La fine dello scaling puro

La fine dello scaling puro

L'industria dell'AI esce dall'era della pura potenza di calcolo. Architettura, sicurezza e modelli di proprietà diventano la nuova posta in gioco.

Lunedì 19 maggio, in un post breve su X, Andrej Karpathy annuncia che entra in Anthropic. Si occuperà di pre-training, la parte più costosa, più lenta, più oscura del lavoro sui grandi modelli. Non è una notizia di gossip aziendale, anche se ha l'aria di esserlo. È un piccolo gesto pubblico che rivela una grande corrente sotterranea, e questa puntata di Signal Brief, datata 25 maggio 2026, prova a seguirla fino al punto in cui sbuca.

Per capire perché Karpathy che cambia squadra è una scena importante, bisogna fare un passo indietro. Per quasi tre anni — dal 2023 in poi — la storia dell'intelligenza artificiale è stata raccontata con una metafora sola, quella della corsa. Chi ha più chip vince. Chi ha più dati vince. Chi ha più centri di calcolo vince. Era un'era in cui la formula sembrava chiara: prendi una rete neurale già grande, falla diventare gigantesca, dalle in pasto tutto Internet, e dall'altra parte esce qualcosa di sempre più simile a un ragionamento. Funzionava. Per un po'.

A maggio del 2026 però — e questo è il filo che attraversa tutta la puntata di oggi — la corsa ha cambiato natura. La gente che lavora seriamente su questi sistemi ha smesso di parlare solo di scala e ha cominciato a parlare di altre tre cose: l'architettura sotto il cofano, la sicurezza degli usi, e chi possiede davvero la macchina. Tre cose che fino a ieri sembravano dettagli da specialisti, e che oggi sono diventate il vero campo di battaglia.

Il primo segnale arriva proprio da chi sta in fondo al laboratorio. François Chollet, uno dei ricercatori più rispettati nel campo, ha lasciato Google dopo dieci anni per fondare una startup nuova che si chiama Ndea. La sua tesi è scomoda: la pura crescita delle reti neurali ha raggiunto un plateau, e per fare il passo successivo serve una strada diversa. Ilya Sutskever, dal canto suo, ha praticamente fermato la commercializzazione nella sua nuova azienda Safe Superintelligence — niente prodotti, niente abbonamenti, niente servizi a pagamento, fino a quando il problema della sicurezza non avrà una risposta. Sull'altro versante, Elon Musk e Jensen Huang non hanno fermato nulla: anzi, lanciano prodotti e infrastrutture in continuazione. È una battaglia su chi arriverà per primo all'AGI pratica, ma soprattutto su quale strada conta — la ricerca paziente, la R&D delle grandi aziende, o l'accelerazione delle startup.

Il secondo filo è geopolitico. Jensen Huang, in un'intervista di metà maggio, ha ammesso una cosa che fino a un anno fa era tabù: Nvidia ha sostanzialmente ceduto il mercato cinese a Huawei. Non per gentilezza, per realismo. Nello stesso periodo Balaji Srinivasan e Vitalik Buterin spingono in una direzione opposta, quella della proprietà distribuita: chiavi crittografiche, reti che non passano per nessun governo. E Musk fa la terza strada, la sua: integrazione verticale totale, ha fuso xAI con SpaceX, una specie di feudo tecnologico autosufficiente che va dai chip ai satelliti. È un po' come quando, all'inizio del Novecento, le grandi industrie americane hanno smesso di comprare elettricità dalla rete e si sono costruite la propria centrale dentro lo stabilimento. La sovranità del calcolo, oggi, ha lo stesso sapore.

Il terzo filo è più sottile ma forse il più pratico. Patrick Collison, il fondatore di Stripe, ha pubblicato un dato che fa pensare: un account su sei aperto sui servizi di intelligenza artificiale viene compromesso da furti di credenziali. Le bande criminali le rubano, le rivendono, drenano risorse dai trial gratuiti. È una crisi di fiducia sull'infrastruttura, una di quelle cose che succedono sempre quando una tecnologia esce dalla bolla degli early adopter e arriva al mondo reale. È successo col commercio elettronico vent'anni fa, è successo coi pagamenti contactless, sta succedendo adesso con l'AI.

