imparando direttamente i valori dall’esperienza. Un world model è la terza via: una stima appresa della dinamica,
dove \(s_t\) e \(a_t\) sono lo stato e l’azione al tempo \(t\), \(s_{t+1}\) lo stato successivo e \(\theta\) i parametri (tipicamente di una rete neurale) stimati dalle transizioni osservate; spesso si apprende anche un modello della ricompensa \(r_\theta(s_t, a_t)\). Un modello così abilita tre operazioni: predizione (srotolare traiettorie future senza toccare l’ambiente), pianificazione (cercare, tra le traiettorie immaginate, quella con il ritorno più alto) e simulazione di alternative («e se agissi diversamente?»). Su quest’ultima serve una precisazione da manuale di causalità: ri-simulare da \(s_t\) con un’altra azione è, nel lessico di Pearl, un intervento nel modello; il controfattuale in senso stretto («cosa sarebbe successo in quella traiettoria») chiederebbe invece di tenere fisso il caso già uscito (di riusare cioè la stessa realizzazione del rumore esogeno di quella traiettoria, non di ri-estrarlo) e di ri-simulare cambiando la sola azione; le due cose coincidono quando la dinamica è deterministica. C’è però un dettaglio che occuperà mezzo capitolo: nel mondo reale lo stato non si osserva. Si osservano pixel, suoni, letture di sensori: un’osservazione \(\mathbf{x}_t\) ad alta dimensione e piena di dettagli irrilevanti. I world model moderni imparano perciò due oggetti distinti: un codice compatto della singola osservazione, \(\mathbf{z}_t = f_\phi(\mathbf{x}_t)\) con \(f_\phi\) un encoder appreso, e una memoria \(\mathbf{h}_t\) che riassume la storia precedente. Da un solo fotogramma mancherebbero, per esempio, le velocità: è \(\mathbf{h}_t\) a portarle, ed è la memoria della prossima sezione. Lo stato del modello è quindi la coppia \((\mathbf{z}_t, \mathbf{h}_t)\) e la dinamica si scrive \(p_\theta(\mathbf{z}_{t+1} \mid \mathbf{z}_t, a_t, \mathbf{h}_t)\); nell’RSSM (recurrent state-space model, il modello ricorrente a spazio di stati che i Dreamer adottano) i due oggetti sopravvivono con gli stessi nomi, \(\mathbf{h}_t\) deterministico e \(\mathbf{z}_t\) stocastico condizionato su di esso. Che cosa debba finire in \(\mathbf{z}_t\) (e che cosa sia giusto lasciar fuori) è una delle domande centrali del capitolo.
Immaginare costa meno che provare#
La prima ragione per volere un world model si chiama efficienza nei campioni (sample efficiency): quante interazioni con l’ambiente servono per imparare un compito. Il capitolo sul Deep Reinforcement Learning ne ha mostrato il prezzo. Il DQN arrivava al livello di un collaudatore umano professionista su molti dei 49 giochi Atari del confronto, ma dopo decine di milioni di fotogrammi per titolo, più di un mese di gioco senza mai staccare; il collaudatore con cui era misurato si era esercitato circa due ore per gioco [MKS+15]. Il vocabolario per questa differenza esiste da decenni [SB18]. I metodi model-free imparano valori o strategia direttamente dall’esperienza, e ogni aggiornamento consuma interazione vera; i metodi model-based imparano anche un modello di come l’ambiente risponde alle azioni, e lo usano per pianificare o per generare esperienza simulata, che costa soltanto calcolo.
Nessuna compagnia aerea fa esercitare le emergenze (un motore in fiamme, una raffica in atterraggio) su un aereo vero: si usa il simulatore, dove un errore non costa niente e la stessa situazione si può ripetere cento volte in un pomeriggio. Il DQN di quel capitolo è un allievo senza simulatore: ogni cosa che impara la impara schiantandosi per davvero, e per questo gli servono quelle decine di milioni di fotogrammi, partite su partite per settimane. Tu no: dopo qualche pallina persa a Breakout hai già in testa un piccolo Breakout tascabile («se la racchetta è qui e la pallina scende lì, la manco») e le mosse le ripassi lì dentro, gratis. Chi possiede un simulatore interno spreme da ogni esperienza vera decine di esperienze immaginate.
