Rea Stark
IT

Scritti

Il mondo non è piatto

Di , , aggiornato il

L’IA ha conosciuto il mondo da fotografie piatte. Un robot che afferra un cassetto ha bisogno di profondità, che un bambino ricava da due occhi e una mano.

Le mani di un bambino piccolo che stringono una palla di legno su un pavimento di legno

Sessantatré millimetri. È più o meno la distanza tra le pupille di un adulto. Per via di quello scarto ogni occhio riceve un’immagine leggermente diversa, e il cervello trasforma la differenza in percezione della profondità. Una fotografia tiene una delle due immagini e butta via l’altra.

L’intelligenza artificiale ha imparato a vedere dalle fotografie. LAION-5B, un dataset aperto pubblicato nel 2022 per addestrare i modelli di immagini, elenca 5,85 miliardi di immagini con didascalia, e sono tutte piatte. Da allora il settore è passato ai modelli del mondo, sistemi che dovrebbero capire lo spazio fisico abbastanza bene da agirvi, e li nutre con la stessa dieta. Sta insegnando alle macchine un mondo che hanno sempre visto con un occhio chiuso. Poi si stupisce che un robot sia impacciato davanti a un cassetto.

Una fotocamera è una macchina addizionatrice. Ogni pixel somma la luce che lo raggiunge attraverso l’obiettivo e registra una luminosità. La direzione da cui è arrivato ciascun raggio si perde in quel momento, e con essa la geometria della scena. Una macchinina vicina all’obiettivo e un’auto vera dall’altra parte della strada possono finire sugli stessi pixel.

Un campo di luce conserva anche la direzione. Nel 1996 Marc Levoy e Pat Hanrahan, di Stanford, lo definirono come «la radianza in un punto in una data direzione». Registrate quanto è intensa la luce e da dove arriva, e l’immagine conserverà la sua profondità.

Sono arrivato ai campi di luce partendo da ricerche su come due occhi producono la profondità. Volevo immagini che la conservassero. Il mercato di consumo aveva altre idee. Lytro, fondata nel 2006, vendeva una fotocamera a campo di luce il cui numero d’effetto era rimettere a fuoco una foto dopo averla scattata, e ha chiuso nel 2018. La tecnologia funzionava. Aveva sbagliato cliente. Chi ha due occhi non ha bisogno di una fotocamera che gli dica dove sono le cose. Una macchina sì.

Una lastra di vetro sopra un telo a quadri su un lungo tavolo, con un pavimento a quadri più in basso, in un vecchio laboratorio

La percezione della profondità ha bisogno di una mano

Nell’agosto 2025 Google DeepMind ha presentato Genie 3 come modello del mondo generalista e ha detto che potrebbe offrire ai robot uno spazio sterminato in cui allenarsi. Genera i suoi mondi a 720p e 24 fotogrammi al secondo. Qualunque cosa il modello sappia al suo interno, ciò che mostra è un’immagine piatta che si muove. È vero che un video contiene un secondo punto di vista ogni volta che la telecamera si sposta, ma nessuno ha annotato dove sia andata la telecamera, quindi anche questo va indovinato.

La psicologia ha fatto l’esperimento decisivo nel 1963. Richard Held e Alan Hein misero dieci coppie di gattini in una giostra. Un gattino di ogni coppia camminava, l’altro viaggiava in una navicella tirata dal primo, così entrambi vedevano le stesse pareti a strisce per le stesse tre ore al giorno. Quelli che camminavano impararono a posare le zampe guidati dalla vista e sceglievano ogni volta il lato basso di un precipizio visivo. Quelli trasportati vedevano esattamente ciò che vedevano gli altri, e gli servì a poco.

A giudicare da quella prova, vedere è qualcosa che un animale fa, e stare a guardare è un misero sostituto. Un bambino riceve gratis il corredo completo: due punti di vista e una mano. Gli occhi dicono alla mano dove andare, e la mano dice agli occhi se avevano ragione. I costruttori di robot lo sanno e montano sensori di profondità sulle loro macchine. Ma i modelli che dovrebbero fornire la comprensione sono cresciuti comunque a immagini piatte.

La profondità da una sola immagine

Il software sa ricalcolare una parte della dimensione mancante. La stima monoculare della profondità è diventata molto accurata. Depth Anything V2, pubblicato nel 2024, ricava da una singola immagine una mappa di profondità convincente, e Depth Pro di Apple ne restituisce una con distanze assolute in 0,3 secondi. Se a un modello bastasse un occhio solo, l’archivio piatto non sarebbe uno svantaggio.

Un vecchio binocolo sul davanzale di una finestra

Guardate come sono stati istruiti quei modelli. Depth Anything V2 ha imparato da 595.000 immagini sintetiche, generate da scene tridimensionali in cui la profondità di ogni pixel è nota, e poi il suo modello insegnante ha etichettato 62 milioni di fotografie reali per i modelli allievi. La terza dimensione era lì fin dall’inizio. Qualcuno ha dovuto fornirla.

Ciò che il modello aggiunge di suo è la memoria. Dal punto di vista geometrico una singola immagine è ambigua, quindi il modello colma il vuoto con le misure che di solito hanno porte e sedie. Funziona per le cose che ha già incontrato e per le immagini fatte per essere guardate. La foto di un corridoio appesa a una parete manda a un occhio fermo la stessa immagine del corridoio vero. Una persona con un occhio solo risolve la questione muovendo la testa e allungando la mano.

Il lavoro di un robot si svolge negli ultimi centimetri, dove una maniglia sporge dal frontale di un cassetto e le dita devono chiudersi su di essa. Lì una congettura che produce una bella mappa di profondità è una cattiva guida. I gattini trasportati di Held e Hein avevano visto ogni striscia vista da quelli che camminavano. Sul precipizio visivo non distinguevano il lato profondo da quello basso.

Rea Stark è designer industriale e fondatore di imprese a Zurigo. Ha progettato per Sony e Nespresso, ha cofondato Piëch Automotive e Archaí Physics, e studia come le macchine percepiscono e maneggiano il mondo fisico.

Le immagini di questo saggio sono generate con l’IA.