Tre fili: chi fa la ricerca, chi possiede l'infrastruttura, chi si fida del sistema. E sopra di essi, una corrente di fondo: la scala è diventata un bene di consumo. Quello che fa la differenza adesso è la capacità di iniziativa — delle persone, delle organizzazioni, dei modelli stessi. Vediamo come questo si è incarnato, in questa settimana, in quattro figure precise.

Cominciamo proprio da Karpathy. Per chi non lo conoscesse: è uno dei nomi più ascoltati nella comunità dell'AI, è stato tra i fondatori di OpenAI, poi ha guidato per anni il pilota automatico di Tesla, e gli ultimi due anni li aveva passati a costruire Eureka Labs, una startup che voleva reinventare l'educazione con l'aiuto dei modelli linguistici. È anche, va detto, uno dei migliori divulgatori che il campo abbia: i suoi video su YouTube spiegano come funziona un modello dall'interno meglio di qualsiasi corso universitario.

A metà maggio annuncia il suo nuovo lavoro: entra in Anthropic, nel team di pre-training. È la fase più lunga e più cara nella costruzione di un modello, quella in cui la rete neurale legge per la prima volta miliardi di pagine di testo. E lui ci entra con un'idea precisa: usare Claude stesso — il modello di Anthropic — per accelerare la ricerca su Claude. Una specie di apprendista stregone che impara a costruire altri apprendisti. Lui la chiama, mezzo serio e mezzo ironico, "tokenmaxxing": passare giornate intere immerso nei modelli, stressarli, sondarli, capire cosa fanno davvero quando nessuno guarda.

Ma la cosa più interessante è un'altra. In una serie di post recenti Karpathy ha sostenuto che il vero problema non è quanto sono potenti i modelli — è che il software intorno a loro è progettato male. I siti web, le applicazioni, gli strumenti di sviluppo: tutto è stato pensato per essere usato da esseri umani con gli occhi e con le dita. Ma se la prossima generazione di programmi viene usata da agenti automatici, allora serve un'intera infrastruttura nuova, fatta non di pagine ma di interfacce conversazionali, di documentazione leggibile dalle macchine, di software fluido e personalizzato che si compone sul momento. Karpathy lo chiama "bespoke software", software su misura, come un vestito sartoriale.

Il suo passaggio ad Anthropic dice due cose insieme. La prima: anche chi credeva che l'educazione fosse la frontiera più importante torna in laboratorio, perché sente che il vero gioco è ancora lì. La seconda: il talento dell'AI si concentra. È un'epoca un po' simile a quando i fisici nucleari, negli anni Quaranta, si spostavano da un'università all'altra inseguendo i pochi posti dove davvero si poteva fare la frontiera. Anthropic, oggi, è uno di quei posti. E Karpathy, scegliendola, segnala dove pensa che si muoverà il pendolo nei prossimi due o tre anni.

Sull'altro versante c'è Ilya Sutskever. È il ricercatore che ha disegnato gran parte delle architetture che oggi usiamo tutti, ed è uno dei fondatori di OpenAI da cui se n'è andato l'anno scorso. Ha fondato una nuova azienda con un nome che è già un programma: Safe Superintelligence. Ha raccolto tre miliardi di dollari, e la valutazione è arrivata a trenta. Ma la cosa che la rende strana, in un settore dove tutti corrono a vendere abbonamenti, è la regola interna: niente prodotti finché non avremo costruito una superintelligenza sicura. Niente. Nessun servizio, nessun sito a pagamento, nessuna offerta commerciale. Solo ricerca.