Il prezzo si paga quando il simulatore è impreciso, e si paga a rate. Il Breakout tascabile sbaglia di poco: dopo un rimbalzo la pallina immaginata è quasi dove sarà davvero, dopo cinque rimbalzi quel «quasi» è mezzo schermo, e la racchetta che avevi preparato aspetta nel posto sbagliato. Non tutti gli sbagli si allargano così: l’aereo del simulatore, se lo lasci andare, torna in assetto da solo, e lì lo scarto si riassorbe invece di crescere. Il guaio peggiore è un altro: se nel tuo Breakout mentale il muro ha un buco che nel gioco vero non c’è, ti alleni a infilarci la pallina e diventi bravissimo a un gioco che non esiste.
Un metodo model-free (Q-learning, DQN, policy gradient) apprende direttamente \(Q(s, a; \theta)\) oppure \(\pi_\theta(a \mid s)\): ogni aggiornamento consuma interazione reale, e la sample efficiency è notoriamente il suo tallone d’Achille. Un metodo model-based apprende prima \(p_\theta(s_{t+1} \mid s_t, a_t)\) e poi lo usa in due modi: per pianificare (cercare azioni buone dentro il modello, come la value iteration faceva sul modello vero) o per generare esperienza sintetica su cui allenare valori e policy (l’architettura Dyna di Sutton, che già nel 1990 alternava passi vissuti e passi immaginati [Sut90], e che la sezione sul reinforcement learning basato su modello tratta per esteso). Il prezzo è il model bias. Se la dinamica vera è \(L\)-Lipschitz nello stato e il modello sbaglia al più di \(\epsilon\) in ogni stato raggiunto, a parità di azioni lo scarto \(e_k\) fra stato immaginato e stato vero soddisfa \(e_k \le \epsilon + L\,e_{k-1}\) con \(e_0 = 0\), quindi \(e_k \le \epsilon \sum_{i=0}^{k-1} L^{i}\): cresce esponenzialmente per \(L > 1\), linearmente per \(L = 1\), e resta sotto \(\epsilon/(1-L)\) per \(L < 1\) (la derivazione, con i suoi limiti, è nella sezione appena citata). Peggio, una policy ottimizzata dentro il modello impara a sfruttarne i difetti (model exploitation), ottenendo ritorni immaginari che l’ambiente vero non paga. Gran parte del capitolo è il racconto di come la ricerca ha negoziato questo compromesso: quanta fiducia concedere al sogno, e per quanti passi.
C’è poi una seconda ragione, meno contabile e più profonda. Il senso comune che LeCun rivendica al gatto non è un elenco di fatti, ma un repertorio di previsioni: le cose non sostenute cadono, ciò che è nascosto continua a esistere, i liquidi si versano, gli oggetti spinti si muovono. È la fisica intuitiva che il neonato dell’incipit costruisce guardando, senza etichette, e il segnale di cui si nutre è la sorpresa, nell’accezione introdotta dall’apertura del capitolo sull’auto-supervisione: quanto era improbabile, per il modello che il bambino si è fatto, quello che poi accade. È una lezione auto-supervisionata, perché il bersaglio non lo scrive nessuno: è il futuro stesso che arriva. Se il senso comune è fatto così, inseguirlo significa costruire macchine che imparano a prevedere il mondo, non a memorizzarlo.
La scommessa di LeCun (e chi non è d’accordo)#
Nel 2022 LeCun mette online, aperto ai commenti di chiunque, un documento di una sessantina di pagine: A Path Towards Autonomous Machine Intelligence [LeC22]. È un programma di ricerca e non un articolo di risultati, cioè il disegno di come andrebbe costruita una macchina che si arrangia da sola nel mondo. Il disegno è fatto di pezzi che si passano il lavoro: uno guarda, uno ricorda, uno propone la mossa, uno pianifica provando le alternative. Al centro c’è un modello del mondo, imparato guardando e senza etichette. La tesi ha una faccia costruttiva (come dovrebbe essere fatta un’intelligenza artificiale che capisce il mondo) e una polemica: i modelli di linguaggio autoregressivi, addestrati solo a indovinare la parola successiva, per quanto grandi non basteranno. LeCun ha legato a questa tesi anche la propria carriera: alla fine del 2025 ha lasciato Meta, dove nel 2013 aveva fondato il laboratorio di ricerca FAIR, per fondare una società dedicata ai world model.
