Un gruppo di ricerca del Korea Advanced Institute of Science and Technology ha sviluppato un nuovo tipo di world model capace non soltanto di prevedere ciò che potrebbe accadere, ma di ricavare autonomamente le regole che spiegano le trasformazioni osservate. Il lavoro, coordinato dal professor Sungjin Ahn della School of Computing del KAIST, introduce il paradigma Learning-to-Theorize, abbreviato in L2T, e il modello neurale Neural Theorizer, denominato NEO, progettato per costruire vere e proprie teorie eseguibili a partire esclusivamente da coppie di osservazioni che rappresentano la situazione iniziale e quella successiva. La ricerca è stata selezionata per una presentazione orale alla 43ª International Conference on Machine Learning, ICML 2026, svoltasi a Seoul dal 6 all’11 luglio, ed è stata presentata il 9 luglio; la selezione ha collocato il lavoro tra lo 0,7% migliore delle 23.918 proposte ricevute, pari a 168 paper, mentre il progetto ha ottenuto anche il premio come miglior lavoro nel Compositional Learning Workshop organizzato nell’ambito della conferenza.
I world model sono rappresentazioni interne attraverso le quali un sistema di intelligenza artificiale cerca di comprendere l’ambiente e prevederne l’evoluzione, e costituiscono una tecnologia fondamentale per la robotica, la guida autonoma, l’AI generativa e gli agenti capaci di prendere decisioni e agire in modo indipendente. Gli approcci tradizionali sono tuttavia concentrati soprattutto sulla previsione dello stato successivo: un modello può imparare a generare con precisione la scena futura senza comprendere quale principio abbia determinato il cambiamento. Il gruppo del KAIST ha cercato di superare questo limite prendendo ispirazione dal modo in cui i bambini costruiscono una rappresentazione del mondo prima ancora di acquisire il linguaggio, formulando progressivamente ipotesi interne sul funzionamento degli oggetti e sulle conseguenze delle azioni osservate.
Nel paradigma L2T il sistema non riceve regole predefinite, spiegazioni esplicite o risposte corrette da memorizzare, ma soltanto una configurazione iniziale e il risultato prodotto da una trasformazione. A partire da queste informazioni deve individuare autonomamente quale meccanismo abbia generato il cambiamento, spostando quindi il problema dal semplice tentativo di indovinare ciò che avverrà alla comprensione del motivo per cui un determinato evento si è verificato. I dati di addestramento sono costituiti da coppie di osservazioni generate da programmi reali che rimangono nascosti al modello, mentre il compito di NEO consiste nel ricostruirne la struttura individuando le operazioni elementari utilizzate e il modo in cui sono state combinate.
Neural Theorizer estrae infatti dalle trasformazioni osservate un insieme di primitive riutilizzabili, corrispondenti alle operazioni fondamentali che governano l’ambiente, e le combina successivamente in programmi eseguibili. Negli esperimenti il modello ha imparato autonomamente primitive come la rotazione di un oggetto, lo spostamento verso sinistra, il movimento verso il basso e l’applicazione di un colore, senza che queste operazioni fossero state definite in anticipo dai ricercatori. Una volta apprese, le primitive possono essere ricomposte sistematicamente per interpretare configurazioni nuove, consentendo al modello di spiegare e risolvere anche sequenze mai incontrate durante l’addestramento, come un’operazione nella quale un elemento deve prima essere spostato verso il basso, poi colorato e infine ruotato.
La differenza rispetto agli approcci convenzionali riguarda soprattutto il modo in cui le trasformazioni vengono rappresentate. Un modello tradizionale tende spesso a memorizzare una combinazione di operazioni come se fosse un unico schema indivisibile, per esempio trattando lo spostamento a sinistra e verso il basso come una sola azione composita. Questa rappresentazione intrecciata può funzionare sulle configurazioni già viste, ma perde efficacia quando le stesse operazioni compaiono in un ordine differente o vengono associate a nuove primitive. L2T spinge invece il modello a separare gli elementi fondamentali della trasformazione, conservandoli come componenti indipendenti e ricombinabili; in questo modo NEO può costruire una nuova teoria operativa assemblando regole già apprese, anziché affidarsi alla somiglianza con esempi memorizzati.
I test condotti dal gruppo hanno mostrato che NEO supera gli approcci esistenti nella generalizzazione composizionale, ossia nella capacità di utilizzare regole elementari note per affrontare problemi e combinazioni mai presentati in precedenza. Questa caratteristica è particolarmente importante negli ambienti reali, dove un agente non può essere addestrato su ogni possibile sequenza di eventi e deve quindi essere in grado di trasferire ciò che ha imparato verso situazioni nuove. La teoria prodotta dal modello è inoltre eseguibile: non si limita a generare una spiegazione linguistica plausibile, ma assume la forma di un programma che può essere applicato all’osservazione iniziale per riprodurre la trasformazione e verificare concretamente la validità dell’ipotesi formulata.
Il nuovo approccio introduce così il concetto di World Theory Model, distinto dai world model incentrati prevalentemente sulla previsione. L’obiettivo non è soltanto rappresentare gli stati dell’ambiente e stimarne l’evoluzione, ma ricostruire una struttura causale e operativa composta da principi riutilizzabili. Un sistema di questo tipo potrebbe permettere a robot e agenti autonomi di adattarsi più rapidamente a contesti non familiari, comprendendo come le proprie azioni modificano l’ambiente e costruendo nuove strategie attraverso la combinazione di conoscenze già acquisite, invece di dipendere esclusivamente da grandi quantità di esempi simili a quelli incontrati durante l’addestramento.
Secondo Sungjin Ahn, il lavoro indica una direzione alternativa rispetto ai world model basati quasi esclusivamente sulla previsione e potrebbe diventare una tecnologia centrale per robot intelligenti, agenti autonomi e sistemi di AI destinati a supportare la scoperta scientifica. In quest’ultimo ambito, la capacità di ricavare teorie eseguibili dai dati potrebbe contribuire alla formulazione automatica di ipotesi sui fenomeni osservati, permettendo all’intelligenza artificiale non soltanto di individuare correlazioni, ma anche di proporre meccanismi verificabili attraverso nuovi esperimenti o simulazioni.
La ricerca, intitolata “Learning to Theorize the World from Observation”, è stata condotta da Doojin Baek e Gyubin Lee, indicati come co-primi autori, insieme a Junyeob Baek, Hosung Lee e Sungjin Ahn. Il progetto ha ricevuto il sostegno della National Research Foundation of Korea e rappresenta un tentativo di avvicinare il funzionamento dei modelli artificiali a una forma di apprendimento più strutturata, nella quale l’AI non accumula soltanto previsioni statistiche, ma sviluppa elementi teorici separabili, ricombinabili e direttamente utilizzabili per spiegare ciò che osserva.