I modelli di Google non creano, interpolano
La ricerca di Google dimostra che i modelli di diffusione non creano ma interpolano dati esistenti, grazie allo score smoothing indotto dal weight decay.
L’interpolazione statistica tra gatti e pennellate genera output apparentemente nuovi ma vincolati ai dati
Quando un modello di diffusione genera l’immagine di un gatto in stile Van Gogh, non sta inventando una combinazione inedita di tratti: sta interpolando tra migliaia di gatti e migliaia di pennellate già viste in addestramento. È quanto emerge da Google Research: la creatività dei modelli di diffusione deriva esclusivamente dall’approssimazione della funzione score appresa dalle reti neurali.
Il meccanismo è elegante e spietato. L’addestramento con la regolarizzazione weight decay forza le reti a imparare versioni sempre più lisce della funzione score — lo score smoothing. Come reti a due strati ReLU addestrate con AdamW mostrano in laboratorio, più si spinge sul decadimento dei pesi, più la superficie decisionale si appiattisce. Con un weight decay più aggressivo la funzione score collassa in una zona di interpolazione tra punti di training. Il risultato? Ogni output “nuovo” non è altro che un punto sul segmento che unisce esempi già noti.
E la deriva non richiede una regolarizzazione imposta a mano: lo smoothing emerge anche per via della regolarizzazione implicita degli algoritmi basati su gradiente.
Non è creatività: è interpolazione statistica, addomesticata con il weight decay.
L’infrastruttura commerciale dell’illusione
Mentre la ricerca smonta il mito, Google impacchetta quella stessa interpolazione come intelligenza generativa per nuovi servizi. La nuova home navigabile di Google Images promette una galleria dinamica e immersiva, aggiornata in tempo reale e personalizzata: un flusso infinito di immagini che sembra generato dal nulla, ma che è in realtà un campionamento statistico dalla distribuzione del web. Nello stesso anniversario, Google ha integrato l’integrazione di Nano Banana in AI Overviews per generare immagini direttamente nei risultati di ricerca, trasformando ogni query in un pretesto per produrre contenuti sintetici.
L’architettura commerciale si completa con le app connesse: Google ha annunciato la connessione diretta di Instacart, Canva e YouTube Music all’AI Mode della Ricerca. L’utente chiede ispirazione per la stanza del dormitorio e l’AI, invece di restituire link, genera moodboard e carrelli della spesa. I numeri delle tendenze lo confermano: la ricerca per “dorm designer” è schizzata del 525%, e le tendenze back-to-school indicano rosa, azzurro e verde come colori dominanti, con la carta da parati per dorm tra le ricerche in forte ascesa. Il tutto, orchestrato da modelli che non creano, ma ricuciono pattern già visti.
Costruire sullo smoothing, non sulla magia
Per chi progetta applicazioni che integrano modelli di diffusione, la lezione è netta: non state orchestrando un processo creativo, ma un interpolatore stocastico con bias di regolarizzazione. In inferenza, ogni prompt attiva uno spazio latente dove la rete compie una media pesata dei campioni di addestramento. Le performance degradano quando ci si allontana dalla distribuzione dei dati visti, e i risultati restano vincolati alla qualità e alla varietà del dataset originale — nessuna “scintilla” esterna.
La scelta architetturale diventa quindi un trade-off preciso. Weight decay aggressivo offre stabilità e output fotorealistici, ma riduce la varianza e porta a collassi modali identici a quella “zona di interpolazione”. Ridurre il decadimento può produrre artefatti ma una maggiore diversità apparente, che però non varca mai il perimetro dei dati di addestramento. In uno stack productivo, questo impone guardrail espliciti: filtri di somiglianza con il training set, metriche di novità, controlli di coerenza. Servire agli utenti copie mascherate è un attimo, se si scambia l’interpolazione per intelligenza.
Google ha capito che questa interpolazione è abbastanza buona per monetizzare. Per chi scrive codice, la trasparenza tecnica è l’unico ancoraggio: smettere di parlare di intelligenza e iniziare a progettare sistemi che gestiscono l’approssimazione con la cautela ingegneristica che merita.