Dentro quel programma c’è anche la retrocessione dell’apprendimento per rinforzo a «ciliegina sulla torta» [LeC16], che il dibattito sul rinforzo ha appena pesato insieme alle obiezioni. L’argomento è il criterio da cui il capitolo è partito: chi impara per tentativi riceve una correzione poverissima, un «bravo» a fine giornata, mentre chi prevede il mondo ne riceve una a ogni istante. Da lì viene la proposta di sostituire i tentativi con la pianificazione dentro un modello del mondo, che è l’oggetto delle pagine che seguono.
L’accusa di LeCun, in soldoni: un LLM scrive come chi detta una storia una parola alla volta senza poter mai rileggere. Ogni parola è una scommessa basata sulle precedenti; se una scommessa introduce uno sbaglio (un personaggio che cambia nome, un bicchiere che cade verso l’alto) le parole dopo costruiscono sopra lo sbaglio, e più la storia è lunga più è probabile che deragli. Mettiamo che vada storta una parola su cento: dopo cinquecento parole, di cento racconti così ne resta in piedi meno di uno. Soprattutto, dice LeCun, a un sistema simile manca il cinema interiore del gatto: non immagina la scena, non prova le alternative nella testa, non ha mai visto un bicchiere cadere; ha solo letto miliardi di frasi e sceglie la parola più plausibile dopo le altre. Attenzione, però: questa è una posizione nel dibattito scientifico, non una verità assodata. Altri ricercatori rispondono che per indovinare bene la parola successiva in tutti i testi del mondo bisogna, in qualche misura, aver imparato molto del mondo che quei testi descrivono, e fanno notare che intanto i modelli continuano a migliorare. E che rileggere, un po’, quei programmi lo fanno: capita che si accorgano dello sbaglio e lo aggiustino nella frase dopo, e allora la catena non si spezza. Su questo c’è perfino un esperimento pensato per decidere la questione con i dati invece che con gli slogan, condotto su un gioco da tavolo: lo racconta per intero la sezione sui simulatori e il dibattito, perché è la prova più pulita che il dibattito abbia prodotto. Chi abbia ragione è ancora da vedere.
Un LLM autoregressivo [BMR+20] fattorizza la probabilità di una sequenza come \(P(w_1, \dots, w_n) = \prod_{t=1}^{n} P(w_t \mid w_{<t})\) e genera campionando un token alla volta. L’argomento che LeCun ripete nei seminari è di natura moltiplicativa: se a ogni token la probabilità di uscire dall’insieme delle continuazioni accettabili è \(\epsilon\), sempre la stessa e indipendente da quanto è già stato scritto, e se l’errore non è recuperabile, la probabilità che una sequenza di \(n\) token resti accettabile decade come \((1-\epsilon)^n\): con \(\epsilon = 0{,}01\) e \(n = 500\) ne resta appena \(0{,}99^{500} \approx 0{,}007\), meno dell’1%. Le obiezioni colpiscono proprio le ipotesi: gli errori non sono né indipendenti né irrecuperabili (i modelli, empiricamente, si correggono), e nulla fissa \(\epsilon\) costante al crescere di scala e addestramento [KMH+20]. Esperimenti di probing, inoltre, indicano che un GPT a 8 strati addestrato soltanto su sequenze di mosse dell’Otello (20 milioni di partite sintetiche) sviluppa una rappresentazione interna dello stato della scacchiera, e che intervenire su di essa cambia le mosse proposte [LHB+23]: un world model implicito, per quanto rudimentale, emerso dalla sola predizione del token successivo, in un mondo di 64 caselle con regole fisse. Misure e limiti sono nella sezione sui simulatori e il dibattito. La proposta alternativa di [LeC22] (predire non nello spazio dei token o dei pixel ma in uno spazio di rappresentazioni astratte, con architetture joint-embedding addestrate a energia) è ciò che studia la sezione sulla JEPA, nel linguaggio del capitolo sui modelli a energia.
