La prossima grande tendenza reale dell'AI, molti non se ne sono ancora resi conto

Negli ultimi due anni ho provato tutte le novità dell’AI praticamente in tempo reale: Agent, multimodalità, una generazione dopo l’altra di modelli. A dirla tutta, ormai non mi sorprendo quasi più. Le capacità stanno sì crescendo, ma girano ancora tutte attorno al “rendere i contenuti più realistici”, senza cambiare davvero direzione.

Almeno fino a questo mese, quando ho testato uno dopo l’altro Astra, Atlas e Cosmos: solo allora mi sono davvero fermato a riflettere.

Non è perché i risultati sono più belli, ma perché ho per la prima volta percepito che l’AI sta oltrepassando un’altra soglia—dalla “generazione di contenuti” verso la “comprensione del mondo e la volontà di agire”.

Te lo dico subito: il prossimo vero trasferimento di valore non sarà una gara sulla dimensione dei parametri dei modelli, ma sul fatto che il mondo tridimensionale sta venendo riscritto come interfaccia che l’AI può leggere, simulare e manipolare. Se continui a interpretare il fenomeno solo come “aumenterà la domanda di contenuti 3D”, ti perderai il cambio logico profondo che sta avvenendo.

Sembra un’affermazione audace. Ma dopo questi tre step, non riesco a convincermi sia solo una coincidenza.

1/ Astra: la prima a crollare è la struttura dei costi

Ho chiesto a GPT-6 Astra di generare la scena interna di un’abitazione. Una volta, anche il risultato più spettacolare non era altro che carta straccia una volta importato in un software di modellazione—tutte le informazioni strutturali andavano perse, impossibile continuare a lavorarci sopra.

Questa volta è stato diverso. Mi ha restituito direttamente una risorsa strutturalmente completa: modificabile in Blender, esplorabile in tempo reale importandola in Unreal Engine 5.

Chiunque abbia lavorato nel 3D sa che questa pipeline costa tantissimo: modellazione, materiali, illuminazione, rendering, post-processo—ogni passaggio richiede intervento manuale in software professionali, con margini di errore piccolissimi e costi temporali altissimi.

Ora? Il punto di accesso è direttamente il linguaggio naturale.

Già le immagini e i video hanno mostrato dove porta questa storia: appena i costi degli strumenti vengono abbattuti, la domanda non si riduce, ma si libera. Giochi, e-commerce, architettura, pubblicità, design industriale: tutti fanno la fila. Non è teoria: sta succedendo ora.

2/ Atlas: da “creare oggetti” a “comprendere lo spazio”

Se Astra ha catalizzato la mia attenzione, Atlas di World Labs, lanciato a settembre, mi ha fatto capire davvero quanto lontano si potrà andare.

Pensa alla differenza: generare una tazza significa preoccuparsi solo della sua forma; per comprendere una cucina, il modello deve sapere dove mettere la tazza, quanto è alto il piano lavoro, da quale lato avvicinare la mano, cosa succederà il secondo dopo all’interno dello spazio.

La prima è creazione di oggetti, la seconda è comprensione dello spazio. Non si tratta solo di risoluzione, ma di un salto di dimensione.
Una frase di World Labs mi è rimasta impressa: "Il 3D sta diventando l’interfaccia universale dello spazio."

Un tempo il testo era l’interfaccia tra uomo e macchina. Se il 3D diventa il medium in cui uomo e AI co-generano, modificano, simulano spazi, il 3D non è più semplice file progettuale, ma nuovo vettore computazionale. Suona futuristico, ma le mie prove sono chiare: sta già diventando realtà.

3/ Cosmos: da “vedere e capire” ad “avere il coraggio di agire”

Con Cosmos di NVIDIA ho avuto la conferma che ciò che sentivo non è esagerato.

I modelli di visione attuali sanno “dire cosa c’è nell’immagine”. Ma per i robot e per la guida autonoma la vera sfida non è il riconoscimento, ma il capire “cosa succederà dopo”.

Cosmos fa sì che il modello costruisca prima internamente un sistema di simulazione dello stato del mondo: prova mentalmente le conseguenze di ogni azione e seleziona il percorso ottimale. In pratica, installa nell’AI un simulatore interno funzionante.

