Un ufficio minimalista con grandi ambizioni
L'ufficio di Danijar Hafner nel distretto SoMa di San Francisco rimane per lo più vuoto. La sua nuovissima startup è ancora in modalità stealth e non ha nemmeno il nome sulla porta. Nel giorno della visita, all'inizio di quest'anno, c'era solo un'altra persona presente, e poco in termini di arredamento. Ma quello che manca in arredamento, lo compensa abbondantemente con i robot. Umanoidi di varie forme e dimensioni pendono come marionette da scaffali che corrono lungo il centro dello spazio ampio e aperto.
Sebbene Hafner, 31 anni, non voglia dire molto della sua nuova iniziativa al momento, la descrive come una continuazione del suo lavoro di lunga data per permettere all'IA di navigare ambienti che non ha incontrato durante l'addestramento. Gli umanoidi, che importa dalla Cina, rappresentano l'evoluzione successiva di questo lavoro e la sua incarnazione fisica. La loro capacità di reagire in scenari precedentemente non testati sarà fondamentale per inserire i robot negli spazi umani. Perché se vuoi inviare un robot nella casa di una persona, per esempio, deve essere in grado di gestire una planimetria e mobili che non ha mai visto prima.
Il fondamento tecnologico: reinforcement learning basato su modelli
Per raggiungere questo obiettivo, Hafner si affida a qualcosa chiamato reinforcement learning basato su modelli. Sviluppa world models—modelli di IA progettati per emulare la realtà fisica—e addestra agenti al loro interno. L'agente essenzialmente tratta il modello come una simulazione del mondo reale e apprende come agire lì. Quindi utilizza queste esperienze per fare previsioni (sognare o immaginare, come potrebbe dire Hafner) sugli esiti futuri. Questo consente agli agenti—o ai robot in cui sono incorporati—di navigare situazioni sconosciute nella realtà.
A differenza di altri approcci, la tecnica di Hafner consente agli agenti e ai robot che controllano di eseguire compiti estremamente complicati senza l'addestramento per prove ed errori nel mondo reale che tradizionalmente è stato utilizzato nella robotica. Questa rappresenta una rivoluzione nel campo, poiché riduce drasticamente il tempo e le risorse necessarie per addestrare i sistemi robotici a funzionare in ambienti nuovi e imprevisti.
Una storia di passione per l'intelligenza artificiale
Hafner è cresciuto in una piccola città nella Germania nord-orientale, dove entrambi i genitori erano musicisti classici. Ha imparato la programmazione da un vicino, e al liceo ha iniziato a seguire corsi online sull'IA, che rapidamente si è sviluppato in una vera passione. "Sono sempre stato affascinato da come funziona il pensiero," dice. L'IA gli ha offerto un modo per emularlo su un computer.
Nel 2015, come studente del secondo anno di ingegneria al Hasso Plattner Institute di Potsdam, ha vinto una posizione come ricercatore studentesco presso Google Brain. Da lì, ha continuato con una dozzina di stage e altre posizioni presso l'azienda, inclusi periodi con Google Brain e Google DeepMind (i due si sono successivamente fusi sotto DeepMind) nel Regno Unito, Canada e negli Stati Uniti. Ha lavorato con leggende del settore tra cui Geoffrey Hinton, spesso indicato come uno dei padrini dell'IA, e Ashish Vaswani, coautore dell'influente articolo di ricerca "Attention Is All You Need," che ha descritto la tecnologia transformer utilizzata dagli odierni modelli di linguaggio di grandi dimensioni.
Riconoscimento dai massimi esperti del settore
Uno dei precedenti manager e coautori di Hafner presso Google, Timothy Lillicrap, lo descrive come un'eccellenza tra le eccellenze. "Interagisco con molte persone veramente intelligenti nella ricerca presso Google, e lui si colloca facilmente nella metà superiore dell'1%," dice Lillicrap. "In molti casi costruirebbe, da solo, cose che richiederebbero interi team di ingegneri per essere costruite."
Questo riconoscimento non è casuale. Nel corso degli anni, Hafner ha affinato e provato il suo approccio confrontando agenti addestrati all'interno dei suoi world models contro popolari videogiochi. Questo metodo di validazione attraverso sfide standardizzate ha dimostrato l'efficacia della sua metodologia in scenari controllati prima di trasferirla a situazioni del mondo reale.