Quattro risposte alla stessa domanda#
Come si dà a una macchina un modello del mondo, e che cosa ci deve stare dentro? Le risposte che il capitolo segue vengono da strade diverse.
La prima sono i mondi in miniatura. Nel 2018 David Ha e Jürgen Schmidhuber addestrano un agente a schivare palle di fuoco in un livello di Doom, e lo addestrano dentro il suo stesso sogno: è il nome che danno alla simulazione del gioco che il programma si è costruito da sé, guardando partite giocate a caso. A far proseguire la partita sognata è una rete ricorrente, che legge un fotogramma compresso alla volta portandosi dietro un riassunto di quel che ha visto, e la policy dell’agente si allena lì dentro senza toccare il gioco vero. Dal 2020 quella linea di ricerca arriva ai Dreamer di Danijar Hafner e colleghi. DreamerV3, uscito su Nature nel 2025 [HPBL25], ottiene un diamante in Minecraft senza dimostrazioni umane: il primo algoritmo a riuscirci partendo da zero, dichiarano gli autori, a condizioni che la sezione dedicata illustra. Dreamer 4, nel settembre dello stesso anno, ci arriva senza mai giocare durante l’addestramento: il modello del mondo lo impara da registrazioni di partite giocate da persone, la strategia soltanto dentro il modello [HYL25].
Seconda risposta, la via di LeCun: prevedere nello spazio delle rappresentazioni invece che in quello dei pixel, cioè prevedere il riassunto di quel che verrà e non ogni puntino dello schermo. Le architetture che lo fanno si chiamano JEPA (Joint-Embedding Predictive Architecture, architettura predittiva a rappresentazioni congiunte): un encoder riassume la parte vista, un secondo encoder la parte da prevedere, e un predittore stima il secondo riassunto a partire dal primo, nello stesso spazio. Le generazioni costruite finora sono tre: I-JEPA per le immagini, V-JEPA per i video e V-JEPA 2, che con lo stesso schema guida un braccio robotico. Una JEPA è un modello a energia nel senso del capitolo dedicato, e ne eredita il pericolo principale, il collasso: le due reti possono mettersi d’accordo per dare a ogni cosa lo stesso riassunto. Come lo si eviti lo racconta la sezione sulle JEPA.
Terza risposta, l’inferenza attiva, che cambia disciplina: viene dalle neuroscienze teoriche. La tesi è che percezione, azione e apprendimento minimizzino la stessa quantità, l’energia libera variazionale, che fa da tetto alla sorpresa di ciò che si osserva: la percezione aggiorna le credenze, l’azione cambia le osservazioni, l’apprendimento cambia il modello, più lentamente. Ne esce un sistema senza una ricompensa scritta a parte, perché le preferenze dell’organismo stanno nei priori del modello, accanto a quello che si aspetta.
Ultima risposta, i simulatori generativi di video: Sora di OpenAI, presentato nel febbraio 2024 come passo verso «simulatori di mondo» [BPH+24], e la famiglia Genie di Google DeepMind, che dal 2024 genera ambienti in cui si può giocare [BDE+24]. Con loro arriva la domanda con cui il capitolo si chiude, ed è ancora del tutto aperta: generare video plausibili significa aver capito la fisica, o soltanto saperla imitare?
Da ricordare
Un world model è il cinema interiore di cui parlavamo: un simulatore dell’ambiente che la macchina si costruisce da sé, e che le serve per prevedere cosa succede, scegliere la mossa e provare alternative senza pagarle davvero. L’idea del «modello in scala ridotta della realtà» è di Kenneth Craik (1943).