Senza questa funzione la macchina percepisce solo il momento presente; con essa, può simularlo prima di agire davvero. L’impatto di questa svolta per la Physical AI, secondo me, è paragonabile a quello che portò i grandi modelli alla svolta del ragionamento.

4/ Il vero asso nella manica: dati sintetici

I dati reali del mondo costano troppo.

I modelli linguistici possono rastrellare enormi quantità di testi online, ma i robot non imparano a prendere una tazza da un sito web; e nemmeno la guida autonoma può coprire tutti gli scenari estremi solo con i test su strada. E i dati di addestramento più rilevanti—condizioni climatiche estreme, incidenti, situazioni rare sulla carreggiata—sono proprio i più difficili da ottenere.

Ma quando la ricostruzione 3D e i modelli del mondo maturano, la logica si capovolge: con pochi dati reali costruisci uno scenario digitale di base, e poi nel virtuale modifichi sistematicamente clima, posizioni, proprietà degli oggetti, luci—un set di dati seme genera valanghe di esemplari per l’addestramento.

Per questo, come sottolinea il sito di investimenti USA, la competizione per la Physical AI si sta spostando:

Prima vinceva chi aveva più dati reali, ora la gara è tra: qualità dei dati reali × capacità di ricostruzione spaziale × precisione della simulazione × efficienza nell’amplificazione dei dati sintetici.

Aziende USA che ne beneficiano

Ho fatto una classifica su quattro livelli, dal beneficio più diretto a quello più flessibile ma anche più rischioso:

Livello uno · Infrastruttura: NVDA

Non importa quale robotica o quale soluzione di guida autonoma prevarrà: servono comunque potenza di calcolo, simulazione, dati sintetici e piattaforme di addestramento. NVIDIA detiene GPU, Omniverse, Isaac, Cosmos—offre non solo chip, ma la base che insegna alle macchine il mondo reale. Posizione meno dipendente da un solo vincitore.

Livello due · Ricostruzione 3D e digital twin: PTC, ADSK

Per trasformare la realtà in un ambiente digitale per l’AI servono pipeline di modellazione 3D industriale, digital twinning, flussi di lavoro di progettazione. Questi rappresentano l’“ingresso dati” dei modelli dal mondo reale.

Livello tre · Percezione spaziale: OUST, MBLY

Lidar, visione artificiale—convertire l’ambiente fisico in dati spaziali leggibili dalle macchine. Senza questa base, tutto il resto è astratto; ma qui la guerra è serrata, soprattutto sui costi e sull’affidabilità.

Livello quattro · Deployment finale: TSLA, SYM

Chi porta veramente l’AI nel mondo reale. Il rendimento potenziale è massimo, ma anche il rischio: che il modello sia “eseguibile” non significa che i robot siano pronti per la produzione di massa; che una simulazione funzioni non garantisce applicazioni reali senza intoppi.

Da adesso, non guardare solo agli spettacoli demo: osserva queste tre cose—la simulazione riduce davvero la formazione reale? I dati sintetici migliorano davvero il tasso di successo dei modelli? I clienti sono disposti a pagare in modo continuativo?

L’ultima rivoluzione AI ha trasformato la conoscenza umana in token.
La prossima potrebbe trasformare il mondo reale in dati computabili, simulabili e allenabili.

Il linguaggio ha permesso all’AI di comprendere gli umani; il 3D potrebbe essere il ponte che permetterà all’AI di entrare davvero nel nostro mondo.

Upgrade VIP di US Stock Investment Network

Demo delle funzionalità del prodotto di analisi quantitativa AI US Stock Investment Network

US Stock Investment Network è una società fintech specializzata in azioni USA, fondata nel 2008 nella Silicon Valley da Ken, ex analista della Borsa di New York, insieme ad ex analisti di Morgan Stanley e ingegneri di Google e Meta. Utilizzando AI, big data, oltre dieci anni di esperienza pratica sui mercati americani e modelli quantitativi di settore, ha creato un database azionario che elabora ogni giorno dati su milioni di titoli: rileva grandi ordini di opzioni, monitora in tempo reale i movimenti di capitale principale, i cambiamenti nelle partecipazioni istituzionali e le notizie improvvise legate a Trump.