Anima Anandkumar: “Non abbiamo modelli di base per la fisica, ma per la lingua”

Il 26 agosto 2026, il professor Anima Anandkumar, docente di computing presso il Caltech, ha sottolineato durante un podcast che “non abbiamo modelli di base per la fisica, ma per la lingua”. Questa affermazione, fatta in un contesto di discussione su modelli di intelligenza artificiale, ha suscitato interesse nel settore scientifico e tecnologico. Anima, conosciuta per i suoi contributi nel campo dell’apprendimento automatico e della modellazione fisica, ha spiegato come i modelli attuali siano ottimizzati per la lingua, ma non per la fisica, un campo in cui le sfide sono molto più complesse. La sua ricerca si concentra su sistemi fisici come il tempo atmosferico, i reattori a fusione e i flussi termici, dove le simulazioni richiedono una struttura matematica diversa da quella utilizzata nei modelli linguistici.

Modelli fisici: una sfida diversa

La modellazione fisica richiede un approccio diverso rispetto a quello utilizzato per i modelli linguistici. Anima ha spiegato che i dati disponibili per i sistemi fisici sono limitati, spesso a migliaia o centinaia di migliaia di esempi, mentre i modelli di linguaggio, come i transformer, richiedono un numero molto maggiore di token. Inoltre, la risoluzione necessaria per simulare fenomeni fisici spinge il contesto a livelli di complessità inauditi, rendendo impossibile l’uso di modelli basati su token. Non è una questione di limiti, ma di strumenti diversi, ha detto Anima, sottolineando che la fisica richiede una struttura iniziale ben definita, che i modelli linguistici non possono fornire.

Neural Operators: una nuova strada

Per affrontare queste sfide, Anima ha sviluppato una tecnica chiamata Neural Operators, una delle più significative innovazioni teoriche nell’intelligenza artificiale degli ultimi anni. Questi operatori permettono di combinare dati e leggi fisiche per creare modelli multi-scala, in grado di gestire input e output su diversi livelli di complessità. “Non modelliamo più una griglia, ma una funzione che evolve su diversi scale”, ha spiegato. Questo approccio ha portato a risultati notevoli, come FourCastNet, un modello di previsione meteorologica in grado di operare su una scala globale e mantenere la stabilità per periodi molto lunghi.

La tecnologia dei Neural Operators ha anche trovato applicazione in altri settori, come la fusione nucleare, dove è stato possibile prevedere le instabilità del plasma con una velocità molto superiore rispetto ai metodi tradizionali. Anima ha sottolineato che non si tratta di un rifiuto della scalabilità, ma di un diverso percorso per raggiungerla. La fisica non si basa sui token, ma su una struttura iniziale, ha concluso, spiegando che i modelli fisici richiedono un approccio più principale e meno empirico.

Anima Anandkumar ha espresso l’intenzione di costruire un “modello di base per la fisica”, un modello in grado di simulare e progettare fenomeni fisici complessi. Questo modello, che potrebbe unire simulazioni e progettazione, rappresenta un passo avanti nella ricerca sull’intelligenza artificiale applicata alla scienza. “Tutto ciò che funziona con l’apprendimento profondo, lo prendiamo, ma lo rendiamo un po’ più principale”, ha detto, riferendosi al suo lavoro su modelli più strutturati e basati su principi fisici. La sua ricerca continua a essere un punto di riferimento per chi si occupa di modellazione fisica e intelligenza artificiale, con un impatto crescente nel settore scientifico e tecnologico.

• FourCastNet: modello meteorologico in grado di prevedere il tempo su larga scala.
• Neural Operators: tecnica innovativa per modellare fenomeni fisici complessi.
• Modelli di base per la fisica: obiettivo di Anima Anandkumar per il futuro.