A maggio Sutskever ha fatto qualcosa di insolitamente pubblico per uno che di solito sta zitto. Ha testimoniato nel processo che oppone Elon Musk a OpenAI, e ha depositato cinquantadue pagine di documenti in cui descrive — sono parole sue — un "pattern coerente di menzogne" da parte di Sam Altman. È un colpo durissimo a un ex collega, e dice molto sul perché lui se ne sia andato. Sutskever, semplicemente, non si fida più di un mondo in cui i modelli vengono spinti sul mercato prima di averli capiti davvero.

La sua frase più citata, di qualche mese fa, è diventata una specie di motto: "il pre-training, così come lo conosciamo, finirà indubbiamente". Significa che il modo con cui oggi alleniamo i grandi modelli — dargli da leggere mezzo Internet e sperare che diventino intelligenti — ha già mostrato i suoi limiti. Serve un altro paradigma. Lui non dice quale: dice solo che sta lavorando in segreto per trovarlo.

Per riprendere il filo di questa puntata: se Karpathy è il pragmatico che entra nella fabbrica più grande, Sutskever è il monaco che si chiude in cella per ripensare le fondamenta. Sono due risposte opposte alla stessa intuizione — che la corsa alla scala sta finendo. E nel mezzo, là fuori, ci sono Musk e Huang che continuano a vendere a tutta velocità.

Veniamo a Huang, allora. Il capo di Nvidia ha avuto un trimestre da raccontare ai nipoti: ottantun miliardi di dollari di ricavi, cinquantotto miliardi di profitto netto, una crescita dell'ottantacinque per cento rispetto all'anno prima. È difficile mantenere il senso delle proporzioni con questi numeri. Per dire, sono i ricavi di un trimestre, non di un anno. Nvidia oggi vale più di qualsiasi azienda nella storia, e continua a crescere.

Ma a metà maggio Huang ha detto due cose che sono più interessanti del fatturato. La prima è il lancio di una nuova piattaforma chiamata Vera Rubin — un chip che combina processore generale e processore grafico, pensato per essere il cuore dei centri di calcolo della prossima generazione. Huang dice che è un mercato nuovo da duecento miliardi di dollari, completamente non servito fino a oggi. Nvidia ne ha già venduti per venti miliardi.

La seconda dichiarazione è più sorprendente. Huang ammette, con una franchezza inusuale per un amministratore delegato, che Nvidia ha "in larga misura ceduto" il mercato cinese dei chip avanzati ad Huawei. Lo dice senza drammi, come una constatazione pragmatica. Le restrizioni americane all'esportazione hanno aperto uno spazio, e Huawei l'ha occupato. Punto. È un riconoscimento che il mondo dell'AI non sarà uno solo: sarà almeno due, forse tre, ognuno con la propria filiera di silicio.

Per chi guarda con un po' di prospettiva, è un momento che ricorda gli anni Settanta dell'industria automobilistica giapponese. Per anni gli americani avevano fatto finta che non esistesse; poi un giorno si sono svegliati e Toyota era a Detroit. La differenza è che adesso il fenomeno è ufficiale, dichiarato dall'azienda più potente del settore. E mentre Huang concede la Cina, Musk costruisce la sua piccola galassia integrando xAI dentro SpaceX, e altri ancora — Balaji, Buterin — propongono un terzo modello, fatto di reti distribuite dove nessuno comanda davvero.

Tre modi diversi di rispondere alla stessa domanda: chi controlla questa cosa? Nessuno ha la risposta giusta, ma tutti hanno smesso di fare finta che la domanda non esista.

L'ultimo ritratto di oggi torna a Chollet, che avevo nominato all'inizio. François Chollet è francese, lavora da anni nel campo, e ha una caratteristica rara: è uno dei pochi ricercatori che ha sempre detto, anche quando era impopolare, che i grandi modelli linguistici da soli non sono la strada per arrivare a una vera intelligenza. Per anni l'hanno chiamato scettico. Adesso, mese dopo mese, l'industria gli sta dando ragione.

