Induction Labs ha pubblicato un risultato di ricerca che mette in discussione un presupposto di lunga data nell’intelligenza artificiale: che le macchine debbano essere addestrate con esempi accuratamente etichettati di ogni azione che ci si aspetta sappiano eseguire. L’azienda ha presentato Photon-1, il primo modello di quella che definisce una nuova classe di architettura foundation nota come “imagination models”, progettata per apprendere da video su scala internet senza vedere etichette di azione durante il pre-addestramento.

Photon-1 è un transformer sparse mixture-of-experts da 106 miliardi di parametri con 5 miliardi di parametri attivi. È stato addestrato su circa 575 milioni di fotogrammi di registrazioni dello schermo di computer, che secondo Induction Labs equivalgono a 18 anni di video campionato a un fotogramma al secondo. I dati di addestramento sono stati ricavati da un indice iniziale di due miliardi di video disponibili pubblicamente, ridotti a circa due milioni di registrazioni dello schermo e poi privati dei fotogrammi ridondanti tramite un modello interno di rilevamento dei keyframe. Il modello è stato pre-addestrato da zero per una epoca, richiedendo circa 30.000 ore-GPU NVIDIA H200 e 4.4 × 10²² FLOPs.

La principale affermazione di Induction Labs è che Photon-1 supera Gemini 3.1 Flash-Lite di Google nei benchmark interni dell’azienda sull’uso del computer, pur essendo stato addestrato con almeno 30 volte meno calcolo. L’azienda afferma inoltre che Photon-1 costa circa tre volte meno per milione di token serviti, riportando un costo di inferenza ponderato di $0.11 per milione di token contro $0.36 per Gemini. Queste cifre presentano limiti importanti: il benchmark è interno e non pubblicato, quindi i risultati non sono riproducibili in modo indipendente, e la stima del calcolo per Gemini è una proiezione conservativa di Induction Labs, non un dato verificato esternamente.

L’affermazione è rilevante perché gli agenti per l’uso del computer sono una delle aree in cui i sistemi di IA dipendono ancora fortemente da dimostrazioni supervisionate, flussi di lavoro specifici per strumenti e valutazioni specifiche per ambiente. Se i modelli possono apprendere dinamiche utili delle interfacce da registrazioni dello schermo non etichettate, la quantità di annotazione umana necessaria per costruire agenti capaci di svolgere compiti potrebbe ridursi, sebbene i risultati riportati per Photon-1 dipendano comunque da una fase più piccola di finetuning etichettato e dal reinforcement learning dopo il pre-addestramento.

We’re introducing imagination models: a new foundation model architecture that unlocks learning from internet-scale video. Our first imagination model, Photon-1, learned to use a computer by watching 18 years of screen recording video without action labels. pic.twitter.com/DMhRqL28si — Induction Labs (@induction_labs) July 23, 2026

We’re introducing imagination models: a new foundation model architecture that unlocks learning from internet-scale video. Our first imagination model, Photon-1, learned to use a computer by watching 18 years of screen recording video without action labels. pic.twitter.com/DMhRqL28si

Come funzionano gli imagination models

Photon-1 si distingue dagli approcci convenzionali non solo per la scala, ma anche per l’architettura. Invece di prevedere la parola successiva o generare pixel grezzi, gli imagination models prevedono autoregressivamente fotogrammi futuri all’interno di uno spazio di rappresentazione appreso, usando un obiettivo next-latent-token. Ogni fotogramma video viene compresso in 960 token discreti tramite finite scalar quantization e occupa solo 2.2 kilobyte. Induction Labs afferma che ciò è circa 100 volte più piccolo delle rappresentazioni OCR e multimodali esistenti, pur preservando testo, layout e cambiamenti di stato.

Un encoder latente differenziale elabora i fotogrammi a coppie, codificando le differenze tra stati consecutivi invece di rappresentare ogni fotogramma soltanto come contenuto visivo assoluto. Questa compressione rende computazionalmente pratico prevedere stati futuri in modo autoregressivo su larga scala. Durante il pre-addestramento, il modello apprende ciò che l’azienda definisce una “policy implicita”: prevedendo come apparirà successivamente uno schermo, internalizza la struttura causale delle interfacce informatiche senza che gli venga detto quali clic del mouse o pressioni di tasti abbiano causato le transizioni osservate.

Convertire questa conoscenza osservazionale in un agente funzionante ha richiesto una seconda fase. Induction Labs ha effettuato il finetuning di Photon-1 su meno di 35.000 traiettorie etichettate di uso del computer, per insegnare al modello il corretto formato delle azioni. L’azienda ha aggiunto token speciali che consentono a Photon-1 di emettere comandi di tastiera e mouse. In fase di inferenza, il sistema opera in due passaggi: prima immagina lo stato successivo che farebbe avanzare il compito, poi genera l’azione destinata a raggiungere quello stato.

