PhysInOne: due milioni di video per insegnare la fisica ai modelli generativi

Un bambino impara la gravità molto prima di saperla scrivere. La impara lasciando cadere il cucchiaio dal seggiolone, guardando l’acqua rovesciarsi, vedendo la palla rimbalzare e fermarsi. Anni di osservazioni disordinate costruiscono un’intuizione fisica così solida che, da adulti, un video di una tazza che cade verso l’alto ci sembra sbagliato in una frazione di secondo. I modelli generativi di video quell’infanzia non l’hanno mai avuta. Hanno visto milioni di clip, ma nessuno ha mai detto loro quali rispettassero le leggi della fisica e quali no. È per questo che producono scene magnifiche e impossibili: oggetti che accelerano dal nulla, liquidi che sfidano la gravità, ombre incoerenti. PhysInOne, un dataset presentato nell’aprile 2026 dal vLAR Group del Politecnico di Hong Kong con Meta, prova ad affrontare il problema dove nasce: nei dati.

Il problema è la carestia di dati fisici

La tesi degli autori è semplice e ha un precedente storico dalla loro parte. Ogni salto di qualità del machine learning è arrivato quando è arrivato il dataset giusto: ImageNet per il riconoscimento di immagini, LAION-5B per la generazione, Objaverse per il 3D. Per la comprensione della fisica visiva, un dataset di quella stazza non esisteva. I lavori precedenti si addestravano su decine, centinaia o al massimo migliaia di esempi, ciascuno limitato a un pugno di fenomeni. Troppo poco per pretendere che un modello diventi un vero simulatore del mondo.

PhysInOne rovescia le proporzioni. Contiene 153.810 scene 3D dinamiche e 2 milioni di video annotati, che coprono 71 fenomeni fisici di base in quattro aree della fisica quotidiana: meccanica, ottica, fluidodinamica e magnetismo. Fuori restano termodinamica e acustica, che quasi mai si vedono in un video e richiederebbero sensori di temperatura o suono. La scelta dei 71 fenomeni non è arbitraria: viene da un manuale universitario introduttivo, Fundamentals of Physics, la traduzione in dati di un programma d’esame.

Non solo pixel: la scena conosce le sue regole

La differenza rispetto a un video qualsiasi scaricato dal web sta nell’annotazione. Ogni scena non è un filmato opaco, ma un mondo 3D di cui si conosce tutto: mesh degli oggetti, traiettorie di movimento, maschere 2D, materiali, mappe di profondità, pose delle telecamere e una descrizione testuale scritta a mano. Soprattutto, ogni scena è generata rispettando davvero le leggi fisiche fondamentali, non imitandole: le leggi di Newton, la conservazione della massa e del momento (anche angolare), la legge di Hooke per le molle. La più familiare governa il moto di quasi ogni oggetto della collezione,

$$\vec{F} = m\,\vec{a}$$

mentre la deformazione elastica di una molla o di un materiale cedevole segue la legge di Hooke, dove la forza di richiamo cresce in proporzione allo spostamento $x$ dalla posizione di riposo:

$$\vec{F} = -k\,x$$

Il punto non è che il modello veda queste formule — non le vede mai — ma che i due milioni di video siano coerenti con esse. Le scene, poi, non sono le solite pallina-su-tavolo-vuoto: contengono più oggetti che interagiscono tra loro, su sfondi complessi, con più fenomeni che accadono in contemporanea o in sequenza. Una macchinina accelera, urta una scatola di legno collegata a un palloncino, e il palloncino inizia a salire per la spinta di Archimede. Un solo clip, tre principi diversi.

A cosa serve: quattro banchi di prova

Un dataset vale per quello che permette di fare, e gli autori mostrano quattro applicazioni. La prima è la generazione video consapevole della fisica: prendendo modelli fondativi già noti — SVD, CogVideoX, WAN — e facendo un fine-tuning anche solo su un sottoinsieme moderato di PhysInOne, la plausibilità fisica delle clip generate migliora in modo netto, misurata con una metrica nuova pensata apposta per la fedeltà del movimento. La seconda è la predizione dei fotogrammi futuri, a breve e a lungo termine: dato l’inizio di un video, indovinare come prosegue. È il test più onesto della comprensione fisica — come diceva Feynman, «ciò che non so creare, non lo capisco» — ed è anche il mattone su cui poggia la pianificazione dei robot. Le altre due sono la stima delle proprietà fisiche intrinseche (massa, materiale) direttamente dal video e il motion transfer, trasferire un movimento da una scena all’altra.

Quello che il dataset rivela, non solo quello che risolve

La parte più interessante è che PhysInOne non serve solo a migliorare i modelli: serve a metterne a nudo i limiti. Gli stessi esperimenti che mostrano i progressi espongono lacune critiche. I modelli restano fragili quando la dinamica si fa complessa — molti oggetti, interazioni a catena — e faticano parecchio a stimare le proprietà intrinseche invisibili, come la massa di un corpo che si può solo dedurre da come si muove. È un risultato prezioso proprio perché scomodo: dice che il problema non era solo la scarsità di dati, e che avere due milioni di video giusti sposta l’asticella ma non chiude la partita.

Vanno tenuti a mente anche i confini dichiarati. È un dataset sintetico: le scene sono costruite al computer, non filmate nel mondo reale, e per quanto ricche restano un’approssimazione. Copre quattro aree su sei della fisica di base, lasciando fuori termodinamica e acustica. E la metrica di plausibilità fisica proposta è nuova, quindi ancora da validare al di fuori di questo lavoro. Nessuna di queste è una critica fatale; sono i contorni onesti di un contributo che è, prima di tutto, di scala.

La posta in gioco

Dietro PhysInOne c’è una scommessa su cosa serva davvero per i «world model», i modelli che ambiscono a simulare il mondo per far pianificare i robot o generare video credibili. La scommessa è che l’intuizione fisica non si programmi con regole, ma si apprenda dall’osservazione — a patto che l’osservazione sia abbondante e corretta. È lo stesso modo in cui la impara un bambino, tradotto in due milioni di clip etichettate. Se la scommessa regge, il prossimo video generato dall’AI in cui una tazza cade verso l’alto sembrerà sbagliato non solo a noi, ma anche al modello che lo ha prodotto.

Il paper

Siyuan Zhou, Hejun Wang, Hu Cheng et al. (vLAR Group, The Hong Kong Polytechnic University; Meta), PhysInOne: Visual Physics Learning and Reasoning in One Suite, arXiv:2604.09415, 10 aprile 2026.