Chi non ha il simulatore impara schiantandosi nel mondo vero; chi ce l’ha si allena nella propria immaginazione, come i piloti prima di salire su un aereo. La seconda strada costa molta meno esperienza (al programma che impara i giochi Atari senza simulatore serve più di un mese di gioco per titolo, alla persona con cui è confrontato bastavano un paio d’ore di pratica), ma ha un prezzo: se il simulatore è impreciso ci si allena a vincere un gioco che non esiste, e in un mondo che non si rimette in assetto da sé l’imprecisione si somma quanto più lontano si prova a guardare.
Il senso comune è un repertorio di previsioni e non un elenco di fatti (le cose non sostenute cadono, quel che è nascosto continua a esistere) che i bambini costruiscono guardando, anche se quanto ne abbiano già alla nascita è discusso. Nessuno etichetta niente: il maestro è il futuro, e la lezione arriva quando il mondo smentisce la previsione.
Per LeCun un modello che indovina una parola alla volta non basta: serve un sistema che immagini il mondo, non solo il racconto del mondo. È una posizione autorevole dentro un dibattito aperto, non un verdetto: altri ricercatori sostengono che, per azzeccare le parole, quei modelli un modello del mondo se lo siano già costruito dentro, per quanto rudimentale.
Nella stessa proposta c’è una retrocessione: imparare per tentativi e premi, dice LeCun, è «la ciliegina sulla torta», e al suo posto va la pianificazione dentro un modello del mondo. Il motivo è un conto e non il disprezzo: chi impara per tentativi riceve una correzione pochissimo informativa, una specie di «bravo» a fine giornata, mentre chi prevede il mondo viene corretto a ogni istante.
La domanda con cui il capitolo si chiude: chi sa girare il filmato giusto ha capito come funziona il mondo, o è solo bravissimo a imitarlo?
Da ricordare
Un world model è un simulatore interno appreso dell’ambiente, \(p_\theta(s_{t+1} \mid s_t, a_t)\): serve a prevedere, pianificare e provare azioni diverse senza farle per davvero. L’idea del «modello in scala ridotta della realtà» risale a Kenneth Craik (1943).
Model-free prova nel mondo, model-based prova nell’immaginazione: il secondo promette di ridurre le interazioni necessarie (il DQN ne usa decine di milioni di fotogrammi per gioco, il collaudatore umano con cui è confrontato circa due ore di pratica), al prezzo del model bias. Con dinamica \(L\)-Lipschitz ed errore del modello al più \(\epsilon\), lo scarto dopo \(k\) passi è maggiorato da \(\epsilon \sum_{i<k} L^{i}\): esponenziale per \(L > 1\), limitato da \(\epsilon/(1-L)\) per \(L < 1\).
Il senso comune è un repertorio di previsioni (fisica intuitiva) che i bambini costruiscono guardando, senza etichette: apprendimento auto-supervisionato, dove il bersaglio è il futuro stesso. Gli esperimenti di violazione dell’aspettativa misurano l’attesa, non la sua origine, e la quota innata è discussa.
Per LeCun [LeC22] gli LLM autoregressivi non bastano: serve un world model che predica in uno spazio di rappresentazioni. È una posizione autorevole dentro un dibattito aperto, non un consenso: altri ricercatori vedono negli LLM world model impliciti già in formazione.
La stessa proposta retrocede il reinforcement learning a «ciliegina sulla torta» [LeC16], in favore del controllo predittivo su modello. L’argomento è l’informazione del bersaglio (uno scalare per episodio contro ordini di grandezza in più nel pre-addestramento) e l’assegnazione del credito lungo la traiettoria: la sezione sul dibattito attorno al rinforzo lo quantifica, dando spazio alle obiezioni.
Il percorso del capitolo: mondi in miniatura (Ha & Schmidhuber, la linea Dreamer fino a Dreamer 4) → JEPA (I-JEPA, V-JEPA, V-JEPA 2) → inferenza attiva (percezione, azione e apprendimento come minimizzazioni della stessa energia libera, con le preferenze nei priori invece che in una ricompensa) → simulatori video generativi e dibattito. Il linguaggio dell’energia, su cui poggia la JEPA, è quello del capitolo sui modelli a energia, e non è la stessa «energia» dell’inferenza attiva: la sezione sull’inferenza attiva lo dice apertamente.