Una sequenza di innovazioni breakthrough
La prima svolta di Hafner è stata PlaNet, un modello che ha permesso agli agenti di eseguire azioni pianificando in anticipo. PlaNet ha rappresentato un salto concettuale importante nel campo, dimostrando che gli agenti potevano anticipare le conseguenze delle loro azioni all'interno di un modello predittivo. Dreamer 2 è stato il primo agente a raggiungere prestazioni a livello umano nel gioco di Atari 2600 utilizzando un world model. Questo rappresentava un punto di riferimento importante, poiché i giochi Atari sono noti per essere ambienti complessi che richiedono pianificazione sofisticata.
Dreamer 3 è stato il primo a risolvere la sfida Diamond di Minecraft—riuscendo con successo a minare gemme nel gioco in modo autonomo. Questo passo ha esteso la complessità dei compiti che gli agenti potevano eseguire, passando da ambienti più semplici a uno dei videogiochi più aperti e complessi disponibili. E Dreamer 4 è andato un passo oltre imparando a minare diamanti da un dataset offline di video di gameplay registrati, senza mai interagire direttamente con il gioco. Questa capacità di apprendimento da dati storici senza interazione diretta apre nuove possibilità per scenari in cui l'interazione diretta non è possibile o pratica.
Dal virtuale al mondo reale: il progetto DayDreamer
Più di recente, ha iniziato a migrare i suoi agenti dal mondo virtuale alla realtà fisica. Il suo progetto DayDreamer ha utilizzato l'algoritmo Dreamer per permettere ai robot di operare autonomamente in ambienti nuovi e reagire a nuove esperienze, come essere spinti a terra, senza alcun addestramento specifico. Questo trasferimento dal regno virtuale a quello reale è cruciale per applicazioni pratiche e rappresenta uno dei traguardi più significativi nel suo lavoro.
Il successo di DayDreamer con robot fisici ha dimostrato che i principi sviluppati nei videogiochi potevano essere effettivamente applicati a sistemi robotici reali. Questa capacità di generalizzazione—di prendere tecniche sviluppate in un contesto e applicarle efficacemente in contesti radicalmente diversi—è una delle caratteristiche distintive del lavoro di Hafner.
La nuova startup e la visione futura
Oggi, Hafner sta lavorando sulla sua nuova startup, che ha lasciato Google DeepMind per formare nell'autunno del 2025. Sebbene sia riluttante riguardo ai suoi prossimi passi, è chiaro che sta pensando in grande: "Ero interessato nel risolvere un problema," suggerisce, "che cambierebbe il mondo."
La startup rimane in modalità stealth, il che significa che i dettagli specifici sulla direzione esatta sono mantenuti privati. Tuttavia, basandosi sul lavoro precedente di Hafner, è ragionevole dedurre che la startup si concentrerà sull'applicazione pratica della sua tecnologia di world models e reinforcement learning a robot fisici che devono operare in ambienti umani reali e imprevisti.
L'impatto potenziale sulla robotica e sull'automazione
Le implicazioni del lavoro di Hafner sono profonde e di vasta portata. Se gli agenti IA possono essere addestrati efficacemente a gestire ambienti precedentemente non visti senza richiedere estensivi test nel mondo reale, questo potrebbe accelerare drammaticamente l'adozione della robotica in settori come la logistica, la manufattura, l'assistenza sanitaria e l'assistenza domestica. I robot potrebbero essere addestrati in simulazioni e quindi distribuiti in ambienti reali con una fiducia molto maggiore che funzioneranno in modo affidabile.
Questo approccio affronta uno dei problemi fondamentali della robotica moderna: il costo e la complessità dell'addestramento del robot nel mondo reale. Tradizionalmente, i robot devono interagire ripetutamente con il loro ambiente specifico per imparare come operare efficacemente. Con i world models di Hafner, gran parte di questo apprendimento può avvenire in simulazione, riducendo notevolmente il tempo e le risorse necessarie.
Conclusione: un futuro promettente
Danijar Hafner rappresenta una nuova generazione di ricercatori di IA che stanno traducendo scoperte teoriche in applicazioni pratiche. Il suo percorso da ricercatore in una piccola città tedesca a ricercatore principale presso uno dei più grandi laboratori di IA del mondo, e ora a imprenditore, illustra la traiettoria ascendente del talento eccezionale nel campo dell'intelligenza artificiale. Con la sua nuova startup, ha l'opportunità di portare il suo lavoro rivoluzionario dalle carte di ricerca e dalle simulazioni di gioco ai robot fisici che operano negli spazi umani quotidiani. Se riuscirà nella sua missione dichiarata di risolvere un problema che cambierebbe il mondo, potremmo assistere a una trasformazione fondamentale nel modo in cui la robotica e l'automazione vengono sviluppate e distribuite nel prossimo decennio.