A marzo Chollet ha lanciato la terza versione del suo test di riferimento, ARC-AGI-3. Per capirci: è un test che si dà ai modelli per misurarne le capacità. I precedenti erano puzzle statici. Questo terzo è diverso, ed è disegnato da progettisti di videogiochi. Sono ambienti interattivi, a turni, dove un agente deve scoprire da solo le regole, capire qual è l'obiettivo, e provare ad arrivarci. Gli esseri umani lo risolvono al cento per cento. I migliori modelli al mondo, oggi, sono allo 0,37 per cento. Lo zero virgola trentasette, non è un refuso.

E nel mese di maggio Chollet ha fatto la sua mossa: ha lasciato Google e si è dedicato a tempo pieno a una startup che si chiama Ndea, fondata insieme a Mike Knoop. Hanno raccolto quaranta milioni di dollari. La loro tesi è semplice: per arrivare a un'intelligenza generale serve un sistema che impari da pochi esempi, non da miliardi. Più simile a come fa un bambino con i giocattoli che a come fa un modello con un terabyte di testo.

In un post di inizio maggio, Chollet ha aggiunto un'osservazione che vale la pena tenersi. L'AI, dice, amplifica le differenze tra chi ha già una forte capacità di iniziativa e chi non ce l'ha. Chi sapeva già muoversi, con questi strumenti diventa molto più potente. Chi non sapeva, rischia di trovarsi sostituito. È un tema che attraversa quasi tutti i pensatori di cui si parla questa settimana. Il punto cioè non è solo cosa fanno i modelli — è cosa fanno alle persone che li usano.

Progetti da osservare, e questa volta sono storie piccole che illustrano bene i fili di oggi. Karpathy ha pubblicato un programma che si chiama nanochat, una sorta di ricettario minimale per addestrare un piccolo modello in un paio d'ore su otto schede grafiche di buon livello. È un manifesto: l'idea è che oggi un singolo ricercatore, con un po' di accortezza, può fare cose che fino a poco fa richiedevano un'intera azienda. Meno codice, più amplificazione.

Sempre nell'orbita dell'AI locale c'è llama.cpp, un piccolo motore scritto in linguaggio C che permette di far girare modelli linguistici sul proprio computer, senza chiamare il cloud. Vitalik Buterin lo cita come fondamento del suo computer personale: vuole un'AI che gira a casa sua, dentro un sistema che controlla, senza che nessuno guardi. È il sogno della sovranità del calcolo tradotto in righe di codice.

Poi c'è Omarchy, una distribuzione di Linux preparata da David Heinemeier Hansson, il creatore di Ruby on Rails. È pensata per attirare gli utenti del Mac verso un computer più libero, più modificabile, in cui le cose si possono aprire e cambiare. È un piccolo segno del ritorno di interesse, dopo vent'anni, per il software che si possiede invece di quello che si affitta.

Sul fronte ricerca pura: ARC-AGI, il test di Chollet, ha un premio di due milioni di dollari per chi riesce a superarlo. È una sfida pubblica, aperta a chiunque, e finora nessun grande modello ci è andato vicino. È bello vedere che esistono ancora cose che si possono provare a battere come si batteva il record dell'ora in bicicletta.

E infine claude-context, un piccolo strumento open source che prende tutto il codice di un'azienda e lo trasforma in materiale che gli agenti automatici possono leggere e usare. È un esempio concreto di una cosa che ricorre questa settimana: il valore non è più solo nel modello, è in tutto quello che gli sta intorno.

Se devo lasciare un'immagine, è quella di Sutskever chiuso a chiave nel suo laboratorio mentre Huang firma contratti da venti miliardi per chip nuovi. Stanno andando in direzioni opposte, ma seguono lo stesso vento. Il calcolo non basta più. Quello che conta adesso è chi pensa più a fondo, chi costruisce più solido, chi possiede davvero la macchina. È stato Signal Brief. Alla prossima.