Induction Labs ha quindi utilizzato reinforcement learning online, con rollout in tempo reale su macchine virtuali Linux in cinque ambienti desktop. Gli esiti sono stati verificati programmaticamente e i segnali di ricompensa sono stati usati per migliorare ulteriormente il modello. Questa configurazione di valutazione mantiene il lavoro riportato concentrato su ambienti software in cui stati ed esiti possono essere strumentati, piuttosto che su contesti fisici aperti in cui verifica e vincoli di sicurezza sono più difficili da automatizzare.

L’azienda riferisce anche che le capacità di Photon-1 si estendono oltre il dominio delle registrazioni dello schermo osservato durante il pre-addestramento. Quando è stato sottoposto a finetuning su 20.000 partite di dama da torneo, Photon-1 ha superato sia un baseline con vision encoder sia un baseline basato su un modello linguistico di dimensioni simili nella simulazione del mondo e nella qualità delle mosse. Su 10.000 partite di biliardo generate sinteticamente, ha raggiunto un errore assoluto medio di 0.47 nella previsione della posizione delle palle, rispetto a 1.15 per il baseline LLM e 1.44 per il baseline visivo.

Secondo Induction Labs, il modello ha anche appreso schemi di comportamento umano dai dati di pre-addestramento. Ha imparato a formulare prompt a un clone di ChatGPT all’interno di una macchina virtuale, valutarne gli output e guidare la conversazione fino al completamento di un compito, in modo simile a come le persone usano gli strumenti di IA nei flussi di lavoro pratici.

La frontiera in espansione dei world model

Photon-1 viene introdotto in un momento in cui l’industria dell’IA si concentra sempre di più su ciò che i ricercatori definiscono in senso ampio “world models”. Questi sistemi sono progettati per costruire rappresentazioni interne di come gli ambienti evolvono in risposta alle azioni, invece di limitarsi a prevedere testo o produrre videoclip isolati.

Nel 2026, lo sviluppo in quest’area ha accelerato. A maggio, Google DeepMind ha rilasciato Genie 3, un world model interattivo in tempo reale in grado di generare ambienti 3D persistenti a 24 fotogrammi al secondo da testo o immagini, utilizzando una fisica appresa autonomamente invece di regole codificate manualmente. La piattaforma Cosmos di NVIDIA, che offre world foundation model open-weight addestrati su 20 milioni di ore di dati del mondo reale, ha superato i due milioni di download ed è utilizzata da aziende di robotica tra cui 1X, Figure AI e Agility per generare dati di addestramento sintetici.

World Labs di Fei-Fei Li ha lanciato Marble, un sistema commerciale per creare mondi 3D modificabili da testo, immagini o video. AMI Labs di Yann LeCun, secondo quanto riportato valutata €3 miliardi prima del rilascio di un prodotto, ha raccolto €500 milioni per sviluppare architetture in stile JEPA che apprendono rappresentazioni astratte prevedendo nello spazio latente invece che nei pixel.

Altri sviluppi includono Gen-4.5 di Runway, che l’azienda descrive esplicitamente come un “world model” con fisica realistica, e DreamZero, un world action model da 14 miliardi di parametri che ha dimostrato un forte trasferimento cross-embodiment da video umani al controllo robotico usando solo informazioni visive e nessuna etichetta di azione.

Nel loro insieme, questi sforzi indicano un più ampio cambiamento architetturale nella ricerca sull’IA. Mentre i grandi modelli linguistici sono diventati efficaci nel riconoscimento di pattern nel testo, la prossima generazione di sistemi di IA mira sempre più a comprendere causalità, fisica e procedure attraverso l’osservazione diretta. Il metodo di Induction Labs, che apprende da video non etichettati tramite previsione dello stato, si inserisce in questa direzione affrontando al tempo stesso un collo di bottiglia chiave: la necessità che gli esseri umani convertano le osservazioni in azioni etichettate prima dell’addestramento.

I prossimi test per questo approccio saranno la riproducibilità esterna, una copertura più ampia dei benchmark e prove che la stessa ricetta di addestramento funzioni in ambienti meno controllati. Resta irrisolto se gli imagination models possano scalare oltre le registrazioni dello schermo verso lavoro fisico, interazione sociale e dinamiche complesse del mondo reale. Per ora, Photon-1 viene presentato come una prova di concetto del fatto che le macchine possono imparare ad agire, almeno in parte, osservando.